C# 文本到语音音节音频段连接规则

我正在寻找一些关于在不使用任何现有TTS工具、库等的情况下从零开始创建文本到语音程序的研究，主要是关于创建和组合音频片段的规则

我想把它用在一些罕见的古代语言上，语言本身的情况非常简单。首先，它不是一个大范围的语言基础，大约1000个单词，其次它是在书写时发音的，所以发音绝对等于单词中的每个字母，例如单词：

parjashif 

这意味着“父亲”和“父亲之子”的音节是：

par  
ja
shif   

其他单词的所有变体（具有相同部分）为：

par
ja

1.shif
2.kif
3.hof
4.hefi

如你所见，只有4种变体

---

因此，唯一必须考虑的是，现有音节之间的连接间隔，使发音听起来不离散。

这是正确实现文本到语音软件的诀窍。发音取决于上下文，如果你不关心上下文，声音就会离散和不自然。适当的系统在上下文中记录所有音节，当选择它们进行连接时，它会非常注意元素之间的平滑过渡

您可以选择将原始数据库拆分为双元音，并尝试连接双元音而不是音节。它将更加平滑

---

总的来说，即使你从零开始，最好先阅读理论。至少有点像保罗·泰勒的“语音合成”教科书。

您好，当然，这个理论正是我想要的，它似乎足以让我开始，所以谢谢您的回答