缘起

《论语》有声版？难道还不够多吗？

同样的问题，它的父项目《一瓶论语》在“前言”和“使用说明”里作了回应。有声版呢？还是用软件读？开玩笑吧？

真人有声版《论语》的确不少，有些还提供免费下载。与它们相比，这个TTS有声版的主要优点，一是中立，二是扎实，三是自动化。至于开源项目的天然优势，比如容易及时更新，已经在《一瓶论语》里说得很详细。

“TTS”是“Text to Speech”的缩写，它通过软件自动把文字内容“合成”为语音信号，直接“读”出声音或者保存成音频文件。2个多月前，我偶然被自己安卓手机上“Google文字转语音引擎”朗读中文网站文章的质量吸引，自然就想到，用它读文言文会怎样呢？有可能流畅自然地朗读《论语》吗？这种人文和一点点技术相结合的题目，总让我兴趣盎然，《论语》TTS有声版就是后来不断试验的一个小结。

让人开心的是，只要不太多的辅助，Google TTS就能把2500年前的文言文读得像模像样。请试听一下：

这里的辅助工作，主要是帮助TTS引擎断句，还有多音字和难字的辨析。然后，就可以把整个的“台词”交给TTS引擎自动处理了。更棒的是，安卓系统开放了TextToSpeech开发接口，尽管控制的范围不如我希望的丰富，但也足以按章朗读，统一合并，然后自动生成播放列表和同步字幕了。限于时间，我只用Google TTS做了试验。其它优秀的TTS引擎，比如科大讯飞，相信也会有出色的表现。

显然，与真人相比，Google TTS的“播音腔”没太有感情，也缺乏变化。换一个角度想，对于《论语》来说，这正是它的独特优点。《论语》是中国传统文化的精华，每个人心中都应该为它留出方寸之地，不断咀嚼玩味，形成独立的理解。一个值得反复聆听的“标准”有声版，就应该字正腔圆，不带主观色彩，对原文一视同仁，没有分心的背景音乐。对于《论语》，这种去掉阅读者“理解”和其它修饰的朴素版，似乎更容易激发听者自身的共鸣，缩短从声音到心灵的距离，而不会一遍惊艳，两遍三遍不过尔尔，然后束之高阁，甚至有所厌弃。这就是软件朗读“中立”的意义。

诚然，目前的阅读效果还有不少不太自然的地方（见后面的已知问题）。如果你把TTS引擎当成一个刚认字的孩子，虽然还不太理解《论语》的含义，仍在努力把它读顺（而且会越来越顺！），感受就会好得多。我在这两个月里听过不下100遍，仍然兴味盎然，似乎可以作为一个佐证。

这个《论语》TTS有声版，就是希望成为一个反复可听、持续改进的“标准版”。而且听得多了，总会有自己朗读一个“完美版”的创作冲动。我当然希望看到更多严谨到位的真人版不断问世。

文本和音频

本项目的主要内容是两个文本文件：

  • ly.txt：从《一瓶论语》自动提取的《论语》原文，作为TTS引擎“台词”文本的基础，并用来制作字幕。
  • ly-tts.txt：TTS引擎的“台词”文本，所有的手工修改都是在它上面进行的，最后送入TTS引擎，生成前面的音频文件。

如果让TTS引擎直接朗读ly.txt，最明显的问题就是很多多音字、难字都读错了，所以要找读音确定的同音字来替换。为了不影响TTS分词的效果，应该尽量考虑所用字的词性和含义。同等条件下，选择原文没用过的字也许好一些。这个列表比较长，放在了附录的字词替换表中。

现在每个字都能正确发音了，连起来一听还是怪怪的，原因就在于断句。《论语》毕竟是2500年前的古汉语，我们现代人如果只看白文版，也很难一次读通顺，何况是对古文所知寥寥的软件呢？所以，需要选择性地插入或者删除一些标点符号，给TTS引擎足够的提示。这里占用的时间最多，需要反复修改比对。传统的“句读”（dòu）是从段落中分隔出句子（添加。？！等），从句子中分隔出“子句”（添加，；、等），这里的粒度更细，要在连读错误的“子句”内部分隔词组。古汉语的一个显著特点是单字成词，所以TTS引擎的很多先验知识就不成立了。断句的处理包括：

  • 删除：“ ” ‘ ’ 《 》
  • 替换：： → ，
  • 选择性替换：、 → ，
  • 选择性添加：，’（短间隔，用于长难句的句读）

举例来说，1.6章的“弟子入则孝，出则悌”，如果不在“子”、“入”之间加一个短间隔，就会把“弟子入”连读，“入”的发音既轻且短。短间隔’的停顿比顿号更短一些，是我经过试验发现的，其它的TTS引擎未必表现相同。如果TTS引擎允许在文本中直接插入描述性标记，比如间隔时间、汉语拼音、轻重，甚至语气、场景等，用起来可以更灵活。

至此，用阅读软件打开ly-tts.txt，就可以调用Google TTS引擎，随点随读或者导出音频了。目前Google TTS的普通话语音数据包还只有女声一种。需要特别表扬的是，2017年12月更新的程序及其数据包比之前的效果进步明显，发音和断句更自然，读错的字也少了很多。可以预期，随着技术的演进，这个TTS版的质量也会持续提高，越来越接近“完美中立”的目标。

考虑到现代文和文言文的差异，朗读前会把所有的逗号、分号替换成句号。本项目发布的ly-tts.mp3，使用了0.9倍的阅读速度，总长度是108分钟出头，或者说6496秒。一些地方听起来会显得稍赶，但我觉得，《论语》这样的经典文本，就应该听到熟极而流的程度，所以没有再作调整。大家当然可以根据自己的喜好选择阅读速度，或者进一步修改，比如整体调高音调，变成童声的效果。

为了便于生成播放列表和字幕，我从每一章分别导出wav文件（synthesizeToFile），用sox在各文件末尾增加0.25秒静音后，合并成单个wav，最后用ffmpeg转换成mp3。对于有声书来说，32 kbps和64 kbps都是常见的选择，考虑到频繁的静音间隔，32 kbps VBR的表现我觉得已经挺好了。最后的文件体积约为25 MB。

播放列表和字幕

出于对目录的偏爱，我还制作了详细的播放列表（cue）、歌词（lrc）、字幕（srt），放在本项目附带的subtitles.zip里。它们都是从ly.txt和sox处理后的多个wav文件自动生成的，没什么稀奇之处，这里只展示一下使用效果。

Windows上，我喜欢用foobar2000播放音频。可以用它打开播放列表ly-tts.cue，并在旁边同步滚动歌词ly-tts.lrc（需要Lyric Show Panel 3插件）：

foobar2000

foobar2000目前严格遵循“最多99首歌”的播放列表规则，所以没法打开精确到章、总共“532首歌”的ly-tts-detailed.cue。【2018-2-4更新：从v1.4 beta2起，foobar2000将cue播放列表的曲数上限提高到999。】如果用PotPlayer，就没有这个限制，而且它既可以用ly-tts.lrc，也可以用ly-tts.srt当字幕，全屏观看的效果是很好的：

foobar2000

安卓手机上，AIMP支持cue播放列表，可惜还不支持同步歌词：

foobar2000

MX Player则支持同步字幕ly-tts.srt：

foobar2000

其它平台上，想必也有比较合理的解决方案。

已知问题

平心而论，目前这个版本的阅读效果不乏惊艳之处，但总有一些明显不够流畅自然的地方，记录在这里，希望可以在后续的程序和数据包中得到改进。

发音偏轻，长度偏短

  • 1.14，“就有道”的“就”，应该是没有被理解为动词approach，而是副词just。相比之下，12.19的“如杀无道以就有道”，16.1的“陈力就列”，因为是连在一句内，就稍好一些。
  • 5.7，“由也耗勇过我”的“过”，没有被理解为动词exceed，而是当成副词ever，读得偏轻偏短。另外一些“过”也有这个问题，尤其是句子结尾的“有过”，包括7.31“苟有过”，20.1“百姓有过”。

发音偏重

  • 8.21，“悱饮食而致孝乎鬼神，恶衣服而致美乎黻冕，卑宫室而尽力乎沟洫”的3个“乎”。

字间隔偏长

这是“子句”内的字之间，间隔偏长的情况：

  • 1.13，“言可复也”，句末的“也”，没有很好地作为助词处理，在前面多加了一个小间隔。其它的例子包括4.5“是人之所欲也……是人之所悟也”，6.15“非敢后也”，7.28“智之次也”。
  • 2.18，“干禄”，也许是“干”没有被当成动词？
  • 3.21，“夏后氏”，没有理解“夏后”是独立的姓氏，导致“氏”之前的间隔较长。16.1“季孙之忧”的“季孙”也是这样。
  • 7.7，“束脩”，似乎没有被当成独立的名词，两个字的间隔略长。
  • 19.23，“室家”，“而入”。

句间隔偏长

这是“子句”之间间隔偏长的情况，就像我们自己读文章，“一口气没接上来”：

  • 1.10，“夫子’温、良、恭、俭、让’以德之。夫子之求之也……”，两句的间隔比正常情况偏长。
  • 14.18，“与文子同升诸公。子闻之”。
  • 16.1，“而必谓之辞。丘也闻”。

通过调整标点，一定程度上解决了其它若干处问题：

  • 9.10，“子见资摧者、冕衣常者’与瞽者，见之”，“见之”之前。改成“资摧者，冕衣常者，与瞽者”，则好一些。这应该是添加’的副作用。
  • 11.26，“子路、增皙、冉有、公西华侍坐。子曰”，“子曰”之前。把人名间的顿号改为逗号，虽然拖沓了一些，但消除了这个长间隔。
  • 12.11，“子不子，虽有粟”。把原来的顿号都改成逗号，就消除了这个长间隔。

连读颤音

这种情况，大多数与w、u、o、y音有关。

  • 4.7，“人之过也”的“过”。其它的例子包括14.13“以告者过也”，16.1“且尔言过矣”，19.8“小人之过”，19.12“言游过矣”，19.21两处“过也”。
  • 5.12，“加诸我也”的“我”。其它的例子包括6.9“复我”，7.11“惟我”，7.16“于我如浮云”，9.11“博我以文，约我以礼”，11.4“回也非助我者也”，11.11“非我也”，13.10“苟有用我者”，17.1“岁不我与”，17.5“召我”、“用我”。
  • 8.6，“不可夺也”的“夺”。
  • 11.26，“唯国以礼”的“国”。
  • 12.10，“是惑也”的“惑”。
  • 14.11，“则优”的“优”。
  • 14.34，“或曰”的“或”。
  • 16.5，两处“三乐”的“乐”，过渡不够自然。
  • 17.20，“辞以疾”的“以”。
  • 19.1，“丧思哀”的“哀”。

句末短音

  • 2.4，“七十而从心所欲不逾矩”的“矩”，听起来有点像读成了jù，但换成“举”、“沮”等同音字也一样，所以并不是读错了。真人朗读经常也会这样：因为“矩”处于整章结尾，如果这个字并不特别重要，往往会结束过快，切掉靠后的音节长度，效果接近于轻声，听起来像是第4声。如果有选项控制一个字发音饱满就好了。另一个例子是3.22“邦君为两君之好”，“好”也有点像第4声。

错读无替换

  • 1.15，“如切如磋”的“切”读为qiè，而且没有读qiē的字可以替换。这个问题已经向Google提交了反馈，目前只得手工修改1.15导出的wav文件（唯一需要手工修改的地方）。方法是，用同样的配置朗读“正切如磋”（此时读为qiē），截取后三个字的波形，替换原来的三个字。

附录：字词替换表

  • 说：悦
  • 弟：悌
  • 好：耗
  • 鲜：显
  • 与：欤，预
  • 女：汝
  • 省：醒
  • 道：导
  • 乘：剩
  • 没：殁
  • 共：拱
  • 曾：增
  • 知：智
  • 阙：缺
  • 相：象
  • 乐：跃
  • 宁：泞
  • 亡：无
  • 监：鉴
  • 大：太
  • 处：楚
  • 朝：昭
  • 放：仿
  • 参：身
  • 逮：待
  • 妻：器
  • 几：机
  • 给：挤
  • 斐：匪
  • 少：邵
  • 恶：悟，乌
  • 孙：逊
  • 衣：翼
  • 澹：谭
  • 语：遇
  • 识：制
  • 和：贺
  • 校：较
  • 间：鉴
  • 钻：躜
  • 予：余
  • 贾：古
  • 缊：愠
  • 便：骈
  • 躩：攫
  • 蹜：宿
  • 绤：细
  • 冠：关
  • 衰：摧
  • 讱：韧
  • 鞟：廓
  • 陶：姚
  • 乡：向
  • 中：重
  • 长：掌
  • 齐：斋，资
  • 见：现
  • 期：基
  • 丧：桑
  • 夫：扶
  • 率：帅
  • 莫：暮
  • 数：硕，树
  • 柏：摆
  • 塞：腮
  • 得：德
  • 小子：小紫
  • 陈成子：陈成紫
  • 韫：蕴
  • 屏：禀
  • 貉：河
  • 裳：常
  • 硁：坑
  • 斗：抖
  • 行：型，沆
  • 占：沾
  • 偲：思
  • 南宫适：南宫括
  • 裨：皮
  • 要：邀
  • 召：劭
  • 被：披
  • 发：珐
  • 辟：避
  • 蒉：篑
  • 荷：赫
  • 难：婻
  • 陈：阵
  • 遂：碎
  • 卷：呟
  • 薄：伯（Google TTS读为báo，共2处：8.3“如履薄冰”、15.15“薄责于人”。按商务版《现代汉语词典》、《现代汉语学习词典》，读bó为宜。）
  • 归：馈
  • 时：伺
  • 亟：气
  • 佛：必
  • 沮：巨
  • 蓧：钓
  • 食：饲
  • 泥：腻
  • 更：耕
  • 量：梁
  • 磷：赁
  • 曲：屈
  • 菲：悱
  • 侗：僮
  • 华：花
  • 栖：西
  • 揭：弃
  • 徼：焦
  • 一：衣，宜，意
  • 为：唯（do, be, fake, by, end-of-sentence aux.），谓（for, because, help）
  • 有：又
  • 杀：晒