它会获取一个文本并简化它到一个小的token集合，以便后面可以用它们作为声音来播放并构建一个“说话”的效果。目前我自己编写了12种声音，包括僵尸、苍蝇、机器人等，还有为什么不编写一个打字键盘呢，如果需要的话。语言定义（目前20种）提供了更好的token化映射，并且也可以使用语法来在播放一个东西的同时显示另一个东西，特别适用于中文、印地语等特殊字符。添加一个新的声音相对容易，只需要录制68个token。