嵌入式TTS漢語語音系統(tǒng)的設計與實現(xiàn)

   關鍵詞：TTS改進游程編碼 多重查找表

語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口“說話”是科技工作者多年的研究目標。文語轉換TTS（Text To Speech）是自動將輸入文字轉換成語音輸出，并盡量使輸出的語音效率流暢、自然的一類技術。TTS系統(tǒng)主要需解決兩個問題：①文本分析，即語言學分析。該任務是將以文本廣度輸入的字符串轉換成語言學的表述；②語音合成。即根據(jù)語言學的內在表述信息合成語音。TTS系統(tǒng)中的語音合成方法分為時域和頻域兩大類：頻域方法主要有LPC參數(shù)合成及其振峰合成兩種，其實質是在工程上實現(xiàn)語音生成模型，進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(shù)字音頻段（即合成基元）拼接并進行段音平滑后生成連續(xù)語流的方法。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(tǒng)方面的應用。



    采用波形編輯法的嵌入式TTS系統(tǒng)由于成本低、性能完善、自然度高，隨著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功能的不斷增強，正日益受到人們的關注。本系統(tǒng)即采用時域波形編輯技術，采集GB2312漢字編碼字符集中所有字符發(fā)音作為原始材料，通過使用改進的游程編碼算法壓縮生成可適用于當前Flash存儲器的語音庫，并采用多重查找表設計及預存儲命令字技術有效地加快語音庫的尋址速度，在基于Atmel公司的AT89S52單片機上成功實現(xiàn)了一個TTS語音系統(tǒng)，經(jīng)測試取得了令人滿意的效果。該系統(tǒng)應用簡便，具有很小的尺寸和很低的功耗及通用的串行接口，可以廣泛用于有關的漢語語音應用系統(tǒng)中。

1 系統(tǒng)原理

圖1為系統(tǒng)原理圖框圖以及主要操作流程。系統(tǒng)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(tǒng)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(jù)此地址取得對應項中的命令字，由MCU根據(jù)該命令字讀取該漢字發(fā)音對應的語音數(shù)據(jù)，連續(xù)讀出語音數(shù)據(jù)并以游程碼解碼算法解碼后，按照語音采樣時的固定速率通過D/A轉換和功率放大播放。本文中語音采樣速率為11025B/s。為滿足應用需求，本文首先構建易于快速解碼的語音庫，根據(jù)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，以滿足語音播放的實時要求。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，出于實用性考慮，系統(tǒng)中需加入足夠的輸入緩沖區(qū)支持，以滿足一次輸入多個流字或整句的要求。

2 原始語音數(shù)據(jù)的采集和處理

本系統(tǒng)共采集了1335種發(fā)音，內含1306個流字發(fā)音，26個英文字母發(fā)音及3個停頓音，語音采集卡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”音樣本的時域波形。所有的采集樣本除具有不同的波形包絡外，均具有大體相同的結構，即一個完整的漢字發(fā)音均由前后兩個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(shù)為80H（一些輕微擾動可視為錄音過程中的噪聲，但尾音部分要另外處理），因而可將其統(tǒng)一為80H，以提高壓縮比。另由圖2可見，00H、01H、FFH、FEH這些邊緣值的出現(xiàn)概率是很小的，這個特性亦可用于語音的壓縮算法中。

本文根據(jù)上述靜默值及邊緣值的分布特點，提出了一種改進的游程編碼用于語音數(shù)據(jù)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，再下一個字節(jié)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，游程長度小于等于3時沒有編碼的必要，因而不會出現(xiàn)值為00H、01H和02H的重復碼。如上所述，在原始語音文件中，00H、01H這些邊緣值是基本上不出現(xiàn)的。因為大量出現(xiàn)這些邊緣值即意味著語音采集系統(tǒng)的動態(tài)范圍設置錯誤。盡管如此，為確保原始語音文件中沒有“多余”邊緣值，需要將語音文件略做處理，將可能存在的00H和01H都改為02H，顯然這樣的處理并不會影響語音的實際播放效果。處理后的00H、01H即可作為特殊控制字符使用。圖3是本文提出的改進流程壓縮編碼的流程圖。編碼前，1335種原始語音樣本的大小為14978622字節(jié)，壓縮后為7767112字節(jié)，壓縮比超過50%。該語音庫已經(jīng)可以裝入容量為8M字節(jié)的Flash存儲器中。

3 語音庫的存儲結構

本文以8Mbit