为有五个声调的泰语做语音合成

语音合成、文本转语音和 TTS 指的是同一项工作，合成语音是它的产出。在泰语里，这项工作要面对语言本身的四个特性。

语音合成把文字变成朗读它的音频。每个系统都要回答同样两个问题：这段文字包含哪些词，每个词该怎么读。在英语里，文字本身已经回答了第一个问题的大部分，因为空格标出了一个词在哪里结束。

泰语把这两个问题更多地留给了朗读者。词连在一起写，声调是每个词的一部分，数字的印法和读法不同，一句普通的泰语里还夹着英语。每一项都是一句泰语可能被读错的地方。

泰语对朗读的要求#

泰语的四个特性，每一个都是一句泰语可能被读错的地方。

声调是泰语词的一部分，所以一句话读错了声调，说出的就是另一个词。

这是语言本身的事实，对朗读的人和对系统同样成立。

五个声调
泰语有五个声调：สามัญ、เอก、โท、ตรี 和 จัตวา，并用四个写在辅音上方的声调符号标出。声调属于词本身：ปา 是扔，ป่า 是森林，ป้า 是姑妈或姨妈。
来源：Royal Institute Dictionary（在新标签页中打开）JIPA (1993)（在新标签页中打开）
词连在一起写
泰语在短语和句子的断处留空格，词与词之间通常不留。朗读者要先找出词才能读出来，而一个词在哪里结束，文字本身并没有标出。
来源：arXiv (2026)（在新标签页中打开）SNLP (2007)（在新标签页中打开）
数字要读成词语
泰语用数字和符号印出数量，朗读时却要说成词语。10150 可以逐位读出，也可以按数值读出。6-7 可能表示范围，也可能表示减法。ๆ 表示把前面的词或短语再读一遍，重复哪一部分由上下文决定。
来源：arXiv (2026)（在新标签页中打开）Royal Institute Dictionary（在新标签页中打开）
英语出现在句子中间
泰语使用者说品牌、产品名或技术术语时会直接用英语，句子并不切换。一行里于是有两种文字，朗读者要把这一行连贯地读下来。
来源：HASSS (2023)（在新标签页中打开）Manusya (2003)（在新标签页中打开）

语音合成请求可以指定的四样东西，以及音频进入产品后每一样会改变什么。

音色库里的一个音色
voice
固定不变的 ID，例如 taohuay。同一个 ID 在每个请求里都是同一位说话人，Paxa TTS Flash v2 的每个音色都能朗读中文、英语和泰语。
数字和代码的读法
language
词语按其文字所属的语言朗读。设为 th 或 en，即可决定短数字或 AB2039 这类代码怎么读。
方括号里的指令
text
在希望开始的位置写明这句话该怎么读，中文、英语或泰语都可以，例如 [沉稳地]、[whispering] 或 [ตื่นเต้น]。
词级时间
timestamps
请求词级粒度，音频里的每个词都会附带起止秒数，可用于字幕和跟读。

Paxa TTS Flash v2 四样都支持。每个请求最多朗读 5,000 个字符，可以是中文、英语、泰语或三者混合。

语音合成和文本转语音是一回事吗？

是的。语音合成是研究领域的名称，文本转语音是产品名称。文本转语音指南介绍了人们用它来做什么。

เสียงสังเคราะห์ 是什么意思？

指系统根据文字生成的语音。泰国皇家学术院词典对 สังเคราะห์ 给出两个释义：“使元素发生化学反应生成化合物，或使化合物发生化学反应生成另一种化合物”，以及“经化学方法制成的”，例如 ใยสังเคราะห์（合成纤维）。两个义项都对应英语的 synthesise。

为什么声调对泰语语音很重要？

因为声调是词的一部分。用 ป้า 的声调去读 ป่า，听者听到的是“姑妈”，而文字写的是“森林”，句子的其他部分却完全正确。

语音合成和语音识别是相反的过程吗？

是的。语音识别把录音变成文字，泰语语音识别页面介绍了泰语对这项工作的要求。

泰语句子里的英文单词会照读吗？

会按写法朗读。用英语说出品牌或术语的泰语句子会保留英文，整句由同一个音色读完。

不写代码能试听吗？

登录后在控制台的语音工具里输入一句话即可。新账户可获得 100 免费积分，约合 38 分钟中文语音，仅供个人使用和评估。

输入一句带有数字、只差声调的词和英文单词的泰语，听听音色怎么读。新账户可获得免费积分，无需绑卡。