语音合成技术已经成熟的应用于各种实际场景中，大部分问题可以通过TTS解决，但是有些问题，在具体的场景中，总会出现一些合成音频播报时的错误，所以在设计语音合成产品时，应该怎么样避免这些问题，以及用怎样的方式进行优化。以下将根据实际问题分析具体的解决方案。
1． 数字播报问题
我们遇到比较多的是数字播报的问题，数字有很多不同的播报方式，可以按照数目读法，例如，1234可以读作“一千二百三十四”，也可以按照数字串的读法，读作“一二三四”，以及电报读法“幺两三四”，所以不同的场景有不同的读法，需要在当前场景设置具体的读法方式，具体方式如下：
1) 读法规则设置
在TTS中，有些读法是可以添加的读法规则中的，例如：“请问您是尾号为4321的机主吗？”可以添加“尾号为+数字”的读法规则，让数字按照数字串的方式播报。还有“数字+元”“数字+美元”等，这种就按照数目读法的方式播报。所以在生活场景有一些场景的读法是唯一的，可以通过设置读法规则的方式，使得在TTS播报的时候播报正确。
2) 修改文本的方式
在一些场景中，会出现TTS播报错误的情况，例如，“请您来一下205会议室”，有时候会播报成“二百零五会议室”，这时候可以在文本的数字前面加一个标点来规定读法，比如 “!+数字”，就按照数字串的方式播报数字。“请您来一下!205会议室”，则可以播报为“二零五会议室”；“*+数字”的规则就按照数目读法来播报，“我住在*20层”，则播报为“二十层”。所以根据符号+数字的方式来确保数字的读法，在实际应用场景中，如果某些数字播报方式错误，则可以通过修改文本添加符号的方式解决问题，这种方式也相对比较简单。
3) 标记语言的方式
语音合成标记语言（SSML：Speech Synthesis Markup Language），它是W3C的语音接口框架的一部分，是关于语音应用和在万维网上构建语音应用的一套规范，通过SSML，人们可以更多的通过移动电话、桌面计算机和其他设备来聆听合成语音。通过标记语言可以设置数字的读法，然后将xml格式的标记语言文本传入给TTS，合成相应的音频。
下面是ssml的语法图
4) 加词表
有些使用场景修改文本内容不太方便，例如用户写的地址信息，然后直接传输给TTS进行语音合成，这种文本内容不能进行添加修改，需要在文本上传之后修改播报的音频，在前一篇文章讲到过语言分析部分，在文本转音素时，可以检测出对应的文本内容，文本的音频强制转换为需要正确播报的拼音，设置成想要合成的播报音，这样可以使音频播报正确且不需要修改文本。但是这样在每次合成的时候都会按照这种设置好的规则合成，所以在设置的时候尽量确保文本的唯一性，可以用“文本+数字+文本”的形式，这样其他场景用到同样的数字时，不会受到此次设置的影响。
如下列出了在实际应该场景中，数字会出现的一些播报方式。
数目读法
数字串读法
地址
2. 多音字问题
在汉语中，多音字和数字的读法一样，有多种播报读法，这时候也需要一些优化的方式设置，使其在特定的场景下按照特定的读音去读，确保能正确的播报。优化的方式和数字的优化方式基本是一致的，可以通过设置读法规则，修改文本，标记语言，加词表的方式。通过组合这几种方式，可以避免常见的播报读法的问题。在产品设计的时候，需要支持这几种优化方式，且操作简单，用户可以自行操作，完成TTS的优化。
如下列出多音字姓氏列表，姓氏可以用特定的规则或者用添加标点的形式，确保其正确的播报。
3. 小结
简单介绍了一些播报错误的优化方式，还有一些韵律也可以用上面提到的优化方式进行优化，例如停顿，重读等一些节奏韵律的变化，可以用加标点的方式，标记语言的方式实现。也可以通过算法优化，但是算法优化时间久，难度大。所以可以在产品设计的时候加一些可以优化的功能，这样可以规避掉一些播报错误，也不需要从底层算法在进行优化，用户易操作，提高用户体验。
网友评论