言語合成

用人工產生語音乃至整段語言的技術成語音的裝置叫做言語合成器或言語合成系統。早期的合成器是機械式的或電路式的，如今，言語合成已經計算機化了。言語合成技術不僅是深入研究語音特性的一種手段，而且也是實現人 -機語言通信的一種手段。

在語音研究中，利用言語合成技術，可以靈活而精確地控制語音的特性參數，合成出各種各樣的語音樣本，通過對這些樣本的聽辨，逐步揭示出語音現象的機理。

言語合成與語音學 　用合成技術來驗證語音的特性，是言語合成主要功能之一。它可以驗證哪些語音要素在傳輸中是必需的，哪些是多餘的。可以檢查語音中某一頻段在傳輸中的有效程度；可以通過試驗言語的“信噪比”來確定言語清晰度的最佳參量等等。語言學家在20世紀50年代晚期開始用合成來探索語音學上的問題，他們用加減參量、依存制約、轉換切分等方法，對元音音位區域、複合元音的主次特徵、輔音的發音方法和部位在辨音中的貢獻、聲調在辨義上的功能，以及一切韻律特徵等的研究，提供了極其方便而有效的手段。

言語合成系統的類型及其發展 　機械式的合成是比較早期的方法，用機械裝置模擬人的發音，用人工控制可以發出簡單音節。後來有人用電路方法模擬語音信號。聲譜分析發展後，大量出現根據言語聲譜來合成語音的裝置。電子計算機問世，一切複雜的機械或電路的合成系統都用計算機來代替，並在功能方面有了進展。言語合成約可分為 5個階段：①40年代以前，是用機械或電路模擬語音的時代。②50年代有了新的進展，言語聲譜分析已達到相當完備程度。輔音與元音之間的“過渡音徵”畫成模式,通過模式還音器能產生很標準的輔音,至今還有參考價值(圖1)。③60年代, 計算機應用於語音合成系統,言語的"規則合成"成為最先進的合成自然語言的途徑。④70年代以來，在規則合成的基礎上,主要向合成的商品化發展,大量的多語言對譯器充斥市場，多限於有限辭彙和低質量的音質。⑤80年代以來,提高合成的音質以及“文－語合成”,盲人閲讀機等都有了相當成績。這種連續語言的合成要求,展開了第5代言語合成的序幕。未來的言語合成,將是除了更仿真地合成語音外，還要包括一切語法、語氣等特徵，為人－機對話系統奠定基礎。　計算機與言語合成 　計算機能以極高的速度進行運算和控制,又能接受、存儲和輸出龐大的信息。然而,迄今為止，人和計算機之間的信息交換，幾乎都是依靠鍵盤打字、屏幕顯示和打印輸出。人的話語是一種最自然、最有效的通信媒介，語音合成就是人 -機對話最重要技術之一。

計算機的言語合成系統大體有 3類：規則合成、單元編輯合成和錄音編輯合成。

①規則合成系統(圖 2)紮根於語音產生的聲學理論。按此理論，任何一個語音都由聲源激勵、聲道共鳴和口鼻輻射這3個過程產生。語音不同,產生該語音的一套聲學參數也不同。這些參數有：控制音高的基頻（對濁音而言），控制音強的振幅，控制音長的時間，控制音色的頻譜包絡，共振峯頻率及帶寬，線性預測係數 (LPC)，聲道截面函數或調音參數等。用這類參數按照一定的規則來控制具體的合成器，就能合成出預定的語音或語句。　第1步,通過語音分析技術獲得各種語音的上述基本參數, 再通過語音學上的分析，歸納出由音素組成音節、由音節構成詞組或句子時的各種規則，然後，將這些參數和規則存入計算機的存儲設備中。合成時，計算機首先根據所選用的轉換規則將輸入的文本字母轉換為一串音素符號。這一過程，或者通過字母 -音素轉換程序來完成，或者通過查尋存儲好的發音詞典來完成。與此同時, 計算機還檢查文本的句法，根據規則和詞典決定音素序列的韻律符號。第 2步，將這些離散的符號序列轉變成一串連續變化的參數序列和數學函數，這些參數隨時間平滑變化，它們攜帶着待合成的語音的頻譜特徵和韻律特徵。第 3步，用這些依時變化的聲學參量再去控制具體合成器或合成程序，合成出預定的語音或語句。

具體合成器有終端合成器和調音合成器等類型。終端合成器多以共振峯為控制參數（也稱共振峯合成器），用濾波器組來模擬語音的頻譜特徵，使得最終合成出的語音譜包絡逼近自然語音的譜包絡。調音合成器則是以發音模型為基礎，用幾個發音參量來描寫發音過程，這些參量通過規則轉換出聲道截面函數序列，進而控制合成器,合成出相應的語音。(圖3)是一種發音模型的示意圖，圖3中L和W描寫唇的合、撮和開口度， R和B描寫舌尖的移動，X和Y描寫舌體活動，N描寫軟齶的升降。對語音研究來説，共振峯合成器和調音合成器都有實用價值。　②單元編輯合成系統。事先存入一套語音單元中每一單元的一小段數字波形，存入的單元可以是音素或音節, 或者是某音素的脈衝響應波形。例如,存入所有濁音音素的一個週期的波形。合成時，將這些單元選擇性地連接起來。

③錄音編輯合成系統。事先把待輸出的語句、短語、單詞等進行錄音、壓縮和編碼，然後存入計算機。使用時，在既定的指令串控制下，計算機對存入的信息進行檢索、編輯和解碼，輸出話音。這種系統有如一種低數碼率的錄放機。　在錄音編輯合成系統中，存入的是原始語音的波形，所以還原出的語音音質比較自然，系統的構成也比較簡單，整個合成過程所涉及的語音學知識不多。但由於受到計算機存儲容量的侷限，人們不可能把日常交談和閲讀時所使用的各種詞彙和語句都存入計算機，只能按不同用途存入有限的語句和詞彙，應用上受到較大的限制。

在單元編輯合成系統中，存入的是音節或音素，而一種語言的音節或音素數目總是有限的，例如漢語的音素只有30多個,以這些音素拼成的音節只有 400多個。顯然，這種方式能以較小的存儲量來滿足較大的詞彙量輸出的要求。例如，自然發出的“合成器”一詞有一秒的時長，在錄音編輯合成系統中，對此一秒的聲波要取 1萬個點（即採樣頻率10千赫），每一點的數位編成12位的代碼，那麼，存儲量將是 120千位。但“合成器”一詞由 7個音素組成（ 用漢語拼音注音為hé chéng qì），如果在某單元編輯合成系統中，為每一音素存10毫秒的波形 ,合成此詞時只需0.84千位。但是，實際的發音動作是連貫的，一個音節由幾個音素構成時，各音素間有許多變體，音節和音節之間呈現出錯綜複雜的協同發音等關係。所以,編輯拼接時要作大量語音學上的處理。目前，這類處理技術還不太完善，因此這種系統雖然能輸出的詞彙量比錄音編輯的多得多，存儲量又小得多，但合成的音質不如錄音編輯系統。

在規則合成系統中，存入的是描寫語音特性的各種參量而不是波形本身，所以所需存儲量比兩種編輯合成系統小得多，而它能輸出的詞彙量是很大的，甚至是無限的。不過，在規則合成系統中，處處依賴編定的規則，語音現象又那麼複雜,各音素或音節之間又相互影響,以致要歸納出比較系統的和完善的規則是不容易的。

目前，國內外對上述 3種類型的語音合成系統都正在大力開發之中，有的系統已開始用於自動報時、天氣預報、自動報電話號碼、汽車自動報警、語音教學、導遊語詞翻譯、發音玩具等方面。有的系統和語音自動識別系統合為一種應答系統，用於車站、機場自動售票業務等。在一種盲人助讀系統中，輸入文字後，系統就能流利地朗讀起來。

見聲學語音學、言語識別。

J.L.Flanagan,L.R.Rabiner(ed.),Speech Synthesis,Dowden,Hutchinson and Ross Inc.,Stroudsburg,1973.