-
System zur Synthese von Sprache im Zeitbereich aus Doppellauten und
Lautelementen Ble Erfindung betrifft ein System zur Synthese von Sprache im Zeitbereich
aus Doppellauten und Lautelementen.
-
Derartige Systeme sind beispielsweise durch die Nachrichtentechnischen
Pachberichte (Beiheft der NTZ), Band 3, "Informationstheorie", 1956, 5. 28 bis 31,
bekannt. Ein derartiges noch in analoger Technik aufgebautes System benötigt zur
Synthese eines unbegrenzten Wortschatzes ca. 1000 Doppellaute.
-
Durch die D'D-j.S 18 11 040 ist weiter eine Anordnung zur Synthetisierung
von Sprachsignalen bekannt mit einem Speicher, der eine Mehrzahl von einzelnen abfragbaren
akustischen Grundbausteinen für den Aufbau von stimmhaften und stimmlosen Lauten
enthält und mit einer Steuerschaltung, die Zeitpunkt und Zeitdauer für die Abfrage
der einzelnen Grundbausteine aus dem Speicher bestimmt. Bei dieser Anordnung sind
die im Speicher enthaltenen wrundbausteine für den Aufbau der stizmnaften
Laute
gedämpfte Sinusschwingungen verschiedener Frequenz, und die Steuerschaltung veranlaßt
für jeden zu erzeugenden stimmhaften Laut die mehrfache Abfrage der Sinusschwingung
entsprechender Formantfrequenz mit konstanter, der Pitchfrequenz der zu synthetisierenden
Sprachsignale entsprechender Polgefrequenz und quadratisch mit der Formantfrequenz
abnehmender Amplitude.
-
Diese mit Einzellauten arbeitende bekannte Anordnung kommt zwar mit
einer verhältnismäßig geringen Anzahl von Einzellauten als Sprachelemente aus, benötigt
aber eine verwickelt aufgebaute umlaufende Analogspeicheranordnung, die Ueber mehrere
Leseköpfe überlappend abgetastet werden muß.
-
Die Erfindung hat - wie die mit Einzellauten arbeitende Anordnung
nach der D?-AS 18 11 040 - die Aufgabe, die Anzahl und die Länge der Sprachelemente
möglichst zu reduzieren.
-
Auch bei dem System nach der Erfindung wird die erforderliche Länge
der nachzubildenden stimmhaften Laute durch entsprechende Wiederholung der eingespeicherten
Pitchperiode erreicht. Im Gegensatz zu dieser bekannten Anordnung geht die Erfindung
tedoch von einem System aus, bei dem in der Hauptsache Doppellaute in digitaler
Form gespeiohert werden. Daneben werden Je eine Pitchperiode der stimmhaften Laute
und ein zeitlicher Abschnitt aus dem Mittelteil Jedes stimmlosen Lautes gespeichert.
-
Zur Lösung der durch die digitale Speicherung und die Ver-Wendung
von Doppellauten von anderen Voraussetzungen ausgehenden Aufgabe der Verringerung
der Anzahl und Länge der Spracheiemente schlägt die Erfindung die gemeinsame Anwendung
folgender
Maßnahmen vor: ) zeitliche Beschrknkung der einzuspeichernden Doppellaute auf den
ca. 20 % der Gesamtzeit ausmachenden signifikanten übergangslaut zwischen den beiden
Lauten, der sowohl Komponenten des ersten als auch solche des zweiten Lauts enthält,
getrennte Speicherung der dem Übergangslaut vorhergehenden und nachfolgenden, mehrfach
ausnutzbaren Laute und ihre Wiederanfügung bei der Synthese.
-
b) Doppelausnutzung einer Anzahl der eingespeicherten Doppellaute
zur Darstellung von Doppellauten, die aus den gleichen Lauten in umgekehrter Aufeinanderfolge
bestehen, durch Aus speicherung mit gegenüber der Einspeicherung umgekehrtem zeitlichen
Ablauf.
-
c) Doppelausnutzung eines Teils der Vokale enthaltenden Doppellaute
durch Ausspeicherung mit gegenüber der Einspeicherung verringerter oder vermehrter
Anzahl der Pitchperloden mit der Folge einer Vokalumwandlung.
-
d) Zusammenfassung eines Teils der Konsonanten betreffenden Laute
in folgende Lautgruppen:
und Speicherung nur eines Ubergangslauts pro Vokal und Lautgruppe;
d.h. Jeder Übergangslaut wird in Lautkombinationen aus den Konsonanten der einzelnen
Lautgruppen mit jeweils dem gleichen Vokal benutzt.
-
e) Mehrfach- bzw. Doppelausnutzung der eingespeicherten Reibelaute
von denen jeweils nur ein Teilabschnitt unterschiedlicher, von der klanglichen Struktur
der zu synthetisierenden Laute abhängiger Länge, meist bei Fortfall des Elnschwingvorgangs
der hintere Teil der Zeitfunktion, mit der Folge einer Konsonantenumwandlung durch
Verkürzung verwendet wird:
Diese Umwandlungen von Konsonanten haben für das Sprachsynthesesystem der Erfindung
deswegen Bedeutung, weil durch sie die Zahl der zu speichernden Ubergangslaute stark
reduziert werden kann.
-
Durch dieses bisher nicht ausgenutzte Phanomen ist es für die Sprachsynthese
ausreichend, aus Jeder nach der tlaßnahme d) gebildeten fünf Lautgruppen nur Je
einen Konsonanten auszuwählen und nur die Übergangslaute dieses Konsonanten zu speichern.
Grundsätzlich kann jeder Konsonant aus der jeweiligen Lautgruppe dazu genommen werden.
Allerdings lassen sich nicht alle Konsonanten einer Lautgruppe zuordnen. Das gilt
vor allem für die vokalähnlichen Konsonanten /m/, / i, und /l/* bei denen sämtliche
uebergangs~
laute gespeichert werden müssen.
-
Auch für einen Ubergang aus zwei Konsonanten der gleichen Lautgruppe
wie z,B. /kR/, oder /gR/ muß der originale übergangslaut gespeichert werden.
-
Abgesehen von diesen Ausnahmen läßt sich aber durch diese Lautgruppenbildung
die Zahl der Konsonanten, der @@ Übergänge zu den übrigen Konsonanten gespeichert
werden müssen, von 22 auf 8 reduzieren.
-
Durch die gemeinsame Anwendung aller vorstehend aufgeführten Maßnahmen
wird die Zahl der zu speichernden Sprachelemente auf ca. 25'20 der bei dem ersterwähnten
System notwendigen Anzahl reduziert.
-
Im einzelnen werden dann noch folgende Sprachelemente benötigt: 1.
ca 150 Überglage, mit-bei einer Abtastfrequenz von 12 kHz-je ca. 500 Abtastwerten
2. je eine Pitohperiode der stimmhaften Laute 3. ein Abschnitt aus dem rlittelteil
der stimmlosen Laute mit Ausnahme der Explosivlaute, bei denen der Anfang der Zeitfunktion
ges7)eichert wird.
-
Eine Speicherung dieser Segmente im Zeitbereich, uncodiert, würde
ein Speichervolumen der Großenordnung 1 BBit erfordern.
-
Diese Zahl kann erheblich reduziert werden, wenn eines der bekannten
Codierverfahren: Pulscodemodulation, Differenz -9C, Adaptive Differenz .-PCM, Deltamodulation,
Adaptive Deltamodulation, Blockquantisierung, oder Adaptive Blockquantisierung oder
ein Vocoder vor der Speicherung angewendet wird.
-
Eine so erreichte Speicherplatzersparnis wUrde allerdinge die Reproduktionszeit
der Laute und Wörter erhöhen. Es muß daher für jeden Anwendungsfall entschieden
werden, welche Codierung zu wählen ist.
-
Bei einem SpraahayFthesesystem nach der Erfindung erfolgt die Verarbeitung
der Doppellaute stets paarweise, wobei eine Verkntipfungslogik die zu synthetisierenden
Laute entweder direkt oder über einen Vervielfacher oder einen Umkehrer aus einem
alle gespeicherten Doppellaute enthaltenden schnellen Datenspeicher in einen Ausgabespeicher
überführt.
-
Bei bestimmten Lautkonstellationen bewirkt die VerknUpfungslogik ueber
einen Amplitudenbewerter eine Bewertung der Amplitude der ausgespeicherten Doppellaute,
Die im Ausgabe speicher stehenden Daten werden schließlich einem Digital-Analog-Vlandler
zugeführt und von dort akustisch ausgegeben.
-
Bei einer von der normalen Lautlänge abweichenden gewünschten Lautlänge
kann die Verknüpfungslogik entsprechend
der besonders eingegebenen
prosodischen Information eine geringere oder größere Anzahl von Pitchperioden aus
dem schnellen Datenspeicher wiederholen.
-
Falls die gewünschte Sprachhöhe von der normalen Sprachgrund~ frequenz
abweicht, kann die Verknüpfungslogik eine von mehreren verschieden langen Pitohperioden
auswählen, die sich aus der gesondert eingegebenen prosodischen Information ableiten
läßt.
-
Weicht die gewünschte Lautstärke, wie sie z,B. zur Betonung einzelner
Silben erforderlich ist, von der normalen Lautstärke ab, 80 veranlaßt die Verknüpfungslogik
entsprechend der gesondert eingegebenen prosodischen Information eine zusätzliche
Amplitudenbevertung, Im folgenden wird anhand von Fig. 1 und 2 die Erfindung näher
erläutert, Fig. 1 zeigt einen Programmablauf des Systems gemäß der Erfindung anhand
des im Zeitdiagramm nach Fig. 2 gezeigten Beispielswortes stulpe, Fig. 1 zeigt oben
eine Eingabe 1, etwa in Form einer schreibmaschinenähnlichen Tastatur. Die sich
verzweigenden Pfeile unterhalb der Eingabe sollen andeuten, daß jeweils ein aus
zwei Einzellauten (Phonemen) Phi, Ph2 bestehender Doppellaut gegebenenfalls mit
einer die Lauthöhe, Betonung usw. kennzeichnenden prosodischen Information "Pro
gemeinsam verarbeitet wird.
-
Eine darunter gcßeichnete Verknüpfungslogik 2 weist demsufolge drei
Steuereingänge auf, nämlich einen für jeden Laut des
Doppellauts
und einen für die zusätzliche prosodische Information des ersten der beiden Laute.
-
Die Ausgänge der Verknüpfungslogik 2 gehen einerseits auf einen schnellen
Datenspeicher 3, in dem alle für das Verfahren nach der Erfindung erforderlichen
Sprachelemente eingespeichert sind, und andererseits auf einen nachgeschalteten
Vervielfacher 4, einen Umkehrer 5 und einen Amplitudenbewerter 6.
-
Diese Schaltglieder sind entweder direkt oder hintereinander mit einem
nachgeschalteten Ausgabe speicher 7 verbunden.
-
Dem Ausgabe speicher 7 folgt ein Digital-Analog-¢andler 8 mit einem
Lautsprecher 9.
-
Da die Sprachelemente bei dem System nach der Erfindung jeweils aus
Doppellauten zusammengesetzt sind, erfolgt ihre Verarbeitung stets paarweise, und
zwar derart, daß anstelle des vorangegangenen Lautes der folgende an dessen Stelle
im betrachteten Doppellaut tritt.
-
Geht man von dem in ls'ig. 2 gewahlten Beispielswort stulpe aus, so
bedeutet dies, daß nacheinander die Doppellaute "Null" t, tu, ul, lp, pe, e "Null"
verarbeitet werden, wobei "Null" hier als phonetisches Leerzeichen stehen soll.
-
Das Beispielewort stulpe" wird in Lautschrift
geschrieben.
-
Nach Eingabe des ersten Symbols /t/ steht der erste Doppellaut fest
als "Null t ". In den Ausgabespeicher 7 wird die "ITull" geschrieben. Als Übergang
Null-*t wird der Anfang des Einzellauts /t/ in den Ausgabespeicher 7 gebracht.
-
Die Lingabe des /U/ veranlaßt das Ausschreiben des mit einer ansteigenden
aperiodisch verlaufenden Hüllkurve bewerteten ersten teils des /6/ sowie (als Übergang
t -> U ) des Lbergangslautes aus dem Doppellaut /So/ in den Ausgabespeicher 7.
-
Bei eingabe des nächsten Lautes /1/ wird eine Periode des aus dem
Datenspeicher 5 geholt, in dem Vervielfacher 4 fünfmal wiederholt und in den Ausgabespeicher
7 geschrieben, zusätzlich wird der Übergangslaut//o/in dem Umkehrer 5 umgekehrt,
und in den Ausgabespeicher 7 gebracht.
-
Bei eingabe des /p/ erkennt die Verknüpfungslogik 2 den Explosivlaut
und schreibt nach acht Perioden des /// weitere acht Perioden dieses Lautes, die,
da als nächstes die vor Explosivlauten obligatorische Pause folgt, im Amplitudenbewerter
6 mit einer in ihrem Verlauf fallenden Hüllkurve bewertet erden. Danach wird der
Nullaut und der Anfang des/,o/ in den Ausgabespeicher 7 geschrieben.
-
Bei Eingabe des /#/ schließlich werden der Anfang des/p/, wiederum
amplitudenbewertet und der Übergang /// in den Ausgabespeicher 7 gebracht.
-
Wird jetzt die akustische Ausgabe gefordert, so wird eine Pitchperiode
des /#/ ausgespeichert und zunächst
viermal wiederholt, dann zusätzlich
achtmal wiederholt und in den Ausgabespeicher 7 gebracht, wobei die letzten acht
Perioden in ihrem Amplitudenverlauf mit einer abfallenden Hüllkurve bewertet werden.
-
Der Inhalt des Ausgabe speichers 7 wird nun in dem Digital-Analog-Wandler
8 in ein analoges Signal gewandelt und anschließend über den Lautsprecher 9 akustisch
ausgegeben.
-
Wird eine besondere Betonung beispielsweise de41t/ im Beispeilsvrort
"tulpe" gewünscht, muß die entsprechende prosodische Information mit eingegebenen
werden. Die Verknüpfungslogik 2 veranlaßt dann eine zusatzliche Amplitudenbewertung.