前言

今年，我参加学校举办的的一个嵌入式比赛，我的作品中需要用到中文文本语音转换的功能，由于是使用linux系统，所以不能使用MS提供的语音开发包，虽然linux上也有很多TTS功能的软件，但都只支持英语文本的转换，不支持中文的转换，当然支持中文语音转换的也有，但都需要money的，而且我们对语音的要求不高，所以就由我自己来实现。

我实现的中文TTS现有功能如下：

• 基于中文二级字库，语音库的语音元素使用的是MS的语音库语音元素。
• 合成语音文件的格式为 WAV，所以合成语音可以直接在声卡上播放。
• 提供简单的函数调用接口，支持程序开发

附：

我实现的中文TTS 需改进的N点：

• 没有自己的语音播放功能（我是FORK 播放器进程来读语音文件的）需要在TTS中增加播放功能模块，才能算是完整的TTS系统，网上有很多LINUX上播放器的代码，由于时间关系我暂时没做，但以后我一定会加上去的，我也希望能有朋友能帮我完成这功能
• 语音库文件太大（没压缩前有40M左右，使用普通的压缩程序压缩后只有2M多点）我的发音元素是采用WAV格式的，所以有点大， 解决方法我暂时还没想到，我打算对压缩文件进行操作，但不知道行不行，自己没把握。
• 提供的函数功能太简单

  3.1): 现在只提供了将GBK/GB2312编码 的中文文本转换， 如果程序使用的编码是其它格式的话，还需先自己转换成GBK/GB2312的编码 才能使用我提供的函数，我想在中文TTS中封装编码转换函数，这样能使应用程序更方便的使用。

  3.2): 其他很多功能的实现：

  太多功能需要来实现，写都写不来了。。比如说读数字的处理等等，太多了，所以暂时空着

• 读音效果

  我想这点应该是评价一个TTS系统的最关键的因素，也是我自己认为最难的一点，我想这可能超出了我的知识范围，我的头脑中只存在着编程逻辑，对其他的知道得甚少，我想我自己得突破这点。了解其它学科的知识。 现在我只能说一句， 现在的读音效果超差，一听就知道是机器在读，没有一点人情味。

• 不支持中英文混读

  现在只能读中文，英文是一个一个字母的读，虽然有很多关于英语转换的TTS软件是开源的，但要完成这功能还是需要一定的工作量的，想想如果让我一个人来做，就头晕，天哪，要看N多的代码.......

• 多音字的处理

  我想这可能要用到中文分词了....

实现原理

采用波形拼接的语音生成方法来实现本系统。这种方法预先建立一个庞大的语音数据库，在合成时采用恰当的技术手段挑选出所需的语音基元进行拼接，从而形成语音输出。因此，语音拼接的重点是基本语音单元的拼接，我们选取字作为基本的语音拼接单位，语音数据库由若干以字为单位的WAV样本文件组成。[1]

所以实现本汉语TTS系统主要完成两项工作：

第一：建立一个语音库，语音库中记录了普通话中所有汉字的读音；

第二：建立汉字机内码到汉字读音的访问方法，实现由输人的汉字机内码得到该汉字的读音。并且合成WAV声音文件。[2]

语音库的实现

语音库保存着常用汉字的发音（多音的汉字只记录其一种发音，这也是本系统的一个缺陷，需要以后完善），所以先要得到一汉字集，这个汉字集包含了大部分常用的汉字，然后在根据这个汉字集，来一个个的取得汉字的发音，并且按一定的规则保存到语音库中。

所以实现语音库可以分为三步：

• 取得常用汉字的集合
• 根据汉字集，使用一些朗读软件生成该汉字集的语音文件
• 处理汉字集语音文件的格式，使它能符合我们的要求

1.1根据汉字编码规则获取汉字字符集的文本文件

1.1.1编码知识：

所谓编码，是以固定的顺序排列字符，并以此作为记录、存贮、传递、交换的统一内部特征。一个汉字有ASC II码、区位码等与之对应。ASC II码中对应于码值161到254的字符用于表示汉字，每个汉字用两个ASC1I码值对应的字符表示。区位码用4位数字表示，前两位从01到94称区码，后两位从01到94称位码。一个汉字的前一半是 ASC II码为“160+区码”的字符，后一半是ASCII码为“160+位码”的字符。例如：“刘”的区位码是3385，其意为区码33和位码85，它是由 ASCII码为160+33=193和160+85=245的两个字符组成。

该文所说的汉字字符集一般是指ISO 10646．1 即GB13000．1。在Windows 95／98／2000中，微软提供了“汉字扩展内码规范(GBK)”以解决汉字的收字不足、简繁共存、简化代码体系间转换等汉字信息交换的瓶颈问题，利用 GBK可以方便解决“镕”、“薯”等大量汉字的交换问题而不必自行造字了。GBK字库共分为5部分，其中GBK／1和GBK／5为符号部分，GBK／2为国标汉字部分，GBK／3和GBK／4为扩展汉字部分。其中，第16区至55区为一级汉字，以拼音排序，共计3755字，56—87区为二级汉字，按偏旁部首排序，共计3008字。

1.1.2程序代码：

用C++实现的获取GBK中一级汉字字符的代码段如下:

//getgbk．cpp一获取GBK汉字码文件

#include //字符串I/O操作

#include //文件I/O操作

unsigned char oneline[4];

ofstream ofs("gbhz.txt",ios::binary );

oneline[2]=163;

oneline[3]=172;

int qm;

int wm;

for( qm=176;qm<=247;qm++)//区码0XB0—0XD7 87

for(wm=161;wm<=254;wm++) //位码0XA1—0XFE

if(!((qm==247)&&(wm=250)))

//剔除GBK中没有编码的字位

{

oneline[0]=qm; //汉字区码

oneline[1]=wm; //汉字位码

ofs.write((char *)&oneline,4); //写一行至gbhz txt

}//if end

1.2：根据取得的汉字集，使用一些报读软件生成该汉字集的语音文件，一般为WAV格式的。这里取名为gbhz.wav

1.3：处理汉字集读音文件的格式

1.3.1 理解WAV文件格式

WAVE文件作为多媒体中使用的声波文件格式之一．它是以RlFF格式为标准的 每个wAVE文件的头4个字节便是“RIFF” WAVE文件由文件头和数据体两大部分组成。其中文件头又分为RIFE／WAV文件标识段和声音数据格式说明段两部分 。WAVE文件格式说明见下表，

内容	数据类型	字节数
“RIFF”标志	Char	4Byte
文件大小	Long int	4Byte
“wave”标志	Char	4Byte
“fmt”标志	Char	4Byte
PCMWAVFORMAT数据结构大小	Long int	4Byte
PCMWAVFORMAT数据结构
“data”标志	Char	4Byte
语音数据大小	Long int	4Byte

可以以时域-幅度的方式显示出原始声音的波形，这是最简单同时也是最直接的信息处理方式。在时域范国内，可以观察该信号波形是否连续，中间是否有祧变等。据发现，经语音引擎处理后，每个汉字所对应的语音数据长度不尽相同．这给以后截取每个汉字的语音数据造成了困难。因此．为了区分每个汉宇的语音数据．在生成汉字字符集时．在每个汉字后添加了一个逗号作为闻隔符 这样生成的语音文件的波形图(部分)如图1所示

1.3.2生成新的汉字字符集的话音文件的算法

(1)打开gbhz.wav．从gbhz.wav中读人文件头CHAR HEAD[46]。46为文件头长度。

(2)从gbhz.wav 中读入第一个汉字的语音波形数据放入CHAR BUFFER[3200]。3200为一个汉字的语音波形数据长度．选取决于形成语音的速率、音质等因素

(3)读后面的数据，如果是0x80则不做处理．继续往后读。ox80是逗号语音数据，既没有发音的数据。

(4)直到读到第一个不是逗号的语音数据，开始记录第二个汉字的语音波形数据到CHAR BUFFER[3200]

(5)重复3．4步直到读完全部的语音波形数据。

合成新的汉字字符集的语音文件后的波形图(部分)如图2所示

1.3.3 处理代码如下：

#defineMAXLEN32000

int HandingWav()

{

FILE * fpf,*fpt; //文件操作指针

if((fpf=fopen("gbhz.wav","rb+"))==NULL)//gbhz.wav为处理前的语音文件

return -1;

if((fpt=fopen("ddd.wav","rb+"))==NULL)//ddd.wav为合成的新的语音文件

return -1;

char head[46];//wav文件的文件头长度

char data[100];//用来加速文件处理的数组

char buffer[MAXLEN];

memset(buffer,0,MAXLEN);

fread(head,sizeof(head),1,fpf);//head of wav

fwrite(head,sizeof(head),1,fpt);

while(!feof(fpf))

{

fread(buffer,MAXLEN,1,fpf);//读一个字的发音

fwrite(buffer,MAXLEN,1,fpt);//写一个字

memset(buffer,0,MAXLEN);

fread(data,1,1,fpf); //读一个字节

while(data[0]==char(0x80)) //判断是否为0x80

{

if(fread(data,100,1,fpf)==-1) //每次取100个字节，但只判断第一个字节，这样可以加速文件处理

{

fclose(fpf);

fclose(fpt);

return -1;

}//end if

}//end while判断是否为0x80

}// end while(!feof(fpf))

fclose(fpf);//关闭文件

fclose(fpt);

return 0;

}

经过以上的操作后，就形成了我们所要的语音库了。

实现语音合成

合成语音归根到底是根据汉字在字符集的定位来取语音库中的数据

定位方法：

根据救字的两个字节中的值．从高字节算出汉字的位wm．从低字节算出汉字的区qm，(qm一176)*94+wm一160就是该况字在汉字集里的位置position，而该汉字所对应的语音数据的偏移量就是(position一1) 3200+46。

根据定位方法取得汉字在语音库中的发音数据后，根据WAV格式合成语音文件。

定位和合成代码如下：

#define MAXLEN32000

/*

参数str：为纯汉字的字符串，且编码格式为GBK

返回值：

-1：表示语音库文件打开错误

-2：表示合成语音文件 打开/生成错误

其它：函数执行成功

*/

intwav(char *str)

{

FILE * fpf,*fpt;//文件指针

int qm,wm;//汉字区、位码

int re;//函数返回值

long fileleng=0;//文件长度 后面修改WAV格式时有用

if((fpf=fopen("ddd.wav","rb+"))==NULL)//打开语音库文件

return -1;

if((fpt=fopen("china.wav","wb+"))==NULL)//打开或生成合成后的语音文件，用来播放的

return -2;

char head[46];//WAV 文件头

char buffer[MAXLEN];//发音数据BUFF

memset(buffer,0,MAXLEN);//置0

fread(head,sizeof(head),1,fpf);//读语音库文件头

fwrite(head,sizeof(head),1,fpt);//写入合成语音文件

int l=strlen(str);

char *s=str;

for(int i=0;i<=l;i=i+2)

{

qm=(unsigned char)*(s+i);//取汉字的区码

wm=(unsigned char)*(s+1+i);//取汉字的位码

if (qm<176||qm>215)//判断是否在汉字字符集中

continue;

if (wm<161||wm>254)//判断是否在汉字字符集中

continue;

int position =(qm-176)*94+wm-160;

int offset=(position-1)*MAXLEN+46;//定位

fseek(fpf,offset,0);

fread(buffer,sizeof(buffer),1,fpf);//取发音数据

fwrite(buffer,sizeof(buffer),1,fpt);//写入合成文件

fileleng++;//合成文件长度增加

}//end for

re =fileleng;

fileleng=fileleng*MAXLEN;

fseek(fpt,42,SEEK_SET);

fwrite(&fileleng,sizeof(long),1,fpt);//修改合成文件的WAV格式，主要是修改文件大小，具体请看WAV格式表

fileleng+=44;

fseek(fpt,4,SEEK_SET);

fwrite(&fileleng,sizeof(long),1,fpt);//修改合成文件的WAV格式，主要是修改文件大小，具体请看WAV格式表

fclose(fpf);//关闭文件

fclose(fpt);

return re;

}

其它：

由函数WAV可以看出，我们接收用户的输入字符的编码必须为GBK编码，所以如果系统使用的不是 GBK编码的话，我们还应当进行编码转换。如果编码正确的话，还得从把用户的输入中把中文字符给提取出来。为此，我写了小段代码，用来过滤非中文字符的。

void trans(char *str)

{

int i = 0, j = 0;

while( str[i] != '\0' )

{

if ( str[i] < 0 )

{

str[j++] = str[i++];

str[j++] = str[i++];

}

else

i++;

}//end while

str[j] = '\0';

}

后记：

采用波形拼接的方法有个很大的缺点，就是使用的语音库文件太大，而且多音节字根本无法解决。还有一种实现中文TTS方法就是记录全部的发音，因为在普通话中，实际存在的发音只有1333种。所以我们的语音库只要保存这1333个语音就行，而不需要保存每个汉字的读音。如果语音库只有1333个读音的话，我们还得建立索引表来记录每个汉字在语音库中的位置，因为有了索引表，就可以解决多音汉字的问题，由于涉及到多音汉字发音的识别，还得用到分词技术。关于分词技术朋友们可以看下 http://www.nlp.org.cn/。

关于takaya朋友问的实现自然连续的发音问题：

说实话，这是我最想解决和实现的问题，我自己想了下，如果以词组为单位来做语音库，那声音听起来就比较连续，因为我们平时说话 也是以词组为单位说的，但如果要实现这个的话，就得用到分词技术，而且语音库的建立也要一定的功夫。

白： 我一直是以程序员的角度去做这个简单的TTS的，所以很多东西我自己也有误解或不懂的地方，希望朋友们不要笑话我，并且能帮我提出问题和指导我。

这个TTS还有很多很多如前言列出的需要改进的地方，我希望能有这方面爱好的朋友能我和一起来完善它。

期待ing...

参考文献：

1郭兰英. 汉语语音拼接技术的研究. 计算机应用软件第22卷第11期

2袁嵩. 一个TTS系统的实现方案. 计算机工程与应用2004．21 229