基于數(shù)字信號處理器的中文語音合成系統(tǒng)設(shè)計

　　引言

　　本文介紹的就是一種基于DSP的中文語音合成系統(tǒng)的實現(xiàn)方法。隨著語音信號處理技術(shù)的不斷發(fā)展與成熟，語音合成正逐步成為信息技術(shù)中人機接口的關(guān)鍵技術(shù)。DSP芯片，即數(shù)字信號處理器，是專門為快速實現(xiàn)各種信號處理算法而設(shè)計的、具有特殊結(jié)構(gòu)的微處理器，其處理速度比最快的CPU還快10~50 倍。

　　1 系統(tǒng)總體方案

　　語音合成的最大特點就是要從有限的存儲單元中合成出無限字匯的連續(xù)語句來［1］。為了做到這一點，本系統(tǒng)設(shè)計了由（1）前端預(yù)處理模塊將輸入文本文件轉(zhuǎn)換成系統(tǒng)可以處理的標(biāo)準(zhǔn)格式;（2）韻律規(guī)則庫給出當(dāng)前語言環(huán)境下各個音節(jié)的韻律特征參數(shù);（3）語音合成器根據(jù)給定的韻律特征參數(shù)對原始語音庫中相應(yīng)語音單元的聲學(xué)參數(shù)進行調(diào)整;（4）將經(jīng)過調(diào)整的各個語音單元拼接在一起，得到相應(yīng)于輸入文本的連續(xù)語音輸出等4個基本流程組成。系統(tǒng)基本原理框圖如圖1所示。

　　2 硬件系統(tǒng)設(shè)計

　　該中文語音合成系統(tǒng)的目的是對輸入的文本文件能夠清晰地、自然地、能懂地以連續(xù)語音地形式輸出。ATMEL公司的AT89S52單片機對鍵盤輸入的文本文件進行 顯示，再送TMS320VC5402處理，最后將合成結(jié)果輸出。硬件結(jié)構(gòu)框圖如圖2所示。

　　2.1 鍵盤電路和顯示電路

　　AT89S52的鍵盤接口電路是采用中斷方式的，有鍵按下時，就產(chǎn)生中斷請求，進入中斷處理，然后通過查詢P1.0和P1.1的情況，進行相應(yīng)的處理。用電阻和電容夠成了消抖電路，以防止電路的誤操作。

　　AT89S52把從鍵盤輸入的文本信息送給LCD顯示，同時把數(shù)據(jù)寫到外部存儲器CY7C133，然后TMS320 VC5402讀取CY7C133上的信息進行處理。LCD的指令格式如表1所示：

　　表1 LCD的指令格式

　　其中RS， R/W共同決定選擇哪一個寄存器，如表2所示：

　　表2 寄存器選擇

　　2.2 TMS320VC5402與AT89S52的通信

　　AT89S52和TMS320VC5402各自獨立工作，其信息和數(shù)據(jù)交換通過共享一片外部存儲器來實現(xiàn)，它們之間信號聯(lián)絡(luò)通過硬連接和軟件判斷來實現(xiàn)［2］。

　　外部存儲器采用的是CY7C133，它是高速的2K X 16bit的靜態(tài)異步雙端口RAM，其存儲速度為25ns。它有兩套獨立的地址線、數(shù)據(jù)線和控制信號線，允許兩個控制器件中的數(shù)據(jù)通過共同連接的存儲器來進行通信。該雙端口RAM允許兩個控制器同時讀取任何存儲單元（包括同時讀同一單元），但不允許同時寫或者一讀一寫統(tǒng)一地址單元。

　　對于TMS320VC5402，數(shù)據(jù)存儲器CY7C133的對應(yīng)地址為4000H~47FFH。

　　對于AT89S52，數(shù)據(jù)存儲器CY7C133的對應(yīng)地址為2000H~27FFH。

　　3 軟件系統(tǒng)設(shè)計

　　漢語作為一種有調(diào)語言，其韻律特征非常復(fù)雜。為了從有限的存儲單元中合成出無限字匯的連續(xù)語句來，必須在一定的韻律規(guī)則下對語音庫單元的韻律參數(shù)進行調(diào)整，以得到符合當(dāng)前語流環(huán)境的音變單元［3］。

　　根據(jù)得到音變單元的方法不同，可將語音合成器分成兩種類型：（1）波形拼接合成;（2）參數(shù)合成（又稱源/濾波器合成）。本系統(tǒng)采用波形拼接合成的方法直接對波形的時域和頻域波形進行調(diào)整以得到所需要的音變單元。

　　簡單的波形拼接法很難進行音高和音長（時間長度）調(diào)整。因此，本系統(tǒng)采用中性語調(diào)音節(jié)直接拼接配合基音同步波形疊加（PSOLA）算法，并用碼激勵線性預(yù)測（CELP）編碼方法對原始采樣音庫進行編碼壓縮的方法?；玖鞒虉D如圖3所示。

　　4 結(jié)束語

　　本系統(tǒng)利用SCM實時顯示輸入的文本文件，能夠?qū)⒑铣烧Z音和輸入文本文件實現(xiàn)對比輸出，直觀性強;合成算法運算復(fù)雜度低，能夠用盡量小的音庫來實現(xiàn)對容量有限的存儲空間的占用程度的要求具有清晰度、能懂度和自然度高。