DE2649540A1 - Verfahren und anordnung zur sprachsynthese - Google Patents

Description

• Verfahren und Anordnung zur Sprachsynthese
• (Zusatz zu Patent ... (Patentanmeldung P 25 19 483.6)) Priorität: 14. November 1975 - USA - Ser. No. 632 140 Im Hauptpatent ist ein Verfahren zur Sprachsynthese nach dem Oberbegriff des Anspruchs 1 sowie eine Anordnung zur Sprachsynthese nach dem Oberbegriff des Anspruchs 2 beschrieben und beansprucht.
• Aufgabe der Erfindung ist es, die beim Verfahren nach dem Hauptpatent erzielbare Informationskompression zu verbessern, so daß die Anordnung nach dem Hauptpatent bei gleicher Speichergröße entweder ein größeres Vokabular aufnehmen kann oder die Sprachverständlichkeit bei gleichem Vokabular erhöht wird.
• Erfindungsgemäß wird diese Aufgabe durch die im Anspruch 1 aufgeführten Maßnahmen gelöst.
• Die Erfindung soll anhand der Zeichnung näher erläutert werden; es zeigen: Fig. 1 das Energie spektrum des Phonems/u/ wie im englischen Wort "two"; Fig. 2A-D digitalisierte Sprachperioden vor der erfindungsgemäßen Phasenjustierung, nach der Phasenjustierung, nach Halb-Perioden-Nullsetzung und Delta-Modulation; und Fig. 3A-F graphisch eine Reihe von symmetrierten Cosinusschwingungen wachsender Frequenz und positiver bzw. negativer Einheitsamplitude.
• Das in Fig. 1 dargestellte Energiespektrum wird durch Fourier-Analyse einer einzelnen Periode des Sprach-Spannungsverlaufs auf folgende Weise erhalten. Die Amplitude des Sprach-Spannungsverlaufs in Abhängigkeit von der Zeit wird durch die folgende Gleichung dargestellt: F<t) = £ Ancos(2 # n t/T + #n) (1) + wobei T die Zeitdauer der interessierenden Sprachperiode ist und An und dn willkürliche Konstanten sind, die für jeden Wert von n unterschiedlich sind und die so festgelegt werden, daß die obige Gleichung exakt den Sprach-Spannungsverlauf wiedergibt. Wenn eine Periode des differenzierten Sprach-Spannungsverlaufs digitalisiert wird, wird sie durch N diskrete Werte von F(t) repräsentiert, die zu den T 2T 3T Zeitpunkten m, N,N, N, ... T erhalten worden sind. Beispielsweise enthält der mit 8 Bit digitalisierte Spannungsverlauf 119 nach Fig. 2A 96 Abfragewerte, die in zehn Millisekunden abgenommen wurden, also sind N = 96 und T = 10-2 sek. Dieser Spannungsverlauf ist eine Periode des Vokals im englischen Wort "swap".
• Die N Werte von F(t), die in die obige Gleichung (1) eingehen, ergeben N/2 Amplituden A1, A2 ... AN/2 und N/2 Phasenwinkel die 62,... #N/2 da die Anzahl der berechneten A's plus der Anzahl von 6s gleich der Anzahl der Eingangswerte von F(t) sein muß. Die Fourier-Analyse des Spannungsverlaufs 119 nach Fig. 2A ergibt also 48 Amplituden und 48 Phasenwinkel. Diese 48 Amplituden, die beispielsweise als Funktion der Frequenz wie im Beispiel der Fig. 1 aufgetragen werden, werden das Energiespektrum dieser Periode des Sprach-Spannungsverlaufs genannt.
• Es ist bekannt, daß die Verständlichkeit menschlicher Sprache durch das Energiespektrum des Sprach-Spannungsverlaufs und nicht durch die Phasenwinkel 6n der Fourier-Komponenten bestimmt wird (Flanagan, 1972). Die Verständlichkeit der N Digitalisierungen in einer Sprachperiode ist also in den N/2 Amplituden An enthalten. Ein Kompressionsfaktor 2 der Information im Sprach-Spannungsverlauf muß deshalb erzielbar sein, wenn die Tatsache ausgenutzt wird, daß die Verständlichkeit in den Amplituden und nicht in den Phasen der Fourier-Komponenten enthalten ist.
• Einer von vielen möglichen Wegen, diesen Kompressionsfaktor 2 zu erhalten, ist durch Phasenwinkeljustierung willkürlich zu fordern, daß #n = n# + #n (2) N wobei #n = 0 oder ii.
• n Für diesen Fall wird Gleichung (1) F(t) = # AnSncos(2#nt + n#) (3) n T N wobei Sn - cos 0n einen Wert von + 1 für #n = 0 und - 1 für Sn = # annimmt. Als Beispiele für die Glieder auf der rechten Seite von Gleichung (3) repräsentiert Fig. 3A den Spannungsverlauf 127 bei Sncos (2 #nt + n#) + N für n = 1, Sn = +1; Fig. 3B repräsentiert den Spannungsverlauf 129 für n = 1, 5n = - 1; Fig. 3C den Spannungsverlauf 131 für n = 2, 9 = + 1; Fig. 3D den Spannungsverlauf 133 für n . 2, Sn = - 1; Fig. 3E den Spannungsverlauf 135 für n = 3, 5n = + 1; und Fig. 3F repräsentiert den Spannungsverlauf 137 für n = 3, 5n = - 1. Diese Spannungsverläufe und solche für irgendwelche anderen Werte von n und 9 besitzen Symmetrie um den Mittelpunkt, d.h., die Amplitude des N + p + 1)ten Punktes N ist gleich der des (2 - p)ten Punktes. Da jedes Glied von Gleichung (3) diese Spiegelsymmetrie besitzt, ist die durch Gleichung (3) konstruierte Funktion F(t) ebenfalls spiegelsymmetrisch. Wegen dieser Spiegelsymmetrie kann die zweite Hälfte des Sprach-Spannungsverlaufs von der ersten Hälfte des Spannungsverlaufs erhalten werden, und es braucht nur die erste Hälfte im Phonemspeicher der Anordnung nach dem Hauptpatent gespeichert zu werden.
• Es wird also ein Kompressionsfaktor 2 dadurch erreicht, daß die Phasenwerte wie in Gleichung (2) in einem Prozess fixiert werden, der mit 11Phasenjustierung" " bezeichnet wird.
• Bei diesem Prozess der Phasenjustierung wird der.digitalisierte Sprach-Spannungsverlauf, der beispielsweise 96 Digitalisierungen enthält, in einem Computer Fourieranalysiert, indem übliche und leicht verfügbare schnelle Fourier-Transformationssubroutinen verwendet werden, um die 48 Werte von An zu erzeugen, die in Gleichung (3) eingehen. Eine solche Fourier-Technik wird unter dem Titel "An Algorithm For The Machine Calculation of Complex Fourier Series" von James W. Cooley und John W. Tukey in dem Buch Mathematics of Computation, Band 19, April 1965, Seite 297 ff. beschrieben.
• Die auf diese Weise erhaltenen 48 Werte von 6n werden im Computerspeicher durch Werte von 6n ersetzt, die durch die obige Gleichung (2) gegeben sind, und der Zeitdomänen-Spannungsverlauf von Gleichung (3) wird konstruiert und im Computerspeicher gespeichert. Da die Werte von Sn aus Gleichung (3) entweder + 1 oder - 1 sein können, ergeben die möglichen Kombinationen von Werten für 48 Größen Sn 248 # 1014 unterschiedliche Spannungsverläufe, die alle Spiegelsymmetrie aufweisen (also um den Faktor 2 komprimiert werden können) und klingen genauso wie der ursprüngliche Spannungsverlauf. Einer der 1014 möglichen Spannungsverläufe, der von der Datenperiode erhalten worden ist, die als Spannungsverlauf 119 in Fig. 2A illustriert ist, ist als Spannungsverlauf 121 in Fig. 2B dargestellt. Für ein vollständiges Verständnis dieser Technik ist es außerordentlich wichtig zu erfassen, daß trotz des unterschiedlichen Aussehens die Spannungsverläufe 119 und 121 sich gleich anhören.
• Ein Kriterium muß angewandt werden, um den einzelnen Sprach-Spannungsverlauf zur Verwendung in der Anordnung zur Sprachsynthese unter den etwa~1014 zur Auswahl stehenden Spannungsverläufen auszuwählen. Dieses Kriterium soll den Spannungsverlauf ergeben, der am besten für die im Hauptpatent beschriebenen Kompressionstechniken des Halb-Perioden-Nullsetzens und der Delta-Modulation geeignet ist, damit diese Kompressionsschemata mit minimaler Verschlechterung der Sprachverständlichkeit angewandt werden können. Die 48 Werte für Sn sollen also so ausgewählt werden, daß der Sprach-Spannungsverlauf minimale Energie im ersten und letzten Viertel hat (so daß es mit geringer Beeinträchtigung halb-perioden-nullgesetzt werden kann) und derart, daß die Differenz zwischen Amplituden aufeinanderfolgender Digitalisierungen im zweiten und dritten Viertel des Spannungsverlaufs verträglich mit möglichen Werten ist, die durch das Delta-Modulationsschema erzielbar sind.
• Die 48 Werte für Sn' die bei der Konstruktion des Spannungsverlaufs 121 in Fig. 2B verwendet wurden, wurden entsprechend diesen Kriterien ausgewählt. So sind nur 7 O/o der Energie des Spannungsverlaufs 121 im ersten und letzten Viertel der Stimmtonperiode enthalten. Diese Viertel können also nullgesetzt und durch ein Signal konstanter Amplitude ersetzt werden, um einen weiteren Kompressionsfaktor 2 ohne hörbare Verschlechterung zu gewinnen. Wegen der Spiegelsymmetrie des Spannungsverlaufs kann auch die letzte Hälfte entfernt und aus der ersten Hälfte wiedererzeugt werden.
• Die x-Perioden-Nullsetzung ist im Hauptpatent näher erläutert, so daß hier eine Wiederholung nicht erforderlich ist.
• Weiterhin wurden die 48 Werte für Sn auch so ausgewählt, daß die mit der Delta-Modulation verbundene Verschlechterung minimiert wird. Die resultierende delta-modulierte, halb-perioden-nullgesetzte Version des Spannungsverlaufs 121 ist als Spannungsverlauf 123 in Fig. 2C dargestellt. Die beiden Spannungsverläufe 121 und 123 wurden überlagert, um die zusammengesetzte Kurve 125 in Fig. 2D zu erhalten.
• Bei Betrachtung des zusammengesetzten Spannungsverlaufs 125 ist erkennbar, daß der delta-modulierte Spannungsverlauf 123 selten um mehr als 1/4 der Distanz zwischen aufeinanderfolgenden Delta-Modulationspegeln von dem ursprünglichen Spannungsverlauf 121 abweicht. Tatsächlich beträgt die mittlere Fehlanpassung zwischen den beiden Kurven 1/6 dieser Differenz. Da 16 zulässige Delta-Modulationspegel vorhanden sind, entspricht 1/6 Fehler einer mittleren Anpassung an den ursprünglichen Spannungsverlauf 121 auf etwa 6 Bit Genauigkeit. Der 2 Bit delta-modulierte Spannungsverlauf wird also im Informationsgehalt um einen Faktor 3 gegenüber dem 6 Bit Spannungsverlauf komprimiert, dem er angepaßt ist. Das übersteigt den Kompressionsfaktor 2, der durch die Delta-Modulation erreicht wird, wie sie im Hauptpatent beschrieben ist. Diese zusätzliche Kompression ergibt sich aus der Möglichkeit, die 48 Werte für 5n zu justieren, die aufgrund der Phasenjustierung erscheinen.
• Zusammengefaßt, die im Computer durchgeführte Phasenjustierung ergibt einen Kompressionsfaktor 3, wovon ein Faktor 2 aus der Notwendigkeit stammt, nur die Hälfte des Spannungsverlaufs zu speichern, und einen Faktor 1,5 von der verbesserten Nutzung der Delta-Modulation. Ein weiters Vorteil der Phasenjustierung besteht darin, daß sie eine Minimierung der Energie in den Teilen des Spannungsverlaufs erlaubt, die halb-perioden-nullgesetzt sind. Der Eompressionsfaktor, der zwischen den Spannungsverläufen 119 und 123 gemäß Fig. 2A und 2C erreicht wurde, beträgt 12, und die beiden Spannungsverläufe erscheinen dem Ohr identisch.
• Von diesem Faktor 12 ergibt sich der Faktor 2 aus Halb-Perioden-Nullsetzung, ein weiterer Faktor 2 aus der Phasenjustierung, und ein Faktor 3 aus der Eombination von Phasenjustierung und Deltamodulation.
• Leerseite

Claims (2)

1. Patentansprüche 0 l.j Verfahren zum Synthetisieren von Sprachinformation, bei dem elektrische Signale, die ausgewählte Sprachinformation repräsentieren, zeitlich differenziert werden, die Amplitude der elektrischen Signale zeitlich quantisiert wird, die zeitlich quantisierten Signale selektiv dadurch komprimiert werden, daß ausgewählte Teile derselben entfernt werden, während gleichzeitig Befehlssignale hinsichtlich der entfernten Teile erzeugt werden, die komprimierten Signale und die Befehlssignale gespeichert werden, selektiv einige der gespeicherten komprimierten Signale und Befehlssignale wieder aufgesucht werden, und die wiedergefundenen komprimierten Signale und die Befehlssignale benutzt werden, gewählte Sprachinformation zu reproduzieren, nach Patent (Patentanmeldung 25 19 483.6), dadurch gekennzeichnet, daß die zeitlich quantisierten Signale Fouriertransformiert werden, um einen Satz diskreter Amplituden und Phasenwinkel zu erzeugen, die Phasenwinkel so eingestellt werden, daß die inverse Fourier-Transformation der Amplituden und der neuen Phasen symmetrisch ist, die phasen-justierten Amplituden und Phasen invers Fourier-transformiert werden, eine Hälfte eines ausgewählten Spannungsverlaufs als repräsentativ für jeden diskreten Satz phasenjustierter Amplituden und Phasen gespeichert wird, und die andere Hälfte des ausgewählten Spannungsverlaufs entfernt wird.
2. 2. Anordnung zur Sprachsynthese, mit einem ersten adressierbaren Speicher zur Speicherung von Digitalsignal-Repräsentationen von elektrischen Signalen, die Teile von gesprochenen Wörtern eines vorgegebenen Vokabulars repräsentieren, einem zweiten adressierbaren Speicher zur Speicherung erster Befehlssignale hinsichtlich der Adressen von Signalen, die Teile der Vokabularwörter repräsentieren, im ersten Speicher, einem dritten adressierbaren Speicher zur Speicherung von zweiten Befehlssignalen hinsichtlich der Adressen von Folgen der ersten Befehlssignale, die notwendig sind, um gewählte Wörter des Vokabulars zu bilden, im zweiten Speicher, Wiedergabeeinrichtungen, die auf den Digitalsignal-Ausgang des ersten Speichers ansprechen, um diese Digitalsignale in hörbarer Form zu reproduzieren, und einer Steuerlogik, mit der selektiv sequentiell die zweiten Befehlssignale vom dritten Speicher herausgezogen werden und diese herausgezogenen zweiten Befehlssignale dafür verwendet werden, sequentiell gewählte erste Befehlssignale vom zweiten Speicher herauszuziehen, und diese herausgezogenen ersten Befehlssignale dazu verwendet werden, sequentiell ausgewählte Digitalsignale aus dem ersten Speicher herauszuziehen, um gewählte Wörter des Vokabulars über die Wiedergabeeinrichtung hörbar zu reproduzieren, nach Patent ... (Patentanmeldung P 25 19 483.6), dadurch gekennzeichnet, daß die im ersten adressierbaren Speicher gespeicherten Digitalsignale nur eine symmetrische Hälfte eines ausgewählten Spannungsverlaufs repräsentieren, der durch Fourier-Transformation der Digitalsignale erhalten ist, mit der ein Satz diskreter Amplituden und Phasenwinkel erzeugt worden ist, wobei die Phasenwinkel so justiert worden sind, daß Spannungsverläufe nach inverser Fourier-Transformation symmetrisch sind, und der eine Spannungsverlauf als repräsentativ für den Satz symmetrischer Spannungsverläufe ausgewählt worden ist.