語音合成技術(shù)

語音合成是通過機(jī)械的、電子的方法產(chǎn)生人造語音的技術(shù)。TTS技術(shù)(又稱文語轉(zhuǎn)換技術(shù))隸屬于語音合成，它是將計(jì)算機(jī)自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)榭梢月牭枚?、流利的漢語口語輸出的技術(shù)。

語音合成是利用電子計(jì)算機(jī)和一些專門裝置模擬人，制造語音的技術(shù)。

專業(yè)技術(shù)語音合成和語音識(shí)別技術(shù)是實(shí)現(xiàn)人機(jī)語音通信，建立一個(gè)有聽和講能力的口語系統(tǒng)所必需的兩項(xiàng)關(guān)鍵技術(shù)。使電腦具有類似于人一樣的說話能力，是當(dāng)今時(shí)代信息產(chǎn)業(yè)的重要競爭市場。和語音識(shí)別相比，語音合成的技術(shù)相對說來要成熟一些，并已開始向產(chǎn)業(yè)化方向成功邁進(jìn)，大規(guī)模應(yīng)用指日可待。語音合成，又稱文語轉(zhuǎn)換(Text to Speech)技術(shù)，能將任意文字信息實(shí)時(shí)轉(zhuǎn)化為標(biāo)準(zhǔn)流暢的語音朗讀出來，相當(dāng)于給機(jī)器裝上了人工嘴巴。它涉及聲學(xué)、語言學(xué)、數(shù)字信號(hào)處理、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科技術(shù)，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)，解決的主要問題就是如何將文字信息轉(zhuǎn)化為可聽的聲音信息，也即讓機(jī)器像人一樣開口說話。我們所說的“讓機(jī)器像人一樣開口說話”與傳統(tǒng)的聲音回放設(shè)備(系統(tǒng))有著本質(zhì)的區(qū)別。傳統(tǒng)的聲音回放設(shè)備(系統(tǒng))，如磁帶錄音機(jī)，是通過預(yù)先錄制聲音然后回放來實(shí)現(xiàn)“讓機(jī)器說話”的。這種方式無論是在內(nèi)容、存儲(chǔ)、傳輸或者方便性、及時(shí)性等方面都存在很大的限制。而通過計(jì)算機(jī)語音合成則可以在任何時(shí)候?qū)⑷我馕谋巨D(zhuǎn)換成具有高自然度的語音，從而真正實(shí)現(xiàn)讓機(jī)器“像人一樣開口說話”。

轉(zhuǎn)換系統(tǒng)文語轉(zhuǎn)換系統(tǒng)實(shí)際上可以看作是一個(gè)人工智能系統(tǒng)。為了合成出高質(zhì)量的語言，除了依賴于各種規(guī)則，包括語義學(xué)規(guī)則、詞匯規(guī)則、語音學(xué)規(guī)則外，還必須對文字的內(nèi)容有很好的理解，這也涉及到自然語言理解的問題。如《聲道頻域特性(頻率響應(yīng)圖)》所示，顯示了一個(gè)完整的文語轉(zhuǎn)換系統(tǒng)示意圖。文語轉(zhuǎn)換過程是先將文字序列轉(zhuǎn)換成音韻序列，再由系統(tǒng)根據(jù)音韻序列生成語音波形。其中第一步涉及語言學(xué)處理，例如分詞、字音轉(zhuǎn)換等，以及一整套有效的韻律控制規(guī)則;第二步需要先進(jìn)的語音合成技術(shù)，能按要求實(shí)時(shí)合成出高質(zhì)量的語音流。因此一般說來，文語轉(zhuǎn)換系統(tǒng)都需要一套復(fù)雜的文字序列到音素序列的轉(zhuǎn)換程序，也就是說，文語轉(zhuǎn)換系統(tǒng)不僅要應(yīng)用數(shù)字信號(hào)處理技術(shù)，而且必須有大量的語言學(xué)知識(shí)的支持。

語音合成技術(shù)的研究已有兩百多年的歷史，但真正具有實(shí)用意義的近代語音合成技術(shù)是隨著計(jì)算機(jī)技術(shù)和數(shù)字信號(hào)處理技術(shù)的發(fā)展而發(fā)展起來的，主要是讓計(jì)算機(jī)能夠產(chǎn)生高清晰度、高自然度的連續(xù)語音。在語音合成技術(shù)的發(fā)展過程中，早期的研究主要是采用參數(shù)合成方法，后來隨著計(jì)算機(jī)技術(shù)的發(fā)展又出現(xiàn)了波形拼接的合成方法。

參數(shù)合成在語音合成技術(shù)的發(fā)展中，早期的研究主要是采用參數(shù)合成方法。值得提及的是Holmes的并聯(lián)共振峰合成器(1973)和Klatt的串/并聯(lián)共振峰合成器(1980)，只要精心調(diào)整參數(shù)，這兩個(gè)合成器都能合成出非常自然的語音。最具代表性的文語轉(zhuǎn)換系統(tǒng)當(dāng)數(shù)美國DEC公司的DECtalk(1987)。但是經(jīng)過多年的研究與實(shí)踐表明，由于準(zhǔn)確提取共振峰參數(shù)比較困難，雖然利用共振峰合成器可以得到許多逼真的合成語音，但是整體合成語音的音質(zhì)難以達(dá)到文語轉(zhuǎn)換系統(tǒng)的實(shí)用要求。自八十年代末期至今，語言合成技術(shù)又有了新的進(jìn)展，特別是基音同步疊加(PSOLA)方法的提出(1990)，使基于時(shí)域波形拼接方法合成的語音的音色和自然度大大提高。九十年代初，基于PSOLA技術(shù)的法語、德語、英語、日語等語種的文語轉(zhuǎn)換系統(tǒng)都已經(jīng)研制成功。這些系統(tǒng)的自然度比以前基于LPC方法或共振峰合成器的文語合成系統(tǒng)的自然度要高，并且基于PSOLA方法的合成器結(jié)構(gòu)簡單易于實(shí)時(shí)實(shí)現(xiàn)，有很大的商用前景。國內(nèi)的漢語語音合成研究起步較晚些，但從八十年代初就基本上與國際上研究同步發(fā)展。大致也經(jīng)歷了共振峰合成、LPC合成至應(yīng)用PSOLA技術(shù)的過程。在國家863計(jì)劃，國家自然科學(xué)基金委，國家攻關(guān)計(jì)劃，中國科學(xué)院有關(guān)項(xiàng)目等支持下，聯(lián)想佳音(1995);清華大學(xué)的TH_SPEECH (1993);中國科技大學(xué)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(shí)域波形拼接技術(shù)，其合成漢語普通話的可懂度、清晰度達(dá)到了很高的水平。然而同國外其它語種的文語轉(zhuǎn)換系統(tǒng)一樣，這些系統(tǒng)合成的句子及篇章語音機(jī)器味較濃，其自然度還不能達(dá)到用戶可廣泛接受的程度，從而制約了這項(xiàng)技術(shù)的大規(guī)模進(jìn)入市場。