嵌入式TTS漢語(yǔ)語(yǔ)音系統的設計與實(shí)現

   關(guān)鍵詞：TTS改進(jìn)游程編碼 多重查找表

語(yǔ)言是人與人交流信息的一種手段。使計算機、帶有人機交互的電器、儀表等能像人一樣開(kāi)口“說(shuō)話(huà)”是科技工作者多年的研究目標。文語(yǔ)轉換TTS（Text To Speech）是自動(dòng)將輸入文字轉換成語(yǔ)音輸出，并盡量使輸出的語(yǔ)音效率流暢、自然的一類(lèi)技術(shù)。TTS系統主要需解決兩個(gè)問(wèn)題：①文本分析，即語(yǔ)言學(xué)分析。該任務(wù)是將以文本廣度輸入的字符串轉換成語(yǔ)言學(xué)的表述；②語(yǔ)音合成。即根據語(yǔ)言學(xué)的內在表述信息合成語(yǔ)音。TTS系統中的語(yǔ)音合成方法分為時(shí)域和頻域兩大類(lèi)：頻域方法主要有LPC參數合成及其振峰合成兩種，其實(shí)質(zhì)是在工程上實(shí)現語(yǔ)音生成模型，進(jìn)而在終端特性上模擬發(fā)音器官。在目前階段，頻域方法形成的發(fā)音尚不自然，且需要的計算量很大，不適宜在低端的嵌入式芯片上使用。波形編輯法是將較短的數字音頻段（即合成基元）拼接并進(jìn)行段音平滑后生成連續語(yǔ)流的方法。這種方法占用的存儲空間大，但計算量小、計算速度快，而且合成語(yǔ)音自然度較高，顯然比較適合于芯片性能較弱的嵌入式系統方面的應用。



    采用波形編輯法的嵌入式TTS系統由于成本低、性能完善、自然度高，隨著(zhù)波形修改算法的不斷提出以及微處理器和非易失性存儲介質(zhì)功能的不斷增強，正日益受到人們的關(guān)注。本系統即采用時(shí)域波形編輯技術(shù)，采集GB2312漢字編碼字符集中所有字符發(fā)音作為原始材料，通過(guò)使用改進(jìn)的游程編碼算法壓縮生成可適用于當前Flash存儲器的語(yǔ)音庫，并采用多重查找表設計及預存儲命令字技術(shù)有效地加快語(yǔ)音庫的尋址速度，在基于A(yíng)tmel公司的AT89S52單片機上成功實(shí)現了一個(gè)TTS語(yǔ)音系統，經(jīng)測試取得了令人滿(mǎn)意的效果。該系統應用簡(jiǎn)便，具有很小的尺寸和很低的功耗及通用的串行接口，可以廣泛用于有關(guān)的漢語(yǔ)語(yǔ)音應用系統中。

1 系統原理

圖1為系統原理圖框圖以及主要操作流程。系統采用串行口與外界交互，任何具有標準串口的設備均可與本系統相連。欲發(fā)音漢字的國標碼（GB碼）由串口送入MCU，MCU將其映射為Flash存儲器地址表中對應項的地址，然后根據此地址取得對應項中的命令字，由MCU根據該命令字讀取該漢字發(fā)音對應的語(yǔ)音數據，連續讀出語(yǔ)音數據并以游程碼解碼算法解碼后，按照語(yǔ)音采樣時(shí)的固定速率通過(guò)D/A轉換和功率放大播放。本文中語(yǔ)音采樣速率為11025B/s。為滿(mǎn)足應用需求，本文首先構建易于快速解碼的語(yǔ)音庫，根據特定Flash存儲器的存儲格式，以快速多查找表尋址及命令字預先存儲的方式組織并存儲在Flash存儲器中，以滿(mǎn)足語(yǔ)音播放的實(shí)時(shí)要求。同樣，MCU的代碼也要優(yōu)先考慮速度而犧牲諸如模塊化、可讀性方面的要求。最后，出于實(shí)用性考慮，系統中需加入足夠的輸入緩沖區支持，以滿(mǎn)足一次輸入多個(gè)流字或整句的要求。

2 原始語(yǔ)音數據的采集和處理

本系統共采集了1335種發(fā)音，內含1306個(gè)流字發(fā)音，26個(gè)英文字母發(fā)音及3個(gè)停頓音，語(yǔ)音采集卡AD轉換整編11025B/s，分辨率8位，樣本值域0～255，靜默值為80H。原始語(yǔ)音以WAV文件的格式保存在PC機中。

圖2

    圖2是“哎”音樣本的時(shí)域波形。所有的采集樣本除具有不同的波形包絡(luò )外，均具有大體相同的結構，即一個(gè)完整的漢字發(fā)音均由前后兩個(gè)靜音部分和中間的發(fā)音部分組成。靜音的采集值絕大多數為80H（一些輕微擾動(dòng)可視為錄音過(guò)程中的噪聲，但尾音部分要另外處理），因而可將其統一為80H，以提高壓縮比。另由圖2可見(jiàn)，00H、01H、FFH、FEH這些邊緣值的出現概率是很小的，這個(gè)特性亦可用于語(yǔ)音的壓縮算法中。

本文根據上述靜默值及邊緣值的分布特點(diǎn)，提出了一種改進(jìn)的游程編碼用于語(yǔ)音數據的壓縮，具體做法是：用00H代表游程壓縮起始碼，其后是被編碼字符，再下一個(gè)字節是被編碼字符的重復碼，如：80 80 80 80 80可以表示為00 80 05。顯然，游程長(cháng)度小于等于3時(shí)沒(méi)有編碼的必要，因而不會(huì )出現值為00H、01H和02H的重復碼。如上所述，在原始語(yǔ)音文件中，00H、01H這些邊緣值是基本上不出現的。因為大量出現這些邊緣值即意味著(zhù)語(yǔ)音采集系統的動(dòng)態(tài)范圍設置錯誤。盡管如此，為確保原始語(yǔ)音文件中沒(méi)有“多余”邊緣值，需要將語(yǔ)音文件略做處理，將可能存在的00H和01H都改為02H，顯然這樣的處理并不會(huì )影響語(yǔ)音的實(shí)際播放效果。處理后的00H、01H即可作為特殊控制字符使用。圖3是本文提出的改進(jìn)流程壓縮編碼的流程圖。編碼前，1335種原始語(yǔ)音樣本的大小為14978622字節，壓縮后為7767112字節，壓縮比超過(guò)50%。該語(yǔ)音庫已經(jīng)可以裝入容量為8M字節的Flash存儲器中。

3 語(yǔ)音庫的存儲結構

本文以8Mbit