語音合成技術

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

語音合成是利用電子計算機和一些專門裝置模擬人，制造語音的技術。

專業(yè)技術語音合成和語音識別技術是實現(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能力，是當今時代信息產業(yè)的重要競爭市場。和語音識別相比，語音合成的技術相對說來要成熟一些，并已開始向產業(yè)化方向成功邁進，大規(guī)模應用指日可待。語音合成，又稱文語轉換(Text to Speech)技術，能將任意文字信息實時轉化為標準流暢的語音朗讀出來，相當于給機器裝上了人工嘴巴。它涉及聲學、語言學、數(shù)字信號處理、計算機科學等多個學科技術，是中文信息處理領域的一項前沿技術，解決的主要問題就是如何將文字信息轉化為可聽的聲音信息，也即讓機器像人一樣開口說話。我們所說的“讓機器像人一樣開口說話”與傳統(tǒng)的聲音回放設備(系統(tǒng))有著本質的區(qū)別。傳統(tǒng)的聲音回放設備(系統(tǒng))，如磁帶錄音機，是通過預先錄制聲音然后回放來實現(xiàn)“讓機器說話”的。這種方式無論是在內容、存儲、傳輸或者方便性、及時性等方面都存在很大的限制。而通過計算機語音合成則可以在任何時候將任意文本轉換成具有高自然度的語音，從而真正實現(xiàn)讓機器“像人一樣開口說話”。

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

語音合成技術的研究已有兩百多年的歷史，但真正具有實用意義的近代語音合成技術是隨著計算機技術和數(shù)字信號處理技術的發(fā)展而發(fā)展起來的，主要是讓計算機能夠產生高清晰度、高自然度的連續(xù)語音。在語音合成技術的發(fā)展過程中，早期的研究主要是采用參數(shù)合成方法，后來隨著計算機技術的發(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)，只要精心調整參數(shù)，這兩個合成器都能合成出非常自然的語音。最具代表性的文語轉換系統(tǒng)當數(shù)美國DEC公司的DECtalk(1987)。但是經過多年的研究與實踐表明，由于準確提取共振峰參數(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難以達到文語轉換系統(tǒng)的實用要求。自八十年代末期至今，語言合成技術又有了新的進展，特別是基音同步疊加(PSOLA)方法的提出(1990)，使基于時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技術的法語、德語、英語、日語等語種的文語轉換系統(tǒng)都已經研制成功。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方法的合成器結構簡單易于實時實現(xiàn)，有很大的商用前景。國內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。大致也經歷了共振峰合成、LPC合成至應用PSOLA技術的過程。在國家863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，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。