DE2203921B2 - Elektrisches Verfahren und Einrichtung zur Sprachsynthese - Google Patents

Description

Die Erfindung betrifft ein elektrisches Verfahren und eine Einrichtung zur Sprachsynthese, bei denen die Sprachsignale aus Abschnitten aufgebaut werden, deren Dauer das Vielfache der Sprachgrundperiode beträgt.

Die Entstehung der Sprachlaute resultiert entweder aus den Schwingungen der Stimmbänder oder aus der Turbulenz der Luft, die durch die Mundhöhlen strömt oder aus beiden Vorgängen gemeinsam. Die Analyse der Sprachlaute zeigt, daß ihr Spektrum aus einer Grundfrequenz und ihren Harmonischen gebildet wird: Dieses sind die sogenannten stimmhaften Laute. Die Analyse der Sprachlaute zeigt ferner, daß es andererseits solche Laute gibt, für die keine bestimmte Grundfrequenz existiert und deren Spektrum als zufällige Verteilung erscheint. Dieses heißt mit anderen Worten, daß das Spektrum dieser Laute aus einer Anzahl von Frequenzen mit einem zufälligen Verhältnis zwischen diesen und ihren Harmonischen gebildet wird. Diese Laute sind stimmlose Laute und sie entsprechen einer zeitlichen Überlagerung der stimmhaften Laute.

Aus dieser Charakteristik der Sprache sind eine Reihe von Verfahren und Vorrichtungen für die Sprachsynthese hervorgegangen. Die Sprachsynthese wird hierbei im allgemeinen so vollzogen, daß das Sprachspektrum in einer Anzahl von Kanälen, etwa 50, zerlegt wird und das Spektrum in jedem Kanal mit der mittleren Energie moduliert wird, die während der Analyse in diesem Kanal gemessen wurde. Nach diesem Verfahren enthält jeder Kanal Harmonische der Sprachgrundfrequenz, wenn der Sprachlaut, der gebildet werden soll, stimmhaft ist oder weißes Rauschen, wenn der Sprachlaut stimmlos ist. Hieraus ist zu sehen, daß zahlreiche Bandfilter erforderlich sind, die infolge ihrer Herstellungskosten und Kosten für einen genauen Abgleich zu wirtschaftlich ungünstigen Syntheseeinrichtungen führen.

Es wurden daher auch schon Lösungen vorgeschlagen, die diesen Nachteil vermeiden sollten. Diese

Lösungen beruhten entweder darauf, daß sie die Zahl der notwendigen Bandfilter verringerten oder daß sie die konventionellen Analogschaltkreise durch Digitalschaltkreise ersetzten. Die letzte Lösung ist hierbei besonders interessant, obwohl sie nicht immer leicht zu verwirklichen ist, da die Digitalisier ung der Filter nur dann wirkungsvoll ist, wenn eine Zeitmultiplextechnik zu dem Zwecke eingesetzt wird, daß nur ein Filter die gesamte Anordnung der Kanäle bedient. Wenn alle Kanäle mit dem gleichen Signal gespeist werden, ist die Anwendung dieser Multiplextechnik relativ einfach, sie ist aber außerordentlich komplex in den Fällen, in denen die Kanäle mit unterschiedlichen Informationsteilen beschickt werden müssen.

Der Erfindung liegt die Aufgabe zugrunde, diesen vorstehend genannten Nachteil zu vermeiden.

Die Lösung ist im Patentanspruch 1 angegeben.

Eine Einrichtung zur Durchführung dieses Sprachsyntheseverfahrens ist im Patentanspruch 5 angegeben.

Weiterbildungen der Erfindung sind oen Unteransprüchen zu entnehmen.

Auf die vorstehend durch die Erfindung angegebene Weise wird der Vorteil erzielt, daß sowohl für stimmhafte als auch für stimmlose Sprachabschnitte eine direkte Synthese möglich ist, ohne daß ein Bandfiltersatz notwendig ist. Ferner ist auch die verwendete Digitalisierung für Sprachausgabegerä'e elektronischer Datenverarbeitungsanlagen besonders geeignet.

Im folgenden wird die Erfindung an Hand eines durch Zeichnungen erläuterten Ausführungsbeispieles nS.her beschrieben. Es zeigen

Fig. la und Ib ein Amplituden-/Zeitdiagramm der Abschnitte stimmhafter und stimmloser Sprachlaute und

Fig.2 das Blockschaltbild einer Sprachsyntheseeinrichtung gemäß der Erfindung.

Nach dem bekannten Fourier-Theorem kann jede

periodische Funktion s(t) mit der Periode T = ~ ⁷ in

eine Reihe von Sinusfunktionen mit den Perioden T, 2 T, .... π Γ jeweils zerlegt werden, wobei »n« eine ganze Zahl ist und die Maximalamplituden dieser Sinusfunktionen durch die Fourier-Koeffizienten bestimmt sind. Dieses führt zu folgendem Ausdruck:

.s'(f) =2^ [An sin nut + A'n cos iiUi~\

Dieses ist eine Fourier-Reihe, bei welcher der konstante Term Null ist. Diese Bedingung ist für die Anwendung des Ausdrucks (1) auf die Sprachsynthese (Fig. la und Ib) hervorragend geeignet.

In dem Ausdruck (1) sind An und A'n die Fourier-Koeffizienten. Die Anwendung dieses Ausdrucks kann auf jedes Signal mit endlicher Dauer erstreckt werden, wenn angenommen wird, daß dieses Signal in identischer Form unbestimmt oft wiederholt wird.

Diese Beziehungen können für die Synthese von Sprachsignalen ausgewertet werden. Dieses Verfahren wird leichter verständlich, wenn die zeitliche Darstellung des Sprachsignals, wie es die Fig. 1 zeigt, näher untersucht wird. Zunächst sind, da die Struktur der Stimmbänder abrupte Übergänge nicht zuläßt, die Grundfrequenzen zweier aufeinanderfolgender stimmhafter Laute nur sehr wenig voneinander verschieden,

wodurch sich der melodische Charakter dieser Lautart ergibt Aber darüber hinaus hat ein derartiger stimmhafter Sprachlaut einen periodischen Charakter: Wie das Beispiel in F i g. 1 zeigt, hat ein Signal mit einer Grundperiode von 8 ms (Millisekunden), das hier dreimal wiederholt ist, einen periodischen Signalabschnitt, der drei Unterabschnitte enthält In jedem Fall ist die Zahl der Wiederholungen eine endliche Zahl. Daher kann nach dem Fourier-Ausdruck das stimmhafte Signal mit Hilfe der Komponenten seines Spektrums, die mit den Fourier-Koeffizienten moduliert sind, aufgebaut oder synthetisiert werden.

Die Verarbeitung stimmloser Laute, die offensichtlich komplexer ist, kann nach einem ähnlichen Verfahren erfolgen. Diese Feststellung ist ein wesentliches Element, mit dessen Hilfe es möglich ist, eine rationelle Verarbeitung der Signale durchzuführen, gleichgültig, ob diese Signale stimmhaft, stimmlos oder gemischt sind. Da die bekannten Verfahren im allgemeinen im Frequenzgebiet betrieben werden, benötigen sie solche Schaltungsanordnungen, die weißes Rauschen für die Synthese stimmloser Laute liefern. Das Studium der physiologischen Eigenschaften des menschlichen Ohres zeigt jedoch, daß es für die Verständlichkeit dieser stimmlosen Laute nicht notwendig ist daß gleichzeitig Signale mit zufälliger Frequenzverteilung vorliegen. Mit anderen Worten: Die stimmlosen Laute können auch dann gut verstanden werden, wenn zufällige Frequenzen zeitlich nacheinander auftreten. Die Fig. Ib macht dieses an Hand der Darstellung eines stimmlosen, Zeitvarianten Lautes deutlich. Die Figur zeigt, daß ein solcher Laut betrachtet werden kann als eine Nebeneinanderstellung von Pseudoperioden stimmhafter Laute, deren (Pseudo-) Grundfrequenzen sich in einer zufälligen Reihenfolge abrupt verändern. Das als Beispiel gewählte Signal wurde in Unterabschnitte eingeteilt mit einer Dauer (oder Pseudo-Grundperiode) von 2 ms,

1 ms, 1,5 ms, usw Die letzteren liegen nebeneinander

und bedecken einen Abschnitt der oben definierten Art, der im gewählten Beispiel etwa 225 ms lang ist Daher kann das Signal der Pseudoperioden nach dem Fourier-Theorem verarbeitet werden, wobei eine Abstraktion bezüglich der umgebenden Pseudoperioden gemacht werden muß. Das Signal besteht daher aus einer Pseudo-Grundfrequenz und deren Harmonischen.

Die Pseudo-Grundfrequenzen folgen einander in einer zufälligen Verteilung.

Es ist daher möglich, stimmhafte Sprachsignale aufzubauen, wenn man die Fourier-Koeffizenten und Sinus- oder Kosinuskomponenten kennt. In Wirklichkeit genügen bereits die Sinuskomponenten für die Synthese, da das menschliche Ohr bezüglich der Phasenlage der hörbaren Signale unempfindlich ist. Daher werden auch in der nun folgenden Beschreibung nur die Sinuskomponenten betrachtet. Darüber hinaus ist es infolge der Eigenschaften des menschlichen Ohres in der Praxis nicht notwendig, eine unendliche Anzahl von harmonischen Sinuswellen zur Verfügung zu haben. Es genügt bereits, wenn für jede Grundfrequenz 50 bis 100 Harmonische vorhanden sind. Es scheint jedoch so, daß eine extrem große Anzahl von Generatoren erforderlich und der Aufbau der Syntheseeinrichtung besonders komplex ist.

Dieses trifft jedoch nicht ganz zu, wenn eine Digitaltechnik verwendet wird, dank deren die harmonischen Sinuswellen von einer einzigen Bezugssinuswelle abgetastet werden können, indem eine relativ einfache

Logikschaltung für die Adressierung der Abtastungen verwendet wird. Hierzu wird eine Bezugssinuswelle der Periode Tan K Punkten abgetastet, die einen zeitlichen

Abstand ro = „ besitzen. Die Abtastwerte werden

κ

dann dipital codiert und in einem Festwertspeicher ROM gespeichert, wobei jede Adresse der Phasenlage einer Sinuswelle entspricht, woraus sich erklärt, daß in der folgenden Beschreibung der Term »Adresse« oder »Phase« ohne Unterschied verwendet wird, da hier äquivalente Notationen vorliegen. Dann ist es möglich, entweder durch Programmierung oder mit Hilfe einer relativ einfachen Adressierungslogikschaltung die nacheinander abgeleiteten Abtastwerte für die Synthese einer Sinuswelle gegebener Frequenz auszuwählen. Bei r> einer Taktfrequenz von ' und bei der sequentiellen

Ableitung der obengenannten K Abtastwerte besitzt die synthetisierte Sinuswelle eine Frequenz

FO =

Kr₀

20

das ist die Frequenz der Bezugssinuswelle.

Wenn nur einer von N Abtastwerten abgeleitet wird, und zwar weiterhin mit Hilfe der gleichen Taktfrequenz, so führt dieses zur Bildung einer Sinuswelle der

N
Frequenz Fl = jr- , entsprechend der (TV-l)-ten

Harmonischen der Bezugsfrequenz. »

Daher sind für die Synthese von Sprachsignalen nur die Grund- oder Pseudo-Grundfrequenzen erforderlich, wobei diese genannten Frequenzen nur in einer relativ begrenzten Anzahl vorhanden sein müssen: etwa 20 von ihnen genügen bereits. Wenn die Abtastwerte der _J5 genannten Sinuswellen gespeichert werden, kann jede ihrer Harmonischen wiedergewonnen werden, was zu einer wesentlichen Auswahl von Frequenzen führt, selbst für die Bildung stimmloser Laute.

Es ist ferner möglich, auch nur eine Bezugssinuswelle zu speichern, mit der Bedingung, daß sie mit Hilfe einer ausreichend hohen Abtastfolge abgetastet wird. Alle Frequenzen, die so gewonnen werden können, stehen zueinander in einem harmonischen Verhältnis. Die Wahl des Schrittes oder die Abtastgeschwindigkeit legt dann fest, wie genau die Frequenz der auf diese Weise gebildeten Sinuswelle ist.

Wenn das System einmal initialisiert worden ist, genügt es in der Praxis, die Information der Phase θ zu besitzen, die für den Adressierungsschritt oder den >_n Vermehrungswert indikativ ist, der zur Adresse des zuletzt abgeleiteten Abtastwertes hinzugefügt oder vom Festwertspeicher ROM ausgelesen werden muß, um die Adresse des folgenden Abtastwertes der Sinuswelle zu erhalten, die gebildet werden soll. Da der Wert θ die Frequenz der zu synthetisierenden Sinuswelle bestimmt, genügt es, ihn mit dem Wert 2, 3, usw. zu multiplizieren, um die erste, zweite, usw. Harmonische der vorangegangenen Sinuswelle zu bilden. Neben dem Beginnen mit einem θ ist es möglich, hieraus einen anderen Schritt abzuleiten, indem ein Basiswert B zu θ hinzuaddiert wird. Wenn daher die Werte B in zufälliger Ordnung nachfolgen, folgen auch die Frequenzen der ersten Sinuswelle, die nacheinander dadurch gebildet werden, daß als neuer Schritt der Wert _b5 θ + B genommen wird, in einer zufälligen Ordnung.

Es ist daher möglich, das gewünschte Sprachsignal mit Hilfe von digitalen Abtastwerten durch Synthese aufzubauen, wobei jeder der Abtastwerte erreichnet wird, indem jede sinnvolle Sinuswelle, insberondere die Grundfrequenz und deren Harmonische, mit den entsprechenden Fourier-Koeffizienten gewichtet und die Resultate der genannten Produkte addiert werden. Diese Operationen können vereinfacht werden, indem berücksichtigt wird, daß der /te Abtastwert der /-ten Harmonischen mit dem (i χ /J-ten Abtastwert der entsprechenden Grundfrequenz identisch ist. Eine Einrichtung, in der die vorstehenden Gesichtspunkte berücksichtigt werden, kann realisiert werden.

Die Basis B kann dazu verwendet werden, den Wert der Grund- oder Pseudo-Grundfrequenz eines Lautes zu definieren, der durch Synthese gebildet werden soll. Es kann hierbei als Ursprung entweder eine frühere Analyse, im Falle eines stimmhaften Lautes, oder eine Zufallssignalquelle, im Falle eines stimmhaften Lautes, zugrunde liegen.

F i g. 2 zeigt nun die erfindungsgemäße Einrichtung. Ein Arbeitsspeicher LS speichert die sprachcodierten Daten, die über den Kanaleingang (das sind mehrere Eingangskanäle) empfangen werden. Diese Daten sind für den stimmhaften oder stimmlosen Charakter des Signals kennzeichnend, das durch Synthese gebildet werden soll. Sie sind ferner kennzeichnend für seine Grundfrequenz (und daher für die entsprechenden Werte θ und B)\md für die Werte der Koeffizienten An und A'n. Der Festwertspeicher SIN enthält die Abtastwerte der Bezugssinuswelle. Am Anfang einer Rechenoperation für die Berechnung eines Abtastwertes des zu bildenden Signals und dann insbesondere alle 100 μ5 wird ein neuer Wert der Phase θ erreichnet, aus dem Wert Θ, der vom Arbeitsspeicher LS geliefert wird und aus dem Wert von B der Grundfrequenz. Die Stufe ADD 1 dient zur Durchführung der Rechenoperation θ + B.

Der auf diese Weise errechnete Wert von θ wird anschließend in das Register REG 1 eingegeben. Er wird dann wieder in den Addierer ADDi zurückgebracht, um während der folgenden Operation mit dem Wert θ einerseits erneut verwendet zu werden. Andererseits dient er auch als erste Adresse zur Adressierung des Speichers SIN, aus dsm ein Abtastwert der Bezugssinuswelle abgerufen wird. Dieser Abtastwert wird in den Addierer-Multiplizierer ADD/MULT übertragen. Danach wird der Fourier-Koeffizient A 1 aus dem Arbeitsspeicher LS abgerufen und ebenfalls in den Addierer-Multiplizierer ADD/MULT übertragen und dort mit dem bereits vorhandenen Abtastwert der Bezugssinuswelle multipliziert Das Ergebnis wird schließlich in das Register REG 2 übertragen. Gleichzeitig wird die Phase θ in dem Addierer ADD 1 zu sich selbst hinzuaddiert. Das Ergebnis 20 wird im Anschluß daran zu dem Eingang von ADDi übertragen, wie schon vorher zu sehen war, und dazu benutzt, den ersten Abtastwert der ersten Harmonischen aus dem Speicher SIN abzurufen. Dieser Abtastwert wird in ADD/MUL1 mit dem Koeffizienten A 2, der vom Arbeitsspeicher LS abgerufen wurde, gewichtet Das Ergebnis dieser Operation wird zu dem im Register REG 2 befindlichen Wert hinzuaddiert. Ferner wird der Wert θ in ADD I zu 20 addiert Das Ergebnis 30 wird dann wieder zu dem Eingang von ADD 1 zurückübertragen und ferner dazu benutzt, den ersten Abtastwert der zweiten Harmonischen aus dem Speicher SIN abzurufen. Dieser Wert wird wieder in ADD/MULT mit dem vom Arbeitsspeicher LS abgelesenen Koeffizienten, diesesmal ist es A 3, gewichtet Das Ergebnis wird wieder zu dem bereits

im Register REG 2 befindlichen Wert hinzuaddiert. Die oben stehende Operation, die der Akkumulierung der gewichteten Abtastwerte der harmonischen Sinuswellen dient, muß so lange fortgesetzt werden, bis die vorgesehenen k Harmonischen erschöpfend bearbeitet sind. In der Praxis sind 50 bis 100 Harmonische ausreichend, so daß die gesamte Operation für die angegebene Anordnung 100μ5 dauert. Schließlich enthält das Register REG 2 den Digitalwert des ersten Abtastwertes des Sprachsignals, ein Wert, der dann zu einem Digital-/Analogwandler D/A für die Analogumwandlung und Glättung der Kurve übertragen wird. Alle vorangegangenen Operationen müssen dann wieder für die Synthese des zweiten Punktes des Sprachsignals aufgenommen werden. Zuerst muß hierzu eine neue Adresse Ö 1 der Sprachgrundfrequenz bestimmt wer-

den, die im Prinzip dadurch gewonnen wird, daß nur der geeignete Basiswert ßzu dem vorhergehenden Wert Θ addiert wird. Diese Basis bleibt für einen gesamten Abschnitt eines stimmhaften Sprachsignals konstant, sie muß jedoch auf Zufallsbasis für jeden Unterabschnitt eines stimmlosen Sprachabschnittes modifiziert werden. Daher wird die Größe B für stimmhafte Sprachabschnitte von dem Arbeitsspeicher LS und für stimmlose Sprachabschnitte von einem Zufallsbasisgenerator GBA geliefert. Dies heißt in anderen Worten, daß der von GBA gelieferte Wert von B für jede Pseudoperiode des stimmlosen Sprachsignals anders ist und daß auf diese Weise in der Verteilung der genannten Basen keine Periodizilät auftreten kann. Im gewählten Beispiel dauert der Prozeß sowohl für stimmhafte als auch stimmlose SprachabschniUe etwa 25 ms.

Hierzu I Blatt Zeichnungen

Claims (5)

Patentansprüche:

1. Elektrisches Sprachsyntheseverfahren, bei dem die Sprachsignale aus Abschnitten aufgebaut werden, deren Dauer das Vielfache der Sprachgrundperiode beträgt, dadurch gekennzeichnet, daß alle Sprachlaute in ähnlicher Weise nach dem Fourier-Theorem gebildet werden, wobei jeder Sprachabschnitt in benachbarte Unterabschnitte unterteilt ist, deren Dauer entweder durch die Sprachgrundperiode oder die Pseudo-Sprachgrundperiode bestimmt ist, je nachdem, ob der Sprachlaut, der gebildet werden soll, stimmhaft oder stimmlos ist

2. Sprachsyntheseverfahren nach Anspruch 1, dadurch gekennzeichnet, daß im Falle stimmloser Sprachabschnitte sich die Dauer aufeinanderfolgender Pseudo-Perioden auf Zufallsbasis ändert

3. Sprachsyntheseverfahren nach Anspruch 2, dadurch gekennzeichnet, daß alle Unterabschnitte aus Abtastwerten mit gleichem zeillichen Abstand gebildet sind, die dadurch gewonnen werden, daß nacheinander die entsprechenden Abtastwerte einer Sinuswelle der Sprachgrund- oder Pseudo-Sprachgrundperiode, je nachdem, ob der Sprachlaut, der gebildet werden soll, stimmhaft oder stimmlos ist und die Abtastwerte einer Anzahl der Harmonischen der Sprachgrundperiode, die mit den entsprechenden Fourier-Koeffizienten gewichtet sind, ad- «1 diert werden.

4. Sprachsyntheseverfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß folgende Verfahrensschritte durchgeführt werden:

i">

Bestimmung des stimmhaften oder stimmlosen Charakters des Sprachlautes, der gebildet werden soll,

Bestimmung der Sprachgrundfrequenz oder der Pseudo-Sprachgrundfrequenz des zu bildenden Sprachlautes, Gewichtung der Abtastwerte gleichen Rangs der Sprachgrund- oder Pseudo-Sprachgrundsinuswelle und einer Anzahl ihrer Harmonischen mit dem entsprechenden Fourier-Koeffizienten, 4) Addition der gewichteten Abtastwerte und
Wiederholung der vorstehend genannten Gewichtungs- und Additionsoperationen für die Bildung aufeinanderfolgender Abtastwerte des gleichen Abschnittes eines Sprachsignals, wäh- -,o rend der Wert der Sprachgrundfrequenz für einen stimmhaften Sprachlaut konstant gehalten und für einen stimmlosen Laut in jedem Unterabschnitt auf Zufallsbasis modifiziert wird. >^r>

5. Einrichtung zur Durchführung des Sprachsyntheseverfahrens nach den Ansprüchen 1 bis 4, dadurch gekennzeichnet, daß die Einrichtung aus folgenden Gruppen aufgebaut ist: wi

a. Einem Speicher (SlN; F i g. 2) für die Speicherung der Abtastwerte einer Bezugssinuswelle,

b. einer Anordnung (LS, GBA, ADD 1, REG 1) zur Bildung der Speicheradresse, an der ein _h-, Abtastwert der Bezugssinuswelle aus dem Speicher (SlN) ausgelesen werden soll, so daß die Abtastwerte in einer solchen Reihenfolge erscheinen, daß sie dem Aufbau der Sinuswellen der Sprachgrund- oder Pseudo-Sprachgrundfrequenzen der Unterabschnitte des Sprachsignals und deren Harmonischen entsprechen,

c. einem Speicher (LS) zur Speicherung von Information, die sich auf die Amplituden der Sprachgrund- oder Pseudo-Sprachgrundfrequenzen und deren Harmonischen aller Unterabschnitte des zu bildenden Sprachlautes bezieht, und

& einer Anordnung (LS, SlN, ADD/MULT, REG 2, D/A) zur erneuten Bildung eines Unterabschnitts des Sprachsignals durch Addition der Abtastwerte der Sinuswellen der Sprachgrund- oder Pseudo-Sprachgrundfrequenzen und der Harmonischen, die diesen entsprechen, wcbei diese Abtastwerte mit ihren Fourier-Koeffizienten (A 1 bis A n) gewichtet sind, die ferner die Bildung der Unterabschnitte so oft wiederholt, wie es zur Bildung eines vollständigen Abschnitts erforderlich ist, wobei sie im Falle stimmhafter Laute die Sprachgrundfrequenz nicht und im Falle stimmloser Laute für jeden Unterabschnitt die Pseudo-Sprachgrundfrequenz auf Zufallsbasis verändert.