除了游戏本地化服务之外，我们的本地化与音频团队还提供文字转语音服务。大家在生活中应该或多或少都接触过文本转语音（TTS）技术。您可能使用过在线文本朗读功能，或在地图应用中使用语音导航服务。抛开实用性不谈的话，这项技术的诞生可以追溯至1970 年代晚期。而现在，通过机器来模拟真实人声的技术早已今非昔比。如今，我们得到的模拟人声已变得富有感情，自然易懂。但这是如何实现的呢？
我们的本地化语言项目经理Micaela Bester将为您揭开TTS服务的面纱。Micaela负责为我们最大的客户管理所有的语言TTS作业项目。她在大学时期主修的便是语言学，而TTS岗位在当时甚至还不存在。
“我当时还想着深入学术界或语言病理学的工作呢。”她说道。“结果最后去意大利教英语了。”随后转机突然降临，她进入谷歌担任数据标注员。她在爱尔兰的都柏林工作了四年，随后选择离开，渴望寻求一些改变。“幸运的是，我在2019年12月发现了Side这家公司，并在这里担任项目经理，从而有幸与全球顶尖的科技公司一同合作。”
搜罗人才
一整个流程始于一个需求。Micaela向我们讲述了这样一个案例：“比如说，有一次一位客户联系我们，说想要打造一款针对印地语的语音助手。”“我们于是便开始招人。让人力资源部门在所有常规渠道发布信息。”大部分申请者都来自那些主要面向学术性质语言学职位的招聘平台和渠道。“我们平时招聘的一般都是译员，但这次不一样了，我们需要的不是普通翻译，而是音系学家，是专门研究特定语言的发音的人。这是个小众领域，很难找到合适的人选。”
找到合适应聘者的几率很低，因此这一过程消耗了相当多的时间。“我们收到很多译员的申请，他们都声称自己能胜任这项工作，但这项工作的专业门槛比他们想象得要高很多。”具备相应能力的专业人员大多都已经有了全职工作，通常并不会考虑我们的岗位。更别说这次工作只是一次性兼职，并不会提供稳定的前景。“但反过来说，对那些研究工作之余偶尔有空闲时间的学者来说，就很合适了。”
但这种形式会不会影响项目进度？“会的。因为主要语言的相关工作已经基本完成了，我们正在进一步向发展中国家的语言拓展业务，找到对应的音系学家就愈发困难了。本来一个项目大约可以在四个月内完成，现在则需要更久。”
通过初次筛选的应聘者通常需要向我们展现一下他们对应的语言能力以及方言特征。“比如，如果面向对于澳大利亚英语的悉尼方言，我们就会关注‘chance’这个词，它在不同地区的读音皆不相同。”
我们还会问及一些有关语言本身的问题。举例来说，我们会询问哪些复辅音是“不规范”的。比如是否可以用字母“str”作为单词的开头，并要求他们举例说明。因为某些复辅音在标准英语中是规范的，却不适用于其它方言。
撰写脚本
脚本通常会由客户提供，但我们的译者必须进行校对；不仅是为了确保其语法正确，同时也要为地址或专有名词等特殊词汇的读音进行注释。
数字就是一个典型的例子：1990应该读成“一九九零”还是“一千九百九十”呢？哪怕客户已经独立完成了脚本，也很可能是从网络上搜集而来的。这些脚本的内容往往由完全随机，杂乱无章的句子组成。经过译者的重新润色才能让它们具备可读性。
译者必须逐句使用音标对读音进行标注。他们将收到一份音标列表用于标注发音和符号的对应关系。不过，Side并不会使用传统的国际音标（IPA）字母。
“IPA不是非常实用，而且对键盘输入不友好。我们选择了SAMPA（语音评估式音标）。如果配音导演和项目经理能熟练运用，会非常方便。”SAMPA是开发于20世纪80年代后期的音标体系，具备更好的计算机可读性。
录制脚本
在通读脚本，完成注释之后，我们的配音制作团队便会接手剩下的流程。他们将会开始选角，寻找风格符合客户要求的配音人员。配音导演将对一致性、持久性、清晰度、韵律、方言特点以及可重复性等方面进行评估。
配音员必须是母语使用者，且拥有所需的口音。他们不必须是资深的配音演员，但依然需要一些配音方面的专业技巧才能顺利达成效果。
“配音不是想象中那样，对着单词念几句就行了的事情。”“人们孤立地读单词的时候，发音往往会显得十分不自然。所以，大部分脚本都是以文句中常用的短语所组成的。”
早期的TTS系统听起来非常不自然，就是因为其工作方式是机械地从句子中切分出单词并重新拼接，才会导致人声显得奇怪。配音人员必须具备极快的视读能力因为一般来说，一万行的对话也只有几周的时间来完成。
而配音导演则需要确保在整个制作过程中角色始终保持风格和音质始终如一。如果配音人员着凉感冒或者因为其他原因声音出现了变化，那么录制作业就也将暂停。
平均每天的录制时间是多少呢？“大概四小时。这主要是为了保护声带。”每一段脚本录制完成后，会立刻发送到工作流的下个环节进行处理，而非全部完成后统一汇总。
“Side 会将文件上传给译者进行分析，”“由他们负责检查脚本的内容和发音。在这一阶段我们使用的工具行业内遥遥领先。”译者还需要负责解决其后期制作团队未能排查出的问题。
处理数据
文件检查完毕后，会交付给客户，由对方的专有算法进行处理。“这部分完全是黑箱。全都靠机器学习来完成。到这一步我们就不会再碰数据了。由模型自行学习如何合成文本。语音合成功能会反复进行内部测试，直到达到满意标准为止。若发现错误或音质欠佳，则会通过重新录制来解决问题。”
这个职位最具有挑战的部分是什么？“有很多，包括统筹管理分布在世界各地的自由职业者之类的？”Micaela笑着回答。“还有攻克那些和我们已完成的部分差异巨大的语种。毕竟并非所有语言的逻辑都与英语一致。对于其他语系的语言，系统处理声调时效果就并不是很好了。而且没有现成的词典，我们必须全部从零开始。”
文本转语音在日常生活中已屡见不鲜，未来势必会涌现更多应用场景。虽然上述流程看起来并不复杂，但为了将业务覆盖全球的所有语系，显然还需要开发全新的业务流程。
而正是这些需要深度思考与钻研的挑战，让Micaela始终对工作保持热忱。她期待通过在Side的工作，继续深化对世界上各种语言的理解。