第2章--数-字-声-音.pptVIP

与一些用预先录制的声音文件实现发声的应用程序相比，TTS的发声引擎只有几MB大小，不需要大量的声音文件支持，因此可以节省很大的存储空间，并且可以朗读预先未知的任何语句。现在已经有许多应用软件应用TTS技术实现语音功能。 【例2.2】 Microsoft Office TTS功能。 Microsoft Office 2003中提供了TTS功能，可以对文本进行朗读。在Microsoft Excel 2003中，可选择菜单“工具”→“语音”→“显示语音到文本工具栏”，出现文本到语音工具栏，如图2.30所示。 图2.30 Microsoft Excel 2003中的文本到语音工具栏 语音识别系统可分为连续的与不连续的，如果语音识别系统是连续的，用户就能正常地与系统对话；如果不是连续的，用户就需要字字停顿。显然，连续语音识别（Continuous Speech Recognition）比不连续语音识别更受欢迎，但它需要更强的处理能力。一个典型语音识别系统的实现过程如图2.31所示。 图2.31 典型语音识别系统的实现过程 预处理：包括语音信号采样，反混叠带通滤波，去除个体发音差异和设备、环境引起的噪声影响等，并涉及语音识别基元的选取和端点检测问题。 特征提取：用于提取语音中反映本质特征的声学参数，如平均能量、平均跨零率、共振峰等。 训练：在识别之前通过让讲话者多次重复语音，从原始语音样本中去除冗余信息，保留关键数据，再按照一定规则对数据加以聚类，形成模式库。 模式识别（匹配）：是整个语音识别系统的核心，它根据一定规则（如某种距离测度）及专家知识（如构词规则、语法规则、语义规则等）、计算输入特征与库存模式之间的相似度（如匹配距离、似然概率），判断出输入语音的语意信息。 【例2.3】 微软公司在Microsoft Office中的语音识别技术应用。 微软公司在Microsoft Office 2003中集成了语音识别技术，安装的时候可选择语音输入功能，如图2.32所示。 图2.32 Microsoft Office 2003中的语音输入 1997年9月，IBM公司推出了ViaVoice中文连续语音识别软件系统（如图2.33所示），引起人们的极大关注。 图2.33 IBM ViaVoice语音识别软件系统 Microsoft Speech SDK是微软提供的软件开发包，提供的Speech API（SAPI）主要包含两大方面：微软的连续语音识别引擎（MCSR）及微软的语音合成（TTS）引擎等。目前的5.1版本一共可以支持3种语言的识别（英语、汉语和日语）及2种语言的合成（英语和汉语）。SAPI中还包括对于低层控制和高度适应性的直接语音管理、训练向导、事件、语法编译、资源、语音识别（SR）管理，以及TTS管理等强大的设计接口，其结构如图2.34所示。 图2.34 SAPI结构 其实CD唱片（CD-DA）上的一首首歌曲，并非我们通常理解的一个个的文件。要知道，CD唱片格式标准的确定之时，比计算机上用的CD-ROM格式（从CD-ROM开始光盘上才有文件系统）还要早，所以当初制定标准的时候当然不会考虑要让CD-ROM驱动器也能认出CD唱片。到后来，为了在计算机上更方便地使用CD音轨，就在计算机上规定：一个CD音轨为一个.cda文件，如图2.35所示。这只是一个索引信息，并不是真正包含声音的信息，所以不论CD音乐的长短，在计算机上看到的.cda文件大小都是44字节。 图2.35 CD-DA格式 （3）输出声道数 声卡所支持的声道数的增加也是声卡技术发展的重要标志之一，它决定了声卡的基本功能。通常有2声道（即立体声）、2.1声道、5.1声道等。多通道声卡是营造逼真音效环境的先决条件。 （4）合成技术 现在的声卡都支持MIDI（Musical Instrument Digital Interface）标准。MIDI是电子乐器的统一标准。声卡中一般采用两种不同的方法来还原MIDI声音。FM是一种用计算机合成音调模拟乐器曲调的技术，这种技术已经基本过时了。波表技术要比FM合成出色，因为声卡不是用计算机的声调去合成音乐，而是在一个波表（一种内部固有的实际录音选择表）中找到它需要的乐器声音。波表技术能比FM合成创作出更好、更自然的声音。 （5）兼容性 开发、生产声卡的公司很多，其中最有影响的公司是新加坡创新科技有限公司（Creative Labs. Inc.），它开发了Sound Blaster系列声卡，它是集语音与音乐于一体的多媒体音频卡，它不但具有优良稳定的硬件特性，而且还有丰富的软件。尽管目前世界各国开发了很多品牌的声卡，但大多都声明与Sound Blaster兼容，因此它已成为多媒体计算机公认的音频接口标准。当然，还有其他一些