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(jìn)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(diǎn)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(yàn)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(jī)器進(jìn)行交流。實(shí)現(xiàn)機(jī)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(shí)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(shí)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(jìn)行大量的不同語音實(shí)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(jìn)行實(shí)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(jìn)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(diǎn)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(jìn)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(jī)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(diǎn)則是需預(yù)錄制語音、需重新燒錄、需校驗(yàn)，這對于許多研發(fā)企業(yè)而言，其實(shí)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(jī)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(jī)交互方面產(chǎn)生大量的應(yīng)用，缺點(diǎn)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(jī)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(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。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(diǎn)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(diǎn)a-b-c點(diǎn)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(jìn)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(diǎn)和難點(diǎn)，是各家語音芯片廠家關(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，即將，股市行情，調(diào)整，校正，災(zāi)難，沒收，長三角，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。

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(diǎn)，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(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級音量。