![](data:image/svg+xml, %3Csvg xmlns='http://www.w3.org/2000/svg' height='64' class='font-weight-bold' style='font: 600 30.11764705882353px "SegoeUI", Arial' width='64'%3E%3Ccircle fill='hsl(128, 8%, 22%)' cx='32' cy='32' r='32' /%3E%3Ctext x='50%25' y='55%25' dominant-baseline='middle' text-anchor='middle' fill='%23FFF' %3EA%3C/text%3E%3C/svg%3E)
Microsoft Edge | 其他 | Windows 10
有关 Windows 10 上的 Microsoft Edge 的其他问题或功能
edge 语音合成（text to speech）功能的几大妙用——让用户爱不释手
有人觉得语音合成功能是可有可无、锦上添花的，我觉得不是这样！如果语音合成用得好，完全可以取代喜马拉雅、蜻蜓FM、YouTube、PR、arctime，我们就不需要听书软件了。各种专栏文章都可以秒变音视频！这也是edge比Chrome最大的优势所在。现在市面上的各种APP还没有一个能把text-to-speech这项功能做到极致的。如果做得好，edge在APP中的地位可以快速飙升。虽然微软的语音识别不怎么样，但是微软的语音合成功能效果非常好，可见是花了大价钱的，但在应用方面还有很大的改进空间。我抛砖引玉，欢迎各位补充：
建议一：增加音高、语速、主播、配乐四个基本功能的设置。
现在的朗读功能能调节主播和朗读速度，但不能调节音高变化，也没法自定义配乐。大家可以简单参照一下讯飞配音的调节模式。http://peiyin.xunfei.cn/make/ 他这个调节按钮占用页面空间太大，微软可以做的稍微小一点，但是一定要放在用户可以直接调节的位置，在朗读功能开启后比较显眼的位置，比如页眉，增加用户的DIY自由度。
对于音高，变调的范围，以男声的下限和女生的上限为宜。最好也是无极变调。具体变调公式我完全不懂，但要做到变调不损失音质。
对于变速的范围，可以参照喜马拉雅的标准为0.5到3倍。这个标准基本合理，但是建议增加无极变速功能！变速不能变调。（如果实在做不到无极变速，至少可以做到potplayer的以0.1为最小单位的变速）
还有一点需要特别注意的是：最好能做到变调和变速之后声音完全不受损，最好不要像PR那样做出来后音质受损，这一点实在是太重要了！
主播的情况，建议按照语系语言进行分类，并明确标准男女，方便用户查找主播。主播在朗读其他语言时，最好由该种语言同一性别的默认主播朗读。另外，可以利用语音合成训练技术（声音复刻），训练用户自己的主播。
配乐的设置，应该允许使用本地音乐、链接嗅觉识别音乐（识别成MP3文件后，用户可以在微软的音频编辑工具上进行简单的剪辑，可以剪取其中任何一段或者多段音频并调节各部分的音量进行拼合等）、软件合成音乐
用户调节好一个自己喜欢的主播、语速、音调后可以设置一个默认模板。下次打开后直接选择模板即可。
建议二：增加朗读进度光标，及时朗读与全文朗读并重。
现在的朗读功能无法调节朗读进度，这是一个很大的bug，想想如果一本书几百页，每次都从头开始读吗？建议在进入朗读模式之后，可以选择插入点光标在文章中的位置，以随时调整朗读进度。
另外，无论页面的文字有多长，建议在刷新整篇文章之后，（选定好朗读范围，设置好所有的音调、语速、主播、配乐之后），在一定的时间内自动生成一个完整的MP4/MP3文件，这样在屏幕下方自动生成一个进度条（参考喜马拉雅和网易云的网页版模式），这样不仅可以在文本中调节进度，还可以在进度条上调节进度。
我把在文章中生成一段音频叫做及时朗读，生成一个完整的MP3/MP4叫做全文朗读。因为生成一个完整的MP4/MP3需要一段时间，因此这段时间不可以影响到及时朗读功能！也就是说，在生成全文MP4/MP3的过程中，不可以影响到用户设置插入点光标及时朗读的基本功能。
全文MP3/MP4生成之后，屏幕底部的进度条可以调节插入点光标的位置，反过来调节插入点光标的位置也等于调节进度条的位置。这时候不需要另外生成一段即时朗读的短音频。如果用户更改了朗读设置，比如音调、语速、主播、配乐等等，即时朗读功能会自动地生成一段短音频立即开始朗读，与此同时会跟着生成一段全文MP4/MP3覆盖原来设置所生成的MP4/MP3。所有要求与上文一致。
建议三：可选择朗读范围。现在的朗读功能没有选择朗读范围的能力，有时候花边新闻很多，边边角角的文字都读进去了，尤其是百度百科。建议增加选中功能。并且，最好可以分段选中，合并朗读。就是选中一段之后，按Ctrl将这一段固定住。之后再去选中另外一段。最后将所有fix的部分合并朗读。这样的好处是可以直接挑选自己需要的部分朗读就可以了。
建议四：纠正换行bug。换行的时候单词停顿时间过长。一段话不是按照句子切分，而是按照行切分的，这就造成每一行朗读的时候出现了很多额外的停顿，应该改为按句子停顿。
另外，很多西文文章换行的时候采用连字符拆分单词，微软朗读的时候不能将其识别，而造成朗读和判词错误。
建议五：增加角色功能，不同段落采用不同的主播、设置不同的语速、音高，这样形成了不同的朗读角色。
建议六：应该增加序列播放。YouTube和B站都有一个播放序列，播完一个视频之后首先播放这个序列的下一个视频。就算没有序列视频也会有推荐视频。同样的，朗读功能开启之后，无论是朗读知乎，新浪博客，搜狐新闻、网易新闻、凤凰新闻、努努书坊、读读书、豆瓣、简书等等，最好也有一个序列。这个序列对于电脑用户可能用处不大。但是对于手机端用户用处就非常大了。因为手机端用户有时候在忙其他事情，没功夫理会文章读没读完，这个时候听一个序列就比较合适了。像知乎这样的平台，很多文章都有一个专栏，可以根据专栏文章的顺序排列出一个播单，用户不喜欢直接按快进键就可以跳过。
建议七：沉浸式字幕模式（重点）。沉浸式字幕模式就是整个屏幕只显示一行或者几行字幕的大字模式，比阅读模式有更好的用户体验，尤其是对于学习汉语的儿童、洋人，以及老年人读报有很好的效果。字幕模式可以在锁屏状态下运行和后代运行，这样既可以省电又可以享受很好的阅读效果。他山之石，可以攻玉。我们先来看看别的软件是怎么处理字幕模式的。
电脑版字幕做的比较好的酷狗字幕，酷狗字幕模式分为全屏字幕和局部字幕两种模式：
手机版本字幕（竖屏字幕）做的比较好的主要是网易云音乐：
要实现字幕模式的一个基本前提就是断句。将中文的逗号和句号切分成不同的句子。原则上，中文字幕是没有标点符号的！顿号、书名号、引号等用空格表示。下面我用三段文字作为范例，展示同一段文字在不同模式下的效果。一段是标准的现代新闻语言，一段是古白话， 还有一段是英文的。
现代文：
国营化政策导致了几个后果。
第一，国营事业效率低下，到1947年，从日伪接收过来的2411个工业企业，只有852个实际上恢复了生产。
第二，民间企业家阶层对政府彻底失望。当时最大私营集团控制人荣德生向政府上书，他写道，
我将其按字幕格式进行断句
国营化政策导致了几个后果
第一
国营事业效率低下
到1947年
从日伪接收过来的2411个工业企业
只有852个实际上恢复了生产
第二
民间企业家阶层对政府彻底失望
当时最大私营集团控制人荣德生向政府上书
他写道
古白话： 范进三两步进屋里来，见中间报帖已经升挂起来，上写道：**"捷报贵府老爷范讳进，高中广东乡试第七名'亚元'，京报连登黄甲。"范进不看便罢，看了一遍，又念一遍，自己把两手拍了一下，笑了一声道："噫！好了！我中了！"说著，往后一跤跌倒，牙关咬紧，不醒人事。
我再按照断句功能将其切分成字幕模式：
范进三两步进屋里来
见中间报帖已经升挂起来
上写道
捷报贵府老爷范讳进
高中广东乡试第七名 亚元
京报连登黄甲
范进不看便罢
看了一遍
又念一遍
自己把两手拍了一下
笑了一声道
噫
好了
我中了
说著
往后一跤跌倒
牙关咬紧
不醒人事
再来一段英文的：
We can do even more. By investing in energy innovations, we can build on the progress we’ve made deploying current technology like renewables, which will help accelerate the transition from fossil fuels to a future of reliable and affordable carbon-free electricity.
断句后效果：
We can do even more.
By investing in energy innovations,
we can build on the progress we’ve made deploying current technology like renewables,
which will help accelerate the transition from fossil fuels to a future of reliable and affordable carbon-free electricity.
根据用户的需要我总结了字幕模式一共需要的几个字幕层：
第一层：原始字幕层。这一层主要就是切分断句（中文有时候可以再进一步断词）后的每一行原始字幕
第二层：母语翻译字幕层。根据用户设置的母语，在原始字幕的上或者下，显示将原文翻译成用户母语的翻译字幕。
第三层：罗马注音层。对于不用罗马字拼写的文字，比如汉语、日语、印度各种语言，非母语观众可以打开这个层，辅助阅读原文文本。
第四层：上文层（已读完）。已经读完的层，一般两行字幕，帮助用户回顾已经读过去的内容。
第五层：下文层（准备读）。即将阅读的这一层，一般一行字幕。
第六层：生词提示层。根据用户测试或者设定的词汇等级提示，比某一等级更难的词汇进行提示，简单的词汇不提示翻译意思。中文、日文等可以设置两层：释字层（解释每一个汉字）和释词层（解释每一个词）
除了这六个基本层之外。对于汉语、日语这种没有空格的文字，用户还可以选择是否开启断词功能。也就是切分每个词的功能。
沉浸式阅读模式的背景颜色，各种层次的字体、格式、段落、颜色、文本框位置、进场强调退场动画、特效、音效等，都可以DIY。但是微软应该设计相应的模板。
用户只要设置下面个三选项就可以自动生成相应的模式：
①选择母语；
②选择是否学童；
③选择是否开启某种语言学习模式（开启某种语言学习模式后，遇到这种语言的网页默认采用这种语言进行朗读，并且采用外语学习版式），并选择提示单词等级。
除此之外，中文还分为横版和竖版两种模式，横版适合YouTube等网站，竖版适合于抖音等手机网站。快捷键为：Ctrl SH（sub horizontal）；Ctrl SV（sub vertical）
横版字幕朗读，根据上面设置的不同，按Ctrl SH键之后出现的版式有下面几类：
中文母语者，朗读中文网页版式①（中文读报模式）
中文母语者，用中文朗读外语网页版式②（中文读报模式）
中文母语者，学习英文时，用英文朗读网页的版式③（英文读报模式）
②和③在屏幕右上角有快捷键快速切换模式，或者按快捷键tab直接切换
英文母语者，朗读英文网页的版式④（英文读报模式）省略，参照中文母语者朗读中文网页版式①
英文母语者，用英文朗读中文或其他外语版式⑤（英文读报模式）
英文母语者，学习中文时或者其他外语时，用中文或其他外语朗读网页的版式⑥（洋人学汉模式）
这里需要注意的是，洋人学汉模式有一个非常重要的功能就是断词。因为中文、日文没有空格，洋人学起来需要切分词汇，根据朗读功能的断词切分的词汇自动断词。辅助他们阅读。另外，对于每个词还有默认的翻译和注音，整句也有翻译。
⑤和⑥在屏幕右上角有快捷键快速切换模式，或者按快捷键tab直接切换
学童朗读模式⑦范例：
中文、日文、朝鲜文，应该增加竖排版本⑧（古籍模式），竖排版本适合抖音等手机应用
维吾尔文从右往左书写可横版可竖版，同时应该增加对应的2008标准拉丁转写版
蒙古文从上到下、从左往右竖写，横版竖版即可。
建议八：增加工作模式（后台运行模式）。用户离开网页浏览器做其他工作的时候，合成的语音不停止播放，字幕也不关闭（就像酷我音乐的歌词那种情况）。只显示正在朗读的这一行就可以了。颜色、位置根据环境自然调节，字体、大小不变。
建议九：增加锁屏模式。屏幕保护和锁屏以后以后，黑屏下合成的语音仍不停止播放，字幕也继续显示。这种功能在手机和电脑上最好都有，对于喜欢做别的事情听书的人很有用途。
建议十：自动生成视频。在调节主播、音高、音量、语速、配乐五个要素生成音频的基础上，再如前文所述，设定字体、文本框、格式、段落、动画、背景色等信息，进而可以自动生成视频并导出提供下载。
建议十一：通过语音合成技术，微软可以开设一个属于自己的视频网站和手机APP。主打视频图书、视频文章和CC字幕（关于OCR技术和语音识别技术在视频网站的应用，我将在下一篇文章写到）
最后我想提出一个观念：今后任何一种软件要抢占市场，其功能都是无限扩张的，比如浏览器的基本概念应该有所变化 ，传统浏览器的功能限于“浏览”，其实下一代浏览器的功能不限于浏览，在浏览的下游还有一个功能是导出，我们应该把音视频制作（类比Pr、arctime等）这个重要功能加到“浏览器”里面。同样的，视频制作的下游是视频****网站（类比抖音、bilibili、YouTube、喜马拉雅等），可不可以通过这个功能再拓展到视频网站上面呢？树立“浏览——制作——发布——浏览”的新“浏览器”功能观，一个软件一条龙解决所有问题。如果edge集合浏览器、视频制作、视频网站三大功能于一身，这样的软件就有一种别人别人没有的独特优势，进而占领整个市场。
本文只介绍文本生成音频和视频两个功能，其他的功能以后有时间再写。
在文本到语音之前还有语音到文本的转化（语音识别），将这两者相结合会有更多有意思的效果。我会在下一篇文章中讲到