3个开源TTS（二）eSpeak的简要分析使用

         继续开源TTS分析，只能说是给刚起步的人一点帮助了，毕竟不是专业做这一块的。今天主要先简单介绍TTS过程，然后以eSpeak的动态库编译使用，获得wav文件结束。
         前文介绍eSpeak是c语言写的一个小型的、开放源码的语音合成系统，支持多种语言，这里包括汉语，甚至是粤语，可以看看他的博客和演讲【1】。在eSpeak的介绍里特别强调了采用“formant synthesis”（共振峰）合成方法，因此简单了解下TTS的一般过程，由于并非专业，难免有问题，请指出和谅解。
         TTS（Text to Speech），也称为语音合成技术，一般分为三个步骤，语言学处理，韵律处理和声学处理。语言学处理就是模拟人对自然语言的理解过程，完成文本规范化、分词、语法分析和语义分析，使处理后的输出能够为计算机所理解，并在其中加入所需要的各种发音提示，包括数字、特殊词汇、断句停顿等；韵律处理则是在文本的理解基础上，规划出音段特征，如音高、音长和音强等，利用韵律标记系统语调、节奏和重音这些韵律特征；声学处理则是在前两部分提供的信息基础上，利用语音语料库，统计与规则结合语境参数、声学参数等信息解决韵律的控制语音的合成。简单来说就是模拟人朗读的过程，从一段文本的输入进行分词、理解开始，结合人的朗读规律、发声特点对文本进行标记，作为参数在声音输出时产生模拟人声停顿变化等的过程。eSpeak所说的共振峰合成就是最后的语音产生过程。共振峰合成是最典型的基于声学模型的合成技术，其设计的理论基础是语音产生的源-滤波理论，即来自肺部的气流通过声门后，被看成具有一定谱结构的声源S(f)，也是声道滤波器的激励信号，声道被看成足一个线性的滤波器，其转移凼数T(f)是口和鼻处的体积速度U(f)和声源s(f)之比，由于实际上总是存离口腔有一段距离的地方得到语音p(f)，因此必须考虑到口腔的辐射效应R(f)。（更加详细的资料，自己查找）而我们需要知道共振峰模型受参数提取的影响很大，参数不准确会导致合成音质下降。而波形拼接的合成声音音质最好，但合成新的声音需要事先录制新的说话人的声音，共振峰合成只需在频域对声音作修改。这样的修改包括；振峰偏移、带宽修改、共振峰强度的修改和频带斜坡的修改。Klatt设计了一个串／并联混合型共振峰合成器，可以设置多到八个共振峰．并有单独的滤波器来模拟鼻腔和气管的共振。对声源可做调整或多种选择，以模拟不同的嗓音。（摘自【2】【3】）
        从上面的描述过程大致可以知道TTS的一般过程，而共振峰合成技术是一种语音合成技术中的参数合成方法，通过模拟人的发声过程，建立发声模型，利用对人的浊音源、元音源等声源发声进行参数提取、估计，供后期的共振模拟使用。可见像我这种非专业人士只是知道会有大量的参数调整控制，看来想对此软件进行发声控制使用可以，修改部分规则、扩充语言、词典需要大量时间，再进一步想要优化流畅度之类的，估计就非常困难了。那么下面咱们说怎么利用其提供的源码包编译Windows上的动态库，并使用，Linux上的应该类似。
        本人的环境是Windows XP，使用VC6.0编译，源码包espeak-1.46.02-source，只为了产生wav格式文件，因此没用到PortAudio库，但是编译命令行版本时是直接可以发声的。编译过程非常简单，在源码包下\platforms\windows\windows_dll文件夹中有!ReadMe.txt文件告知。从源码包根目录下的src文件夹中拷贝源码文件到platforms\windows\windows_dll\src中，但不拷贝speak_lib.h  speech.h  StdAfx.h  stdint.h文件。而该eSpeak产生的windows DLL库提供的接口在speak_lib.h中定义看到。我的编译遇到了'espeak_SetParameter' : redefinition; different linkage的重定义错误，只要在定义出前添加ESPEAK_API即可。

        使用代码如下，也可参看【4】，可以把word换成nihao试试。

1. #include <stdio.h>  
2. #include "speak_lib.h"   
3. #pragma comment(lib, "espeak_lib.lib")  
4.   
5. FILE *f_wave = NULL;  
6.   
7. void Write4Bytes(FILE *f, int value)  
8. {//=================================  
9. // Write 4 bytes to a file, least significant first  
10.     int ix;  
11.   
12.     for(ix=0; ix<4; ix++)  
13.     {  
14.         fputc(value & 0xff,f);  
15.         value = value >> 8;  
16.     }  
17. }  
18.   
19. static int OpenWaveFile(const char *path, int rate)//rate 22050  
20. //=================================================  
21. {  
22.     // Set the length of 0x7ffff000 for --stdout  
23.     // This will be changed to the correct length for -w (write to file)  
24.     static unsigned char wave_hdr[44] = {  
25.         'R','I','F','F',0x24,0xf0,0xff,0x7f,'W','A','V','E','f','m','t',' ',  
26.         0x10,0,0,0,1,0,1,0,  9,0x3d,0,0,0x12,0x7a,0,0,  
27.         2,0,0x10,0,'d','a','t','a',  0x00,0xf0,0xff,0x7f};  
28.   
29.     if(path == NULL)  
30.         return(2);  
31.   
32.     if(strcmp(path,"stdout")==0)  
33.     {  
34. #ifdef PLATFORM_WINDOWS  
35. // prevent Windows adding 0x0d before 0x0a bytes  
36.         _setmode(_fileno(stdout), _O_BINARY);  
37. #endif  
38.         f_wave = stdout;  
39.     }  
40.     else  
41.         f_wave = fopen(path,"wb");  
42.   
43.     if(f_wave != NULL)  
44.     {  
45.         fwrite(wave_hdr,1,24,f_wave);  
46.         Write4Bytes(f_wave,rate);  
47.         Write4Bytes(f_wave,rate * 2);  
48.         fwrite(&wave_hdr[32],1,12,f_wave);  
49.         return(0);  
50.     }  
51.     return(1);  
52. }   //  end of OpenWaveFile  
53.   
54.   
55. static void CloseWaveFile()  
56. //=========================  
57. {  
58.    unsigned int pos;  
59.   
60.    if((f_wave == NULL) || (f_wave == stdout))  
61.       return;  
62.   
63.    fflush(f_wave);  
64.    pos = ftell(f_wave);  
65.   
66.     fseek(f_wave,4,SEEK_SET);  
67.     Write4Bytes(f_wave,pos - 8);  
68.   
69.     fseek(f_wave,40,SEEK_SET);  
70.     Write4Bytes(f_wave,pos - 44);  
71.   
72.   
73.    fclose(f_wave);  
74.    f_wave = NULL;  
75.   
76. } // end of CloseWaveFile  
77.   
78. int SynthCallback(short *wav, int numsamples, espeak_EVENT *events)  
79. {  
80.     // 你可以根据源码程序里编写这部分代码实现生成语音文件功能  
81.     int wavDataIndex = 0;  
82.     if(wav == NULL)  
83.         return 1;  
84.     else{  
85.         while(wav[wavDataIndex+numsamples] != NULL)  
86.             wavDataIndex++;  
87.         fwrite(wav,sizeof(short),numsamples,f_wave);  
88.         return(0);  
89.     }  
90. }  
91.   
92. void main()   
93. {  
94.     // TODO: Add your control notification handler code here  
95.     char word[] = "hello world!";  
96.     espeak_Initialize(AUDIO_OUTPUT_SYNCHRONOUS, 0, ".", 0);  
97.     espeak_SetSynthCallback(SynthCallback);   // 设置回调函数  
98.     espeak_SetVoiceByName("en");  
99.     OpenWaveFile("test.wav",22050);  
100.     espeak_Synth(word, 100, 0, POS_CHARACTER, 0, espeakCHARS_UTF8, NULL ,NULL);  
101.     espeak_Synchronize();  
102.     espeak_Terminate();  
103.     CloseWaveFile();  
104. }  

         注意拷贝espeak_lib.dll和espeak_lib.lib，还有就是源码包中的espeak-data要拷贝到应用目录下。其中代码都是从eSpeak的命令行源程序中拷贝出来的，因此有些混乱请谅解。而提供的接口自己查看speak_lib.h中的说明就懂意思了。

         参看：
                【1】开源中国 黄冠能博客http://my.oschina.net/hgneng
                【2】语音合成技术的研究与发展-黄南川等
                【3】共振峰语音合成算法研究和实现-赵亮
                【4】跨平台TTS eSpeak Windows开发 http://www.cnblogs.com/hicjiajia/archive/2011/02/02/1948882.html