【文章內(nèi)容簡介】 計劃，國家自然科學基金委，國家攻關計劃，中國科學院有關項目等支持下，漢語文語轉換系統(tǒng)研究近年來取得了令人舉目的進展，其中不乏成功的例子：如中國科學院聲學 所的 KXPSOLA（ 1993） ,聯(lián)想佳音 （ 1995） ， 清華大學的 TH_SPEECH(1993)，中國科技大學的 KDTALK（ 1995） 等系統(tǒng)。這些系統(tǒng)基本上都是采用基于 PSOLA 方法的時域波形拼接技術，其合成漢語普通話的可懂度、清晰度達到了很高的水平。然而同國外其它語種的文語轉換系統(tǒng)一樣，這些系統(tǒng)合成的句子及篇章語音機器味較濃，其自然度還不能達到用戶可廣泛接受的程度，從而制約了這項技術的大規(guī)模進入市場。 1998 年中國科技大學在國家 863 計劃和國家自然科學基金委支持下，研制成功KD863 漢語文語轉換系 統(tǒng)。和采用國內(nèi)外流行的 PSOLA 技術的系統(tǒng)相比，在輸出語音的音質和自然度上有了突破性的提高。 KD863 采用了一種全新的基于語音數(shù)據(jù)庫的語音合成方法，該技術的基本思想是將實際語流中漢語音節(jié)千變?nèi)f化的音變進行聽感上的量化歸并，設計出多樣本的漢語語音基元庫，這個庫蘊涵了漢語韻律變化信息，合成時只要通過對基元庫樣本的選取便可實現(xiàn)韻律控制。同時語音基元庫中的樣本是直接從自然語音中截取，避免了采用信號處理技術獲取音變單元對音質的損害，因而合成語音具有接近自然語音的音質。 KD863 文語轉換系統(tǒng)一經(jīng)推出，就因其合成語音 的高清晰度與高自然度引起了社會各方的重視。先后應用于為深圳華為技術公司設計的“ 114 自動電話報號系統(tǒng)” 和國家工商總局設計的“工商企業(yè)語音（傳真）查詢系統(tǒng)”。使得漢語語音合成技術走出實驗室，向市場應用邁出了重要的一步。KD863 系統(tǒng)參加了在 1998 年 4 月國家科委組織的全國漢語語音合成系統(tǒng)的性能評測，其輸出語音的自然度居同類系統(tǒng)之首，是唯一達到用戶可以接受程度的系統(tǒng)。KD863 還在日本、新加坡、 香港的有關研究所和大學進行過演示，均得到了有關方面專家的認同。最近中國科技大學又推出了 KD2020 漢語文語轉換系 統(tǒng)，不僅在語音合成技術方面有進一步的發(fā)展，特別是在文本預處理中圍繞層次化結構思想，運用大量的統(tǒng)計和規(guī)則的方法，較好地解決了三個大的處理環(huán)節(jié)：特殊符號處理，分詞處理和拼接處理，使得漢語文語轉換系統(tǒng)的整體性能有很大提高。以 KD2020 文語轉換為核心的“暢言 2020”智能漢語平臺軟件已開始進入市場。 語音合成發(fā)展方向 提高合成語音的自然度 西南科技大學本科生畢業(yè)論文 3 提高合成語音的自然度仍然是高性能文語轉換的當務之急。就漢語語音合成來說，目前在單字和詞組一級上，合成語音的可懂度和自然度已基本解決，但是到句子乃至篇章一級時 其自然度問題就比較大。 基于語音數(shù)據(jù)庫的語音合成方法有望進一步提高語音合成的自然度。因為這是一種采用自然語音波形直接拼接的方法，進行拼接的語音單元是從一個預先錄下的自然語音數(shù)據(jù)庫中挑選出來的，因此有可能最大限度地保留語音的自然度。但由此產(chǎn)生了一系列新的需要研究的問題，包括：如何確定語音合成的基元，根據(jù)什么準則去挑選合適的基元；韻律參數(shù)定量化問題，對數(shù)據(jù)庫進行定標問題；以及如何將統(tǒng)計的方法和規(guī)則方法相結合使機器能自動發(fā)現(xiàn)和找出所需的語音單元，保證最高的合成語句自然度等等。 無論用哪種合成方法，韻律規(guī)則的總結， 特別是連續(xù)語音的韻律規(guī)則總結，盡可能將定性的規(guī)則描述定量化，對自然度始終有最重要的影響。還有前端文本處理 ,對合成語音的自然度也具有舉足輕重的影響 ,完整全面的解決 ,需要自然語言理解的突破。 豐富合成語音的表現(xiàn)力 目前國內(nèi)外大多數(shù)語音合成研究是針對文語轉換系統(tǒng)，且只能解決以某種朗讀風格將書面語言轉換成口語輸出，缺乏不同年齡、性別特征及語氣、語速的表現(xiàn)，更不用說賦予個人的感情色彩。隨著信息社會的需求發(fā)展，對人機交互提出了更高的要求，人機口語對話系統(tǒng)的研究也提到了日程上。即語音合成研究已開始從文字到語音的轉換階 段向概念到語音的轉換階段發(fā)展。這不僅對語音合成技術提出了更高的要求，而且涉及到計算機語言生成，涉及人類大腦的高級神經(jīng)活動。但就語音合成來說，仍是一個要豐富合成語音的表現(xiàn)力問題。相對來說采用波形拼接方法來增強合成語音表現(xiàn)力比較困難，盡管也可以通過增加音庫容量和音庫個數(shù)來達到改變合成語音的特性，但畢竟它對韻律的控制能力非常有限。更為有效的辦法是采用參數(shù)合成法，分析參數(shù)特征，通過對相關參數(shù)的調(diào)整來實現(xiàn)對年齡、性別特征的改變，進一步實現(xiàn)語氣、語調(diào)的變化，由于這種改變是連續(xù)的，對象特征可以千千萬萬，顯得更有生命力。近 年來提出的基于 LMA（ 對數(shù)振幅近似）技術的語音合成器， Hybrid Harmonic/Stochastic 模型， Sinusoidal 模型等已被證實是一些新穎的能合成出高質量語音的參數(shù)合成方法，為此應繼續(xù)深入這方面的研究，以期在參數(shù)合成技術上取得突破。 西南科技大學本科生畢業(yè)論文 4 降低語音合成技術的復雜度 語音合成技術正在走向市場。為了適應社會的需求，擴大文語合成的應用場合，除了解決好上面兩個問題，提高合成語音的質量和增強語音合成的表現(xiàn)力以外，在其他實用化方面也有要加以改進的地方。就目前漢語文語轉換系統(tǒng)而言，減小音庫容量就是一個重 要課題。目前高質量的漢語文語轉換系統(tǒng)一般需要幾兆字節(jié)到幾十兆，甚至幾百兆字節(jié)的存儲容量，這在以 PC 機或工作站為硬件平臺的應用中是沒有問題的，而對于 像 HPC， PDA 及無線通信手機，商務通等資源有限的設備上就沒法承受。解決的方法可以是通過語音壓縮編碼的方法來壓縮音庫所需的容量，或者采用更小的合成基元，例如用聲母、韻母或雙音素、半音節(jié)，以及減少合成語音所需的音節(jié)基元數(shù)等等。然而又不能增加算法的復雜度，因為運算量及系統(tǒng)開銷同樣會直接影響漢語語音合成的應用。既要提高語音合成的質量，又要降低語音合成的復雜度，這始終是一個矛盾的兩個方面。 多語種文語合成 語言是人們交流的工具，不同民族有自己不同的語言，不同語言之間的交流在今天開放的信息社會和網(wǎng)絡時代顯得十分重要，多語種的文語合成有著獨特的應用價值。例如在自動電話翻譯，有聲的電子郵件等中都提出多語種的合成，即使是對漢語合成也有多方言文語轉換的需求。理想的多語種合成系統(tǒng)最好是各種語言共用一種合成算法或語音合成器，但是現(xiàn)有的語音合成系統(tǒng)大多是針對某一種語言或若干種語言開發(fā)出來的，所采用的算法及規(guī)則都是和某種語言密切相關的，因此很難推廣到其他的語種。例如漢語就和西方語言有很大 的差異，國內(nèi)的系統(tǒng)都是做漢語文語轉換，它的一套韻律控制規(guī)則完全不適合于英語，而且主要是合成漢語普通話，即使推廣到廣東話和上海話都有相當?shù)碾y度?？梢娨嬲鉀Q多語種的文語合成，從文本處理到語音合成都必須有新的思路。美國貝爾實驗室在多語種文語轉換方面作了大量的工作，其中包括漢語普通話合成，值得注意。 計算機要真正能夠象人一樣的說話，和人類自由地進行交談，這仍然是需假以時日，還有大量的研究工作要去做；今天的文語轉換系統(tǒng)只能機械地朗讀文章，與生動活潑、感情豐富多彩的人類語言相比差距是如此之大；但是毋庸置疑，語音合成 技術確實已經(jīng)可以走出實驗室了，其潛在的巨大市場已露出曙光。 西南科技大學本科生畢業(yè)論文 5 課題來源 及意義 本課題具有很強的 生產(chǎn)實踐意義， FPGA 在未來的語音信號合成 技術 發(fā)展中將 扮演重要角色 。 FPGA 的應用 對于提高合成語音的自然度，豐富合成語音的表現(xiàn)力，降低語音合成技術的復雜度，多語種文語合成 等具有重要的 意義。 現(xiàn)階段語音合成技術主要應用在 基于 PC 的辦公、教學和 樂等多媒體軟件 ， 聲訊服務領 域的智能電話查詢，包括：股市查詢、工商信息電話查詢、電話銀行等 、民航保單查詢系統(tǒng) 等。語音合成系統(tǒng)是一 單向系統(tǒng)，即計算機到人。由于受到傳統(tǒng)專用芯片的 影響，對于達到完 美的人機智能對話（語音合成和語音識別）還有一定差距。這更突出 了 將來 FPGA 在語音合成方面的重要地位及意義。 通過這一課題的研究 可以 學習 掌握 MATLAB、 DSP Builder 工具 進行系統(tǒng) 設計； 掌握 數(shù) 字系統(tǒng) 設計的基本方法 和 FPGA/IC 設計流 程 。 對數(shù)字語音信號處理有更 深刻的認識 。 論文主要內(nèi)容 第一章為緒論 ，介紹了語音合成技術的現(xiàn)狀、 發(fā)展方向以及課題來源 意義 ； 第二章介紹語音合成技術的相關 基礎 理論知識 以及語音產(chǎn)生的過程； 第三章介紹線性預測 合成技術 以及選擇格型合成濾波器的理由 ； 第四章 介紹 基于模型設計方法的 DSP Builder 工具 ； 第五章介紹語音合成系統(tǒng)的實現(xiàn) ，對格型合成濾波器原理做分析 ， 詳述了反射系數(shù)的推導，以及時變?yōu)V波器 模塊 和激勵 發(fā)生器 模塊的設計過程 。 西南科技大學本科生畢業(yè)論文 6 第 2 章 語音合成技術的基礎理論 語音的基本概念 音素和音節(jié) 說話的時候，很自然地一次發(fā)出來的、有一個響亮的中心的、聽的時候也很自然地感到是一個小的語音片段的，稱為音節(jié)。音節(jié)是由音素結合而構成的語音流最小單位，是發(fā)聲的最小單位。音素是語音的最小、最基本的組成單位；音素都有其獨立的各種不相同的發(fā)音方法和發(fā)音部位， 它是 使聽者能區(qū)別一個單詞和另一個單詞的聲音的基礎。一個音節(jié)可以由一個音素構成，也可以由多個音素構成。實際上，各種音素組合而 構成語音時的連接方法有 幾種限制，并不是所有的組合都存在。因此，一種語言中所用的音節(jié)數(shù)，遠少于音素的組合數(shù)。詞是由音節(jié)結合而成的更大單位， 單詞簡稱詞，它是文章的基礎，是有意義的語言的最小單位 。 輔音和元音 任何語言的語音都有元音和輔音兩種音素。一個音節(jié)由元音和輔音構成。元音是由聲帶振動發(fā)出的聲音，構成了一個音節(jié)的主干，無論從長度看還是從能量看，元音在音節(jié)中都占有主要部分。每個元音的特點是由 聲道的形狀和尺寸決定的。所有元音都是濁音。 由聲帶振動產(chǎn)生的音稱為濁音。 輔音是由呼出的氣流克服發(fā)音器官的阻礙而產(chǎn)生的。發(fā)輔音時如果聲帶不振動，則稱為清 輔 音；發(fā)輔音時如果聲帶振動，則稱為濁輔音，它是樂音和清音的混合音。 在已知語言 中元音 有少至 2 個 多至 12 個，輔音從 10 個至 70 多個。而音節(jié)的定義不一定明確，但是一個音節(jié)可以是 1 個元音和1~2 個輔音組合。 重音、 聲調(diào)和語調(diào) 重音、聲調(diào)和語調(diào)也是構成語言學的一部分，它們或是用來表示一句話中重要的單詞，或者用來表示疑問句，或者用來表示說話人的感情。重音和語調(diào)是一種附加 的信息，其中 詞的重 音是西方語言如英語的一個重要特點，而語調(diào)實際上時講話聲音的調(diào)節(jié)，它決定于諸多因素，如語氣、環(huán)境、討論的話題等。語音中還有一個問題是同音異義詞，它是指有相同的語音但是有兩個或更多的不同意義。如漢語中的“語”、西南科技大學本科生畢業(yè)論文 7 “與”、“雨”，英語中的“ site”、“ sight”、“ cite”等就是同音異義詞。語音出了上述一些特點外，還存在所謂超語音學特點，如低語表示秘密、高聲說話表示憤怒等。 聲調(diào) 是漢語語音的一個重要特點，它是 指整個音節(jié)的高低升降的變化，音高的變化決定了聲調(diào)的性質。漢語的聲調(diào)可以區(qū)分意義。聲調(diào)包 括調(diào)值和調(diào)類兩個方面。 音位 音位是一個具體的語音系統(tǒng)中能夠區(qū)別意義的最小的語音單位。其特點如下：音位是屬于一個具體的語言的，如漢語音位不同于英語的音位。沒有超語言的音位，這也是音位區(qū)別于音素的根本所在 。 音位能區(qū)別意義， bān（班）和 pān（潘）意義不同，就是因為 /b/和 /p/有區(qū)別意義的作用。音位是最小的單位，如 h225。n(韓 )和 n225。n(南 )能區(qū)別意義，但它們不是最小的單位，不屬于音位。而 /h/和 /n/的對立也能起到區(qū)別意義的作用，它們不能再分割，是最小的單位，屬于音位。 普通話的音位可以分為 以下三類 ： 從 元音中歸納出來的音位叫元音音位；從輔音中歸納出來的音位叫輔音音位； 從聲調(diào)中歸納出來的音位叫聲調(diào)音位，簡稱調(diào)位。漢語普通話中有四個調(diào)位 ： 陰平、 陽平、上聲、去聲。其中元音音位和輔音音位是從音質角度歸納出來的， 稱為音質音位。而聲調(diào)音位是從音高這種非音質角度歸納出來的，稱為非音質音位。非音質音位也叫超音段音位。從音長和音強角度分析出來的音位，也屬于非音質音位。 語音產(chǎn)生的過程 發(fā)音器官介紹 聲音是一種波， 能被人耳聽到，它的振動頻率在 20~20200Hz 之間。自然界中包含各種各樣的聲音，如風聲 、雷聲、雨聲、機械發(fā)出的聲音，樂器發(fā)出的聲音等。而語音是聲音的一種，它是人的發(fā)音器官發(fā)出的、具有一定語法和意義的聲音。語音的振動頻率最高可達 15000Hz 左右。 人類生成語音過程的第一階段是決定想傳給對方的內(nèi)容是什么，然后將內(nèi)容轉換為語言的形式。選擇表現(xiàn)其內(nèi)容的適當語句，將其按文法規(guī)則排列，便能構成語言的形式。由大腦對發(fā)音器官發(fā)出運動神經(jīng)指令，發(fā)音器官各種肌肉運動，振動空氣而形成語音波。這個過程可分為神經(jīng)和肌肉的生理學階段和產(chǎn)生語音波、傳遞語音波的物理階段。 西南科技大學本科生畢業(yè)論文 8 人類的語音是由人體發(fā)音器官在大腦控制下的生理運動 產(chǎn)生的。人的發(fā)音器官包括肺、氣管、喉（包括聲帶）、咽、鼻和口等 。 這些器官共同形成一條形狀復雜的管道，其中喉以上的部分稱為聲道，隨著發(fā)出聲音的不同其形狀是變化的；而喉的部分稱為聲門。在發(fā)音器官中，肺和氣管是整個系統(tǒng)的能源，喉是主要的聲音生成機構，而聲道則對生成的聲音進行調(diào)制。 產(chǎn)生語音的能量，來源于正常呼吸時肺部呼出的穩(wěn)定氣流，喉部的聲帶既是閥門，又是 振動部件。在說話的時候，聲門處氣流沖擊聲帶產(chǎn)生振動，然后通過聲道 響應變成語音。由于發(fā)不同的音時，聲道的形狀不同，所以聽到不同的聲音。 喉部的聲帶是對發(fā)音影響很大 的器官。聲帶的聲學功能為語音提供主要的激勵源：由聲帶振動產(chǎn)生語音，是形成語音的基本聲源 。呼吸時左右兩聲帶打開，講話時聲帶合攏起來。兩聲帶之間的部位也稱聲門。講話時聲帶合攏因而受聲門下氣流的沖擊而張開；但由于 聲帶 韌性迅速地閉合，隨后又張開而閉合??。聲帶開啟和閉合使氣流形成一系列脈沖。每開啟和閉合一次的時間即振動周期 稱為音調(diào)周期或基音周期，其倒數(shù)稱為基音頻率，也簡稱基頻?；纛l率取決于聲帶的尺寸和特性，也決定于它所受的張力。聲帶振動的頻率 即基頻決定了聲音頻率的高低，頻率快則音調(diào)高，頻率慢則音調(diào)低。基音的范圍約 為 80~500Hz 左右，它隨發(fā)音人的性別、年齡、及具體情況而定，老年男性偏低，小孩和青年女性偏高。 聲道是聲門至嘴唇的所有器官 由咽、口腔和鼻腔組成，它是一根從聲門延伸至口唇的非均勻截面的聲管，其外形變化是時間的函數(shù)，發(fā)不同音時其形狀變化是非常復雜的。成年男子聲道的平均長度約為 17cm，而聲道的截面積取決于其他發(fā)音器官的位置，它可以從零（完全閉合）變化到 20cm2。在產(chǎn)生聲音的過程中，聲道的非均勻截面又是在隨著時間不斷地變化。 聲道是氣流自聲門聲帶之后最重要的、對發(fā)音起決定性作用的器官。 語音產(chǎn)生 的過程 空氣從肺部排除形成氣流。空氣通過聲帶時，如果聲帶是繃緊的，則聲帶將產(chǎn)生張弛振動，即聲帶周期性地開啟和閉合 。聲帶開啟時，空氣流從聲門噴射出來，形成一個脈沖；聲帶閉合時相當 于脈沖序列的間隙期。因此，這種情況下在聲門處產(chǎn)生一個準周期性脈沖序列的空氣流，該空氣流經(jīng)過聲道后最終從嘴唇輻射出聲波，這便是“濁音”語音。如果聲帶是完全舒展開來，則肺部發(fā)出的空氣流將不受影響地通過聲西南科技大學本科生畢業(yè)論文 9 門。空氣流通過聲門后，會遇到兩種不同的情況：一種情況是，如果聲道的某個部位發(fā)出了收縮而形成的狹窄的通道，但空氣流到達此處時被迫以高速沖過收 縮區(qū)，并在附近產(chǎn)生出空氣的湍流，這種湍流通過聲道后便形成“摩擦音”或“清音” ；另一種情況是，如果聲道 的某個部位完全閉合在一起，當空 氣流到達時便在此處建立空氣壓力，一旦閉合點突然開啟便會讓氣壓快速 釋放，經(jīng)過聲道后便形成“爆破音”。 由此可見，語音是由空氣流激勵聲道后從嘴唇或鼻孔或同時從嘴唇和鼻孔輻射出來而產(chǎn)生的。對于濁音、清音和爆破音來說，激勵源是不同的，濁音語音是位于聲門處的準周期脈沖序列，清音的激勵源是位于聲道的某個收縮區(qū)的空氣流（類似于噪聲），而爆破音的激勵源是位于聲道某個閉合點處建立起來的氣壓及其突然 釋放。 西南科技大學本科生畢業(yè)論文 10 第 3 章 語音合成 系統(tǒng)的分析 基本的語音合成方法 語音識別和語音合成技術是實現(xiàn)人機語音通信，建立一個有聽和講能力的口語系統(tǒng)所必需的兩項關鍵技術。使電腦具有類似于人一樣的說話和聽懂人說話的能力，是90 年代信息產(chǎn)業(yè)的重要競爭市場。和語言識別相比，語言合成的技術相對說來要成熟一些，是該領域中近期最有希望產(chǎn)生突破并形成產(chǎn)業(yè)