嵌入式TTS漢語語音系統的解決方案

????? 使計算機、帶有人機交互的電器、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。語言是人與人交流信息的一種手段，文語轉換TTS（Text To Speech）是自動將輸入文字轉換成語音輸出,并盡量使輸出的語音效率流暢、自然的一類技術。

TTS系統主要需解決兩個問題：

①文本分析,即語言學分析。該任務是將以文本廣度輸入的字符串轉換成語言學的表述;

②語音合成。即根據語言學的內在表述信息合成語音。

TTS系統中的語音合成方法分為時域和頻域兩大類：頻域方法主要有LPC參數合成及其振峰合成兩種,其實質是在工程上實現語音生成模型,進而在終端特性上模擬發音器官。在目前階段,頻域方法形成的發音尚不自然,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）拼接并進行段音平滑后生成連續語流的方法。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功能的不斷增強,正日益受到人們的關注。本系統即采用時域波形編輯技術,采集GB2312漢字編碼字符集中所有字符發音作為原始材料,通過使用改進的游程編碼算法壓縮生成可適用于當前Flash存儲器的語音庫,并采用多重查找表設計及預存儲命令字技術有效地加快語音庫的尋址速度,在基于Atmel公司的AT89S52單片機上成功實現了一個TTS語音系統,經測試取得了令人滿意的效果。該系統應用簡便,具有很小的尺寸和很低的功耗及通用的串行接口,可以廣泛用于有關的漢語語音應用系統中。

　　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音對應的語音數據,連續讀出語音數據并以游程碼解碼算法解碼后,按照語音采樣時的固定速率通過D/A轉換和功率放大播放。本文中語音采樣速率為11025B/s。為滿足應用需求,本文首先構建易于快速解碼的語音庫,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,以滿足語音播放的實時要求。同樣,MCU的代碼也要優先考慮速度而犧牲諸如模塊化、可讀性方面的要求。最后,出于實用性考慮,系統中需加入足夠的輸入緩沖區支持,以滿足一次輸入多個流字或整句的要求。

　　原始語音數據的采集和處理

　　本系統共采集了1335種發音,內含1306個流字發音,26個英文字母發音及3個停頓音,語音采集卡AD轉換整編11025B/s,分辨率8位,樣本值域0～255,靜默值為80H。原始語音以WAV文件的格式保存在PC機中。

　　圖2是“哎”音樣本的時域波形。所有的采集樣本除具有不同的波形包絡外,均具有大體相同的結構,即一個完整的漢字發音均由前后兩個靜音部分和中間的發音部分組成。靜音的采集值絕大多數為80H（一些輕微擾動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這些邊緣值的出現概率是很小的,這個特性亦可用于語音的壓縮算法中。

　　本文根據上述靜默值及邊緣值的分布特點,提出了一種改進的游程編碼用于語音數據的壓縮,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,游程長度小于等于3時沒有編碼的必要,因而不會出現值為00H、01H和02H的重復碼。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的。因為大量出現這些邊緣值即意味著語音采集系統的動態范圍設置錯誤。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影響語音的實際播放效果。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,壓縮后為7767112字節,壓縮比超過50%。該語音庫已經可以裝入容量為8M字節的Flash存儲器中。

　　3 語音庫的存儲結構

　　本文以8Mbit×8位NAND型Flash存儲器K9F6408U0B為例,描述本系統語音庫的存儲結構。

　　語音庫的基本內容分為兩部分：前端是地址查找表,其后是壓縮后的語音數據。地址表中,每4個字節代表一個地址項。GB2312漢字編碼字符集中每個漢字在地址表中都有一個對應項,其內容指向該漢字對應讀音的語音數據起始地址。GB碼字符集中共有94個區,每區94個字符,總計8836個漢字、英文字母和其它符號,其中實際使用了7445個,余下的作為預留區。本系統亦保留了這些預留區,以利于將來的擴充。這樣,地址表的大小為94×94×4=35344字節。語音數據區共存儲1335年發音,采用流程編碼壓縮存放,并在每段語音數據結尾添加01H作為結束控制符。

　　對不同的Flash存儲器,語音庫需做一些針對性的處理。對于K9F6408U0B而言,要對其C區進行專門的處理。該芯片中,每個頁面（Page）都有A、B、C三個區,其中A、B區各256字節,而C區僅有16字節。本設計中沒有用到C區,因而在制作寫入Flash的二進制政府間庫文件時必須注意對C區進行空白碼（FFH）填充。考慮C區填充后,地址表對應的二進制語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區時共需69個頁面,多出16字節。這意味著有69個C區需要填充,即寫入Flash的地址表的實際大小應該是35344+69×16=36448。相應地,語音數據區需要進行同樣的處理。

　　在PC上制作寫入的Flash的數據文件時,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,并將每個文件的起始地址轉換成對Flash存儲器操作的命令字寫入地址表相應項中,每寫完一個文件要加上01H結束碼,并在寫入過程中完成對C區的填充。在綜合完1335個語音文件、地址查找表、C區填充碼及文件結束碼之后,得到Flash存儲器的二進制映像文件,其大小為8047776字節。寫入后,Flash中尚余后333KB可用空間,聯合地址表中的預留項,可用于對系統語音庫做進一步的擴充。上述語音庫的存儲結構見圖4。

　　4 碼字轉換及高效MCU代碼的實現

　　本文中的碼字轉換有兩類。一類GB碼到語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表中對應項的起始地址。該類碼字轉換主要依據GB2312標準及語音庫地址表的結構進行。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。另一類是將上述地址轉換為Flash讀取數據的命令字。這類轉換與語音庫存儲結構及所用Flash存儲器的讀寫操作及時序相關。由于在語音庫生成時已由PC機將語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序控制操作在使用PC制作Flash的二進制映像文件時已經完成,因而避免了系統運行中的大量計算,從而保證了語音播放的實時性。計算命令字的方法與具體的Flash存儲器型號相關且較為繁瑣。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,每播放一個漢字,所需指令周期數為（1/11025）/（12/22.1184）=167.2。因此設置一個計時器中斷,中斷值為256-167=89,在每兩個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音數據區存儲地址;

　　（3） 取得對應語音數據區數據;

　　（4） 完成游程解碼并播放。

　　此外,由于完成有可能在語音播放過程收以輸入字符,因而串口亦應工作于中斷方式,串口波特率為9600bps,其優先級高于定時器中斷。本系統中,此緩沖區能滿足使用都 量多一次輸入60個漢字。以上操作均在約168個指令周期中完成,大約相當84條雙周期指令。因而在代碼編寫中,必須把代 碼效率放在第一位,靈活地運用編程技巧來完成。

　本文給出了一種嵌入式TTS漢語語音系統的實現方案。由于采用了易于解碼的改進游程算法、多重查找表及Flash存儲器操作命令這了的預先存儲技術,使得該方案可以在羅低要求的硬件平臺上實現,以AT89S52 MCU為核心的嵌入式TTS系統不同于基于PC的TTS語音系統,該系統體積小、功耗低、成本低廉、適用范圍很廣。經測試其語音清晰、連貫,可發音字節涵蓋GB碼所有漢字、26個英文字節,一次可輸入多達60個漢字的整句,足以滿足大部分應用場合的需要。如以高檔MCU或ARM處理器為平臺,還可以增加更多的算法,以進一步改進系統性能。