Unity实现文字转语音并且与人物模型口型同步

---

前言

提示：这里可以添加本文要记录的大概内容：

今天我们用Unity实现文字转语音并且与人物模型口型同步，要实现这个功能，我们需要用到两个插件：语音口型同步“OVRLipSync”和文字转语音“RTVoice”。

---

一、插件介绍

RTVoice：
离线文字转语音
• 支持所有构建平台！
• 适合于 Windows、macOS、Android 和 iOS 的原生提供程序
将文本转换为语音
• 即时从文本转换到语音 — 在运行时即可生成！
• 连带作用：连续的音频生成可节省大量内存！
• 在游戏的测试阶段无需配音演员！
• 按姓名、文化和/或性别筛选语音
• 一次可以发出多种声音（例如，公共场所中很多人同时讲话的场景）
• 通过语速、音调和音量微调你的声音！
• 支持 SSML 和 EmotionML！
• 在 Windows 和 iOS 上提供最新的单词、唇形和音素 — 包括标记！
• 生成的音频可以存储为文件在 Unity 中反复使用！
• 单个 AudioSource 匹配 1-infinite 同步发音人！
• 简单的顺序和对话系统
• 不降低性能！
OVRLipSync：
语音来源，顾名思义就是语音的来源，一般有两种，一是真人配音，语音自由度最大，真实度最好。另一个是通过语音合成技术（Text To Speech，简称TTS），在时间、空间以及实现成本上有很大优势。在语音驱动人脸动画领域，有一个重要的步骤——获取基于时间轴的音素序列，真人配音很难直接获取准确的基于时间轴的音素序列，通过TTS技术产生语音序列的同时获得序列相对来说很容易。

识别与动画关键帧匹配。识别是指在语音波段中识别音素，所谓音素是构成音节的最小单位，又或者说是最小语音片段，以汉语为例，每个独立的声母，单韵母都是一个独立的音素，普通话中声母有23个，单韵母有10个，鼻辅音2个，在英文中有20个元音和28个辅音，地位同汉语中声韵母相