目录
在现代社会，我们越来越依赖语音交互作为与计算机、移动设备、智能家居等设备交流的主要方式。其中，人工智能“朗读机”以其能够将文本转化为自然流畅的语音，成为这个领域的关键技术。让我们深入探讨一下AI朗读机的原理、实现及其未来发展。
人工智能“朗读机”的原理
AI朗读机的核心技术是语音合成(TTS, Text-to-Speech)，这是一种将文本信息转换为可听的语音信息的技术。这个过程通常可以分为两个阶段：文本分析和语音合成。
-
文本分析：在这个阶段，AI需要理解输入的文本内容。这包括理解句子的结构，如何拆分单词，识别单词的发音，以及理解句子的情感和语调。
-
语音合成：在文本分析之后，AI需要将分析得到的信息转换为声音。这个过程需要模拟人类的发音机制，包括音色、音高、音速等。
人工智能“朗读机”的实现
现代的AI朗读机大多基于深度学习技术实现。这些模型通过学习大量的语音数据，学习模拟人类的发音方式。最知名的模型之一是Google的Tacotron和WaveNet。
-
Tacotron：这是一个端到端的文本到语音转换模型。它接受字符级的输入，然后通过一个序列到序列的模型，输出一个声音的光谱图。
-
WaveNet：这是一个声音合成模型。它使用一个深度学习模型，以概率方式生成声音的波形。
这两个模型通常结合使用。首先，Tacotron将文本转换为声音的光谱图，然后WaveNet将光谱图转换为声音波形。
0 背景介绍
现下，随着各种流行APP的出现，“听书”已经成为一种新的读书方式。不过，相比起电子书软件，要从实体书本中“听书”，就存在不少困难。
比如，电子书软件天然就有准确的文本输入，只需要解决语音合成问题——当然，这看似简单的一步，其实一点也不简单，比如要做好分词、断句，语音合成模型需要在海量数据集上训练等等。
相比之下，从实体书里“听书”，难度则又加了几层——如何做精准的OCR识别？如何把断行的合成语音重整？如何实现点读？实时性如何保证？
接下来这个新系列，我们将开始探索如何基于Paddle模型库实现一个用户体验良好的“点读机”。
还是遵循从易到难的原则，现在，就让我们先开发一个最简单的AI“朗读机”。
1 项目效果展示
在本项目中，我们基于PaddleOCR + PaddleSpeech（PaddleHub）+ OpenVINO，在Intel AI BOX边缘设备上部署了一个简易的AI“朗读机”。不管是实体书还是A4纸，只要送到它面前，只需根据识别效果调整好摆放位置，当用户按下空格键时，就能发出语音，并截下对应时刻的识别图片。
1.1 AI“朗读机”实时展示效果
1.2 AI“朗读机”运行效果展示
In [1]
from IPython.display import VideoIn [2]
Video('2022-05-09 02-16-02.mkv')<IPython.core.display.Video object>
In [3]
Video('2022-05-09 02-13-59.mkv')<IPython.core.display.Video object>
1.3 Intel AI BOX和摄像识别设备安装图
2 部署设备简介
参考链接：搭载第 11 代智能英特尔® 酷睿™ U 系列 CPU 和 Hailo-8™ M.2 AI 加速模块的 ASB210-953-AI 边缘 AI 计算系统
Intel AI BOX我们完全可以把它当一台主机用。同时，因为它预装了Windows系统，所以可以认为，就是大多数人常用的PC设备。
当然，正因为它预装的是Windows系统，在部署操作中，我们将只能使用PaddleSpeech的基本语音合成功能。
PaddleSpeech有三种安装方法。根据安装的难易程度，这三种方法可以分为 简单, 中等 和 困难.
方式 功能 支持系统 简单 (1) 使用 PaddleSpeech 的命令行功能. (2) 在 Aistudio上体验 PaddleSpeech. Linux, Mac(不支持M1芯片)，Windows 中等 支持 PaddleSpeech 主要功能，比如使用已有 examples 中的模型和使用 PaddleSpeech 来训练自己的模型. Linux 困难 支持 PaddleSpeech 的各项功能，包含结合kaldi使用 join ctc decoder 方式解码，训练语言模型,使用强制对齐等。并且你更能成为一名开发者！ Ubuntu
3 部署流程
3.1 从PaddleHub调用语音合成模型
- 先安装Parakeet
- 其实现在PaddleSpeech暂时也只是把Parakeet合并了过去，我们要用到的中英文语音合成的预训练模型，也都是之前Parakeet训练的；而PaddleSpeech与PaddleHub的区别，只是在于PaddleSpeech的安装过程基本可以做到用户“无感”
- 准备nltk_data文件
- 相比之下，PaddleSpeech在这块的巨大进步在于，nltk_data的准备也做到了用户“无感”，会直接去拉取百度的镜像文件安装，特别贴心！
- 设置截图和语音合成按键
- 对于纸质版的文字材料，OCR识别的准确率还是不太好控制的，所以，如果一上来直接识别，效果肯定不好。因此可以考虑通过按键、按钮控制，让用户选择效果比较稳定的识别帧，截图传入语音合成pipeline开始发音
- 另一方面，这也是从用户体验出发的考虑，否则整个流程会非常卡顿
- 使用playsound播放连续音频
- 通常我们用的PaddleOCR，还是只支持单行识别，我们的处理方式，要么是在送入语音合成前做换行恢复的处理，要么就用连续音频播放解决该问题。个人建议后者的方式，前者在词法和版面分析上，将有大量操作，如果不是发音精度要求特别高的场景，开发性价比不高。
在本项目中，相关的部署代码已放在PaddleCode.zip文件中，读者下载并完成安装后，可以运行python can_new.py命令启动AI“朗读机”。
3.2 从PaddleSpeech调用语音合成模型
本项目提供另一种使用PaddleSpeech输出合成语音的方式，关键代码如下：
from paddlespeech.cli import TTSExecutor
# 传入TTSExecutor()
run_paddle_ocr(source=0, flip=False, use_popup=True, tts=TTSExecutor())
通过在run_paddle_ocr()函数中，调用Python API的方式，合成语音文件。
wav_file = tts_executor(
text=txts[i],
output='wavs/' + str(i) + '.wav',
am='fastspeech2_csmsc',
am_config=None,
am_ckpt=None,
am_stat=None,
spk_id=0,
phones_dict=None,
tones_dict=None,
speaker_dict=None,
voc='pwgan_csmsc',
voc_config=None,
voc_ckpt=None,
voc_stat=None,
lang='zh',
device=paddle.get_device())
这种做法的好处在于，可以选择更多的预训练模型。我们可以查看TTSExecutor()的源代码：
class TTSExecutor(BaseExecutor):
def __init__(self):
super().__init__()
self.parser = argparse.ArgumentParser(
prog='paddlespeech.tts', add_help=True)
self.parser.add_argument(
'--input', type=str, default=None, help='Input text to generate.')
# acoustic model
self.parser.add_argument(
'--am',
type=str,
default='fastspeech2_csmsc',
choices=[
'speedyspeech_csmsc',
'fastspeech2_csmsc',
'fastspeech2_ljspeech',
'fastspeech2_aishell3',
'fastspeech2_vctk',
'tacotron2_csmsc',
'tacotron2_ljspeech',
],
help='Choose acoustic model type of tts task.')
self.parser.add_argument(
'--am_config',
type=str,
default=None,
help='Config of acoustic model. Use deault config when it is None.')
self.parser.add_argument(
'--am_ckpt',
type=str,
default=None,
help='Checkpoint file of acoustic model.')
self.parser.add_argument(
"--am_stat",
type=str,
default=None,
help="mean and standard deviation used to normalize spectrogram when training acoustic model."
)
self.parser.add_argument(
"--phones_dict",
type=str,
default=None,
help="phone vocabulary file.")
self.parser.add_argument(
"--tones_dict",
type=str,
default=None,
help="tone vocabulary file.")
self.parser.add_argument(
"--speaker_dict",
type=str,
default=None,
help="speaker id map file.")
self.parser.add_argument(
'--spk_id',
type=int,
default=0,
help='spk id for multi speaker acoustic model')
# vocoder
self.parser.add_argument(
'--voc',
type=str,
default='pwgan_csmsc',
choices=[
'pwgan_csmsc',
'pwgan_ljspeech',
'pwgan_aishell3',
'pwgan_vctk',
'mb_melgan_csmsc',
'style_melgan_csmsc',
'hifigan_csmsc',
'hifigan_ljspeech',
'hifigan_aishell3',
'hifigan_vctk',
'wavernn_csmsc',
],
help='Choose vocoder type of tts task.')
self.parser.add_argument(
'--voc_config',
type=str,
default=None,
help='Config of voc. Use deault config when it is None.')
self.parser.add_argument(
'--voc_ckpt',
type=str,
default=None,
help='Checkpoint file of voc.')
self.parser.add_argument(
"--voc_stat",
type=str,
default=None,
help="mean and standard deviation used to normalize spectrogram when training voc."
)
# other
self.parser.add_argument(
'--lang',
type=str,
default='zh',
help='Choose model language. zh or en')
self.parser.add_argument(
'--device',
type=str,
default=paddle.get_device(),
help='Choose device to execute model inference.')
self.parser.add_argument(
'--output', type=str, default='output.wav', help='output file name')
self.parser.add_argument(
'-d',
'--job_dump_result',
action='store_true',
help='Save job result into file.')
self.parser.add_argument(
'-v',
'--verbose',
action='store_true',
help='Increase logger verbosity of current task.')
PaddleSpeech 提供的可以被命令行和 python API 使用的预训练模型列表如下：
-
声学模型
模型 语言 speedyspeech_csmsc zh fastspeech2_csmsc zh fastspeech2_aishell3 zh fastspeech2_ljspeech en fastspeech2_vctk en -
声码器
模型 语言 pwgan_csmsc zh pwgan_aishell3 zh pwgan_ljspeech en pwgan_vctk en mb_melgan_csmsc zh
但是，从TTSExecutor()的源代码中我们也可以发现，其实它还支持我们配置基于自定义数据集，finetune的语音合成模型，这就为后续的模型性能优化提供了更多可能。