离线语音交互技术路线之语音合成(TTS)篇

  在ChatGPT大行其道之际，我心血来潮想要研究研究如何实现离线语音交互，把它和ChatGPT相结合，自己尝试实现个语音助手玩玩。本篇文章主要先从整体上分析了离线语音交互的技术实现路线，以及每个环节可能用到的参考技术，然后详细阐述了其中一个环节：语音合成（TTS）的实现方案。

1. 离线语音交互技术路线

如图所示，离线语音交互主要由以下几个流程组成：

1. 关键词唤醒：类似于“小爱同学”这样的唤醒指令，可用参考技术：Snowboy；
2. 获取语音：通过麦克风等收音设备将声音记录为音频文件或数字信号，可用参考技术：speech_recognition；
3. 语音识别（ASR）：将音频转换为文本，可用参考技术：Speechbrain；
4. 语义识别（NLP）：将人类能够理解的文本转化为计算机可以理解的数据，可用参考技术：NNLM等各类NLP模型；
5. 应用层：可以通过理解指令控制设备（例如智能家居），或与chatbot（例如ChatGPT）进行交流
6. 语音合成（TTS）：将文本合成为人类语音（例如导航APP中的人声合成），可用参考技术：pyttsx3。