关于语音合成的一点思考

开始是为了给自己的离线词典库配置一个自动发声的语音库，下载了lingoes词霸。发现初次感觉还不错，软件界面非常简洁友好易懂。按照指示去电驴上下载MP3的语音，没有权限下载那些被屏蔽了的资源，没办法，只好尝试自己去制作一个语音库了，就当是玩玩。

突然之间就对文本转化语音（text to speech）产生了好奇。

怎么可以这样呢？它的原理是什么？

去百度了一下，发现科大讯飞有一款小的TTS软件，叫什么我忘了，好像很不错的样子，想着有空应该试一下。

浏览了一下官方的权威的解说，发现还是似懂非懂。没关系，它成功地勾起了我的兴趣。

顺便说一下，不小心瞄到了科大的声学不错，我们学校的光学也不错，嘿嘿，不知道它俩是否是绝配哦！、

言归正传，凭着我的一点直觉和一点点的基础知识，我觉得应该是文本——语音库，中间有个软件先读取文本，识别出字词，再根据某种规律（估计程序中是一个矩阵什么的）进行断句，然后得到一堆不同的编码，最后根据这些编码找到语音库中的语音，拼接、组合、调整一下速度，再播放出来。

这个技术大概已经很成熟了，网上都有现成的软件。不过，想一想，如果我们自己去开发一个这样的小的应用程序，不知道会做成什么样子呢！不简单呀

说到这里，我想到有一个舍友特别喜欢qq上的变声，每次发语音她都会用哪个嗲嗲的宝宝音。

还想到了柯南的变声蝴蝶结领带，哈哈。

不知道那些是什么原理？

是否是接收到声波，然后转换成电流波形，在对波形进行简单的处理{保持大致波形不变}后，输出，倒有点向故意使声信号失真一样。

不知道猜的对不对，还是明天有空再想吧。