我目前打算创建一个自定义语音合成器引擎或简称TTS，对于我的自定义人工智能程序，我打算理解基于phonem组合和单词组合的通用语音合成器的块结构。就像我将所有英文的phonems保存为.amr文件一样，如何以及什么样的程序可以让我快速连接手机以便组成一个单词。 我研究了维基百科的语音合成器，但我无法在任何地方找到详细的解释，就像我从变量或文本字段中取出单词，语音合成器如何拆分然后识别电话，然后从数据库中获取相应的phonem文件并将它们作为一个单词播放
将它放入NutShell中。如何详细说明语音合成器的方框图，当然还要对每个块进行一点解释。