看了中國点名公司64位元語音庫開發歷程的心得 心得： 1. 可能這是做面相盲人的APP的公司吧，完全知道語音庫對盲人的重要性， 上次appstore銷售的app描述與現實不符的事件，就讓我覺得蘋果（中文部分）完全不了解；也不想了解語音庫對盲人的重要性。 2. 我對語音庫的期望從來就不是；未來也不會是所謂的情感，我希望的是平鋪直敘；不帶風向。 3. android在TTS這塊有個優勢。 android TTS的街口是開放的，所以如果不滿意google或手機廠提供的還可能可以用其他公司的產品。 IOS是不開放的，所以蘋果不給的你也無法要， 向這個 https://www.applevis.com/forum/ios-ipados/toms-voice-quality-ios-16 你的選擇也只有蘋果給的vocalizer, eloquence與siri（除了voiceover以外的APP無法調用） 所以有問題就等蘋果修吧，反正也沒其他選擇。 4. 當然如果是常用英文的人蘋果在這塊還是有優勢， 因為蘋果在IOS16引入了eloquence語音了，在這之前android是佔優勢的， 因為在當時只有android有辦法使用eloquence語音；蘋果無法， 但以目前來看，到android14後這塊就變成蘋果占優勢了， 因為eloquence語音的APK是32位元的。 5. 我android語音喜歡用科大讯飞的， 但讯飞语记有段時間前就不知道為什麼從play商店上不見了，不知道是不是因為32位元的關係， 如果是的話android14後使用科大讯飞可能會有變數。 不過google TTS也有極大的進步了，所以這點好像還好。 中國点名公司64位元語音庫開發歷程 「64 位元語音庫的主要問題在哪兒呢？其實就是朗讀效果和跟手速度。就朗讀效果而言，語音技術發展到今天，廠商們一直在追求的是更加自然、流暢的語音效果。然而，這種效果與讀屏所迫切需要的效果卻有所不同。語音庫追求的效果是自然，逼真，接近真人，而讀屏軟體所追求的效果首當其衝是流暢，自然度方面，平鋪直敘就好，最重要的原因是在加快朗讀速度以後能夠不損失發音品質。我們拿到的第一個版本，當調整到一個比較慢的發音速度時，朗讀效果確實比之前的語音庫要更接近真人一些，可當速度被加快以後，聲音就沒法聽了。抖動、丟字、爆音、停頓不正常、發 音奇怪等問題層出不窮，實在是不能用。 再說跟手速度，就更是一個要命的問題。如果說語音廠商在效果追求方面多多少少還和我們有一些共同點，而在跟手速度方面，就完全只有靠我們自己。因為語音庫在發展過程中，可以說，幾乎從來沒有追求過跟手速度這個東西。為什麼呢？因為這東西除了讀屏軟體以外，其他領域幾乎沒有需求。所謂跟手速度，就是指我們從螢幕上觸摸訪問一段文本，語音庫要以極快的速度為我們做出回應，這樣才能確保我們操作的流暢性。可是在其他領域呢？導航、虛擬主播、或者一些帶語音功能的軟硬體，比如電梯、櫃檯軟體設備，他幾乎不需要追求極致的回應速度，甚至延遲個一秒 左右也不是什麼不能接受的事兒。這樣，它只需要追求自然度就好，發音如果接近真人，那就再好不過了。而為了達到更加逼真的朗讀效果，語音需要更長的時間對文本進行處理，這就損失了我們讀屏軟體所必須的跟手速度。從這點來說，在技術發展的過程中，語音庫的自然度提升，和我們所需要的回應速度完全就是背道而馳的。 就是這樣的局面，開始的時候我們也是一籌莫展。頭腦風暴組在體驗完前幾個版本後將結果陸續回饋到開發那邊，工程師鼓搗了一段時間，發現實在難搞，開始撓頭了。說算了吧，不然就簡單集成一個 64 位元語音庫先上傳到應用商店，用戶實在不習慣，我們在提供個老 32 位元的語音庫TTS安裝包，可以讓使用者換回原來的語音庫。開會的時候討論，老闆說不行，你這不是長久之計，還得想辦法。然後我們的工程師就像閉關修煉一樣，開始去研究了，長久沒消息，我們都開玩笑說他是不是搞不出來，準備辭職跑路了。 時間就這樣來到了八九月份，慢慢開始出版本了，體驗下來還是不行。回應速度上來了，聲音變了，在什麼手機上聽起來都扁扁的，速度快了字頭字尾都一片模糊，累耳朵。這段時間，我們換了好幾種開發方案，不知道多少次把原來做的推翻了重來，但不行還是不行，想想，乾脆找訊飛做個定制好了，結果人訊飛根本不知道我們說的聲音太扁了、小燕的聲音像是感冒了是啥意思，拉了個群討論，起初每次開會都跟在說玄學一樣，人家gat不到我們的點，也不理解為什麼我們對回應速度有那麼高的要求。 好在經過一段時間磨合以後，溝通終於慢慢變的有效了，訊飛方面還是理解了我們的訴求。開始站在視障者操作讀屏軟體的角度改善語音庫的速度，理解了讀屏軟體的操作邏輯，為什麼視障者對速度如此敏感等問題。又進一步，從頻率、響度等方面改善語音庫發音不清晰的問題，才讓我們得到了一個清晰的語音庫。 這個過程非常艱難，因為據訊飛的工程師說，之前的語音庫並不是他們做的，現在要真正理解這些問題其實很難，但因為長期的溝通，也終於讓他們徹底理解了視障者的使用場景，甚至改變了他們的一些偏見和認知誤區。例如，最初在他們看來語音最重要的是朗讀清楚，速度加快以後的朗讀效果並不在考慮範圍之內。但溝通以後他們能夠理解，視障者對朗讀速度的需求是很多明眼人難以想像的，因為在視障者的使用場景中，我們所使用的語速往往是他們根本難以聽清的。但要他們完全將語音庫做成之前的樣子，那還是不現實的，不過能做多少算多少吧，讓他們解決一部分， 剩下的我們慢慢啃，這才一點一點讓語音庫聽上去明顯好了起來。直到我們對外正式拿出版本，音色和音質上幾乎已經和以前的一樣了，而回應速度方面相對於舊版本還有了相當不錯的提升。 這裡面還有個插曲，訊飛提供的新版語音庫當中有幾個角色，除了普通話外，還有英文和四川話、東北話等地方口音的，其實挺好玩兒的。但聽來聽去，音質實在太差了，而且還多佔用了近 10 MB的存儲，我們響了想，又給拿掉了。都搞到這個程度了，能保證我們原有的發音角色一個不少，並且發音品質不受影響，那還是見好就收吧。不過還是希望以後能優化出更多的高品質發音角色，從而滿足我們對好語音庫的期盼。雖然現在來看的確不行，但誰說朗讀效果和回應速度就永遠都會像現在這樣不能共存呢？說不定哪一天，無論怎樣調整發音速度，也能無限接近真人呢？科技這東西最擅長的，本身就是把不可能變為可能，就像十年前我們始終無法想像，有一天，AI語音會聽起來如此自然一樣，大家一起期待吧。」 -- ※ 發信站: 批踢踢實業坊(pttsite.org.tw), 來自: 42.77.34.21 (臺灣) ※ 文章網址: https://pttsite.org.tw/MobileComm/M.1684553769.A.A41