DE3406540C1 - Verfahren und Anordnung fuer die Sprachsynthese - Google Patents

Description

— alle in der Sprache vorkommenden Vokale einzeln abgespeichert werden, und

— die gewünschte Konsonanten-Vokal-Kombination durch zeitversetztes Auslesen der entsprechenden Konsonanten-Einheitsvokal-Kombination und des entsprechenden Vokals in zwei Kanälen unter Maskierung des Einheitsvokals »&« durch den ausgelesenen Vokal gebildet wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß beim Abspeichern der Kombinationen aus Konsonant und Einheitsvokal »&« vokaltypische Frequenzen bedämpft werden und daß beim Abspeichern der Vokale konsonantentypische Frequenzen bedämpft werden.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Amplitude der Einheitsvokale »&« beim Auslesen bedämpft werden.

4. Verfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, daß das Auslesen mit variabler Taktfrequenz erfolgt

5. Anordnung zum Durchführen des Verfahrens nach Anspruch 1, gekennzeichnet durch zwei alternierend aktivierbare Auslesekanäle (1 —4, 6, 7, 13) und einen Umschaltkreis (12) der durch ein in einem Kanal ausgelesenes Kommando zur Aktivierung des anderen Kanals ansteuerbar ist.

6. Anordnung nach Anspruch 5, dadurch gekennzeichnet, daß jeder Kanal einen Speicher (3) für alle benötigten Laute (Phoneme und Di-Phoneme) umfaßt.

7. Anordnung nach Anspruch 5 oder 6, bei der die Laute (Phoneme und Di-Phoneme) digital in jedem Speicher (3) abgespeichert und sequentiell auslesbar sind, dadurch gekennzeichnet, daß zumindest bei den Di-Pohnemen das Umsteuer-Kommando (»weiter«) in der Auslesesequenz zwischen dem Konsonantenintervall und dem Einheitsvokal-Intervall abgespeichert ist (F i g. 3).

8. Anordnung nach Anspruch 7 zur Durchführung des Verfahrens nach Anspruch 3, dadurch gekennzeichnet, daß für jeden Kanal ein Hüllkurvengenerator (13) vorgesehen ist, mittels dem die Amplitudenbedämpf ung bewirkt wird und der von dem Umsteuer-Kommando aktivierbar ist.

9. Anordnung nach Anspruch 5, bei der die Laute (Phoneme und Di-Phoneme) digital in jedem Speicher (3) abgespeichert und sequentiell auslesbar sind, dadurch gekennzeichnet, daß am Ende jeder Auslesesequenz ein Kommando »Ende« auslesbar ist, mittels dem ein nächster Auslesevorgang einleitbar ist Die Erfindung betrifft ein Verfahren für die Sprachsynthese gemäß dem Oberbegriff des Patentanspruchs 1 und eine Anordnung zu seiner Durchführung.

Es ist bekannt, die in einer Sprache vorkommenden Laute oder Phoneme (Konsonanten, Vokale) einzeln abzuspeichern und bedarfsweise sequentiell auszulesen. Diese Methode erfordert nur geringe Speicherkapazität, ergibt jedoch eine für die Praxis unbrauchbare, völlig unnatürlich klingende Sprache. Es ist ferner bekannt, zusammen mit jedem Konsonanten einen ihm voroder/und nachgestellten Vokal abzuspeichern und die Auslesung ebenfalls sequentiell vorzunehmen. Wenn man für solche sogenannten Di-Phoneme jeden in der Sprache vorkommenden Konsonanten mit jedem vorkommenden Vokal kombinieren und abspeichern will, ist eine erhebliche Speicherkapazität erforderlich, .was nur bei besonderen Anwendungsfällen gerechtfertigt erscheint. Man hat bereits versucht, die Speicherkapazitat, die erforderlich ist, dadurch herabzusetzen, daß man einander ähnlich klingende Vokale auf nur einen reduziert oder daß man überhaupt nur einen einzigen »Einheitsvokal« verwendet, der hier und im folgenden mit »&« bezeichnet werden soll. Dies ergibt jedoch eine entsprechend schlechtere Verständlichkeit der dann schon wieder recht unnatürlich klingenden synthetisierten Sprache (vgl. Frequenz, Bd. 32, 1978, H. 5, S. 136-140).
Aufgabe der Erfindung ist es, das zuletzt genannte Verfahren hinsichtlich der Verständlichkeit der synthetisierten Sprache erheblich zu verbessern, ohne daß eine erheblich größere Speicherkapazität benötigt wird, so daß das Verfahren auch bei Massenkonsumgütern, z. B. bei Puppenstimmen, Anwendung finden kann.

Ausgehend von dem eingangs geschilderten Verfahren, dessen Merkmale im Oberbegriff des Patentanspruchs 1 genannt sind, wird die Aufgabe durch die in seinem kennzeichnenden Teil definierten Maßnahmen gelöst. Man erkennt, daß nur Speicherkapazität zusätzlieh für die einzeln abzuspeichernden Vokale erforderlich ist, und es hat sich gezeigt, daß durch das zeitversetzte Auslesen der unnatürliche Klang des Einheitsvokals nahezu gänzlich maskiert oder jedenfalls soweit überdeckt wird, daß die resultierende Silbe der natürlichen Aussprache zumindest sehr nahe kommt.

Bei der üblichen digitalen Abspeicherung der Phoneme ist es zweckmäßig, bei den Konsonanten an der richtigen Stelle einen Befehl abzuspeichern, der den Beginn der Auslesung des Vokalspeichers einleitet. Ferner kann es zweckmäßig sein, durch entsprechend ausgelegte Filter die Frequenzen der Konsonanten einerseits, der Vokale andererseits unterschiedlich zu verstärken bzw. zu bedampfen, um die Maskierung der & zu verbessern.

Unter Bezugnahme auf die Zeichnungen soll die Erfindung nachstehend im einzelnen erläutert werden.

F i g. 1 zeigt anhand eines Beispiels das Prinzip des Verfahrens,
F i g. 2 zeigt Frequenzgänge von Filtern für Vokale und Konsonanten,

F i g. 3 zeigt schematisch ein mögliches Speicherformat für Konsonanten und Vokale,

Fig.4 zeigt eine bevorzugte Hüllkurve für die Konsonantenerzeugung,

F i g. 5 ist ein Blockdiagramm einer Anordnung zur Ausführung des Verfahrens, und

F i g. 6 ist ein Diagramm zur Darstellung des Zeitablaufs bei der Synthese eines einfachen Wortes.

Da der Auslesevorgang zeitversetzt, das heißt so erfolgt, daß die Auslesung eines Vokals bereits beginnt, während noch das Auslesen des Konsonanten-Di-Phonems (nämlich dessen &-Teil) abläuft, arbeitet man mit zwei Auslesekanälen. In Fig. 1 stellt das obere Diagramm den Hüllkurvenverlauf des Konsonantenkanals, das untere den des Vokalkanals dar, wobei als Beispiel das einfache Wort »DATO« gewählt ist. Man erkennt, daß gleichzeitig die &-Anteile des Konsonantenkanals und die Vokale wiedergegeben werden, und bereits dadurch werden die schwachen &-Laute stark maskiert. Diese Maskierung kann aber noch durch weitere Maßnahmen unterstützt werden.

F i g. 2 stellt ein erstes Mittel hierfür dar. Es ist bekannt, daß das Frequenzspektrum der Konsonanten und Vokale unterschiedlich ist; z. B. liegen bei einer männlichen Stimme die Maxima der Konsonanten im Bereich von etwa 600 ... 3000 Hz, der Vokale im Bereich von etwa 200 ... 1000Hz. Dementsprechend werden den beiden Kanälen Filter mit den in Fig.2 gezeigten Durchlaßbändern zugeordnet, wobei die Filterung entweder bei der Aufzeichnung oder bei der Wiedergabe erfolgen kann.

F i g. 3 zeigt schematisch das Format für die Speicherung. Bei der Aufzeichnung werden die Laute digitalisiert, das heißt mit einem Takt von z.B. 10KHz oder mehr amplitudenabgetastet und die so erhaltenen Daten werden in aufeinanderfolgenden Speicherplätzen für serielles Auslesen abgespeichert. Es werden jedoch zwei Speicherplätze für Kommandodaten freigehalten, nämlich ein Kommando »weiter« und ein Kommando »Ende«. Das Kommando »weiter« bedeutet den Zeitpunkt, bei welchem der jeweils andere Kanal mit dem Auslesen fortfahren soll; dieses Kommando liegt bei den Konsonantendaten beim Übergang des eigentlichen Konsonantenlauts zum &-Teil, während es bei den Vokaldaten nahe dem Ende des Datenstrangs liegt. Das Kommando »Ende« versteht sich von selbst, ist aber erforderlich, weil die einzelnen Phoneme unterschiedliche Dauer besitzen. Das Kommando »weiter« kann dazu verwendet werden, um den Maskierungseffekt noch zu verstärken, indem bei seinem Auftreten die Hüllkurve des gerade ausgelesenen Kanals bedämpft wird, wie in Fig.4 angedeutet, wofür man ein übliches analog arbeitendes Dämpfungsglied aus Diode, Widerstand und Kondensator verwenden kann.

F i g. 5 zeigt in Blockform ein Ausführungsbeispiel eines Sprachsynthesizers, der — wie man erkennt — höchst einfach aufgebaut ist. Die Auswahl der wiederzugebenden Phoneme erfolgt durch externe Mittel, beispielsweise einen Mikroprozessor, und bildet keinen Gegenstand der vorliegenden Erfindung; hier ist deshalb nur als Block 1 eine externe Steuerschaltung angedeutet.

Die Anordnung umfaßt zwei untereinander identisehe Kanäle, von denen nachstehend nur einer beschrieben wird.

Ein Speicheradressenzähler 2 wird von der Steuerschaltung 1 auf eine bestimmte Phonem-Startadresse gesetzt. Ein Phonemspeicher 3 enthält alle für eine gegebene Sprache benötigten Phoneme, wobei für viele Sprachen sechsunddreißig Phoneme ausreichend sind. Die Phoneme sind nach Filterung bei der Aufnahme (wie oben erläutert) digitalisiert und in dem in F i g. 3 dargestellten Format abgespeichert; dabei können beispiels weise die Kodes »0« bzw. »1« für die Kommandos »weiter« bzw. »Ende« reserviert sein. Ein Taktgenerator 5 erzeugt den Auslesetakt von z. B. 10 KHz, und zwar für beide Kanäle. Die ausgelesenen Daten gelangen zu einem Dekoder 4, der feststellt, ob es sich um Daten oder eines der Kommandos »weiter« bzw. »Ende« handelt. Daten gelangen über einen Digital-Analog-Umsetzer 6 sowie, ein Multiplizierglied 7 zu einem Summierglied 8 und von dort zu einer Verstärker-Lautsprecher-Einheit 9.

Bei Dekodierung des Kommandos »Ende« wird über ein UND-Gatter 10 die Inkrementierung des Adresszählers 2 gesperrt.

Wird das Kommando »weiter« dekodiert, so wird ein Phonem-Anforderungs-Flipflop 11 für den jeweils anderen Kanal gesetzt; seine Rücksetzung erfolgt durch die externe Steuerschaltung bei Eingabe der nächsten Startadresse. Ferner wird beim Kommando »weiter« ein Dämpfungsflipflop 12 umgeschaltet, das mit seinem Ausgang F dem einen, mit seinem Ausgang F dem anderen Kanal einen Hüllkurvengenerator 13 zuschaltet, der auf das Multiplizierglied 7 einwirkt, so daß der Ausgang «des betreffenden Kanals sanft abfallend bedämpft wird, ohne daß jedoch das »Klick«-Geräusch entsteht. Die Ausgänge beider Kanäle werden im Summierglied 8 kombiniert.

Der jeweilige Setzzustand des Flipflops 12 wird auch zu der externen Steuerschaltung übertragen, um dieser zu signalisieren, welcher der beiden Kanäle belegt werden kann, etwa zu Beginn eines Auslesezyklus nach Inbetriebnahme der Schaltung.

Bevor unter Bezugnahme auf F i g. 6 ein Synthesevorgang im einzelnen erläutert wird, sei noch auf mögliche Abwandlungen der in F i g. 5 gezeigten Blockschaltung hingewiesen.

Der Speicheraufwand läßt sich halbieren, wenn für beide Kanäle nur ein Phonemspeicher 3 vorgesehen ist und das Auslesen im Zeitmultiplex erfolgt. Das Multiplizierglied 7 ist in bestimmten handelsüblichen Digital-Analog-Umsetzern bereits enthalten, so daß man den Ausgang der Hüllkurvengeneratoren 13 nur mit dem entsprechenden Eingang des Umsetzers zu verbinden braucht. Man kann die Schaltung auch weitgehend in einem Mikroprozessor realisieren, wobei dann entweder die beiden Hüllkurvengeneratoren und die beiden Umsetzer außerhalb bleiben oder nur ein einzelner, gemeinsamer Umsetzer, während alle anderen Vorgänge vom Mikroprozessor digital durchgeführt werden.

In Fig. 6 ist der zeitliche Ablauf des Auslesevorgangs schematisch zusammengefaßt, wobei das Auslesen mit starrem Takt oder, um eine noch bessere Anpassung an die natürliche Sprache zu erzielen, mit entsprechend variablem Takt erfolgen kann. Gezeigt ist:

— in Zeile (b) Formate aus dem ersten Kanal, hier die Phoneme »D&« und T&«,

— in Zeile (c) den Logikpegel am Ausgang des Flipflop 12,

— in Zeile (d) den Logikpegel am Ausgang des Flipflops 11 des zweiten Kanals,

— in Zeile (e) Formate aus demselben zweiten Kanal, hier Phoneme »a« und »o«,

— in Zeile (f) den Logikpegel am Ausgang des Flipflops 11 des ersten Kanals,

— in Zeilen (g) bzw. (h) die Hüllkurven, erzeugt von den Hüllkurvengeneratoren 13 des ersten bzw. des zweiten Kanals, und

— in Zeilen (i) bzw. (k) die analogen Ausgangssignale des ersten bzw. zweiten Kanals; dabei sind die Hüll-

kurven nicht als repräsentativ für die tatsächlich erzeugten Laute »D«, »A«, »T« oder »O« zu verstehen; das Diagramm dient nur der Erläuterung des zeitlichen Ablaufs.

Hierzu 3 Blatt Zeichnungen

10

15

20

25

30

35

40

45

50

55

60

65

Claims (1)

Patentansprüche:

1. Verfahren für die Sprachsynthese, bei dem Kombinationen aus jedem in der Sprache vorkommenden Konsonanten zusammen mit einem für alle Konsonanten gleichen schwachen Einheitsvokal »&« abgespeichert und bedarfsweise ausgelesen werden, dadurch gekennzeichnet, daß