|
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Atmel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×8位NAND型Flash存儲器K9F6408U0B為例，描述本系統語(yǔ)音庫的存儲結構。 語(yǔ)音庫的基本內容分為兩部分：前端是地址查找表，其后是壓縮后的語(yǔ)音數據。地址表中，每4個(gè)字節代表一個(gè)地址項。GB2312漢字編碼字符集中每個(gè)漢字在地址表中都有一個(gè)對應項，其內容指向該漢字對應讀音的語(yǔ)音數據起始地址。GB碼字符集中共有94個(gè)區，每區94個(gè)字符，總計8836個(gè)漢字、英文字母和其它符號，其中實(shí)際使用了7445個(gè)，余下的作為預留區。本系統亦保留了這些預留區，以利于將來(lái)的擴充。這樣，地址表的大小為94×94×4=35344字節。語(yǔ)音數據區共存儲1335年發(fā)音，采用流程編碼壓縮存放，并在每段語(yǔ)音數據結尾添加01H作為結束控制符。 對不同的Flash存儲器，語(yǔ)音庫需做一些針對性的處理。對于K9F6408U0B而言，要對其C區進(jìn)行專(zhuān)門(mén)的處理。該芯片中，每個(gè)頁(yè)面（Page）都有A、B、C三個(gè)區，其中A、B區各256字節，而C區僅有16字節。本設計中沒(méi)有用到C區，因而在制作寫(xiě)入Flash的二進(jìn)制政府間庫文件時(shí)必須注意對C區進(jìn)行空白碼（FFH）填充�？紤]C區填充后，地址表對應的二進(jìn)制語(yǔ)音庫文件大小的計算方法改為：512×69+16=35344，表示當35344字節只占據A區和B區時(shí)共需69個(gè)頁(yè)面，多出16字節。這意味著(zhù)有69個(gè)C區需要填充，即寫(xiě)入Flash的地址表的實(shí)際大小應該是35344+69×16=36448。相應地，語(yǔ)音數據區需要進(jìn)行同樣的處理。 在PC上制作寫(xiě)入的Flash的數據文件時(shí)，首先將地址表放在最前面，其后將壓縮后的語(yǔ)音文件逐一寫(xiě)入，并將每個(gè)文件的起始地址轉換成對Flash存儲器操作的命令字寫(xiě)入地址表相應項中，每寫(xiě)完一個(gè)文件要加上01H結束碼，并在寫(xiě)入過(guò)程中完成對C區的填充。在綜合完1335個(gè)語(yǔ)音文件、地址查找表、C區填充碼及文件結束碼之后，得到Flash存儲器的二進(jìn)制映像文件，其大小為8047776字節。寫(xiě)入后，Flash中尚余后333KB可用空間，聯(lián)合地址表中的預留項，可用于對系統語(yǔ)音庫做進(jìn)一步的擴充。上述語(yǔ)音庫的存儲結構見(jiàn)圖4。 4 碼字轉換及高效MCU代碼的實(shí)現 本文中的碼字轉換有兩類(lèi)。一類(lèi)GB碼到語(yǔ)音庫起始字節數的轉換，用于MCU收到串口輸入的GB碼后，確定相應讀音在地線(xiàn)表中對應項的起始地址。該類(lèi)碼字轉換主要依據GB2312標準及語(yǔ)音庫地址表的結構進(jìn)行。本文中，該碼制轉換的算法為：（（GB碼高字節-161）×94+（GB）碼低字節-161））×4。另一類(lèi)是將上述地址轉換為Flash讀取數據的命令字。這類(lèi)轉換與語(yǔ)音庫存儲結構及所用Flash存儲器的讀寫(xiě)操作及時(shí)序相關(guān)。由于在語(yǔ)音庫生成時(shí)已由PC機將語(yǔ)音數據的起始地址轉換為操作命令字并存儲到了地址表對應項中，即大部分的計算及時(shí)序控制操作在使用PC制作Flash的二進(jìn)制映像文件時(shí)已經(jīng)完成，因而避免了系統運行中的大量計算，從而保證了語(yǔ)音播放的實(shí)時(shí)性。計算命令字的方法與具體的Flash存儲器型號相關(guān)且較為繁瑣。限于篇幅，本文不再給出具體的算法。有興趣的讀者可以參閱K9F6408U0B的數據表。 本文中的MCU型號為AT89S52，使用22.1484MHz的晶振。根據AT89S52數據表，每播放一個(gè)漢字，所需指令周期數為（1/11025）/（12/22.1184）=167.2。因此設置一個(gè)計時(shí)器中斷，中斷值為256-167=89，在每?jì)蓚�(gè)中斷之間完成如下工作： （1） 從緩沖區中取得GB碼并將之轉換為地址表對應項地址； （2） 從地址表對應項中取得對應語(yǔ)音數據區存儲地址； （3） 取得對應語(yǔ)音數據區數據； （4） 完成游程解碼并播放。 此外，由于完成有可能在語(yǔ)音播放過(guò)程收以輸入字符，因而串口亦應工作于中斷方式，串口波特率為9600bps，其優(yōu)先級高于定時(shí)器中斷。本系統中，此緩沖區能滿(mǎn)足使用都 量多一次輸入60個(gè)漢字。以上操作均在約168個(gè)指令周期中完成，大約相當84條雙周期指令。因而在代碼編寫(xiě)中，必須把代碼效率放在第一位，靈活地運用編程技巧來(lái)完成。 本文給出了一種嵌入式TTS漢語(yǔ)語(yǔ)音系統的實(shí)現方案。由于采用了易于解碼的改進(jìn)游程算法、多重查找表及Flash存儲器操作命令這了的預先存儲技術(shù)，使得該方案可以在羅低要求的硬件平臺上實(shí)現，以AT89S52 MCU為核心的嵌入式TTS系統不同于基于PC的TTS語(yǔ)音系統，該系統體積小、功耗低、成本低廉、適用范圍很廣。經(jīng)測試其語(yǔ)音清晰、連貫，可發(fā)音字節涵蓋GB碼所有漢字、26個(gè)英文字節，一次可輸入多達60個(gè)漢字的整句，足以滿(mǎn)足大部分應用場(chǎng)合的需要。如以高檔MCU或ARM處理器為平臺，還可以增加更多的算法，以進(jìn)一步改進(jìn)系統性能。 |
