語音合成 (一)

上個月的時候，朋友E先生發想做中文的語音合成。
經過搜尋，我們發現目前以工研院的引擎的效果最好 (這邊有線上demo)

不過還是感覺不夠完美，同時也沒有可以調整的參數，
我們的理想是能做出語調和感情的調整。

動手之前我們先做了一番研究，一份較易懂的參考資料如[1]
語音合成牽涉的範圍很廣，大致可以分成兩個部分:
1. 自然語言處理 (Natural Language Processing): 讀取文字，分析出每個字的唸法
2. 數位訊號處理 (Digital Signal Processing): 把獨立的字的發音組合成一個句子

我們決定從第二部分下手，
因為第一部分可以先由人來給訂，而且也無關乎發音是否悅耳

而數位訊號處理技術很多，大致上可以分為兩派
第一派被稱之為 synthesis-by-rule，主要由語音學家發展出來。
第二派被稱之為 synthesis-by-concatenation，和前者的差異為，只採用少量的語言學知識，將語音視為聲音的片段，利用技巧來把片段整合起來。
由於不是語音學的專家，我們決定從第二種方法開始。

首先要有語音資料，目前找到能使用的是 gcin 的語音檔 (ogg格式)
http://ftp.twaren.net/local-distfiles/gcin/ogg.tgz


這個檔案包含約一千個字的發音，對應到國語的所有單字 (包含五種聲調)

原本每一個發音檔是放在各自的目錄下，同時目錄的名稱是中文，所以並不好處理，我先用Python script把檔案轉換成漢語拼音，放在同一個目錄下面。

接著為了由於ogg格式比較少有函式庫可以處理，為了方便起見，我先用 Wav2Mp3 這個軟體把 ogg 轉成 wav 格式。

[1] Thierry DUTOIT, "High-quality text-to-speech synthesis: an overview"

(未完待續)