IBM Watson文字转语音

IBM Watson 文字转语音以 REST API 的形态放在 IBM Cloud 上，投一段文本进去，返回一段可以直接播放的音频。除了单独调用，它也能接进 watsonx Assistant，让客服机器人用说话而不是打字的方式作答。

声音这一层分几件事做。神经音色由深度神经网络在真人录音上训练，输出比老式拼接合成少明显的接缝；Expressiveness 给同一把嗓子提供 GoodNews、Apology、Uncertainty 三种说话风格；语音转换再往下动力度、音高、气息感、语速和音色这些字段。

读音可以逐段干预。SSML 标签直接写进提交文本，用来改某句的音量、音高和语速；生僻词、人名和品牌名改用 IPA 或 IBM SPR 标注，机器念错的概率就下来了。想给品牌做专属嗓子，可用选定说话人约一小时的录音训练一支定制神经音色，这条路走 Premium，附带 99.9% 可用性承诺。

计费按字符数走。Lite 每月一万字符不收费，够把链路跑通；Standard 每千字符约 0.02 美元起，字符不限量。担心数据出境的团队可以选 Deploy Anywhere，配合 Cloud Pak for Data 落在自己的防火墙或任意云内，这一档给到无限字符、35 个神经音色和 16 种语言方言，另有容器化版本供软件开发商嵌进自有产品。

跟它常配成对使用的是 IBM Speech to Text，把录音反向转写成文字，两边合起来可以做通话分析和坐席辅助。