想做一个linux下的中文语音朗读软件，可有同好一起讨论

wq1977

如题： 初步的想法只能是录音，分割语音段为一个一个小段，每小段一个字或者一个词，分析中文文本，将文本分割为一个词一个词的记录，根据词找到语音小段，合成一个新的语音文件，播放这个语音文件。

欢迎感兴趣的朋友展开讨论。

ailantian

Post by wq1977
如题： 初步的想法只能是录音，分割语音段为一个一个小段，每小段一个字或者一个词，分析中文文本，将文本分割为一个词一个词的记录，根据词找到语音小段，合成一个新的语音文件，播放这个语音文件。

欢迎感兴趣的朋友展开讨论。

搜搜speech engine,
好像是tts engine,就是text to speech engine
这个感觉不那么容易做的。英语的已经有很多现成的了，但是中文的还没有,
另外中文和英文的分词技术也不一样，难度要大一些。比如“北京大学城”你解析成“北京大学”，还是”大学城“
分词本身就是一个课题吧
以前看过微软亚洲研究院那个，做的好像还行。
https://research.microsoft.com/speech/tts.asp

DoDo

楼主可以先研究一下 festival，这是一个开源的英文语音朗读引擎，效果还不错

sysnotdown

1: 这不是个大众化的题目, 很多人做不了, 所以很难找同好;
2: 分词不算难, 前两天有个家伙开源了一个, 总体还不错;
3: 语音的工程量大, 楼主自己朗读还是请播音员朗读? 要么按开源社区的思路, 大家分工朗读,呵呵, 一句话可能是8个人的音.
4: 朗读软件用的人少, 质量不高用的人就更少.
5: 其实这东西代码量很少, 不带图形界面估计不会超过10000行, 前提是用开源分词代码, 很好写, 就是语音库的问题. 分完词后调用语音库读出来而已. 所以楼主自己写就好了.
6. 语音库嘛, 让开源社区协助建立. 先建立字库, 词库可以先用字库连接起来, 以后再建词库.

wq1977

有个叫讯飞语音的小软件，朗读中文效果接近完美，几乎听不出来是电脑在朗读，本身软件也不是很大，不过只提供智能手机的版本，不提供PC版本，festival更是一个完全不支持中文的东东，微软亚洲研究院制作的东东水平和它的微软身份很不相称。

总之，要在linux下让电脑朗读中文(小说、电子邮件等)，需要中国的开源程序员的努力。

sysnotdown

Post by wq1977
有个叫讯飞语音的小软件，朗读中文效果接近完美，几乎听不出来是电脑在朗读，本身软件也不是很大，不过只提供智能手机的版本，不提供PC版本，festival更是一个完全不支持中文的东东，微软亚洲研究院制作的东东水平和它的微软身份很不相称。

总之，要在linux下让电脑朗读中文(小说、电子邮件等)，需要中国的开源程序员的努力。

楼主先努力, 大家跟上!

ailantian

Post by sysnotdown
1: 这不是个大众化的题目, 很多人做不了, 所以很难找同好;
2: 分词不算难, 前两天有个家伙开源了一个, 总体还不错;
3: 语音的工程量大, 楼主自己朗读还是请播音员朗读? 要么按开源社区的思路, 大家分工朗读,呵呵, 一句话可能是8个人的音.
4: 朗读软件用的人少, 质量不高用的人就更少.
5: 其实这东西代码量很少, 不带图形界面估计不会超过10000行, 前提是用开源分词代码, 很好写, 就是语音库的问题. 分完词后调用语音库读出来而已. 所以楼主自己写就好了.
6. 语音库嘛, 让开源社区协助建立. 先建立字库, 词库可以先用字库连接起来, 以后再建词库.

不知道这位做过tts没有，事先声明，我没做过，但是我想没有这位想的这么简单，
首先字组成词，词组成句，但是如果换到语音的话，这个就没法成立了，
比如语音有音调（不同的环境语调不同），有上下文环境，句应该也有句调，
简单的比如“你好”，如果是单独的字的话，两个都是三声，你试着读一下看看什么效果？但是实际上听起来确不是这样。
还有一些延迟的控制，还有就是
要让语音听起来自然连贯，而不是连起来的单字，我觉得有很多积累的东西在里面，比如大量的统计和测试。

之前我也想做一个来，但是实在不知道从什么地方下手，感觉这个东西理论性的东西比较强，比如可能我想有些tts不是靠单个字音合成的，而是有一些语素，不然tts引擎就太大了。

wq1977

录音是不可避免的 我觉得英文的festival的声音应该是合成的，但是合成的电脑声音不可避免会有些太生硬。要实现亲切的声音效果，一定要录音。关于语调之类的，看你怎么想了。如果非要实现的完美的话，可以实现不同年龄，不同语调下的库，再加上标点符号的语调分析，也许可以让电脑来表演广播剧或者代替新闻联播的播音员（他们的语调是几乎不变的,呵呵）。

DoDo

就看楼主想实现到什么程度的效果了。只是把音发出来，那很简单，但也没什么价值。要想实现朗读得亲切自然，这是算法层面上的东西，如果有开放的算法，可以借鉴，如果没有，就只能自己研究，一旦算法研究好了，代码不在话下