從語意上淺析

所謂語音合成芯片，又稱中文TTS芯片，是指一種專業(yè)的語音芯片，它可以通過串行通信接口如UART和SPI等方式，與主控CPU進行數(shù)據(jù)通信，接收CPU傳送的文本信息，以合成語音的方式，驅(qū)動發(fā)聲器發(fā)聲，其特點是：高集成度，帶串行通信接口以及需要一定的外圍電路的支持（如晶振電路等）。 
從語音合成芯片的定義上就能知道，它屬于一種高端的語音芯片，是一種采取了語音合成技術(shù)的、截然不同的智能芯片，它內(nèi)置了中文TTS軟件或語音合成軟件核心。從未來的市場發(fā)展和用戶體驗要求上來看，也許將有一天語音合成芯片終將取代語音芯片如今的地位，當(dāng)然需要很長的時間，或者終二者合二為一也不一定?，F(xiàn)在只能說，未來的語音合成芯片合成效果自然度將更高，成本將更低廉，控制更方便以及面向多語種化   

從應(yīng)用上淺析  

語音合成技術(shù)是引領(lǐng)信息社會的重要組成部分，是廣大生產(chǎn)語音芯片廠家提升其產(chǎn)品價值的重要手段。讓客戶更好的使用產(chǎn)品，莫過于直接與機器進行交流。實現(xiàn)機器說話的手段莫過于硬件與軟件兩大方案，而硬件方案主要包括語音芯片和語音合成芯片兩大方案。自2003年北京宇音天下科技有限公司的OSYNO6188國內(nèi)中文語音合成芯片（也稱中文TTS芯片）問世以來，市場上的可發(fā)聲芯片就正式分成兩大類：語音芯片與語音合成芯片。但是在現(xiàn)實開發(fā)語音終端產(chǎn)品工作中，有很多的研發(fā)人員對于這兩類芯片的認(rèn)知，經(jīng)常出現(xiàn)概念上混淆，常常將語音合成芯片，誤認(rèn)為語音芯片，加之一些制作銷售語音芯片的公司，為了更好的銷售，以突出語音芯片的比較價格優(yōu)勢，也對外宣稱他們的語音IC，是語音合成芯片，有意識地誤導(dǎo)開發(fā)人員，其實這兩者是有本質(zhì)上是完全不同的。
    舉例而言，當(dāng)用戶需要終開發(fā)的語音終端，進行大量的不同語音實時提示時--比如檢測油量車速等功能的車載儀表，需要對當(dāng)前的油量，車速進行實時的報告；或者類似GPS導(dǎo)航，提示現(xiàn)在是位于XX街道，當(dāng)前路面上規(guī)定的車速是什么時，也許語音芯片的研制企業(yè)宣稱沒有問題，但對不同省市的不同街道，它就沒轍了，這就必須使用語音合成芯片。語音芯片的使用，是在比較固定和較少的語音信息提示時使用的，例如說：這個芯片是用在某路公交車手動報個站，或者說火災(zāi)來的時候發(fā)出報警聲音，這時候使用語音芯片很合適的。這樣您就能知道，您到底需要什么類型的芯片了。
     接下來可以對它們做比較正式的定義了。所謂語音芯片，是指將語音信號通過采樣轉(zhuǎn)化為數(shù)字，存儲在IC的ROM中，再通過電路將ROM中的數(shù)字還原成語音信號。所謂語音合成芯片，又稱中文TTS芯片，是指一種專業(yè)的語音芯片，它可以通過串行通信接口如UART和SPI等方式，與主控CPU進行數(shù)據(jù)通信，接收CPU傳送的文本信息，并將文本信息，轉(zhuǎn)化成合成語音的方式，驅(qū)動發(fā)聲器發(fā)聲，其特點是：高集成度，內(nèi)置中文TTS功能，帶串行通信接口以及需要一定的外圍電路的支持。
 

從使用方法淺析

     從使用方法來看，語音芯片的主要使用方式是先對其進行錄音，錄音完成燒錄后再來對其使用。而語音合成芯片只需要上位機通過串行通信對其發(fā)送一段文本信息，再將文本信息轉(zhuǎn)化為語音信號。從使用上來看，由于語音芯片所記錄的提示語音段長度受限，在只需要少量提示語音、并且可以大規(guī)模應(yīng)用的場合下，則適合使用語音芯片，因其成本不高；缺點則是需預(yù)錄制語音、需重新燒錄、需校驗，這對于許多研發(fā)企業(yè)而言，其實是十分煩難的—尤其是當(dāng)這些研制出的語音終端，賣到不同的用戶，就需要使用不同的語音錄制文件時，將消耗研發(fā)人員大量的寶貴成本。語音合成芯片，則可以靈活的使用上位機提供的文本信息，就可自動的轉(zhuǎn)化為輸出聲音，從而在智能化人機交互方面產(chǎn)生大量的應(yīng)用，缺點是智能分析能力不能達(dá)到100%的正確語音發(fā)聲（自然度跟人聲相比還是略有差別）且成本較普通的語音芯片略高。
 

從語音合成效果上淺析

　　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，機器說話是否標(biāo)準(zhǔn)，人能否聽懂聽舒服自然成為重要的衡量指標(biāo)。語音芯片的朗讀效果主要由兩個重要技術(shù)指標(biāo)決定：可懂度和自然度?？啥染褪侨藗兡軌蚵牰畽C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。國家863專家組對語音合成效果的自然度綜合評測有詳細(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?？啥仁呛饬空Z音合成產(chǎn)品是否可用的標(biāo)準(zhǔn)，自然度則是評價產(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)。

從語音合成的性能上淺析

能否識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識別常見文本內(nèi)容外，在一些特殊格式文本方面，如時間、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“十二點十分三十五秒”，“2008-1-13”讀成“二零零八年一月十三號”，“http://www.abc.com”讀成“h-t-t-p w-w-w點a-b-c點c–o- m”。

能否識別常見的特殊符號、單位符號。

　　對于一些特殊符號及單位符號等，語音合成芯片也需要能夠正確識別并合成出來，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)慣進行讀出。

能否判讀常見多音字。

　　多音字作為漢字中常見的發(fā)音重點和難點，是各家語音芯片廠家關(guān)注的焦點，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，即將，股市行情，調(diào)整，校正，災(zāi)難，沒收，長三角，西藏，濟南，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。

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，這點在方便終端用戶使用方面以及支持漢字識別范圍方面均非常重要。目前常用的漢字編碼格式有GB2312, Unicode，GBK，BIG5等。

能否支持?jǐn)?shù)字的讀法。

　　生活離不開數(shù)字，數(shù)字串的正確識別合成輸出，在眾多應(yīng)用領(lǐng)域成為普遍性關(guān)注點，合成文本中會經(jīng)常出現(xiàn)類似如：“請撥打12345”、“電話：12345”“熱線：12345” “我的號碼：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、還是號碼。如“12345”會自動按照號碼的讀成“一二三四五”。“139-11661189”自動按照號碼讀成“幺三九幺幺六六幺幺八九”。而“12345公斤”會自動讀成“一萬二千三百四十五公斤”， “345678個”會讀成“三十四萬五千六百七十八個”等等。

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行二次開發(fā)的用戶來進行設(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，可以按照需要進行標(biāo)記。使用多種標(biāo)記進行設(shè)置更為直觀方便、易維護。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級音量。