词库和发音词典是文本到语音 (TTS) 系统中的基本组成部分，可确保准确自然的语音输出。 词库是一个结构化的词汇数据库，将单词映射到其语言属性，例如词性标记、音节边界和语音转录。 发音词典通常是词库的子集，专门用于将书面单词转换为音素序列——一种语言中不同的声音单元。 它们共同为 TTS 系统提供将文本转换为口语所需的规则和数据，同时处理发音、上下文和特定语言细微差别的变化。 如果没有这些资源，TTS 引擎将难以产生可理解或自然的语音。
例如，考虑一下同形异义词，如“read”（现在时）和“read”（过去时）。发音词典根据上下文指定正确的音素（/riːd/ 与 /rɛd/）。同样，词库处理例外情况，例如不规则复数形式（“children”与“childs”）或特定领域的术语。专有名词，如“Nguyen”或“X Æ A-12”，通常需要自定义条目以避免发音错误。区域方言也依赖于这些工具：英式英语 TTS 系统可能会将“water”映射到 /ˈwɔːtə/，而美式英语系统则使用 /ˈwɑːtər/。像 CMU 发音词典这样的工具使用像 ARPAbet 这样的符号来标准化语音表示，而像 Festival 或 MaryTTS 这样的系统则使用词库以编程方式管理语言规则和例外情况。
在实践中，词库和词典在文本规范化和字素到音素转换期间集成到 TTS 管道中。 文本规范化会扩展缩写（例如，“Dr.”到“Doctor”）并转换符号（例如，“$5”到“five dollars”），具体取决于词库规则。 然后，发音词典将规范化的文本映射到音素，然后将音素合成为语音波形。 自定义词库对于专门的应用至关重要，例如，医学 TTS 系统需要诸如“otorhinolaryngology”之类的术语的条目。 这些组件中的错误会导致不自然的停顿、发音错误或含糊不清的措辞，直接影响用户体验。 通过维护准确且具有上下文感知能力的词库和词典，开发人员可以确保 TTS 系统生成清晰、符合上下文且类似人类的语音。