嵌入式語音合成技術(shù)的發(fā)展及在智能家居行業(yè)的應(yīng)用

嵌入式語音合成技術(shù)，又稱文語轉(zhuǎn)換（Text to Speech）技術(shù)，能將任意文字信息實(shí)時(shí)轉(zhuǎn)化為標(biāo)準(zhǔn)流暢的語音并朗讀出來，相當(dāng)于給機(jī)器裝上了人工“嘴巴”。它涉及聲學(xué)、語言學(xué)、數(shù)字信號(hào)處理、計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)，解決的主要問題就是如何將文字信息轉(zhuǎn)化為可聽的聲音信息，即讓機(jī)器像人一樣開口說話。我們所說的“讓機(jī)器像人一樣開口說話”,與傳統(tǒng)的聲音回放設(shè)備（系統(tǒng)）有著本質(zhì)的區(qū)別。傳統(tǒng)的聲音回放設(shè)備（系統(tǒng)），如磁帶錄音機(jī)，是通過預(yù)先錄制聲音，然后回放，從而實(shí)現(xiàn)“讓機(jī)器說話”的，這種方式無論是在內(nèi)容的存儲(chǔ)、傳輸或者方便性、及時(shí)性等方面都存在很大的局限性。而通過計(jì)算機(jī)語音合成技術(shù)則可以在任何時(shí)候?qū)⑷我馕谋巨D(zhuǎn)換成具有高自然度的語音，從而真正實(shí)現(xiàn)讓機(jī)器“像人一樣開口說話”。

利用文語轉(zhuǎn)換技術(shù)進(jìn)行語音的合成，需要經(jīng)歷一個(gè)文語轉(zhuǎn)換的過程。

語言學(xué)處理

“語言學(xué)處理”在文語轉(zhuǎn)換過程中起著重要的作用，主要模擬人對(duì)自然語言的理解過程 文本規(guī)整、詞的切分、語法分析和語義分析，使計(jì)算機(jī)對(duì)輸入的文本能完全理解，并給出后兩部分所需要的各種發(fā)音提示。

韻律處理

“韻律處理”為合成語音規(guī)劃出音段特征，如音高、音長和音強(qiáng)等，使合成語音能正確表達(dá)語意，聽起來更加自然。

聲學(xué)處理

聲學(xué)處理，主要是根據(jù)前兩部分處理結(jié)果的要求輸出語音，即合成語音。

文語轉(zhuǎn)換過程

基于文語轉(zhuǎn)換技術(shù)，可制成文語轉(zhuǎn)換系統(tǒng)，這個(gè)系統(tǒng)實(shí)際上可以看作是一種人工智能系統(tǒng)。為了合成出高質(zhì)量的語音，除了依賴于各種規(guī)則，包括語義學(xué)規(guī)則、詞匯規(guī)則、語音學(xué)規(guī)則外，還必須對(duì)文字的內(nèi)容有很好的理解，這也涉及到自然語言理解的問題。下圖顯示了一個(gè)完整的文語轉(zhuǎn)換系統(tǒng)示意圖（圖略）。文語轉(zhuǎn)換過程是先將文字序列轉(zhuǎn)換成音韻序列，再由系統(tǒng)根據(jù)音韻序列生成語音波形。其中第一步涉及語言學(xué)處理，例如分詞、字音轉(zhuǎn)換等，以及一整套有效的韻律控制規(guī)則；第二步需要先進(jìn)的語音合成技術(shù)，能按要求實(shí)時(shí)合成出高質(zhì)量的語音流。因此一般說來，文語轉(zhuǎn)換系統(tǒng)都需要一套復(fù)雜的從文字序列到音素序列的轉(zhuǎn)換程序，也就是說，文語轉(zhuǎn)換系統(tǒng)不僅要應(yīng)用數(shù)字信號(hào)處理技術(shù)，而且必須有大量的語言學(xué)知識(shí)的支持。

嵌入式語音合成技術(shù)的本質(zhì)是基于它能將輸入的語音通過語言轉(zhuǎn)文本技術(shù)轉(zhuǎn)化為語言代碼。語音是信息的載體，語音識(shí)別的基本任務(wù)就是將輸入的語音轉(zhuǎn)化為相應(yīng)的代碼。通過這個(gè)轉(zhuǎn)化的過程，使人們?cè)诖鎯?chǔ)和傳輸這樣的語言代碼的時(shí)候，無論是存儲(chǔ)空間還是傳輸率都比語音直接存儲(chǔ)和傳輸要方便的多，而且它還可以把連續(xù)的語音信號(hào)變成一種只需要有限符號(hào)集中的代碼，這樣也很容易被計(jì)算機(jī)或者專用的信息處理單元所理解，便于和人進(jìn)行交流。因此，該技術(shù)可以實(shí)現(xiàn)廣泛的應(yīng)用，如聲控應(yīng)用、用于自動(dòng)口語翻譯、把語音識(shí)別和合成技術(shù)相結(jié)合構(gòu)成的一種超低比特率的語音通信系統(tǒng)等。

語音合成技術(shù)的發(fā)展

國外的語音合成技術(shù)發(fā)展較早，且前期運(yùn)用最多的就是共振峰合成器技術(shù)。但經(jīng)過多年的研究與實(shí)踐發(fā)現(xiàn)，雖然利用共振峰合成器可以得到許多逼真的合成語音，但是整體合成語音的音質(zhì)難以達(dá)到文語轉(zhuǎn)換系統(tǒng)的實(shí)用要求。基于此，自八十年代末期至今，語言合成技術(shù)又有了新的發(fā)展，特別是1990年基音同步疊加（PSOLA）方法的提出，使基于時(shí)域波形拼接方法合成的語音的音色和自然度都有了很大的提高。

國內(nèi)的漢語語音合成研究起步較晚，二十世紀(jì)八十年代初期，國內(nèi)漢語語音合成研究才逐步興起。但此后，國內(nèi)漢語語音合成研究基本與國際上的研究同步，大致也經(jīng)歷了從共振峰合成、LPC合成到應(yīng)用PSOLA技術(shù)的過程。在國家863計(jì)劃、國家自然科學(xué)基金委、國家攻關(guān)計(jì)劃、中國科學(xué)院有關(guān)項(xiàng)目等支持下，漢語文語轉(zhuǎn)換系統(tǒng)研究近年來取得了令人矚目的進(jìn)展，其中不乏成功的例子：如1993年中國科學(xué)院聲學(xué)所研發(fā)的KX-PSOLA、清華大學(xué)研發(fā)的TH_SPEECH；1995年聯(lián)想佳音、中國科技大學(xué)研發(fā)的KDTALK系統(tǒng)等。這些系統(tǒng)基本上都是采用基于PSOLA方法的時(shí)域波形拼接技術(shù)，其合成漢語普通話的可懂度、清晰度都達(dá)到了較高的水平。然而同國外其它語種的文語轉(zhuǎn)換系統(tǒng)一樣，這些系統(tǒng)合成的句子及篇章“語音機(jī)器味”較濃，其自然度還不達(dá)到用戶可以廣泛接受的程度，從而制約了這項(xiàng)技術(shù)的商品化進(jìn)程。

總的說來，我國語音合成技術(shù)研發(fā)與技術(shù)應(yīng)用的發(fā)展，同計(jì)算機(jī)技術(shù)的普及和網(wǎng)絡(luò)、通信、廣播電視等技術(shù)和業(yè)務(wù)的發(fā)展是同步的，可以說，正是信息產(chǎn)業(yè)的迅猛發(fā)展推動(dòng)了語音合成技術(shù)應(yīng)用領(lǐng)域的發(fā)展和突破，進(jìn)而刺激了語音合成技術(shù)突飛猛進(jìn)的發(fā)展。

我國在語音合成領(lǐng)域的研究選擇了與國外錯(cuò)位發(fā)展的策略，并且目前在逐步縮小與國外關(guān)鍵技術(shù)領(lǐng)域的差距，在車載語音裝置、計(jì)算機(jī)聲音輸入或輸出技術(shù)、自然語言數(shù)據(jù)的數(shù)字?jǐn)?shù)據(jù)處理方法或設(shè)備等領(lǐng)域已具有了一定的競爭優(yōu)勢。

嵌入式語音合成技術(shù)在智能家居中的應(yīng)用

這幾年，智能家居行業(yè)發(fā)展較快。具體到智能家居領(lǐng)域，嵌入式語音合成技術(shù)可以有以下幾個(gè)方面的應(yīng)用：

1、防盜功能：安裝在房間內(nèi)外的紅外探測器、門磁等，可以探測到任何非法入侵活動(dòng)，并利用語音合成技術(shù)，發(fā)出警告，連動(dòng)開啟相應(yīng)燈光或電器，對(duì)小偷起到震懾作用；同時(shí)向用戶發(fā)送短信及拔打用戶事先預(yù)設(shè)的電話進(jìn)行報(bào)警。

2、緊急求助：當(dāng)用戶家中的老人或小孩獨(dú)自在家發(fā)生了意外，需要幫助時(shí)，只要按一下隨身攜帶的遙控器，系統(tǒng)就會(huì)自動(dòng)拔打用戶的手機(jī)，并利用語音合成技術(shù)，播報(bào)家中的實(shí)時(shí)情況，以便于用戶盡快采取幫助措施。

3、防火防煤氣泄露：安裝在室內(nèi)的無線“煙感”、“氣感”在探測到有危險(xiǎn)信息的時(shí)候會(huì)向系統(tǒng)發(fā)射信號(hào)，系統(tǒng)將自動(dòng)通過網(wǎng)絡(luò)向用戶發(fā)送短信，并通過電話拔打用戶預(yù)設(shè)的電話號(hào)碼，此舉可以最大限度地保證用戶家中的財(cái)產(chǎn)不受損失。

4、方便控制：無需起身，開門、關(guān)燈，只要輕輕一按遙控器就可立刻開啟或關(guān)閉燈光，從而大大的方便了用戶的日常生活。

5、科技時(shí)尚：通過網(wǎng)絡(luò)，用戶可以監(jiān)控家中的情況，并控制家中的安防系統(tǒng)的開啟或關(guān)閉；而通過電話，用戶不僅可遠(yuǎn)程控制家中的安防系統(tǒng)，還能有效的控制家中燈光的開啟及關(guān)閉。

如今，嵌入式語音合成技術(shù)已為很多家居公司的產(chǎn)品提升了內(nèi)在價(jià)值，同時(shí)，TTS語音引擎的加載也使得很多家居產(chǎn)品更加具有生動(dòng)性，便捷性，更富于人性化。

物聯(lián)網(wǎng)時(shí)代將是全面邁入聲控的時(shí)代

其實(shí)，語音控制在物聯(lián)網(wǎng)領(lǐng)域早有應(yīng)用，不久之前，美國一家視聽公司就已經(jīng)透過SIRI對(duì)快思聰自動(dòng)化控制系統(tǒng)進(jìn)行了控制，用戶可以通過語音進(jìn)行開啟燈光、調(diào)整燈光亮度、啟動(dòng)家庭劇院、控制空調(diào)、切換影音頻道等操作，這也使得家庭自動(dòng)化的發(fā)展往前邁進(jìn)了一大步。然而，語音交互要真正實(shí)現(xiàn)面向大眾，則面臨著技術(shù)、使用模式和用戶文化環(huán)境等多重挑戰(zhàn)。語音控制雖有一定的優(yōu)越性，但由于其控制的準(zhǔn)確度和穩(wěn)定性都還存在一定缺陷，一直未能得到規(guī)模化的應(yīng)用。

不過，中國移動(dòng)李正茂在中國語音產(chǎn)業(yè)聯(lián)盟成立之際曾透露：“今后，中國移動(dòng)將在客戶系統(tǒng)、語音門戶、搜索門戶、智能家居、短信及郵件中逐步提高智能語音功能，包括智能語音翻譯，助推中國移動(dòng)的業(yè)務(wù)和服務(wù)再上新的臺(tái)階。”而目前，語音合成技術(shù)也已在我國的車載調(diào)度、導(dǎo)航、智能家居、安防監(jiān)控、考勤、播報(bào)終端等二十多個(gè)領(lǐng)域有了很多成功的案例，這說明，誰能在行業(yè)浪潮中放出創(chuàng)新之舉，誰就能夠奪得更多的市場先機(jī)。

放眼全球，智能化的語音產(chǎn)品扎堆上陣，一股語音聲控的熱潮已是勢不可擋。雖然面臨一些技術(shù)瓶頸，但在技術(shù)不斷走向成熟的背景下，將語音技術(shù)融入更多領(lǐng)域已成為一種新的發(fā)展趨勢，其應(yīng)用的準(zhǔn)確度和穩(wěn)定性問題也有望迎刃而解。展望物聯(lián)網(wǎng)未來的發(fā)展，將語音控制技術(shù)規(guī)模化的應(yīng)用于物聯(lián)網(wǎng)亦將成為未來市場發(fā)展的新趨勢之一。物聯(lián)網(wǎng)時(shí)代，用聲音引領(lǐng)未來，值得期待！