摘要：通過(guò)使用改進(jìn)的游程編碼算法、多重查找表設(shè)計(jì)及預(yù)存儲(chǔ)命令字等技術(shù)，實(shí)現(xiàn)了一種適用于廣泛硬件平臺(tái)的嵌入式TTS漢字語(yǔ)音系統(tǒng)，其可發(fā)音字符涵蓋了GB2312漢字編碼字符集。
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(jì)算機(jī)、帶有人機(jī)交互的電器、儀表等能像人一樣開(kāi)口“說(shuō)話”是科技工作者多年的研究目標(biāo)。文語(yǔ)轉(zhuǎn)換TTS（Text To Speech）是自動(dòng)將輸入文字轉(zhuǎn)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(tǒng)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(zhuǎn)換成語(yǔ)言學(xué)的表述；②語(yǔ)音合成。即根據(jù)語(yǔ)言學(xué)的內(nèi)在表述信息合成語(yǔ)音。TTS系統(tǒng)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(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(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(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(yǔ)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(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(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(guò)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(yǔ)音庫(kù)，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(yǔ)音庫(kù)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(yǔ)音系統(tǒng)，經(jīng)測(cè)試取得了令人滿意的效果。該系統(tǒng)應(yīng)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(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(guó)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(yǔ)音數(shù)據(jù)，連續(xù)讀出語(yǔ)音數(shù)據(jù)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(zhuǎn)換和功率放大播放。本文中語(yǔ)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(yǔ)音庫(kù)，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(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(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。
2 原始語(yǔ)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(yǔ)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(yǔ)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(guò)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(jiàn)，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(yǔ)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(yǔ)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(zhǎng)度小于等于3時(shí)沒(méi)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(yǔ)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(yǔ)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(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(jié)，壓縮后為7767112字節(jié)，壓縮比超過(guò)50%。該語(yǔ)音庫(kù)已經(jīng)可以裝入容量為8M字節(jié)的Flash存儲(chǔ)器中。
3 語(yǔ)音庫(kù)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(yǔ)音庫(kù)的存儲(chǔ)結(jié)構(gòu)。
語(yǔ)音庫(kù)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(yǔ)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(yǔ)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(lái)的擴(kuò)充。這樣，地址表的大小為94×94×4=35344字節(jié)。語(yǔ)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(yǔ)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(yǔ)音庫(kù)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(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(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(méi)有用到C區(qū)，因而在制作寫(xiě)入Flash的二進(jìn)制政府間庫(kù)文件時(shí)必須注意對(duì)C區(qū)進(jìn)行空白碼（FFH）填充?？紤]C區(qū)填充后，地址表對(duì)應(yīng)的二進(jìn)制語(yǔ)音庫(kù)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(yè)面，多出16字節(jié)。這意味著有69個(gè)C區(qū)需要填充，即寫(xiě)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(yǔ)音數(shù)據(jù)區(qū)需要進(jìn)行同樣的處理。
在PC上制作寫(xiě)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(yǔ)音文件逐一寫(xiě)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(xiě)入地址表相應(yīng)項(xiàng)中，每寫(xiě)完一個(gè)文件要加上01H結(jié)束碼，并在寫(xiě)入過(guò)程中完成對(duì)C區(qū)的填充。在綜合完1335個(gè)語(yǔ)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(xiě)入后，F(xiàn)lash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(yǔ)音庫(kù)做進(jìn)一步的擴(kuò)充。上述語(yǔ)音庫(kù)的存儲(chǔ)結(jié)構(gòu)見(jiàn)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(lèi)。一類(lèi)GB碼到語(yǔ)音庫(kù)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(lèi)碼字轉(zhuǎn)換主要依據(jù)GB2312標(biāo)準(zhǔn)及語(yǔ)音庫(kù)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(lèi)是將上述地址轉(zhuǎn)換為Flash讀取數(shù)據(jù)的命令字。這類(lèi)轉(zhuǎn)換與語(yǔ)音庫(kù)存儲(chǔ)結(jié)構(gòu)及所用Flash存儲(chǔ)器的讀寫(xiě)操作及時(shí)序相關(guān)。由于在語(yǔ)音庫(kù)生成時(shí)已由PC機(jī)將語(yǔ)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(yǔ)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?jī)蓚€(gè)中斷之間完成如下工作：
（1） 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；
（2） 從地址表對(duì)應(yīng)項(xiàng)中取得對(duì)應(yīng)語(yǔ)音數(shù)據(jù)區(qū)存儲(chǔ)地址；
（3） 取得對(duì)應(yīng)語(yǔ)音數(shù)據(jù)區(qū)數(shù)據(jù)；
（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(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(xiě)中，必須把代碼效率放在第一位，靈活地運(yùn)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(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(yǔ)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(cè)試其語(yǔ)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(chǎng)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。
