專利名稱：語音音素的編碼及語音合成方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種語音編碼及語音合成方法，特別是一種以音素為基礎(chǔ)并運(yùn)用LPC技術(shù)來對(duì)語音編碼與譯碼的方法。
這種語音分析合成的技術(shù)是依照一定的處理方法，分析語言信號(hào)并將其提出必要的特征參數(shù)，并用這些參數(shù)按照語音產(chǎn)生的模型合成為語音的技術(shù)。由于語音分析合成的過程是將聲音信號(hào)以最少的數(shù)字?jǐn)?shù)據(jù)來代表原始信號(hào)，所以，一般也稱的為語音壓縮技術(shù)，其牽涉到語音的取樣以及編碼與譯碼等技術(shù)。如語音波形編碼中的適應(yīng)性差量脈沖碼調(diào)變(Adaptive Delta Pulse Code Modulation；ADPCM)的編碼方式，其重點(diǎn)在于使重建的信號(hào)與原始信號(hào)波形愈像愈好；從數(shù)學(xué)的觀點(diǎn)而言，其采用最小均方誤差的準(zhǔn)則(Minimum Mean Square Error Criterion)，但ADPCM方法的位率小于24kbps(Kilo Bit Per Second)，會(huì)有經(jīng)還原后的聲音品質(zhì)變差，且運(yùn)算量大的問題。
以上所述的語音分析合成，其特色是具有可大幅壓縮語音數(shù)據(jù)量，也可額外有保密通信的優(yōu)點(diǎn)(運(yùn)用加密技術(shù))。不過，其缺點(diǎn)為語音合成的輕重、分音、基周(音調(diào))往往與自然語音有所差距，造成不自然，甚至不易識(shí)別的缺點(diǎn)。
即便是經(jīng)過壓縮的語音分析合成技術(shù)，仍然有節(jié)省內(nèi)存空間的可能性。此外，現(xiàn)有的語音分析合成技術(shù)多以線上(on-line)的方式運(yùn)作，所以，必須加上判斷語音是否“有聲音”的動(dòng)作，常常在判斷的過程中，會(huì)將“有聲”與“無聲”的部分判斷錯(cuò)誤，造成語音合成時(shí)產(chǎn)生聲音沙啞的情形。
于是，如何能讓語音分析合成技術(shù)所產(chǎn)生的語音，一方面能達(dá)到接近自然語音，也即，音質(zhì)的改善；另一方面，如何能達(dá)到最大壓縮的程度，也即，最不耗占內(nèi)存空間；再一方面，如何能讓語音分析合成的過程較為簡單；以上幾點(diǎn)均成為重要的研究課題。
將有聲語音音素加以編碼，計(jì)算振幅、基周及頻譜參數(shù)并進(jìn)行編碼，其中，頻譜參數(shù)以LPC參數(shù)編碼方式；而對(duì)于無聲(氣音；unvoiced)語音音素文件保留其原音不壓縮；靜音部分則只記錄靜音長度。解壓縮時(shí)，只需將有聲語音部份，利用內(nèi)插方式將振幅、基周及頻譜參數(shù)做平滑處理，再利用語音合成器，還原有聲語音；無聲部分只需依據(jù)地址取出原語音加以還原；而靜音部分，只需取出靜音時(shí)間長即可。
依據(jù)本發(fā)明所揭露的技術(shù)，本發(fā)明提供一種語音音素的編碼及語音合成方法，其包括兩個(gè)階段，語音數(shù)據(jù)庫建立階段與語音合成階段語音數(shù)據(jù)庫建立階段，包括下列步驟將該語音音素區(qū)分為一有聲、無聲與靜音音素；將該有聲音素壓縮編碼，并將該無聲音素進(jìn)行一地址編碼與將該靜音音素進(jìn)行一時(shí)間長度編碼；以及，儲(chǔ)存經(jīng)壓縮編碼的該有聲音素并儲(chǔ)存該無聲與靜音音素至該語音數(shù)據(jù)庫。
一旦使用者鍵入文字?jǐn)?shù)據(jù)，即可分析該文字?jǐn)?shù)據(jù)的音素并讀取該語音數(shù)據(jù)庫的音素?cái)?shù)據(jù)，接著，即進(jìn)入下一個(gè)階段。
語音合成階段依據(jù)該語音數(shù)據(jù)庫的該音素?cái)?shù)據(jù)，合成該文字?jǐn)?shù)據(jù)的語音，包括下列步驟讀取該音素?cái)?shù)據(jù)的有聲音素碼、該無聲音素碼與該靜音音素碼；以及，依據(jù)該音素?cái)?shù)據(jù)的有聲音素碼經(jīng)由一語音合成器合成一有聲語音，并依據(jù)該語音數(shù)據(jù)的無聲音素碼產(chǎn)生一無聲語音，并依據(jù)該靜音音素碼產(chǎn)生一靜音語音。
在語音數(shù)據(jù)庫建立階段中，有聲音素依據(jù)基周參數(shù)、振幅參數(shù)與頻譜參數(shù)加以壓縮編碼；無聲音素則依據(jù)基周參數(shù)與地址參數(shù)加以編碼；靜音音素則依據(jù)基周參數(shù)與時(shí)間參數(shù)加以編碼。
在語音合成階段，只要依據(jù)語音編碼的規(guī)則，取出語音數(shù)據(jù)庫當(dāng)中的有聲語音碼、無聲語音碼與靜音語音碼，并分別加以譯碼與合成即可獲得一合成的語音。其中，有聲語音經(jīng)由一語音合成器，此語音合成器是依照基周參數(shù)、頻譜參數(shù)以及振幅參數(shù)三者加以設(shè)計(jì)。
具體地講，本發(fā)明一種語音音素的編碼及語音合成方法，以離線方式對(duì)一語言進(jìn)行取樣，并將經(jīng)取樣的該語言的語音音素進(jìn)行編碼與語音合成，包括下列步驟建立一語音數(shù)據(jù)庫，包括下列步驟將該語音音素區(qū)分為一有聲、無聲與靜音音素；將該有聲音素壓縮編碼，并將該無聲音素進(jìn)行一地址編碼與將該靜音音素進(jìn)行一時(shí)間長度編碼；及儲(chǔ)存經(jīng)壓縮編碼的該有聲音素并儲(chǔ)存該無聲與靜音音素至該語音數(shù)據(jù)庫；當(dāng)使用者鍵入一文字?jǐn)?shù)據(jù)時(shí)，分析該文字?jǐn)?shù)據(jù)的音素并讀取該語音數(shù)據(jù)庫的一音素?cái)?shù)據(jù)；以及依據(jù)該語音數(shù)據(jù)庫的該音素?cái)?shù)據(jù)，合成該文字?jǐn)?shù)據(jù)的語音，包括下列步驟讀取該音素資料的有聲音素碼、該無聲音素碼與該靜音音素碼；及依據(jù)該音素?cái)?shù)據(jù)的有聲音素碼經(jīng)由一語音合成器合成一有聲語音，并依據(jù)該語音數(shù)據(jù)的無聲音素碼產(chǎn)生一無聲語音，并依據(jù)該靜音音素碼產(chǎn)生一靜音語音。
所述的語音音素的編碼及語音合成方法中，取樣該語言的取樣率為每秒8千次。
所述的有聲音素的壓縮編碼依據(jù)一基周參數(shù)、一振幅參數(shù)與一頻譜參數(shù)加以編碼；該無聲音素的該地址編碼以該基周參數(shù)與一地址參數(shù)加以編碼；該靜音音素的時(shí)間長度編碼以該基周參數(shù)與一時(shí)間參數(shù)加以編碼。
所述的有聲音素的該基周參數(shù)與該振幅參數(shù)以一個(gè)音框(frame)為單位，逐步計(jì)算參數(shù)值。
所述的頻譜參數(shù)的編碼系以一線性預(yù)估編碼(Linear PredictiveCoding，LPC)方式加以編碼。
所述地址參數(shù)是記錄該經(jīng)取樣的該語音的該無聲音素的儲(chǔ)存地址。
所述時(shí)間參數(shù)是記錄該經(jīng)取樣的該語音的該靜音音素的靜音時(shí)間長度。
所述無聲音素的基周參數(shù)值定義為1，該靜音音素的基周參數(shù)值定義為0。
所述有聲語音的合成依據(jù)該基周參數(shù)、振幅參數(shù)與頻譜參數(shù)以合成該有聲語音，其中該語音合成器包括
一脈沖序列產(chǎn)生器，用以將該基周參數(shù)輸出為一激發(fā)信號(hào)(Excitation Signal)；一聲道濾波器，依據(jù)該頻譜參數(shù)作為該聲道濾波器的濾波參數(shù)，用以接收該激發(fā)信號(hào)并將的輸出為一語音信號(hào)；以及一乘法器，用以將該語音信號(hào)乘上該振幅參數(shù)以輸出一還原語音。
所述無聲語音的產(chǎn)生系依據(jù)該地址參數(shù)讀取該語音數(shù)據(jù)庫的一無聲語音音素，并依據(jù)該無聲語音音素產(chǎn)生該無聲語音。
所述的靜音語音的產(chǎn)生依據(jù)該時(shí)間參數(shù)輸出符合該時(shí)間參數(shù)的時(shí)間長度的一振幅為0的靜音。
本發(fā)明的語音音素編碼及譯碼的方法，可以離線(off-line)方式進(jìn)行，可將原本音素文件的內(nèi)存容量壓縮至2M字節(jié)(bytes)以下(2.4kbps)，可大量節(jié)省內(nèi)存空間，并提高音質(zhì)為每個(gè)取樣為16位，解壓縮時(shí)利用平滑處理，則可改善部份音素連結(jié)不好的語音。再者，因?yàn)楸揪幋a方法將有聲與無聲語音個(gè)別處理，有聲部份不會(huì)發(fā)生在一般語音編碼時(shí)，所產(chǎn)生的有聲、無聲誤判的狀況，造成聲音沙啞等發(fā)音不良問題；無聲部份則保留氣音原音，以維持最佳的氣音效果。
有關(guān)本發(fā)明的特征等，配合附圖最佳實(shí)施例詳細(xì)說明如下。
其次，由于電子辭典市場的語音處理較為規(guī)則，且其要求的數(shù)據(jù)壓縮量較大，所以，本發(fā)明運(yùn)用線性預(yù)估編碼(Linear Predictive Coding，以下簡稱LPC)的方式作為本發(fā)明的編碼與譯碼的方式。此外，線性預(yù)測編碼(Linear Prediction Coding；LPC)，是基于語音發(fā)聲模型，而估計(jì)信號(hào)的聲道濾波器(Vocal Tract Filter)參數(shù)及基本周期(Pitch)達(dá)到壓縮的目的，可達(dá)到非常低的位率(Low Bit Rate)，所以相當(dāng)適合作為本發(fā)明的編碼方法。
接下來，請(qǐng)參考

圖1，本發(fā)明的語音音素的編碼及語音合成方法的流程圖，包括下列步驟區(qū)分有聲、無聲與靜音音素(步驟10)；進(jìn)行音素編碼(步驟20)；儲(chǔ)存經(jīng)編碼的有聲音素碼、無聲音素與靜音音素(步驟30)；將音素譯碼與平滑處理(步驟40)；以及，合成語音(步驟50)。其中，從上述的編碼與譯碼流程中，事實(shí)上包括了兩個(gè)階段，也即，編碼階段(步驟10--30)與譯碼階段(步驟40--50)。其中，編碼階段所著重的在于語音數(shù)據(jù)庫的建立，所以，也可稱的為語音數(shù)據(jù)庫建立階段；而譯碼階段則是在電子辭典使用者在按下所想要發(fā)音的文字時(shí)，電子辭典即可依語音數(shù)據(jù)庫的建立規(guī)則，將文字拆解為語音音素，并依本發(fā)明的編碼規(guī)則取出所編碼的語音音素再加以譯碼，進(jìn)而還原與合成語音，所以，本階段也可稱的為合成階段。以下將針對(duì)個(gè)別的步驟逐一說明首先，在步驟10當(dāng)中，由于語音可以從文字的發(fā)音部分區(qū)分出語音音素(phoneme)，而語音音素也可以加以分類，所以，本發(fā)明運(yùn)用語音音素當(dāng)中的有聲(voiced)、無聲(unvoiced)與靜音的區(qū)別來做基本分類方式。由于有聲的音素為周期性(periodic)的語音部分，所以，可進(jìn)一步壓縮；而無聲的音素為非周期性(non-periodic)的語音部分，所以，不進(jìn)行壓縮；靜音則直接記錄其長度即可。
以電子辭典當(dāng)中的英文發(fā)音為例，由于其字母以及音標(biāo)(phoneticalphabet)的配對(duì)有一定的規(guī)則，也即，以每個(gè)音節(jié)為單位，可以區(qū)分出不同音節(jié)的有聲與無聲部分，所以，可事先通過英文數(shù)據(jù)庫當(dāng)中的音標(biāo)數(shù)據(jù)加以區(qū)別語音的有聲與無聲。例如，“無聲”的部分有f、p、s、t等，例如free的音標(biāo)[fri]處理后為[f-ri]。至于國語與其它語言的語音處理，道理也同。
通過語言本身的信息，即可將語音的有聲與無聲在離線(off-line)的狀況下，通過事前處理，也即，于語音編碼前，將所有的語音音素加以區(qū)分為有聲與無聲兩類。其中，有聲音素的處理，系切除音節(jié)音素的聲母氣音，只留韻母有聲音。而無聲音素的處理，系保留無聲子音與音節(jié)音素的聲母氣音，而將語音靜音部份(可能含有些微噪聲)全部設(shè)為零，只記錄靜音長度。
將語音的音素分類后，即可進(jìn)入步驟20，進(jìn)行音素編碼。由于本發(fā)明在步驟10當(dāng)中，將語音音素分為“有聲”、“無聲”與“靜音”三種，因此，本發(fā)明將針對(duì)三種事先分類好的語音音素加以編碼。本發(fā)明的編碼方式系將語音編碼的三個(gè)主要參數(shù)加以編碼，三個(gè)參數(shù)分別為振幅參數(shù)的均方根值(RMS；root of mean square)、基周(Pitch，也即音調(diào))參數(shù)及頻譜參數(shù)(RC’s；反射系數(shù)，reflection coefficients)。
其中，振幅參數(shù)與基周參數(shù)的獲得，系以一個(gè)音框(一個(gè)音框frame＝180取樣點(diǎn)，8kHz的取樣率)為單位，逐步計(jì)算出其參數(shù)值。而頻譜參數(shù)(RC’s)的獲得則依LPC的方式計(jì)算而得，也即，依照下列方程式計(jì)算而得A0/(1+a1Z-1+a2Z-2…+a10Z-10)其中，A0系為振幅參數(shù)，Z系為，a1--a10即為LPC參數(shù)。
由以上的三種參數(shù)，一個(gè)有聲語音音框(180samples)可編碼為54bits，壓縮位率相當(dāng)于2.4kbps，各個(gè)參數(shù)的位配置如下Pitch(6bits)，RMS(6bits)，RC’s(RC0--RC9)

至于無聲的語音音框，由于本發(fā)明直接將其記錄起來，所以，定義其基周(Pitch)參數(shù)值為1，其編碼方式如下Pitch(6bits)Index_of_unvoiced_speech

其中，Idx為實(shí)際語音(氣音)的指針，也即，其所儲(chǔ)存的地址。
靜音的語音音框，設(shè)其基周參數(shù)值為0，其編碼方式如下Pitch(6bits)Length_of_silence

其中，Ls為無聲的長度。
接下來，即可將以上所編碼的語音數(shù)據(jù)記錄至語音數(shù)據(jù)庫，也即，步驟30。以上的步驟10--30已說明了本發(fā)明的編碼規(guī)則，也就是利用語音音素本身的“有聲”、“無聲”與“靜音”三個(gè)部分，用不同的方式加以編碼。如此，即可省去相當(dāng)大的內(nèi)存空間。
此一建立好的語音數(shù)據(jù)庫，即可用來作為語音合成的數(shù)據(jù)基礎(chǔ)。也就是，讀取語音數(shù)據(jù)時(shí)以基周參數(shù)為起始的讀取點(diǎn)，也即，若Pitch＞1，則共讀取54bits，譯碼還原成有聲語音；若Pitch＝1，則再讀取8bits(Idx)，根據(jù)Idx加載實(shí)際語音氣音數(shù)據(jù)，以英文為例，所有無聲氣音數(shù)據(jù)約占內(nèi)存120kbytes；若Pitch＝0，則再讀取8bits(Ls)，譯碼還原成靜音，長度Ls*8。
換句話說，由于本發(fā)明采取的技術(shù)策略為將語音的“有聲”、“無聲”與“靜音”的部分分開處理，所以，三者經(jīng)編碼的數(shù)據(jù)型態(tài)有所不同，如上所述的各種聲音的位配置。于是，在合成語音時(shí)，只要依據(jù)本發(fā)明編碼的規(guī)則，反過來操作即可。以下，將介紹合成階段的操作方法，也就是步驟40--50。
首先，先介紹音素譯碼與平滑處理的部分，也即，步驟40。在步驟40當(dāng)中，也需依照三種音素分別加以處理。
先參考“有聲”音素方面，請(qǐng)參考圖2，本發(fā)明的語音合成器100方塊圖。在語音合成時(shí)，先依據(jù)使用者所鍵入的文字?jǐn)?shù)據(jù)，依音素拆解法則取出適當(dāng)?shù)恼Z音音素，其做法為，先利用可產(chǎn)生周期為有聲音素的基周的脈沖序列(Impulse Train；Excitation Signal)產(chǎn)生器101；接著，將的通過一個(gè)聲道濾波器(Vocal Tract Filter)102，此聲道濾波器102的頻率響應(yīng)由RC’s值決定；然后，根據(jù)RMS值經(jīng)由乘法器103調(diào)整輸出語音能量。
其中，脈沖序列產(chǎn)生器101是仿真人聲帶的振動(dòng)，請(qǐng)參考圖3，其產(chǎn)生方法是將序列p[25]＝{8，-16，26，-48，86，-162，294，-502，718，-728，184，672，-610，-672，184，728，718，502，294，162，86，48，26，16，8}組成一周期性序列e(n)，周期即為基周(pitch)參數(shù)。若Pitch＞25，則e(n)＝{p[1]，p[2]，…，p[25]，0，…，0}；若Pitch＜＝25，則e(n)＝{p[1]，p[2]，…，p[Pitch]}。然后e(n)再通過一個(gè)Lowpass Filter(1+0.75z-1+0.125z-2)，得到聲道濾波器的輸入激發(fā)信號(hào)(ExcitationSignal)。
至于聲道濾波器102，其為仿真口腔信道的頻率響應(yīng)，濾波器參數(shù)即為依LPC方式所計(jì)算出的頻譜參數(shù)，RC’s，通過聲道濾波器102即可實(shí)現(xiàn)，其輸入信號(hào)為e(n)，輸出為語音s(n)。由于LPC處理過程，在編碼時(shí)有做預(yù)強(qiáng)調(diào)處理(Pre-emphasis)(1-0.9875z-1)，其用以加強(qiáng)高頻信號(hào)的正確運(yùn)算，故譯碼時(shí)，需加一個(gè)解預(yù)強(qiáng)調(diào)濾波器(De-emphasisFilter)1/(1-0.9875z-1)。
在圖2的乘法器中，將增益值(Gain)加入，也即，將譯碼后語音信號(hào)的RMS值乘入經(jīng)聲道濾波器102的譯碼值，也即，上述的振幅參數(shù)，將的調(diào)整為與編碼前相同即可，其中Gain=RMS/1NΣn=0Ns2(n)]]>另外，在有聲音素的語音合成時(shí)，需要將基周(Pitch)加以同步。同步的方法系在語音合成時(shí)，以一個(gè)基周為單位，合成連續(xù)幾個(gè)周期后，合成語音長度必須≤目前音框總樣本點(diǎn)數(shù)(即音框長度(180)+前一合成音框剩下樣本點(diǎn)數(shù))，剩下未滿總樣本點(diǎn)數(shù)的樣本點(diǎn)，并于下個(gè)音框處理。如圖3所示，以取樣率為每秒8千為例，一個(gè)音框的長度約為180點(diǎn)，在取完五個(gè)基周后，由于不滿180點(diǎn)，剩余點(diǎn)數(shù)又不足以取一個(gè)基周的長度，因的將其編入下一個(gè)周期繼續(xù)，以此類推。
最后，即進(jìn)入步驟40的第二階段，平滑處理，也即，將基周、振幅與RC’s參數(shù)平滑處理。參數(shù)是以內(nèi)差方式，做平滑處理，其中，合成參數(shù)＝上一音框參數(shù)*(1-Prop)+目前音框參數(shù)*Prop。
其中，0≤Prop(Proportion；比例)≤1，Prop＝目前音框已合成樣本點(diǎn)數(shù)/目前音框總樣本點(diǎn)數(shù)。
有于有聲音素的編碼過程較為繁復(fù)，所以，上述以較清楚的說明來描述其合成過程。接下來，將針對(duì)三種不同的音素合成做一個(gè)統(tǒng)整的介紹，也即，一套合成語音的流程，請(qǐng)參考圖4，本發(fā)明的語音音素譯碼流程圖，通過此流程圖，將可更清楚說明步驟40與50的具體操作。
在整個(gè)語音數(shù)據(jù)讀取的比特流程中，由于本發(fā)明的編碼采取基周(pitch)參數(shù)編于數(shù)據(jù)的最前端的方式，并且，“有聲”的基周參數(shù)依計(jì)算而取得，“無聲”的基周參數(shù)為1，“靜音”的基周參數(shù)為0，所以，可以基周參數(shù)的數(shù)據(jù)加以判斷其為“有聲”、“無聲”或“靜音”數(shù)據(jù)，并分別加以處理。由于基周參數(shù)占6位的數(shù)據(jù)，所以，先讀入6位(步驟401)，以判別數(shù)據(jù)為“有聲”、“無聲”或“靜音”。如果，基周＞1(步驟402)，則其必為有聲音素，接著，讀取剩余的48個(gè)位數(shù)據(jù)，也即，振幅參數(shù)(RMS)與頻譜參數(shù)(RC’s)，讀入48位(步驟408)后，再經(jīng)語音合成器處理(步驟409)即可將經(jīng)編碼的“有聲”語音加以還原；如果，基周＝0(步驟403)，則其必為靜音，則讀入8位(步驟404)，以讀取靜音的長度，并產(chǎn)生Ls*8點(diǎn)靜音(步驟407)；如果，基周不大于1，又不等于0，則基周參數(shù)必為1，則讀入8位(步驟405)，也即，搜尋氣音的儲(chǔ)存地址，根據(jù)數(shù)據(jù)庫讀入氣音樣本點(diǎn)(步驟406)。最后，即可輸出語音(步驟410)，將原來的語音的“有聲”、“無聲”與“靜音”的部分，分別加以還原。
請(qǐng)繼續(xù)參考圖5，本發(fā)明的語音合成器信號(hào)處理流程圖，通過此圖可以更清楚地說明“有聲”音素的合成。
在“有聲”的數(shù)據(jù)中，其約占54個(gè)位，以下即為合成的流程。首先，在步驟411中，先讀入第一個(gè)音框參數(shù)，接著，在步驟412中，令N＝0，L＝180，基周O＝基周RMSO＝0，RCOi＝RCi，i＝0，1，…，9以讀取RC參數(shù)，接著，即可進(jìn)行參數(shù)平滑的動(dòng)作，以讓音質(zhì)更好，此即步驟413，如下所示prop＝N/L；基周j＝基周0*(1-prop)+基周*propRMSj＝RMSO*(1-prop)+RMS*prop；RCj(i)＝RCO(i)*(1-prop)+RC(i)*propi＝0，1，…，9其中，prop即為比例(Proportion)，L則為音框的大小，一開始時(shí)，L＝180。
接著，如果N+基周j＞L(步驟414)，也即，取到大于一個(gè)音框的長度后，重新讀取下一個(gè)音框，也就是，進(jìn)入步驟415令L＝L-N+180N＝0基周0＝基周RMSO＝RMS，RCOj＝RCi，i＝0，1，…，9接著，繼續(xù)步驟416，讀入下一個(gè)音框參數(shù)。
如果，N+基周j非大于L，也就是，取出基周參數(shù)、RMS與RC’s參數(shù)，進(jìn)行步驟417，經(jīng)語音合成器處理，即可輸出語音(步驟418)，接著，繼續(xù)下一個(gè)語音音框的處理，也就是，步驟419令N＝N+基周jj＝j(luò)+1通過上述的語音合成流程，即可將經(jīng)壓縮的有聲音素加以譯碼并合成為有聲語音。
圖6A為單字“abbreviation”的原音語音波形，圖6B為利用本發(fā)明將“abbreviation”加以編碼及譯碼后的語音波形，圖6C為其經(jīng)由一般現(xiàn)有技術(shù)的編碼及譯碼后的語音波形；圖7A--7C則分別為其頻譜，由圖6A與圖6B，以及圖7A與圖7B可看出，利用本發(fā)明的編碼與語音合成方法，不僅可解出非常近似的基周及頻譜，且其噪聲比現(xiàn)有的方法小很多，再者，經(jīng)過平滑處理后，使本發(fā)明的發(fā)音比現(xiàn)有技術(shù)圖7C的發(fā)音更平順自然。
雖然本發(fā)明以前述的較佳實(shí)施例公開如上，然其并非用以限定本發(fā)明，任何本領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作些許的更動(dòng)與潤飾，因此本發(fā)明的保護(hù)范圍以權(quán)利要求為準(zhǔn)。
權(quán)利要求
1.一種語音音素的編碼及語音合成方法，其特征在于，以離線方式對(duì)一語言進(jìn)行取樣，并將經(jīng)取樣的該語言的語音音素進(jìn)行編碼與語音合成，包括下列步驟建立一語音數(shù)據(jù)庫，包括下列步驟將該語音音素區(qū)分為一有聲、無聲與靜音音素；將該有聲音素壓縮編碼，并將該無聲音素進(jìn)行一地址編碼與將該靜音音素進(jìn)行一時(shí)間長度編碼；及儲(chǔ)存經(jīng)壓縮編碼的該有聲音素并儲(chǔ)存該無聲與靜音音素至該語音數(shù)據(jù)庫；當(dāng)使用者鍵入一文字?jǐn)?shù)據(jù)時(shí)，分析該文字?jǐn)?shù)據(jù)的音素并讀取該語音數(shù)據(jù)庫的一音素?cái)?shù)據(jù)；以及依據(jù)該語音數(shù)據(jù)庫的該音素?cái)?shù)據(jù)，合成該文字?jǐn)?shù)據(jù)的語音，包括下列步驟讀取該音素資料的有聲音素碼、該無聲音素碼與該靜音音素碼；及依據(jù)該音素?cái)?shù)據(jù)的有聲音素碼經(jīng)由一語音合成器合成一有聲語音，并依據(jù)該語音數(shù)據(jù)的無聲音素碼產(chǎn)生一無聲語音，并依據(jù)該靜音音素碼產(chǎn)生一靜音語音。
2.如權(quán)利要求1所述的語音音素的編碼及語音合成方法，其特征在于，取樣該語言的取樣率為每秒8千次。
3.如權(quán)利要求1所述的語音音素的編碼及語音合成方法，其特征在于，所述的有聲音素的壓縮編碼依據(jù)一基周參數(shù)、一振幅參數(shù)與一頻譜參數(shù)加以編碼；該無聲音素的該地址編碼以該基周參數(shù)與一地址參數(shù)加以編碼；該靜音音素的時(shí)間長度編碼以該基周參數(shù)與一時(shí)間參數(shù)加以編碼。
4.如權(quán)利要求3所述的語音音素的編碼及語音合成方法，其特征在于，所述的有聲音素的該基周參數(shù)與該振幅參數(shù)以一個(gè)音框(frame)為單位，逐步計(jì)算參數(shù)值。
5.如權(quán)利要求3所述的語音音素的編碼及語音合成方法，其特征在于，所述的頻譜參數(shù)的編碼系以一線性預(yù)估編碼(Linear PredictiveCoding，LPC)方式加以編碼。
6.如權(quán)利要求1或3所述的語音音素的編碼及語音合成方法，其特征在于，該地址參數(shù)系記錄該經(jīng)取樣的該語音的該無聲音素的儲(chǔ)存地址。
7.如權(quán)利要求1或3所述的語音音素的編碼及語音合成方法，其特征在于，該時(shí)間參數(shù)系記錄該經(jīng)取樣的該語音的該靜音音素的靜音時(shí)間長度。
8.如權(quán)利要求3所述的語音音素的編碼及語音合成方法，其特征在于，該無聲音素的基周參數(shù)值定義為1，該靜音音素的基周參數(shù)值定義為0。
9.如權(quán)利要求1或3所述的語音音素的編碼及語音合成方法，其特征在于，該有聲語音的合成依據(jù)該基周參數(shù)、振幅參數(shù)與頻譜參數(shù)以合成該有聲語音，其中該語音合成器包括一脈沖序列產(chǎn)生器，用以將該基周參數(shù)輸出為一激發(fā)信號(hào)(Excitation Signal)；一聲道濾波器，依據(jù)該頻譜參數(shù)作為該聲道濾波器的濾波參數(shù)，用以接收該激發(fā)信號(hào)并將的輸出為一語音信號(hào)；以及一乘法器，用以將該語音信號(hào)乘上該振幅參數(shù)以輸出一還原語音。
10.如權(quán)利要求1或3所述的語音音素的編碼及語音合成方法，其特征在于，該無聲語音的產(chǎn)生系依據(jù)該地址參數(shù)讀取該語音數(shù)據(jù)庫的一無聲語音音素，并依據(jù)該無聲語音音素產(chǎn)生該無聲語音。
11.如權(quán)利要求1或3所述的語音音素的編碼及語音合成方法，其特征在于，所述的靜音語音的產(chǎn)生依據(jù)該時(shí)間參數(shù)輸出符合該時(shí)間參數(shù)的時(shí)間長度的一振幅為0的靜音。
全文摘要
本發(fā)明涉及一種語音音素的編碼及語音合成方法，本發(fā)明以離線的方式對(duì)語音進(jìn)行取樣，將經(jīng)取樣的語音數(shù)據(jù)依照其音素的有聲、無聲與靜音加以分類為三種音素，將其中的有聲音素依照基周參數(shù)、振幅參數(shù)與頻譜參數(shù)加以編碼，并將無聲音素直接記錄，將靜音音素記錄其靜音時(shí)間長，在將這些經(jīng)編碼的音素?cái)?shù)據(jù)記錄至語音數(shù)據(jù)庫；接著，只要將語音數(shù)據(jù)庫當(dāng)中經(jīng)編碼的音素?cái)?shù)據(jù)加以譯碼與合成即可還原語音；所取出的有聲音素只要經(jīng)過一個(gè)依據(jù)基周參數(shù)振幅參數(shù)與頻譜參數(shù)設(shè)計(jì)的語音合成器加以合成，將無聲音素直接取出，將靜音音素播出靜音長度，即可合成出接近原音的語音。
文檔編號(hào)G10L13/00GK1450528SQ0210593
公開日2003年10月22日 申請(qǐng)日期2002年4月9日 優(yōu)先權(quán)日2002年4月9日
發(fā)明者楊凰琳 申請(qǐng)人:無敵科技股份有限公司