嵌入式TTS漢語語音系統(tǒng)的解決方案

????? 使計(jì)算機(jī)、帶有人機(jī)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(biāo)。語言是人與人交流信息的一種手段，文語轉(zhuǎn)換TTS（Text To Speech）是自動(dòng)將輸入文字轉(zhuǎn)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(shù)。

TTS系統(tǒng)主要需解決兩個(gè)問題：

①文本分析,即語言學(xué)分析。該任務(wù)是將以文本廣度輸入的字符串轉(zhuǎn)換成語言學(xué)的表述;

②語音合成。即根據(jù)語言學(xué)的內(nèi)在表述信息合成語音。

TTS系統(tǒng)中的語音合成方法分為時(shí)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(shí)質(zhì)是在工程上實(shí)現(xiàn)語音生成模型,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(jì)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(jìn)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(chǔ)空間大,但計(jì)算量小、計(jì)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(yīng)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(chǔ)介質(zhì)功能的不斷增強(qiáng),正日益受到人們的關(guān)注。本系統(tǒng)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,通過使用改進(jìn)的游程編碼算法壓縮生成可適用于當(dāng)前Flash存儲(chǔ)器的語音庫,并采用多重查找表設(shè)計(jì)及預(yù)存儲(chǔ)命令字技術(shù)有效地加快語音庫的尋址速度,在基于Atmel公司的AT89S52單片機(jī)上成功實(shí)現(xiàn)了一個(gè)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(yīng)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(guān)的漢語語音應(yīng)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(biāo)準(zhǔn)串口的設(shè)備均可與本系統(tǒng)相連。欲發(fā)音漢字的國標(biāo)碼（GB碼）由串口送入MCU,MCU將其映射為Flash存儲(chǔ)器地址表中對(duì)應(yīng)項(xiàng)的地址,然后根據(jù)此地址取得對(duì)應(yīng)項(xiàng)中的命令字,由MCU根據(jù)該命令字讀取該漢字發(fā)音對(duì)應(yīng)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(shí)的固定速率通過D/A轉(zhuǎn)換和功率放大播放。本文中語音采樣速率為11025B/s。為滿足應(yīng)用需求,本文首先構(gòu)建易于快速解碼的語音庫,根據(jù)特定Flash存儲(chǔ)器的存儲(chǔ)格式,以快速多查找表尋址及命令字預(yù)先存儲(chǔ)的方式組織并存儲(chǔ)在Flash存儲(chǔ)器中,以滿足語音播放的實(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(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(gè)流字或整句的要求。

　　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(nèi)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,語音采集卡AD轉(zhuǎn)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(jī)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(jié)構(gòu),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(shù)為80H（一些輕微擾動(dòng)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(gè)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(diǎn),提出了一種改進(jìn)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(gè)字節(jié)是被編碼字符的重復(fù)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(shí)沒有編碼的必要,因而不會(huì)出現(xiàn)值為00H、01H和02H的重復(fù)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?yàn)榇罅砍霈F(xiàn)這些邊緣值即意味著語音采集系統(tǒng)的動(dòng)態(tài)范圍設(shè)置錯(cuò)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(huì)影響語音的實(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(chǔ)器中。

　　3 語音庫的存儲(chǔ)結(jié)構(gòu)

　　本文以8Mbit×8位NAND型Flash存儲(chǔ)器K9F6408U0B為例,描述本系統(tǒng)語音庫的存儲(chǔ)結(jié)構(gòu)。

　　語音庫的基本內(nèi)容分為兩部分：前端是地址查找表,其后是壓縮后的語音數(shù)據(jù)。地址表中,每4個(gè)字節(jié)代表一個(gè)地址項(xiàng)。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(duì)應(yīng)項(xiàng),其內(nèi)容指向該漢字對(duì)應(yīng)讀音的語音數(shù)據(jù)起始地址。GB碼字符集中共有94個(gè)區(qū),每區(qū)94個(gè)字符,總計(jì)8836個(gè)漢字、英文字母和其它符號(hào),其中實(shí)際使用了7445個(gè),余下的作為預(yù)留區(qū)。本系統(tǒng)亦保留了這些預(yù)留區(qū),以利于將來的擴(kuò)充。這樣,地址表的大小為94×94×4=35344字節(jié)。語音數(shù)據(jù)區(qū)共存儲(chǔ)1335年發(fā)音,采用流程編碼壓縮存放,并在每段語音數(shù)據(jù)結(jié)尾添加01H作為結(jié)束控制符。

　　對(duì)不同的Flash存儲(chǔ)器,語音庫需做一些針對(duì)性的處理。對(duì)于K9F6408U0B而言,要對(duì)其C區(qū)進(jìn)行專門的處理。該芯片中,每個(gè)頁面（Page）都有A、B、C三個(gè)區(qū),其中A、B區(qū)各256字節(jié),而C區(qū)僅有16字節(jié)。本設(shè)計(jì)中沒有用到C區(qū),因而在制作寫入Flash的二進(jìn)制政府間庫文件時(shí)必須注意對(duì)C區(qū)進(jìn)行空白碼（FFH）填充。考慮C區(qū)填充后,地址表對(duì)應(yīng)的二進(jìn)制語音庫文件大小的計(jì)算方法改為：512×69+16=35344,表示當(dāng)35344字節(jié)只占據(jù)A區(qū)和B區(qū)時(shí)共需69個(gè)頁面,多出16字節(jié)。這意味著有69個(gè)C區(qū)需要填充,即寫入Flash的地址表的實(shí)際大小應(yīng)該是35344+69×16=36448。相應(yīng)地,語音數(shù)據(jù)區(qū)需要進(jìn)行同樣的處理。

　　在PC上制作寫入的Flash的數(shù)據(jù)文件時(shí),首先將地址表放在最前面,其后將壓縮后的語音文件逐一寫入,并將每個(gè)文件的起始地址轉(zhuǎn)換成對(duì)Flash存儲(chǔ)器操作的命令字寫入地址表相應(yīng)項(xiàng)中,每寫完一個(gè)文件要加上01H結(jié)束碼,并在寫入過程中完成對(duì)C區(qū)的填充。在綜合完1335個(gè)語音文件、地址查找表、C區(qū)填充碼及文件結(jié)束碼之后,得到Flash存儲(chǔ)器的二進(jìn)制映像文件,其大小為8047776字節(jié)。寫入后,Flash中尚余后333KB可用空間,聯(lián)合地址表中的預(yù)留項(xiàng),可用于對(duì)系統(tǒng)語音庫做進(jìn)一步的擴(kuò)充。上述語音庫的存儲(chǔ)結(jié)構(gòu)見圖4。

　　4 碼字轉(zhuǎn)換及高效MCU代碼的實(shí)現(xiàn)

　　本文中的碼字轉(zhuǎn)換有兩類。一類GB碼到語音庫起始字節(jié)數(shù)的轉(zhuǎn)換,用于MCU收到串口輸入的GB碼后,確定相應(yīng)讀音在地線表中對(duì)應(yīng)項(xiàng)的起始地址。該類碼字轉(zhuǎn)換主要依據(jù)GB2312標(biāo)準(zhǔn)及語音庫地址表的結(jié)構(gòu)進(jìn)行。本文中,該碼制轉(zhuǎn)換的算法為：（（GB碼高字節(jié)-161）×94+（GB）碼低字節(jié)-161））×4。另一類是將上述地址轉(zhuǎn)換為Flash讀取數(shù)據(jù)的命令字。這類轉(zhuǎn)換與語音庫存儲(chǔ)結(jié)構(gòu)及所用Flash存儲(chǔ)器的讀寫操作及時(shí)序相關(guān)。由于在語音庫生成時(shí)已由PC機(jī)將語音數(shù)據(jù)的起始地址轉(zhuǎn)換為操作命令字并存儲(chǔ)到了地址表對(duì)應(yīng)項(xiàng)中,即大部分的計(jì)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(tǒng)運(yùn)行中的大量計(jì)算,從而保證了語音播放的實(shí)時(shí)性。計(jì)算命令字的方法與具體的Flash存儲(chǔ)器型號(hào)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(shù)據(jù)表。

　　本文中的MCU型號(hào)為AT89S52,使用22.1484MHz的晶振。根據(jù)AT89S52數(shù)據(jù)表,每播放一個(gè)漢字,所需指令周期數(shù)為（1/11025）/（12/22.1184）=167.2。因此設(shè)置一個(gè)計(jì)時(shí)器中斷,中斷值為256-167=89,在每兩個(gè)中斷之間完成如下工作：

　?。?） 從緩沖區(qū)中取得GB碼并將之轉(zhuǎn)換為地址表對(duì)應(yīng)項(xiàng)地址;

　?。?） 從地址表對(duì)應(yīng)項(xiàng)中取得對(duì)應(yīng)語音數(shù)據(jù)區(qū)存儲(chǔ)地址;

　?。?） 取得對(duì)應(yīng)語音數(shù)據(jù)區(qū)數(shù)據(jù);

　?。?） 完成游程解碼并播放。

　　此外,由于完成有可能在語音播放過程收以輸入字符,因而串口亦應(yīng)工作于中斷方式,串口波特率為9600bps,其優(yōu)先級(jí)高于定時(shí)器中斷。本系統(tǒng)中,此緩沖區(qū)能滿足使用都 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(dāng)84條雙周期指令。因而在代碼編寫中,必須把代 碼效率放在第一位,靈活地運(yùn)用編程技巧來完成。

　本文給出了一種嵌入式TTS漢語語音系統(tǒng)的實(shí)現(xiàn)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(chǔ)器操作命令這了的預(yù)先存儲(chǔ)技術(shù),使得該方案可以在羅低要求的硬件平臺(tái)上實(shí)現(xiàn),以AT89S52 MCU為核心的嵌入式TTS系統(tǒng)不同于基于PC的TTS語音系統(tǒng),該系統(tǒng)體積小、功耗低、成本低廉、適用范圍很廣。經(jīng)測試其語音清晰、連貫,可發(fā)音字節(jié)涵蓋GB碼所有漢字、26個(gè)英文字節(jié),一次可輸入多達(dá)60個(gè)漢字的整句,足以滿足大部分應(yīng)用場合的需要。如以高檔MCU或ARM處理器為平臺(tái),還可以增加更多的算法,以進(jìn)一步改進(jìn)系統(tǒng)性能。