电子书转有声书项目中波斯语语音合成问题的技术分析

在电子书转有声书(ebook2audiobook)项目中，开发团队遇到了波斯语(Farsi)语音合成质量不佳的问题。本文将从技术角度深入分析该问题的成因、解决方案以及未来优化方向。

问题现象

用户报告在使用波斯语语音合成时出现了两个主要问题：

1. 语音播放速度异常加快，导致声音听起来像机器人或外星人
2. 部分文本被错误地朗读为无意义的字符组合

经过测试验证，这些问题确实存在，特别是在处理PDF格式的波斯语文档时更为明显。即使转换为TXT格式，仍有约15%的内容会出现朗读异常。

技术原因分析

1. 语音引擎兼容性问题

项目最初使用的fairseq TTS引擎存在采样率设置不当的问题，这直接导致了语音播放速度异常。虽然这个问题在后续版本中已修复，但部分Colab环境可能仍在使用旧版本代码。

2. 文本预处理缺陷

PDF文档转换为纯文本时容易出现字符编码和格式问题，特别是对于波斯语这样的从右向左(RTL)书写系统。不完善的文本预处理会导致引擎接收到损坏的输入文本。

3. 语音模型局限性

当前的波斯语语音模型存在以下技术局限：

• 对外来词(如"سیستم")的发音处理不佳
• 在词间产生不自然的停顿
• 音色一致性不足，朗读过程中出现声音变化
• 对特殊标点和空格位置敏感

解决方案与优化

开发团队采取了多方面的改进措施：

1. 引擎升级与替换

• 修复了fairseq引擎的采样率问题
• 评估并计划集成更先进的语音引擎，如VITS和Glow-TTS
• 考虑支持piper-tts引擎(需解决Python版本兼容性问题)

2. 输入处理优化

• 推荐用户使用EPUB或TXT格式而非PDF
• 增强文本预处理流程，特别是对RTL语言的支持
• 开发针对波斯语的特殊字符处理逻辑

3. 模型质量提升

• 发现并测试了Kamtera提供的波斯语VITS女性语音模型
• 向coqui-tts提交了集成该模型的PR
• 鼓励波斯语社区参与模型改进和数据贡献

技术建议

对于需要使用波斯语语音合成的开发者，建议：

1. 优先使用专门优化的波斯语模型，如Kamtera的VITS模型
2. 确保输入文本经过严格的清洗和规范化处理
3. 对于专业应用，考虑对基础模型进行微调(fine-tuning)
4. 在预处理阶段对外来词进行音标标注或替换

未来方向

波斯语语音合成质量的提升需要社区共同努力：

1. 建立高质量的波斯语语音数据集
2. 开发针对波斯语特性的文本正则化工具
3. 优化现有模型的发音词典
4. 探索端到端深度学习模型的本地化应用

电子书转有声书项目团队将持续关注波斯语语音合成技术的发展，并欢迎波斯语技术社区的贡献，共同提升多语言支持的质量。