語音合成芯片技術的發(fā)展歷程

發(fā)布日期：2015-04-07

語音合成芯片技術的發(fā)展歷程可以分為3個階段：

第一代嵌入式語音合成引擎(2000年)：單音節(jié)波形拼接技術：
單音節(jié)波形拼接技術是第一代語音合成技術。簡單地說，單音節(jié)波形拼接技術就是預先將漢語發(fā)音中需要用到的1400多個音節(jié)全部錄制下來，制作成一個音庫。當合成文本時，根據(jù)每一個漢字的拼音從從音庫中找到合適音節(jié)，然后拼接起來，這樣就可以實現(xiàn)最簡單的語音合成系統(tǒng)。但是采取這種技術合成出來的效果很難令人滿意，是一字一頓的機械效果，語句連貫性很差，無法進行大規(guī)模應用。

第二代嵌入式語音合成引擎(2004年)：大語料庫裁減技術
為了改進第一代語音合成技術，人們想到了大語料庫的合成方法。在第一代合成技術中，人們沒有考慮到每一個音節(jié)在不同語句環(huán)境下其實發(fā)音表現(xiàn)是有區(qū)別的，每個音節(jié)只有一個候選單元，拼接起來很生硬，因此造成了語句的不連貫性。
而在大語料庫的合成方法中，為了解決不同情況下漢字的發(fā)音不同的問題，人們就將語料庫進一步完善，將漢語音節(jié)在不同情況下的發(fā)音候選單元盡量多地保存在音庫中，在合成時先進行韻律環(huán)境分析，然后從音庫中挑選出最合適當前語境的音節(jié)候選單元進行拼接。因此音庫尺寸越大，其包含的不同情況下的不同發(fā)音就越多，也就越貼近自然人的發(fā)音。目前，專業(yè)級的語音合成系統(tǒng)，如訊飛的電信級、服務級語音合成系統(tǒng)，均采用了大語料庫甚至超大語料庫的算法，每個音庫的尺寸可以達到幾個G的規(guī)模，理論上可以逼近原發(fā)音人的效果。
　　但在嵌入式環(huán)境，顯然不可能容納這么大的音庫，必須進行裁減。這一代的嵌入式語音技術就是基于各種統(tǒng)計決策算法，從大語料庫系統(tǒng)中挑選出最有代表性的若干音節(jié)并保存，裁減掉其他候選音節(jié)。從而一方面降低了系統(tǒng)尺寸，另一方面在一定程度上保證了較好的合成效果。
　　大語料庫技術的缺陷在于，如果要不斷提升合成效果，就只有不斷增加語料庫中音節(jié)候選單元的個數(shù)，相應地系統(tǒng)尺寸就不斷增大。

第三代嵌入式語音合成引擎(2005年)：尺寸縮減，效果提升：
為了進一步改善合成效果，并且不受系統(tǒng)尺寸的限制，科大訊飛不斷投入研發(fā)，進而發(fā)展到第三代語音合成技術。
這一代技術相比第二代又有了很大改進。主要體現(xiàn)如下：
首先，自然度得到提升，合成效果更好，更加具有實用性；
其次，合成時可調(diào)節(jié)范圍更廣，例如語速調(diào)節(jié)和語調(diào)調(diào)節(jié)等等；
第三，系統(tǒng)尺寸更小，處理器資源占用更少，更加適應嵌入式環(huán)境的應用。

第三代技術的發(fā)展，使得嵌入式語音合成效果得到大幅度提升，給嵌入式語音技術的大規(guī)模商業(yè)應用帶來了契機，并且向人們昭示出了語音合成技術發(fā)展更加光明的前景。大家可以在訊飛語音電子書產(chǎn)品中，感受到第三代語音合成技術的效果，它也代表著目前世界最高水平的嵌入式中文語音合成技術的效果。