文语转换系统原理和基本框图

    文语转换（Text To Speech）系统，是指把文本文件通过一定的硬软件转换后，由计算机或嵌入式计算系统输出语音的过程，并尽量使合成的语音系统具有良好的自然度与可懂度。文本转语音实际上可以看作是一个人工智能系统。为了合成出高质量的语言，除了依赖于各种规则，包括语义学规则、词汇规则、语音学规则外，还必须对文字的内容有很好的理解，这也涉及到自然语言理解的问题。下图显示了一个完整的文语转换系统示意图。
    文语转换过程是先将文字序列转换成音韵序列，再由系统根据音韵序列生成语音波形。其中第一步涉及语言学处理，例如分词、字音转换等，以及一整套有效的韵律控制规则；第二步需要先进的语音合成技术，能按要求实时合成出高质量的语音流。因此一般说来，文语转换系统都需要一套复杂的文字序列到音素序列的转换程序，也就是说，文语转换系统不仅要应用数字信号处理技术，而且必须有大量的语言学知识的支持。
    常见的语音合成软件中有关TTS功能模块的基本结构包括：
    （1）语言学处理
    在文语转换系统中起着重要的作用，主要模拟人对自然语言的理解过程——文本规整、词的切分、语法分析和语义分析，使计算机对输入的文本能完全理解，并给出后两部分所需要的各种发音提示。这部分需要语言数据库的支持。
    （2）韵律处理
    为合成语音规划出音段特征，如音高、音长和音强等，使合成语音能正确表达语意，听起来更加自然，以正确模仿人们在念读文本时的声调、语气、停顿方式、发音长短等韵律特征。
    较早期的韵律控制方法，均采用规则的方法，目前通过神经网络或统计驱动的方法进行韵律处理，已经获得了成功的应用。
    （3）声学处理模块
    根据前两部分处理结果的要求输出语音，即合成语音。目前解决这些问题较好的途径是，把基于规则的波形拼接技术和参数语音合成方法结合起来。