基于linux的中文TTS 简单实现

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：

1. 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。
2. 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。
3. 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：

1. 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
2. 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。
3. 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
4. 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。
5. 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.......
6. 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：

1. 取得常用汉字的集合
2. 根据汉字集，使用一些朗读软件生成该汉字集的语音文件
3. 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“”、“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 <strstream.h>  //字符串I/O操作
#include <fstream.h>   //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，

     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：
#define  MAXLEN  32000
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 MAXLEN  32000

/*
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
*/
int   wav(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