本文目錄一覽：

戴爾（DELL）1U

處理器語(yǔ)音線路并發(fā)數(shù)啥意思：四核至強(qiáng)E3-1230

內(nèi) 存語(yǔ)音線路并發(fā)數(shù)啥意思：4G

硬 盤(pán)：500G SATA

其 他：雙千兆網(wǎng)卡,DVD光驅(qū)

帶 寬：同享世界出口帶寬

流 量：不限流量

操作體系：Windows2003 或 linux

這是我在全國(guó)數(shù)據(jù)官網(wǎng)找到語(yǔ)音線路并發(fā)數(shù)啥意思的語(yǔ)音線路并發(fā)數(shù)啥意思，裝備比一般電腦要強(qiáng)。服務(wù)器要求7x24（x365）不間斷運(yùn)轉(zhuǎn)，PC或許只需求5x8。PC一般不需求許多外插卡，對(duì)擴(kuò)展性要求不高，而服務(wù)器一般需求考慮添加網(wǎng)卡、RAID卡、HBA卡等語(yǔ)音線路并發(fā)數(shù)啥意思；別的，擴(kuò)展性還包括，內(nèi)存、硬盤(pán)等存儲(chǔ)位、電源，乃至是CPU的擴(kuò)展，這些更是服務(wù)器的特性；圖形顯現(xiàn)、鍵盤(pán)和鼠標(biāo)的要求：一般臺(tái)式機(jī)和顯現(xiàn)器、鍵鼠等都是1對(duì)1的，并且，一般對(duì)顯卡功用有要求，服務(wù)器不直接和用戶交互對(duì)顯卡功用根本無(wú)要求，一般鍵盤(pán)鼠標(biāo)顯現(xiàn)器是多臺(tái)共用的。設(shè)置的話，一般都是長(zhǎng)途電腦操作的。

誰(shuí)能告訴我什么是呼叫中心外線，內(nèi)線，虛擬分機(jī)

外線一般是指運(yùn)營(yíng)商到你單位的線路，內(nèi)線是指你單位內(nèi)部的線路。

一同也有外線電話和內(nèi)線電話的說(shuō)法，外線電話便是你打的公司電話網(wǎng)之外的電話，是要付費(fèi)的，內(nèi)線電話指的是內(nèi)部分機(jī)之間的通話，不需求付出費(fèi)用。

虛擬分機(jī)這個(gè)概念，在實(shí)踐作業(yè)中沒(méi)有很明晰的闡明，不同家的產(chǎn)品說(shuō)法不相同，你先參閱一下百科的這個(gè)闡明吧。。

語(yǔ)音辨認(rèn)5路并發(fā)是 擔(dān)任撥打電話 外呼坐席- 擔(dān)任接聽(tīng)電話,與顧客交流 和原理智能語(yǔ)音體系并發(fā)

一， 語(yǔ)音組成技能原理

語(yǔ)音組成（test to speech）,簡(jiǎn)稱TTS。將文字轉(zhuǎn)化為語(yǔ)音的一種技能，類似于人類的嘴巴，經(jīng)過(guò)不同的音色說(shuō)出想表達(dá)的內(nèi)容。

在語(yǔ)音組成技能中，首要分為 言語(yǔ)剖析部分 和 聲學(xué)體系部分 ，也稱為 前端部分 和 后端部分， 言語(yǔ)剖析部分首要是依據(jù)輸入的文字信息進(jìn)行剖析，生成對(duì)應(yīng)的言語(yǔ)學(xué)規(guī)格書(shū)，想好該怎樣讀語(yǔ)音線路并發(fā)數(shù)啥意思；聲學(xué)體系部分首要是依據(jù)語(yǔ)音剖析部分供給的語(yǔ)音學(xué)規(guī)格書(shū)，生成對(duì)應(yīng)的音頻，完結(jié)發(fā)聲的功用。

1. 言語(yǔ)剖析部分

言語(yǔ)剖析部分的流程圖詳細(xì)如下，能夠簡(jiǎn)略的描繪出言語(yǔ)剖析部分首要的作業(yè)。

文本結(jié)構(gòu)與語(yǔ)種判別： 當(dāng)需求組成的文本輸入后，先要判別是什么語(yǔ)種，例如中文，英文，藏語(yǔ)，維語(yǔ)等，再依據(jù)對(duì)應(yīng)語(yǔ)種的語(yǔ)法規(guī)矩，把整段文字切分為單個(gè)的句子，并將切分好的句子傳到后邊的處理模塊。

文本規(guī)范化： 在輸入需求組成的文本中，有阿拉伯?dāng)?shù)字或字母，需求轉(zhuǎn)化為文字。依據(jù)設(shè)置好的規(guī)矩，使組成文本規(guī)范化。例如， “請(qǐng)問(wèn)您是尾號(hào)為8967的機(jī)主嗎？“8967”為阿拉伯?dāng)?shù)字，需求轉(zhuǎn)化為漢字“八九六七”，這樣便于進(jìn)行文字標(biāo)音等后續(xù)的作業(yè)語(yǔ)音線路并發(fā)數(shù)啥意思；再如，關(guān)于數(shù)字的讀法，方才的“8967“為什么沒(méi)有轉(zhuǎn)化為”八千九百六十七“呢？由于在文本規(guī)范化的規(guī)矩中，設(shè)定了”尾號(hào)為+數(shù)字“的格局規(guī)矩，這種狀況下數(shù)字依照這種辦法播報(bào)。這便是文本規(guī)范化中設(shè)置的規(guī)矩。

文本轉(zhuǎn)音素： 在漢語(yǔ)的語(yǔ)音組成中，根本上是以拼音對(duì)文字標(biāo)示的，所以咱們需求把文字轉(zhuǎn)化為相對(duì)應(yīng)的拼音，可是有些字是多音字，怎樣區(qū)別當(dāng)時(shí)是哪個(gè)讀音，就需求經(jīng)過(guò)分詞，詞性句法剖析，判別當(dāng)時(shí)是哪個(gè)讀音，并且是幾聲的腔調(diào)。

例如，“南京市長(zhǎng) 江大橋”為“nan2jing1shi4zhang3jiang1da4qiao2”或許“南京市 長(zhǎng)江大橋”“nan2jing1shi4chang2jiang1da4qiao3”。

句讀韻律猜測(cè)： 人類在言語(yǔ)表達(dá)的時(shí)分總是附帶著口氣與愛(ài)情，TTS組成的音頻是為了仿照實(shí)在的人聲，所以需求對(duì)文本進(jìn)行韻律猜測(cè)，什么當(dāng)?shù)匦枨笾兄?，中止多久，哪個(gè)字或許詞語(yǔ)需求重讀，哪個(gè)詞需求輕讀等，完結(jié)聲響的凹凸彎曲，波瀾崎嶇。

2 ．聲學(xué)體系部分

聲學(xué)體系部分現(xiàn)在首要有三種技能完結(jié)辦法，分別為：波形拼接，參數(shù)組成以及端到端的語(yǔ)音組成技能。

1) 波形拼接語(yǔ)音組成

經(jīng)過(guò)前期錄制許多的音頻，盡或許全的掩蓋一切的音節(jié)音素，依據(jù)核算規(guī)矩的大語(yǔ)料庫(kù)拼接成對(duì)應(yīng)的文本音頻，所以波形拼接技能經(jīng)過(guò)已有庫(kù)中的音節(jié)進(jìn)行拼接，完結(jié)語(yǔ)音組成的功用。一般此技能需求許多的錄音，錄音量越大，效果越好，一般做的好的音庫(kù)，錄音量在50小時(shí)以上。

長(zhǎng)處：音質(zhì)好，情感實(shí)在。

缺陷：需求的錄音量大，掩蓋要求高，字間協(xié)同過(guò)渡僵硬，不滑潤(rùn)，不是很天然。

2) 參數(shù)語(yǔ)音組成技能

參數(shù)組成技能首要是經(jīng)過(guò)數(shù)學(xué)辦法對(duì)已有錄音進(jìn)行頻譜特性參數(shù)建模，構(gòu)建文本序列映射到語(yǔ)音特征的映射聯(lián)系，生成參數(shù)組成器。所以當(dāng)輸入一個(gè)文本時(shí)，先將文本序列映射出對(duì)應(yīng)的音頻特征，再經(jīng)過(guò)聲學(xué)模型（聲碼器）將音頻特征轉(zhuǎn)化為咱們聽(tīng)得懂的聲響。

長(zhǎng)處：錄音量小，可多個(gè)音色一同練習(xí)，字間協(xié)同過(guò)渡滑潤(rùn)，天然等。

缺陷：音質(zhì)沒(méi)有波形拼接的好，機(jī)械感強(qiáng)，有雜音等。

3) 端到端語(yǔ)音組成技能

端到端語(yǔ)音組成技能是現(xiàn)在比較火的技能，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的辦法，完結(jié)直接輸入文本或許注音字符

，中心為黑盒部分，然后輸出組成音頻，對(duì)雜亂的言語(yǔ)剖析部分得到了極大的簡(jiǎn)化。所以端到端的語(yǔ)音組成技能，大大下降了對(duì)言語(yǔ)學(xué)常識(shí)的要求，且能夠完結(jié)多種言語(yǔ)的語(yǔ)音組成，不再受言語(yǔ)學(xué)常識(shí)的約束。經(jīng)過(guò)端到端組成的音頻，效果得到的進(jìn)一步的優(yōu)化，聲響愈加靠近真人。

長(zhǎng)處：對(duì)言語(yǔ)學(xué)常識(shí)要求下降，組成的音頻擬人化程度更高，效果好，錄音量小。

缺陷：功用大大下降，組成的音頻不能人為調(diào)優(yōu)。

以上首要是對(duì)語(yǔ)音組成技能原理的簡(jiǎn)略介紹，也是現(xiàn)在語(yǔ)音組成干流運(yùn)用的技能。當(dāng)時(shí)的技能也再迭代更新，像端到端技能現(xiàn)在比較火的wavenet，Tacotron，Tacotron2以及deepvoice3等技能，感興趣的朋友能夠自己了解學(xué)習(xí)。

二， 技能鴻溝

現(xiàn)在語(yǔ)音組成技能落地是比較老練的，比方前面提到的各種播報(bào)場(chǎng)景，讀小說(shuō)，讀新聞以及現(xiàn)在比較火的人機(jī)交互?？墒乾F(xiàn)在的TTS仍是存在著一些處理不掉的問(wèn)題。

1. 擬人化

其實(shí)當(dāng)時(shí)的TTS擬人化程度現(xiàn)已很高了，可是職業(yè)界的人一般都能聽(tīng)出來(lái)是否是組成的音頻，由于組成音的全體韻律仍是比真人要差許多，真人的聲響是帶有氣味感和情感的，TTS組成的音頻聲響很迫臨真人，可是在全體的韻律方面會(huì)顯得很平穩(wěn)，不會(huì)跟著文本內(nèi)容有大的崎嶇改變，單個(gè)字詞或許還會(huì)有機(jī)械感。

2. 心情化

真人在說(shuō)話的時(shí)分，能夠察覺(jué)到當(dāng)時(shí)心情狀況，在言語(yǔ)表達(dá)時(shí)，經(jīng)過(guò)聲響就能夠知道這個(gè)人是否高興，或許懊喪，也會(huì)結(jié)合表達(dá)的內(nèi)容傳達(dá)詳細(xì)的心情狀況。單個(gè)TTS音庫(kù)是做不到，例如在讀小說(shuō)的時(shí)分，小說(shuō)中會(huì)有許多的場(chǎng)景，不同的心情，可是用TTS組成的音頻，全體愛(ài)情和心情是比較平穩(wěn)的，沒(méi)有很大的崎嶇?，F(xiàn)在優(yōu)化的辦法有兩種，一是加上布景音樂(lè)，不同的場(chǎng)景用不同的布景音樂(lè)，淡化組成音的愛(ài)情心情，讓布景音烘托氣氛。二是制造多種心情下的組成音庫(kù)，能夠在不同的場(chǎng)景調(diào)用不同的音庫(kù)來(lái)組成音頻。

3. 定制化

當(dāng)時(shí)咱們聽(tīng)到語(yǔ)音組成廠商組成的音頻時(shí)，全體效果仍是不錯(cuò)的，許多客戶會(huì)有定制化的需求，例如用自己企業(yè)職工的聲響制造一個(gè)音庫(kù)，想要抵達(dá)和語(yǔ)音組成廠商相同的效果，這個(gè)是比較難的，現(xiàn)在語(yǔ)音組成廠商的錄音員根本上都是專業(yè)的播音員，不是任何一個(gè)人就能夠滿意制造音庫(kù)的規(guī)范，假設(shè)技能能夠抵達(dá)每一個(gè)人的聲響都能夠抵達(dá)85%以上的復(fù)原，這將運(yùn)用于更多的場(chǎng)景中。

三， 效果目標(biāo)和技能目標(biāo)

跟著語(yǔ)音組成技能的開(kāi)展，語(yǔ)音組成（TTS）現(xiàn)已運(yùn)用于日子中的各個(gè)場(chǎng)景，完結(jié)了語(yǔ)音組成技能的運(yùn)用落地。例如，在高鐵，機(jī)場(chǎng)的語(yǔ)音播報(bào)作業(yè)，醫(yī)院的叫號(hào)事務(wù)，以及現(xiàn)在比較熾熱的語(yǔ)音交互產(chǎn)品。語(yǔ)音組成的各種運(yùn)用闡明它不僅僅是一項(xiàng)技能，更是一款產(chǎn)品，作為產(chǎn)品，能夠用哪些目標(biāo)來(lái)衡量這款產(chǎn)品呢？

下面將介紹兩種衡量TTS產(chǎn)品的目標(biāo)，效果目標(biāo)和功用目標(biāo)。

1. 效果目標(biāo)

1) MOS 值

現(xiàn)在關(guān)于TTS組成效果的評(píng)判規(guī)范，職業(yè)界共同認(rèn)可的是mos值測(cè)驗(yàn) ，找一些業(yè)界專家，對(duì)組成的音頻效果進(jìn)行打分，分值在1-5分之間，經(jīng)過(guò)均勻得到最終的分?jǐn)?shù)，這便是mos值測(cè)驗(yàn)。 很顯然這是一個(gè)片面的評(píng)分，沒(méi)有詳細(xì)的評(píng)分規(guī)范，這和個(gè)人對(duì)音色的喜愛(ài)，對(duì)組成音頻內(nèi)容場(chǎng)景的把握狀況，以及對(duì)語(yǔ)音組成的了解程度是強(qiáng)相關(guān)的，所以算是仁者見(jiàn)仁，智者見(jiàn)智的測(cè)驗(yàn)辦法。

由于TTS組成效果的評(píng)判片面性，導(dǎo)致在一些項(xiàng)目的檢驗(yàn)中，不能明晰出詳細(xì)的檢驗(yàn)規(guī)范，例如在定制音庫(kù)的項(xiàng)目中，客戶想做一個(gè)獨(dú)有的定制音庫(kù)，最終檢驗(yàn)肯定是客戶對(duì)組成音頻效果滿意，則成功檢驗(yàn)，這是一個(gè)很片面的規(guī)范，怎樣樣才算滿意呢？關(guān)于TTS廠商而言，這是不公正的。所以需求找一些能夠量化的規(guī)范使得項(xiàng)目能夠更好的檢驗(yàn)，兩邊也不會(huì)由于組成效果出不合。這兒引薦一條檢驗(yàn)規(guī)范，能夠?qū)⒄Z(yǔ)音組成效果量化， 分別對(duì)原始錄音和組成音頻進(jìn)行盲測(cè)打分（mos值測(cè)驗(yàn)） ， 組成音頻的mos值能抵達(dá)原始錄音的85% （數(shù)值能夠依據(jù)項(xiàng)目狀況來(lái)定） 以上 ， 就可檢驗(yàn) ，這樣就能夠把檢驗(yàn)規(guī)范確認(rèn)下來(lái)，且進(jìn)行了量化。當(dāng)然打分團(tuán)隊(duì)能夠是客戶和TTS廠商的人，也能夠請(qǐng)第三方的人來(lái)打分，保證公正。

盡管mos值是一個(gè)比較片面的測(cè)驗(yàn)辦法，但也有一些可評(píng)判的規(guī)范。例如在組成的音頻中，多音字的讀法，當(dāng)時(shí)場(chǎng)景下數(shù)字的播報(bào)辦法，英語(yǔ)的播報(bào)辦法，以及在韻律方面，詞語(yǔ)是否連在一同播報(bào)，應(yīng)該重讀的當(dāng)?shù)厥欠裼兄刈x，中止的當(dāng)?shù)厥欠窈侠恚羯欠衿鹾线\(yùn)用于當(dāng)時(shí)的這個(gè)場(chǎng)景，都能夠在打分的時(shí)分做為得分失分的依據(jù)。

共享一個(gè)簡(jiǎn)略的評(píng)分規(guī)范，可作為參閱依據(jù)。

2) ABX 測(cè)評(píng)

組成效果比照性測(cè)驗(yàn)，挑選相同的文本以及相同場(chǎng)景下的音色，用不同的TTS體系組成來(lái)比照哪個(gè)的組成效果較好，也是人為的片面判別，可是具有必定的比照性，哪一個(gè)TTS更適合當(dāng)時(shí)的場(chǎng)景，以及組成的效果更好。

2. 功用目標(biāo)

1) 實(shí)時(shí)率

在語(yǔ)音組成中，組成辦法分為 非流式組成 和 丟失組成 ， 非丟失組成指的是一次性傳入文本，一次性回來(lái)組成的文本音頻；流式組成指的是文本傳輸給TTS時(shí)，TTS會(huì)分段傳回組成的音頻， 這樣能夠削減語(yǔ)音組成的等候時(shí)刻，在播報(bào)的一同也在組成，不必比及整段音頻組成完再進(jìn)行播報(bào)，所以關(guān)于語(yǔ)音組成時(shí)刻的一個(gè)目標(biāo)便是實(shí)時(shí)率。實(shí)時(shí)率等于文字組成所需時(shí)長(zhǎng)除以文字組成的音頻總時(shí)長(zhǎng)，下面是實(shí)時(shí)率的核算公式：

為什么講實(shí)時(shí)率會(huì)提到非丟失組成和流式組成，由于在流式組成場(chǎng)景中，開(kāi)端組成的時(shí)分也就現(xiàn)已開(kāi)端播報(bào)了，音頻組成完結(jié)也就播報(bào)完結(jié)了，不會(huì)發(fā)生等候的進(jìn)程，這種進(jìn)程首要用于語(yǔ)音交互的場(chǎng)景，智能機(jī)器人收到語(yǔ)音信號(hào)之后，立刻就能夠給予答復(fù)，不會(huì)讓用戶等太久。所認(rèn)為了保證用戶的最佳體會(huì)， 要求“文字組成所需時(shí)長(zhǎng)”≤“文字組成出的音頻時(shí)長(zhǎng)”，也便是實(shí)時(shí)率要小于等于1 。

2) 首包呼應(yīng)時(shí)刻

在流式組成中，分段組成的音頻會(huì)傳輸給客戶端或許播映體系，在組成首段音頻時(shí)，也會(huì)耗費(fèi)時(shí)刻，這個(gè)耗時(shí)稱為“首包呼應(yīng)時(shí)刻”。為什么會(huì)核算這個(gè)時(shí)刻呢，由于在語(yǔ)音交互中，依據(jù)項(xiàng)目經(jīng)歷以及人的忍受程度，當(dāng)用戶說(shuō)完話時(shí)，在1200ms之內(nèi)，機(jī)器人就要開(kāi)端播報(bào)回復(fù)，這樣就不會(huì)感覺(jué)有空白時(shí)刻或許中止點(diǎn)，假設(shè)時(shí)刻超越1200ms，顯著感覺(jué)會(huì)有一個(gè)等候的時(shí)刻，用戶體會(huì)欠安，性質(zhì)急的用戶或許就停止了談天。1200ms的時(shí)刻不僅僅TTS語(yǔ)音組成的首包時(shí)刻，還有ASR（語(yǔ)音辨認(rèn)）和NLU（天然言語(yǔ)了解）所耗費(fèi)的時(shí)刻，所以TTS首包呼應(yīng)時(shí)刻要控制在500ms以內(nèi)，保證給ASR，NLU留有更多的時(shí)刻。

3) 并發(fā)數(shù)

人工智能的開(kāi)展首要有三個(gè)方面，分別為算法，算力，數(shù)據(jù)，其實(shí)講的功用目標(biāo)適當(dāng)所以算力的部分，現(xiàn)在承載算力的服務(wù)器有CPU服務(wù)器和GPU服務(wù)器。前面提到實(shí)時(shí)率的目標(biāo)是要小于等于1，那假設(shè)實(shí)時(shí)率遠(yuǎn)小于1，是不是會(huì)對(duì)服務(wù)器形成糟蹋呢，由于只需實(shí)時(shí)率小于等于1，就能夠滿意用戶的需求，讓用戶體會(huì)出色。 所以上面說(shuō)的實(shí)時(shí)率是針對(duì)CPU服務(wù)器單核單線程時(shí)，或許GPU單卡單線程時(shí)， 那實(shí)時(shí)率的公式能夠?yàn)椋?/p>

為了資源的最大運(yùn)用化，咱們只需保證實(shí)時(shí)率挨近1，或許等于1就行，沒(méi)必要遠(yuǎn)小于1，所以當(dāng)在單核單線程實(shí)時(shí)率遠(yuǎn)小于1時(shí)，則能夠完結(jié)一核二線，一核三線的線程數(shù)，使得實(shí)時(shí)率為1，這個(gè)一核“二線”，“三線”，這個(gè)“幾線”說(shuō)的便是幾 并發(fā)數(shù) ，精確說(shuō)是 單核并發(fā)數(shù)。 那這個(gè)并發(fā)數(shù)怎核算呢，舉個(gè)比如，假設(shè)單核單線程的并發(fā)數(shù)是0.1，則一核10線程的并發(fā)便是1，也是滿意需求的，就能夠依照這個(gè)并發(fā)數(shù)給客戶供給。所以并發(fā)數(shù)的核算公式如下：

所以當(dāng)用戶需求200線程的語(yǔ)音組成并發(fā)數(shù)使，按0.1的實(shí)時(shí)率，一核十線，只需求20核的cpu服務(wù)器，則能夠跟客戶要求24核的cpu服務(wù)器即可滿意客戶的需求，也為客戶節(jié)省了本錢。

再說(shuō)一下這個(gè)線程和并發(fā)的概念，線程，并發(fā)算是同一個(gè)概念，例如200線并發(fā)，指的是需求一同支撐200線的語(yǔ)音組成，200線是一同組成音頻的，組成內(nèi)容能夠相同也能夠不同。

4) 組成100個(gè)字需求多少時(shí)刻（1s能組成多少個(gè)字）

有些客戶關(guān)于實(shí)時(shí)率，呼應(yīng)時(shí)刻這些概念是比較含糊的，他會(huì)問(wèn)你們的 TTS組成100個(gè)字需求多少時(shí)刻 或許 1s能組成多少個(gè)字 ，所以這個(gè)時(shí)分為了便利和客戶交流，咱們需求知道組成100個(gè)字TTS耗費(fèi)的時(shí)刻。這個(gè)數(shù)據(jù)是能夠大約算出來(lái)的，當(dāng)然也能夠直接讓測(cè)驗(yàn)測(cè)出一百字耗費(fèi)的時(shí)刻。這兒首要講一下核算的辦法。

依照正常的播報(bào)速度，1秒能夠播報(bào)4個(gè)字左右，咱們就依照四個(gè)字核算，100個(gè)字的音頻，音頻時(shí)長(zhǎng)大約便是25s（100除以4），假設(shè)實(shí)時(shí)率為0.1，再依據(jù)當(dāng)時(shí)的實(shí)時(shí)率核算公式，算出組成時(shí)刻為2.5s，也能夠核算出1s組成的字?jǐn)?shù)（100/2.5）為40個(gè)字。

簡(jiǎn)略介紹了語(yǔ)音組成產(chǎn)品會(huì)觸及到的一些參數(shù)目標(biāo)，還有一些測(cè)驗(yàn)時(shí)需求了解的目標(biāo)數(shù)據(jù)，例如cpu占用，內(nèi)存占用，DPS（單位時(shí)刻組成的音頻總時(shí)長(zhǎng)）,TPS（單位時(shí)刻組成的音頻使命數(shù)）以及TP99，感興趣的朋友能夠查詢研究一下，這些數(shù)據(jù)也首要用于項(xiàng)目poc的測(cè)驗(yàn)中，或許TTS產(chǎn)品全體的測(cè)驗(yàn)中，能夠算是關(guān)于TTS產(chǎn)品的一個(gè)全體的了解。

四， 語(yǔ)音組成廠商

有許多廠商具有語(yǔ)音組成技能，有互聯(lián)網(wǎng)大廠，也有一些只專心于人工智能的企業(yè)。

科大訊飛 科大訊飛的語(yǔ)音組成技能在全球規(guī)模內(nèi)也是數(shù)一數(shù)二的，組成的音頻效果天然度高，訊飛官網(wǎng)掛接的音庫(kù)是最多的，且觸及許多的場(chǎng)景，以及許多的外語(yǔ)音庫(kù)。

阿里巴巴 在阿里云官網(wǎng)的音庫(kù)，有幾個(gè)音庫(kù)的組成效果十分棒，例如艾夏，組成的音頻播報(bào)時(shí)感覺(jué)帶有氣味感，擬人化程度適當(dāng)高。

百度 百度的語(yǔ)音組成技能仍是很強(qiáng)的，可是官網(wǎng)給的組成音庫(kù)較少，詳細(xì)不太好評(píng)判。

靈伴科技 這家公司在語(yǔ)音組成范疇是不在疏忽的。靈伴的音庫(kù)組成音效果也是十分的棒，有一個(gè)東北大叔的音庫(kù)，首要是偏東北話，全體的韻律，中止，重讀等把握的很好，很到位。

標(biāo)貝科技 標(biāo)貝科技和靈伴科技相同，是語(yǔ)音組成范疇不行小覷的兩個(gè)企業(yè)，是由于他們TTS組成的音頻效果擬人化程度很高，每個(gè)場(chǎng)景的風(fēng)格也很傳神。

捷通華聲 捷通華聲是一家老牌的人工智能企業(yè)，組成的音頻效果全體仍是不錯(cuò)的，且支撐多種語(yǔ)種的音庫(kù)。

還有些企業(yè)沒(méi)有逐個(gè)列出來(lái)，是由于上面這些企業(yè)是在平常項(xiàng)目中，或許TTS技能落地運(yùn)用上比較多的企業(yè)。

五， 小結(jié)

現(xiàn)在的語(yǔ)音組成現(xiàn)已運(yùn)用于各種場(chǎng)景，是較老練可落地的產(chǎn)品，關(guān)于組成音的要求，當(dāng)時(shí)的技能現(xiàn)已能夠做很好了，滿意了市場(chǎng)上絕大部分需求，語(yǔ)音組成技能首要是組成類似于人聲的音頻，其實(shí)當(dāng)時(shí)的技能已徹底滿意?，F(xiàn)在的問(wèn)題在于不同場(chǎng)景的詳細(xì)需求的完結(jié)，例如不同的數(shù)字讀法，怎樣智能的判別當(dāng)時(shí)場(chǎng)景應(yīng)該是哪種播報(bào)辦法，以及什么樣的口氣和心情更適合當(dāng)下的場(chǎng)景，多音字怎樣更好地區(qū)別，保證組成的音頻盡或許的不犯錯(cuò)。當(dāng)然過(guò)錯(cuò)有時(shí)分是不行避免的，可是怎樣在容錯(cuò)規(guī)模之內(nèi)，或許讀錯(cuò)之后是否有很好的自學(xué)機(jī)制，下次播報(bào)時(shí)就能夠讀對(duì)，具有自我糾錯(cuò)的才能，這些或許是當(dāng)時(shí)產(chǎn)品化時(shí)遇到的更多更實(shí)踐的問(wèn)題，在產(chǎn)品全體規(guī)劃的時(shí)分，這些是需求考慮的首要問(wèn)題。

后續(xù)會(huì)敘述在實(shí)踐場(chǎng)景中首要遇到的問(wèn)題以及處理的計(jì)劃。

[修改本段]TTS概述

TTS是Text To Speech的縮寫(xiě)，即“從文本到語(yǔ)音”。它是一同運(yùn)用言語(yǔ)學(xué)和心理學(xué)的出色之作，在內(nèi)置芯片的支撐之下，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的規(guī)劃，把文字智能地轉(zhuǎn)化為天然語(yǔ)音流。TTS技能對(duì)文本文件進(jìn)行實(shí)時(shí)轉(zhuǎn)化，轉(zhuǎn)化時(shí)刻之短能夠秒核算。在其特有智能語(yǔ)音控制器效果下，文本輸出的語(yǔ)音樂(lè)律流通，使得聽(tīng)者在聽(tīng)取信息時(shí)感覺(jué)天然，毫無(wú)機(jī)器語(yǔ)音輸出的冷酷與生澀感。TTS語(yǔ)音組成技能行將掩蓋國(guó)標(biāo)一、二級(jí)漢字，具有英文接口，自動(dòng)辨認(rèn)中、英文，支撐中英文混讀。一切聲響選用真人一般話為規(guī)范發(fā)音，完結(jié)了120-150個(gè)漢字/秒的快速語(yǔ)音組成，朗誦速度達(dá)3-4個(gè)漢字/秒，運(yùn)用戶能夠聽(tīng)到明晰動(dòng)聽(tīng)的音質(zhì)和連接流通的語(yǔ)調(diào)?，F(xiàn)在有少部分MP3隨身聽(tīng)具有了TTS功用。

TTS是語(yǔ)音組成運(yùn)用的一種，它將貯存于電腦中的文件，如協(xié)助文件或許網(wǎng)頁(yè)，轉(zhuǎn)化成天然語(yǔ)音輸出。TTS能夠協(xié)助有視覺(jué)妨礙的人閱覽核算機(jī)上的信息，或許僅僅簡(jiǎn)略的用來(lái)添加文本文檔的可讀性?，F(xiàn)在的TTL運(yùn)用包括語(yǔ)音驅(qū)動(dòng)的郵件以及聲響靈敏體系。TTS常常與聲響辨認(rèn)程序一同運(yùn)用?，F(xiàn)在有許多TTS的產(chǎn)品，包括Read Please 2000， Proverbe Speech Unit，以及Next Up Technology的TextAloud。朗訊、 Elan、以及 ATT都有自己的語(yǔ)音組成產(chǎn)品。

除了TTS軟件之外，許多商家還供給硬件產(chǎn)品，其間包括以色列WizCom Technologies公司的 Quick Link Pen，它是一個(gè)筆狀的能夠掃描也能夠閱覽文字的設(shè)備；還有Ostrich Software公司的Road Runner，一個(gè)手持的能夠閱覽ASCII文本的設(shè)備；別的還有美國(guó)DEC公司的DecTalk TTS，它是能夠代替聲卡的外部硬件設(shè)備，它包括一個(gè)內(nèi)部軟件設(shè)備，能夠與個(gè)人電腦自己的聲卡協(xié)同作業(yè)。

[修改本段]TTS解析

TTS文語(yǔ)轉(zhuǎn)化用處很廣，包括電子郵件的閱覽、IVR體系的語(yǔ)音提示等等，現(xiàn)在IVR體系已廣泛運(yùn)用于各個(gè)職業(yè)（如電信、交通運(yùn)輸?shù)龋?/p>

TTS所用的關(guān)鍵技能便是語(yǔ)音組成(SpeechSynthesis)。前期的TTS一般選用專用的芯片完結(jié)，如德州儀器公司的TMS50C10/TMS50C57、飛利浦的PH84H36等，但首要用在家用電器或兒童玩具中。

而依據(jù)微機(jī)運(yùn)用的TTS一般用純軟件完結(jié)，首要包括以下幾部分：

●文本剖析-對(duì)輸入文本進(jìn)行言語(yǔ)學(xué)剖析，逐句進(jìn)行詞匯的、語(yǔ)法的和語(yǔ)義的剖析，以確認(rèn)句子的低層結(jié)構(gòu)和每個(gè)字的音素的組成，包括文本的斷句、字詞切分、多音字的處理、數(shù)字的處理、縮略語(yǔ)的處理等。

●語(yǔ)音組成-把處理好的文本所對(duì)應(yīng)的單字或短語(yǔ)從語(yǔ)音組成庫(kù)中提取，把言語(yǔ)學(xué)描繪轉(zhuǎn)化成言語(yǔ)波形。

●韻律處理-組成音質(zhì)(Qualityof Synthetic Speech)是指語(yǔ)音組成體系所輸出的語(yǔ)音的質(zhì)量，一般從明晰度(或可懂度)、天然度和連接性等方面進(jìn)行片面點(diǎn)評(píng)。明晰度是正確聽(tīng)辨有意義詞語(yǔ)的百分率；天然度用來(lái)點(diǎn)評(píng)組成語(yǔ)音音質(zhì)是否挨近人說(shuō)話的聲響，組成詞語(yǔ)的語(yǔ)調(diào)是否天然； 連接性用來(lái)點(diǎn)評(píng)組成句子是否流通。

要組成出高質(zhì)量的語(yǔ)音，所選用的算法是極為雜亂的，因而對(duì)機(jī)器的要求也十分高。算法的雜亂度決議了現(xiàn)在微機(jī)并發(fā)進(jìn)行多通道TTS的體系容量。

TTS在CTI的運(yùn)用中的根本構(gòu)架

在一般的CTI運(yùn)用體系中，都會(huì)有IVR（交互式語(yǔ)音應(yīng)對(duì)體系）。IVR體系是呼叫中心的重要組成部分，經(jīng)過(guò)IVR體系，用戶能夠運(yùn)用音頻按健電話輸入信息，從體系中取得預(yù)先錄制的數(shù)字或組成語(yǔ)音信息。具有TTS功用的IVR能夠加速服務(wù)速度，節(jié)省服務(wù)本錢，使IVR為呼叫者供給7*24小時(shí)的服務(wù)。

現(xiàn)在常見(jiàn)的IVR體系大都是通用的工控機(jī)渠道上刺進(jìn)語(yǔ)音板卡組成，并支撐中文語(yǔ)音組成TTS等技能。

一個(gè)典型的包括TTS服務(wù)的電話服務(wù)流程可分為：

用戶電話撥入，體系IVR呼應(yīng)，取得用戶按鍵等信息。

IVR依據(jù)用戶的按鍵信息，向數(shù)據(jù)庫(kù)服務(wù)器請(qǐng)求相關(guān)數(shù)據(jù)。

數(shù)據(jù)庫(kù)服務(wù)器回來(lái)文本數(shù)據(jù)給IVR。

IVR經(jīng)過(guò)其TCP通訊接口，將需求組成的文本信息發(fā)送給TTS服務(wù)器。

TTS服務(wù)器將用戶文本組成的語(yǔ)音數(shù)據(jù)分段經(jīng)過(guò)TCP通訊接口發(fā)送給IVR服務(wù)器。

IVR服務(wù)器把分段語(yǔ)音數(shù)據(jù)拼裝成為獨(dú)立的語(yǔ)音文件。

IVR播映相應(yīng)的語(yǔ)音文件給電話用戶。

一般的公網(wǎng)接入（IVR）大都選用工控機(jī)+語(yǔ)音板卡，而組成的語(yǔ)音數(shù)據(jù)則經(jīng)過(guò)局域網(wǎng)傳給IVR。這種結(jié)構(gòu)只適用于簡(jiǎn)略的運(yùn)用場(chǎng)合。

語(yǔ)音短信是用戶運(yùn)用電話或電腦終端語(yǔ)音線路并發(fā)數(shù)啥意思，經(jīng)過(guò)語(yǔ)音短信渠道（電話或網(wǎng)站）發(fā)送語(yǔ)音短信語(yǔ)音線路并發(fā)數(shù)啥意思的增值事務(wù)。

依據(jù)所用渠道語(yǔ)音線路并發(fā)數(shù)啥意思的處理才能語(yǔ)音線路并發(fā)數(shù)啥意思，不同的渠道最多支撐的并發(fā)數(shù)量一般各不相同語(yǔ)音線路并發(fā)數(shù)啥意思，有的幾百有的幾千。