語音合成芯片探析

   語音合成芯片就是將完整的語音合成系統(tǒng)固化集成到芯片內(nèi)部，通過簡(jiǎn)單的接口接收待合成的文本信息，將文本合成為清晰流暢的語音輸出，完成機(jī)器代替人說話傳達(dá)信息的過程，語音芯片應(yīng)用簡(jiǎn)單，開發(fā)和使用成本低，在車載調(diào)度、氣象預(yù)警、公交報(bào)站等領(lǐng)域被廣泛應(yīng)用。

    語音合成芯片最大的功能應(yīng)用點(diǎn)在于用戶需要播報(bào)一些大量、動(dòng)態(tài)文本信息時(shí)，可以即時(shí)、方便的將文本信息內(nèi)容合成為語音輸出，從而解決傳統(tǒng)錄音芯片無法解決的大容量、動(dòng)態(tài)文本信息播報(bào)問題。

    目前，市場(chǎng)上語音合成芯片價(jià)位從幾十元到幾百元的都有，另外芯片外形、產(chǎn)品封裝形式、調(diào)用接口等紛繁復(fù)雜，讓用戶在選擇語音合成芯片時(shí)經(jīng)常陷入迷惑狀態(tài)。那么如何正確分辨、選用一款高性能語音合成芯片？語音合成芯片重點(diǎn)需要考核哪些性能指標(biāo)？以下參數(shù)將成為用戶重點(diǎn)評(píng)估方向：

    1.語音合成效果

    語音合成芯片的應(yīng)用目的是以語言的方式傳達(dá)文本信息，機(jī)器說話是否標(biāo)準(zhǔn)，人能否聽懂聽舒服自然成為最最重要的衡量指標(biāo)。語音芯片的朗讀效果主要由兩個(gè)重要技術(shù)指標(biāo)決定：可懂度和自然度。可懂度就是人們能夠聽懂機(jī)器合成出來的內(nèi)容，是語音合成芯片能否應(yīng)用的基本要求；自然度則是機(jī)

    器發(fā)音效果是否易于理解，聽著舒服，與正常人說話的差距。國(guó)家863專家組對(duì)語音合成效果的自然度綜合評(píng)測(cè)有詳細(xì)說明，規(guī)定采用5分制打分，達(dá)到可接受階段為3.0分，普通人說話水平為4.0分，播音員的水平為5.0分。可懂度是衡量語音合成產(chǎn)品是否可用的標(biāo)準(zhǔn)，自然度則是評(píng)價(jià)產(chǎn)品是否可以大規(guī)模應(yīng)用，以及應(yīng)用于高端領(lǐng)域的重要指標(biāo)。

    2.能否識(shí)別常見的特殊格式文本

    為了滿足不同文本的合成需求，語音合成芯片除了能夠自動(dòng)識(shí)別常見文本內(nèi)容外，在一些特殊格式文本方面，如時(shí)間、日期、網(wǎng)站名稱等格式的文本，也要能夠智能判讀。“12:10:35”讀成“十二點(diǎn)十分三十五秒”，“2008-1-1”讀成“二零零八年一月十三號(hào)”，“http://www.abc.com”讀成“h-t-t-pw-w-w點(diǎn)a-b-c點(diǎn)c–o-m”。

    3.能否識(shí)別常見的特殊符號(hào)、單位符號(hào)

    對(duì)于一些特殊符號(hào)及單位符號(hào)等，語音合成芯片也需要能夠正確識(shí)別并合成出來，如：“-2℃”讀成“零下2攝氏度”，其他的30%，a&b，￥80，20㎝，75㎏,90㎡等都能夠人們按照閱讀習(xí)慣進(jìn)行讀出。

    4.能否判讀常見多音字

    多音字作為漢字中常見的發(fā)音重點(diǎn)和難點(diǎn)，是各家語音公司關(guān)注的焦點(diǎn)，特別是中文語音合成芯片，在這方面更需要優(yōu)異的表現(xiàn)。如：音樂，銀行，特長(zhǎng)，即將，股市行情，調(diào)整，校正，災(zāi)難，沒收，長(zhǎng)三角，西藏，濟(jì)南，重慶，成都等等，多音字能否正確判讀直接影響合成信息的可懂度，信息受眾者的理解，所以必須準(zhǔn)確朗讀。

    5.能否支持多種漢字編碼支持

    多種漢字編碼支持目前也已成為考核語音合成芯片性能的重點(diǎn)，這點(diǎn)在方便終端用戶使用方面以及支持漢字識(shí)別范圍方面均非常重要。
    6.能否支持?jǐn)?shù)字的讀法。

    生活離不開數(shù)字，數(shù)字串的正確識(shí)別合成輸出，在眾多應(yīng)用領(lǐng)域成為普遍性關(guān)注點(diǎn)，合成文本中會(huì)經(jīng)常出現(xiàn)類似如：“請(qǐng)撥打12345”、“電話：12345”“熱線：12345”“我的號(hào)碼：12345”等內(nèi)容，一款高性能語音合成芯片能夠智能判斷把數(shù)字串讀成數(shù)值、還是號(hào)碼。如“12345”會(huì)自動(dòng)按照號(hào)碼的讀成“一二三四五”。“139-11661189”自動(dòng)按照號(hào)碼讀成“幺三九幺幺六六幺幺八九”。而“12345公斤”會(huì)自動(dòng)讀成“一萬二千三百四十五公斤”，“345678個(gè)”會(huì)讀成“三十四萬五千六百七十八個(gè)”等等。

    7.能否支持合成參數(shù)設(shè)置

    參數(shù)合成設(shè)置主要是為了方便使用語音芯片進(jìn)行二次開發(fā)的用戶來進(jìn)行設(shè)置、調(diào)試、修正文本合成效果。語音合成芯片應(yīng)該能夠支持多種標(biāo)記功能，可以按照需要進(jìn)行標(biāo)記。使用多種標(biāo)記進(jìn)行設(shè)置更為直觀方便、易維護(hù)。例如：設(shè)置音量，只要使用合成命令幀發(fā)送[v9]，就可把音量設(shè)置9級(jí)音量。

    8.用戶使用接口簡(jiǎn)單、易用

    以上是從語音合成芯片效果及語音合成芯片內(nèi)核等方面來評(píng)估語音合成芯片的性能，其實(shí)，在實(shí)際選用一款好的語音合成芯片的時(shí)候，用戶還需要注意芯片硬件方面的參數(shù)，如：是否單芯片，體積大小，能夠大批量貼片焊接生產(chǎn)？以及功耗，工作溫度等等方面。■