在查看了一些服务/工具后,我得出了一个结论。大多数文本转语音工具的声音过于技术化、机械化——换句话说,质量很差。
而且,看起来它们都带有“硬编码”的语音模板,因此缩短了变化和自定义的可能性。有些工具允许你设置阅读速度和音调,但这还不够。
我猜测情感方面的问题在于,很难从纯文本中判断情感,特别是如果只是一两个句子。再加上,好老的电脑是一台机器——机器没有情感,但这是另外一个故事了。
最让我困扰的是质量。例如,有些工具会削减单词的顶点,导致声音听起来很技术化。感觉有问题的是句子构造或其他什么东西。虽然人们正在开发这样的工具,但我想知道,是什么阻止他们多花一点时间来改进那些……削减单词顶点的问题,这可不是小问题!而且,必须记住,一个好的、高质量的文本转语音软件价值很高!因此,它是一个相当有利可图的产品。
哦,在流畅性下隐藏了问题、感叹等。(可能这些不适用于流畅性,但我不是英语母语者,请原谅如果是这种情况。)
我看过的工具列表:
相当令人印象深刻,但还有改进的空间(++)
- Loquendo:声音缺乏变化,有一些小的语调/流畅度问题(取决于句子),在示例中咳嗽和借口太多!
- Nuance Vocalizer:虽然仍然缺乏变化,但提供的一些声音是值得的。
可以合作获取更多资源,然后一起开发不同但几乎相等的产品 (--)
- eSpeak:最好的机器人之一,因此程序标志是这样的(?!)
- Natural Reader (dumb autoplay!!):流畅度还可以,但仍有技术感。
- iSpeech:将语音设置为英文文本日语时非常好笑。我打赌日本人对此并不高兴。
- Cepstral + Enhanced Voices...除了大约5个以上的声音之外,增强的声音只会带来糟糕的结果。
- AT&T:流畅度还可以,但在句子结尾和机械化方面存在问题。
- LumenVox TTS:看起来来自具有丰富语音工具背景的公司,但仍导致机器人声音。
- 还有其他一些...
如果我错过了什么值得一看的东西,请分享。可以是免费的、商业的、超级昂贵的……只要它能工作,我就感兴趣! 而问题(-s)……
- 您认为语音质量、流畅度和多样性背后的主要问题是什么? 由于情感方面很难判断,如果您跳过它,我不介意,但如果您有一两个想法,我也不介意分享您的想法。
- 文本是如何转化为语音的? 比如说,这些工具背后使用了哪些算法?也许一两个新的理论会派上用场。
- 这些是不同的引擎/驱动程序,还是相同的驱动程序/引擎的不同语音模式?
- 只有我觉得第一个Text2Speech工具的质量在多年来没有太大变化(或者根本没有变化)吗? 不得不承认,这个老派的苹果工具提供的结果比一些2000年以后的工具更好,至少在与我所看到的视频进行比较时是这样。