在工作中遇到了语音播报的需求，在收到push后，用语音播报push携带的播报内容。类似于微信支付宝的收款信息一样。调研后主要的语音播报方案有一下几种：
- 基于第三方的TTS SDK，如百度、思必驰、讯飞等；
- 自研Native的TTS引擎+模型；
- 基于云端的TTS方案；
- 使用手机自带的TTS引擎。
无外乎就是自研或者采购，本地或者云端。
先来点废话，介绍下TTS的发展。
TTS 现状及发展
语音合成又称文语转换（Text to Speech，TTS）技术，是语音处理领域的一个重要的研究方向，旨在让机器生成自然动听的人类语音。
TTS技术主要分为两种：
- 通用TTS：适用于导航、语音播报、智能客服和大多数语音交互场景；
- 个性化TTS：主要应用于对声音质量较高的教育、长音频、直播以及影视游戏配音等场景中。
语音合成模型经过长时间的发展，由最初的基于拼接合成，到参数合成，逐渐达到了现阶段感情充沛的基于端到端合成，最新一代端到端合成降低了对语言学知识的要求，可批量实现多语种的合成系统，语音自然程度高。
语音合成技术内部分为前端和后端。
- 前端主要负责文本的语音解析和处理，其处理内容主要包括语种、分词、词性预测、多音字处理、韵律预测、情感等。把文本上的发音的这些信息都预测出来之后，将信息送给TTS后端系统，后台声学系统融合这些信息后，将内容转换为语音。
- 后端声学系统从第一代的语音拼接合成，到第二代的语音参数合成，到第三代端到端合成，后端声学系统的智能化程度逐步增加，训练素材需要标记的详细程度和难度也在逐步减弱。
TTS在语音交互场景里的应用：
基于拼接合成
为了更好的拟合人声，拼接合成技术需要一个大规模的真人音库，音库内容按照音素和不同特征进行标注，合成时根据语言学特征寻找符合的音素，拼接起来完成合成。
- 优点：效果接近真人，运算量低
- 缺点：拼接而成，语音不连贯，依赖音库，需要人工介入制定很多挑选规则和参数，制作成本高。
基于参数合成
通过深度学习构建文本特征和音库之间的映射关系，构建参数合成模型，当输入一个语言学特征时，基于神经网络给出音频特征，后通过声码器合成语音波形。
- 优点：音库数量需求不多，合成语音连接平稳，质量高；
- 缺点：对声码器依赖程度高，同时，由于传统参数系统建模时存在信息损失，限制了合成语音表现力的进一步提升。
基于端到端（Tactron为例）
端到端语音合成一定程度上解决了拼接合成和参数合成存在的缺陷。端到端合成系统直接输入文本或者注音字符，通过文本或者文本特征和语音直接建模，跳过声码器阶段，减少对声码器的依赖，弱化前端概念。
- 优点：降低对语音学知识的要求，可方便的在不同语种上复制，批量实现几十种甚至更多语种的合成系统，语音自然程度高；
- 缺点：运算量大，无法人工调优，实时性低。
方案选择
做这个功能的时候公司已经有团队在自研TTS引擎了，而且云端TTS服务已经跑起来了，并且之前也在外部采购了些云端TTS服务。但是由于我们的Push推送量级很大，不管是外采还是自研云端引擎的成本都很高，出于成本考虑，我们选择只能考虑使用端上的方案。
客户端实现有三种方案：
- 外采：出于成本考虑，淘汰；
- 自研引擎：语音团队基于参数的合成引擎已完成开发，但是没有人力支撑后续的调试，而播报的话术比较固定，并且对合成声音的音质要求不是特别高，所以选择了一种基于拼接的合成方案作为备选，语句的前部分和后部分使用完整的语音，中间变换部分通过逐字方式合成；
- 手机自带TTS引擎：Android系统已自带了TTS引擎，但是并不是所有的手机都带了中文引擎。
Android TTS引擎使用
初始化TTS引擎
class TTSListener implements TextToSpeech.OnInitListener { @Override public void onInit(int status) { if (mSpeech != null) { int isSupportChinese = mSpeech.isLanguageAvailable(Locale.CHINESE);//是否支持中文 mSpeech.getMaxSpeechInputLength();//最大播报文本长度 if (isSupportChinese == TextToSpeech.LANG_AVAILABLE) { int setLanRet = mSpeech.setLanguage(Locale.CHINESE);//设置语言 int setSpeechRateRet = mSpeech.setSpeechRate(1.0f);//设置语 int setPitchRet = mSpeech.setPitch(1.0f);//设置音量 String defaultEngine = mSpeech.getDefaultEngine();//默认引擎 if (status == TextToSpeech.SUCCESS) { //初始化TextToSpeech引擎成功，初始化成功后才可以play等 } } } else { //初始化TextToSpeech引擎失败 } } } TextToSpeech mSpeech = new TextToSpeech(ContextHolder.appContext(), new TTSListener());
设置播报状态回调
mSpeech.setOnUtteranceProgressListener(new UtteranceProgressListener() { @Override public void onStart(String utteranceId) { //播报开始 } @Override public void onDone(String utteranceId) { //播报结束 } @Override public void onError(String utteranceId) { //播报出错 } });
开始播报
long utteranceId = System.currentTimeMillis(); HashMap ttsOptions = new HashMap<String, String>(); ttsOptions.put(TextToSpeech.Engine.KEY_PARAM_UTTERANCE_ID, String.valueOf(utteranceId));//utterance，这个参数随便写，用于监听播报完成的回调中 ttsOptions.put(TextToSpeech.Engine.KEY_PARAM_VOLUME, String.valueOf(1));//音量 ttsOptions.put(TextToSpeech.Engine.KEY_PARAM_STREAM, String.valueOf(AudioManager.STREAM_NOTIFICATION));//播放类型 int ret = mSpeech.speak(tts, TextToSpeech.QUEUE_FLUSH, ttsOptions); if (ret == TextToSpeech.SUCCESS) { //播报成功 }
文本转换为语音文件
long utteranceId = System.currentTimeMillis(); File file = new File("/sdcard/audio_" + utteranceId + ".wav"); int ret = synthesizeToFile("xxxxx", null, file, String.valueOf(utteranceId)); if (ret == TextToSpeech.SUCCESS) { //合成文件成功 }
停止播放
调用mSpeech.stop();此时会触发UtteranceProgressListener的onDone回调。
销毁引擎
mSpeech.shutdown();
Android11适配
为兼容Android11系统手机，我们需要在应用程序AndroidManifest.xml文件中增加如下声明：
<queries> <intent> <action android:name="android.intent.action.TTS_SERVICE"/> </intent> </queries>
3.5.x版本Gradle需要使用3.5.4以上版本才能识别queries属性。
TextToSpeech手机兼容性问题
系统自带TextToSpeech API使用很方便，但是有些不支持中文引擎的手机就很头疼，而且市面上哪些手机支持哪些手机不支持我们没有底，所以线上跑了一波以后拿到了目前市面手机TextToSpeech中文引擎的支持情况。收集了694款手机，有90款不支持的手机。具体型号如下：
+--------------------------------------+ | Xiaomi MI+9+Transparent+Edition | | Xiaomi MI+8 | | OnePlus GM1900 | | OnePlus GM1910 | | Redmi M2006C3LC | | OnePlus IN2020 | | meizu 16T | | Xiaomi MI+MAX+3 | | OnePlus ONEPLUS+A6010 | | OnePlus ONEPLUS+A5010 | | meizu meizu+17 | | Redmi Redmi+K30 | | OnePlus KB2000 | | OnePlus HD1900 | | OnePlus ONEPLUS+A6000 | | meizu 16s | | Xiaomi M2102K1C | | Xiaomi M2002J9E | | Redmi M2007J17C | | OnePlus IN2010 | | meizu meizu+17+Pro | | nubia NX659J | | meizu 16s+Pro | | meizu meizu+16Xs | | Xiaomi Mi+10 | | Lenovo Lenovo+L78051 | | meizu MEIZU+18 | | OnePlus HD1910 | | Hisense HLTE226T | | xiaomi Redmi+Note+8 | | Redmi Redmi+K30i+5G | | Redmi M2007J3SC | | Redmi M2004J19C | | Redmi Redmi+Note+8+Pro | | Redmi M2104K10AC | | xiaomi Redmi+Note+7 | | Redmi M2003J15SC | | Xiaomi MIX+2S | | Redmi Redmi+K30+Pro | | nubia NX627J | | Xiaomi MI+CC9+Pro | | Redmi Redmi+K30+5G | | meizu MEIZU+18+Pro | | Xiaomi MI+9 | | Xiaomi M2102K1AC | | Xiaomi MI+8+UD | | blackshark AWM-A0 | | Xiaomi M2011K2C | | Xiaomi MI+8+Lite | | Sony XQ-AT72 | | Xiaomi Mi+10+Pro | | Xiaomi M2102J2SC | | OnePlus ONEPLUS+A5000 | | Xiaomi M2101K9C | | Redmi M2103K19C | | xiaomi Redmi+Note+7+Pro | | nubia NX616J | | Redmi M2012K10C | | Xiaomi MIX+3 | | Redmi M2004J7AC | | Xiaomi MI+CC9+Pro+Premium+Edition | | nubia NX619J | | Xiaomi M2007J1SC | | koobee X60+Pro | | Xiaomi Redmi+K20+Pro | | SMARTISAN DT1901A | | Redmi M2004J7BC | | asus ASUS_I001DA | | HONOR HLK-AL00a | | Redmi M2006J10C | | Redmi M2012K11AC | | blackshark SHARK+PRS-A0 | | HONOR BKL-AL20 | | SMARTISAN DT1902A | | ZTE ZTE+A2322 | | Redmi M2007J22C | | blackshark SKW-A0 | | Nokia Nokia+X7 | | Redmi M2012K11C | | HUAWEI MAR-AL00 | | Redmi Redmi+K30+Pro+Zoom+Edition | | nubia NX669J | | Meizu 16+X | | Xiaomi Redmi+K20+Pro+Premium+Edition | | asus ASUS_I005DA | | blackshark SHARK+KLE-A0 | | Xiaomi MI+6 | | motorola XT2125-4 | | GIONEE 20190619G | | HUAWEI ART-AL00m | +--------------------------------------+
因为大部分手机使用了手机系统TTS服务，对于少量不支持的手机我们可以通过走云端TTS合成，因为已经在我们的成本访问。也可以牺牲包体积和音质，通过拼接合成的方式在不支持的手机上提供TTS服务。
有些支持比较好的，如华为，可以在设置中选择发音音色。在系统设置---辅助功能---无障碍---文本转语音路径下可以选择引擎，调节语速音调：
并且点击引擎选项可以安装引擎提供的发音人语音包，并选择发音人：
总结
本文总结了TTS的现状及发展，并介绍了移动端实现TTS的几种方式以及如何系统提供的TextToSpeech API、系统API的局限、如何做兼容性等。
