我正在为我自己的Java语言开发一个文本到语音（TTS）（它是一个以前没有开发过的最终项目，因此我不能使用内置类）。
我可以识别输入文字的双音素。
为了播放，我在输入文本分析完成后将双音素放入数组中。在此基础上，我根据数组中的双音素（逐个）播放音频文件（采用ogg格式）。
我想问的是，您如何看待这种播放单独双音素的方法？ 现在，我正试图平滑每个音频剪辑的播放之间存在（大）间隙。有什么想法吗？
答案 0 :(得分：1)
在双音素合成中，通常将双音素分离到手机中间，它是最稳定的，并以这种方式将它们拼接在一起。因此，例如，要合成单词“meeting”，我将从m iy电话（在ARPAbet符号中）开始，然后在iy的中间切断它并拼接成{{1两个手机被分成两半的双音素，依此类推，以iy dx双音素结束ix ng已完成。
为了做到这一点，你需要知道每个.ogg中的时间索引，它对应于连续电话的中间或者关闭和释放停止之间的差距。