《
Puzzle English 》中的词典可帮助用户学习词汇以及音频和视频拼图，播客，电影，电视节目和歌曲。 在字典中，翻译伴随有单词和短语的音频示例。 对于声音，我们使用现场演讲者和TTS的录音-文本到语音系统，文本的语音合成器。 今天，我们将告诉您如何选择Vocalware TTS引擎，为什么要连接Amazon Polly系统以及一个人可以比机器人更好地完成哪些任务。
在《词典》中，我们涉及了20多种不同音调，音色和发音选项的声音。 听到具有不同语音速度的男性和女性声音。 “播音员”具有名称和原籍国-美国，英国或澳大利亚。 语音选项可帮助用户学习如何说和感知外语。 这是一个单词的发音开关的外观：
如何找到合适的TTS
基于词典的功能，我们需要一个至少支持三种口音的TTS：美国（普通美国人），英国（已接收发音）和澳大利亚。 需要男性和女性的声音，最好是转录支持。
我们一直在寻找TTS，它可以合成接近自然声音的语音，产生清晰的声音，并且对用户端Internet连接的质量要求不高。 益智英语学生生活在俄罗斯的不同地区，可以通过2G和3G通过手机使用该服务。 我希望TTS不仅能够合成单词，而且能够阅读带有表达的短语。
我们早在2015年就解决了这个问题，但是发现找到合适的TTS要求几乎是不可能的。 市场上有几种引擎：
Acapela-可以识别和支持34种语言的文本。 超过100种具有不同年龄，情感和口音的合成声音。 它产生高质量的声音。
Vocalizer-声音听起来自然，语音清晰。 安装了各种字典，调整了音量，速度和压力。
eSpeak-支持50多种语言。 合成语音不是完美的，而是清晰的平均声音质量。 缺点是具有合成语音的eSpeak文件以.wav格式保存，并且占用大量空间。
RSynth-没有文档，语音质量中等。
Festival是一种多语言语音合成系统；它并不总是稳定运行。
Vocalware-超过20种语言的100多种合成声音。
Acapela和Vocalizer仅在Android上工作，其他系统不支持。 此外，他们像节庆活动一样不稳定。 ESpeak和RSynth引擎不合适，因为Dictionary的语音合成质量应该是理想的。
在这些选项中，我们选择了满足以下条件的Vocalware引擎：重音，异性“播音员”的声音，转录。 然后，此引擎提供了合成任意文本的最佳质量之一。 有了它，我们创造了三分之一以上的声音。 Vocalware可以很好地翻译单个单词，但不能翻译整个短语。 现场播音员将其翻译成拼图英语。
我们为什么要连接Amazon Polly
不幸的是，Vocalware跟不上时代的要求。
- 这种TTS的语音合成质量不是市场上最好的。 我们为用户提供了从发音选项中进行选择的机会，并且声音表现越好，它们对学生越有用。
- 我们偶尔会遇到Vocalware崩溃。 碰巧，该服务直到连续两天才可用。 这是不可接受的。
- 该TTS不支持SSML语音合成应用程序的标记语言。 通过SSML，您可以调整音调重音，暂停长度和其他参数。
具有最佳综合质量的系统出现在亚马逊上，称为Amazon Polly，另一种正在Google进行开发的-Cloud Text-to-Speech。
Amazon Polly在所有方面都比Vocalware更好：它提供了数十种语言，听起来更自然，有男有女。 该引擎支持词汇表和SSML标签，可让您控制发音，音量，音调和速度。 波莉更快。
Google Cloud Text-to-Speech尚未投入生产，正在进行beta测试。 该引擎基于WaveNet技术-一种运行Google Translate和其他Google服务的引擎。 她使用神经网络使单词和短语听起来自然。 该服务提供30种声音和声音选项供您选择。 调整每个声音的音调，在原始声音之上或之下20个半音。
我们测试了这两个系统，得出的结论是，以前代表TTS市场的小公司错过了机会，被甩在了后面。 他们不太可能使产品比巨头-Google和Amazon更好。 这些公司为语音模型使用大量的数据和处理能力，并逐渐占领了市场。
现在，我们计划切换到Amazon解决方案，因为Polly语音合成的质量与WaveNet相当。 我们最喜欢的是布莱恩（Brian）命名的英式英语“播音员”，听起来很自然。
甚至与波网（WaveNet）一样，波莉（Polly）也会合成俄语语音。 此TTS提供英语发音选项，带有爱尔兰和印度口音。 这些发音对于网站的英语版本很有用，想要学习英语的印度人将使用这些发音。 同时，该系统更便宜。
对这些TTS进行分析的结果是，我们计划在不久的将来连接来自Polly的其他声音。 旧的“播音员”也将暂时保留：该词典的意思是用户可以听到不同的发音变体。 但是不可能仅借助机器人来完成复合短语的语音操作。 在服务中，许多短语是通过TTS创建的，但是仍然不可能完全放弃现场演讲者。
为什么说语音时机器人不如人
在“ Puzzle English”中，现场演讲者会说出短语。 这台机器可以说出简单的句子-叙述性的，带有问题的，否定的，没有情感色彩。 她无法应付更复杂的文字；她犯了一些典型的错误。
“追逐”
这个发音一次是一个字。 这样的配音甚至与语音几乎不相似，它们没有语调，发声的短语划分和语义重音，因为每个单词都在重音下发音。
这就是Google Translate中的TTS和现场播音员朗读相同短语的方式。机器人会在字词之间稍作停顿，就像“在意”。
播音员使用短语重音，按其意思分享大句。 这个短语更容易被人听到。
语调
机器通常无法再现所需的语调。 短语发音中的这一点对许多英语学习者来说很重要。 通常，学生认为传递声音就足够了，并且讲话听起来像英国人。 事实并非如此。 外国人发出错误的语调。 如果上下文需要，在世人员可以突出句子的必要部分。 机器人不会这样做。 再次听上面的短语示例，您将了解它的含义。
直接讲话
机器不会发出直接打断的语音。 她继续阅读课文，保留了整体语调图片。
这是母语使用者阅读文本的方式：
因此，机器人：
谈话中的情绪
例如，当短语具有讽刺意味时，机器人不会识别媒介强调某些单词的片段。 机器人通常保持中立的语调。
在前面的示例中也听到了这一点。
错误的发音速度
机器人的常见错误是拉伸，这会产生抑制效果。 相反，单词或短语的发音过快会给文本“咀嚼”。
不自然的压力
机器人会重点读取每个单词，这对于现场演讲来说是不自然的。
在此示例中，机器人突出显示了介词。
播音员没有强调借口；在现场演讲中，在与演奏融为一体的同时，自己也没有压力。
Google和Amazon引擎阅读的短语比我们测试过的其他TTS更好。 根据分析结果，两个大公司的解决方案都无法应付六个具有复杂语调的短语，而只能应付五个。 Google的两个标准“说话者”听得不好，两个人令人满意，而Amazon的两个人听得不好，只有一个人令人满意。
Google的整体效果略好一些，但Amazon Polly的某些声音似乎更有趣，因为它们的声音和语调听起来更自然。 通常，已经有可能将TTS短语的发音委托给他人，但并非在所有情况下都将委托给外语学生的产品。 它们重视机器人无法始终传达的语音质量和细微差别。
结论
借助TTS，您可以为不同服务的语音说出不同语言的单词。 新的Amazon和Google解决方案比现有的小型公司引擎做得更好。 但是，到目前为止，短语（尤其是带有多个逗号的复杂句子）的表现听起来并不自然。 机器人无法区分直接语音，表达讽刺意味，强调语义，在句子末尾为分隔问题选择正确的语调。 这对于我们的目的而言是无法接受的，因此，我们要求现场演讲者发表此类材料的声音，并继续测试该市场中的新报价。
如果您想讲英语，请来找我们。
我们向博客读者提供700卢布的
优惠券，用于购买“任务”。