版本:v2.0.24 安卓免费版大小:69.8M
类别:系统工具系统:Android
立即下载tts语音合成助手app免金币是一个语音合成和配音软件,可以把文本转化为语音,适合自媒体的朋友去做语音合成的工作。功能包括语音合成、语音导出、语音配音等等,适合很多场景用途,这个版本已经免费
免费使用所有功能。
可以选择语音声音、调整语速、免费音乐和导入文本等
1、灵活性好:设置灵活,随心所欲编辑声音文本内容
2、服务优质:点对点专业服务,完善的售前售后服务体系
3、操作简单:傻瓜式操作,一键合成语音,简单高效。
4、时效性高:文字一秒转语音,即刻生成。
5、文案丰富:海量样音模板文案、各种背景音库,轻松搭配。
6、音质优良:高端的音频设备,配音大师精心铸就好声音。
1、操作简单,中英文随意切换,多种发音人选择。
2、同步导出MP3和歌词文件,多平台分享微信朋友圈和好友。
3、海量背景音乐,与您的广告完美搭配。
4、支持蓝牙音箱播放,无需导出文件免费播放。
1、智能语音合成:专业配音,一键合成。
2、蓝牙播放:可连接蓝牙音箱播放,无需导出文件也可使用。
3、导出Mp3文件:生成的MP3文件可以拷贝到U盘或者内存卡里面播放。
4、海量背景音乐:支持添加背景音,个性化定制背景音乐。
5、文字转语音,简单快捷。
1、地摊叫卖、广告促销、商场宣传活动配音。
2、彩铃制作,制作企业彩铃,个性化彩铃。
3、有声阅读,个性听书。
4、儿童配音,为孩子制作儿童读物。
5、英语配音,可以作为听力材料,进行电影台词、广告语、企业宣传片等英语配音。
6、方言配音,四川方言、河南方言、湖南方言、东北方言、粤语等配音制作。
语音合成基础(1)——语音和TTS
本文未经允许,禁止转载,谢谢合作。
本文我们主要介绍语音合成的一些基础知识,我们从最基本的发声的物理过程开始,逐步深入到语音合成。
1. 语音
发声的物理过程
总体来说, 我们首先在脑中产生要说的东西的概念,然后大脑会控制肌肉来调整声道中的空气流动,从而产生语音。
空气从肺(lung)中产生(当然一开始是你把空气吸进来的),声带(vocal chord)使得空气产生震动,因此控制了基础频率(base frequency),是声音产生的起点。
基础声波会依次通过声道(vocal tract)、软颚(palate,即将嘴的上半部分和鼻子分开的部分)、口腔(oral cavity)和舌头(lip)等器官,这些器官相当于一个大的滤波器,调整了原始声波的频率,从而生成了最终的语音。
phone/sound
任何清晰的语音都是phone/sound
phoneme音素
能区分意义的最小声音单位
比如dog和fog中,d和f只要改变一个就改变了意义。
voiced/unvoiced
声带振动/不振动
汉语中一般称这两个概念为浊音和清音
清音
简单来说,发清音时声带不振动,因此清音没有周期性。
如:[p]pea豌豆、[t]tea茶、[k]key钥匙、[f]fat肥胖、[s]seat座位
浊音
发音时声带振动的音称为浊音。辅音有清有浊,而多数语言中的元音均为浊音,鼻音、边音、半元音也是浊音。
vowel元音
Sound produced with open vocal tract,一般都是voiced,元音的清晰度主要取决于声道的形状
consonant辅音
Sound produced with (partially) closed vocal tract,辅音可以是清音也可以是浊音(voice/voiceless)。辅音的质量同样取决于声道关闭的形状,且有很多种类的发音
爆破音Stops/plosives: total closing + “explosive” release,比如p
鼻音Nasals:停止的时候鼻腔会张开, 比如n
摩擦音fricatives:声道半张半开,因此产生震动,比如s, z
半元音approximants:发音时声道先闭合然后再张开,比如w, j
下图展示了元音和辅音发音时各种发音器官的变化
2. 语音的频率
speech wave
语音波是一种compound wave,即包含各种频率的波。因此在频域上表示语音更为合适。
pitch音高
声音的尖锐程度,在频域中表现为频率的高低。
基础频率F0
正如我们之前介绍的,浊音中存在基础频率,而清音中不存在,F0决定了声音的音高。
formants共振峰
是一种元音特有的在频域中的现象,因为只有元音有基础频率。每个元音都有两个共振峰,可以用来区分元音,记为F1和F2。F1,F2取决于基础频率,如果基础频率太高,共振峰可能会消失,这种情况下就区分不出来元音,这种现象在各种女高音身上比较常见。
timbre音色
音色在广义上是指声音不同于其它的特点,在语音中不同的音节都有不同的特点,这可以通过频域观察出来,另外,特别地,对于元音我们可以通过共振峰来分辨音色。
noise
噪音、辅音(摩擦音)都会有broad spectrum,也就是说我们无法通过共振峰来识别它们。
下图展示了各种声音在时频域中的样子:
envelope包络
在波的时域和频域图中,用来形容图形的整体形状的叫做包络。
比如在时域中,如果时间的分辨率较低,我们可以看到语音被分成一个一个菱形,上半部分三角形的轮廓就叫做包络。
3. Utterance
hierarchy of phone
如下图所示:
可以看到Utterance满足层次结构,一般提取特征也是基于多个层次来做的。
syllables
最小的可以发声(pronounceable)的单元。
open syllable:以元音为结尾的音节,日语基本上都是这样
closed syllable:以辅音为结尾的音节
consonant cluster:很多个辅音连接在一起,英文中常见
accent / stress units
发音的特性,有些语言通过声调来区分意义,比如日语或者中文,而英语是通过重音来区分意义的。
rhythm / isochrony
也就是发声时候的节奏,比如日语是平假名分隔,而中文是汉字,英文是由重音来作为分隔的。
prosodic / intonation units
韵律、声调,针对单词和短语
utterances
一般是句子,但也可以变长。标点符号分隔。
neighboring phones influence each other a lot。
4. 语音合成及其历史
TTS
Text-To-Speech,语音合成,特指从文字合成出语音
VC
Voice Conversion,声音转换,就是把一个人的声音转成另一个
ASR
Automatic Speech Recognition,即语音识别,从语音到文字
历史
Mechanical speech production system-1790,即机械系统
Electric system-1930,电子系统,键盘操作,贝尔实验室开发
Computer TTS-1960,基于计算机的TTS
Production systems-1980
5. TTS Pipeline
传统的TTS主要是通过组合多个模块构成流水线来实现的,整个系统可以大致分为前端(frontend)和后端(backend)。
frontend
主要是文字处理,使用NLP技术,从离散到离散,包括基本的分词、text normalization、POS以及特有的Pronunciation标注。
前端和后端基本独立。
backend
根据前端结果生成语音,从离散到连续
segmentation & normalization
去噪、分句、分词以及把缩写、日期、时间、数字还有符号都换成可发音的词,这一步叫spell out。
基本都基于规则
grapheme-to-phoneme
利用发音词典和规则,生成音素。
音素一般利用ASCII编码,比如SAMPA和ARPAbet,这种编码在深度模型中也可以被支持。
这里的一个问题是pronunciation一般基于上下文,因为上下文可能决定了词的词性等,比如read的过去式就有不同的读音。
IPA(international Phonetic Alphabet)
是一个基于拉丁字母的语音标注系统。IPA只能表示口语的性质,比如因素,音调,音节等,如果还想要表示牙齿舌头的变动则还有一个extension IPA可以用。
IPA中最基本两种字母是letter和diacritic(变音符号),后者用来表示声调。
IPA虽然统一了不同语言的发音,但是英语本身是stress language所以注音很少,而中文这样依赖于音调的语言就会包含很多音调。
intonation/stress generation
这一步比较难,基本根据规则,或者构造统计模型
SSML(speech synthesis markup language)
一种专门为语音合成做出来的语言,基于XML,包含了发音信息。
waveform synthesis
包含很多方法
formant-based: 基于规则来生成共振峰还有其它成分
concatenative: 基于database copy&paste
parametric model: HMM等,神经网络就是最新的参数模型
微信公众号:配音阁官网
淘宝店铺:配音阁
QQ客服:2514436446
查看全部