DE2524497C3

DE2524497C3 - Verfahren und Schaltungsanordnung zur Sprachsynthese

Info

Publication number: DE2524497C3
Application number: DE2524497A
Authority: DE
Inventors: James Loton Warren N.J. Flanagan (V.St.A.)
Original assignee: Western Electric Co Inc
Current assignee: AT&T Corp
Priority date: 1974-06-05
Filing date: 1975-06-03
Publication date: 1979-08-09
Also published as: US3982070A; USB476577I5; JPS5533079B2; DE2524497B2; CA1046642A; JPS516407A; DE2524497A1

Description

Die Erfindung betrifft ein Verfahren zum Synthetisieren einer natürlich klingenden Sprachnachricht gemäß Oberbegriff des Palentanspruchs 1.

In der US-Patentschrift 33 60610 wird die Verwendung von Phasenvocoder-Verfahren auf dem Gebiet der Sprachübertragung und Bandbreitenverringerung offenbart. Es wird eine Ubertragungsanordnung beschrieben, bei der zu übertragende Sprachsignale zu einer Vielzahl von schmalbandigen Komponenten codiert werden, deren kombinierte Bandbreite kleiner als die der nichtcodierten Sprache ist. Kurz zusammengefaßt wird eine Phasenvocoder-Codierung durchgeführt, in dem Tür jede von einer Gruppe von vorbestimmten Frequenzen m,, die den Frequenzbereich eines ankommenden Sprachsignals erfassen, ein Paar von Signalen errechnet wird, die den Realteil bzw. den Imaginärlcil der Kurzzcit-Fourier-Transformation des ursprünglichen Sprachsignals darstellen. Aus jedem solchen Signalpaar wird ein Paar von Schmalbandsignalen erzeugt. Das eine Signal |S, | stellt die Größe der Kurzzeit-Fourier-Transformation dar, und das andere Signal ¹V',- die zeitliche Ableitung des Phasenwinkcls der Kurzzeil-Fouricr-Transformation. Bei der oben erläuterten Anordnung werden diese Schmalbandsignale zu einem Empfänger übertragen, in welchem ein Abbild des ursprünglichen Signals wiederhergestellt wird, indem eine Vielzahl von Kosinus-Signalen erzeugt wird, die die gleichen vorbestimmten Frequenzen besitzen, bei denen die Kiirzzcil-Foiiricr-Transformation ausgewertet worden ist. Jedes Kosinus-Signal wird dann bezüglich seiner Amplitude und seines Phasenwinkcls durch die Schmalband-Signalpaarc moduliert, und die modulierten Signale werden zur Erzeugung des gewünschten Abbildes summiert.

In einem Aufsatz »Digilalized Phase Vocoder«, veröffentlicht in Proceedings of the 1967 Conference on Speech Communication and Processing, Seiten 292 bis 296, beschreibt .I.P.Carlson die Digilalisierung der Schmalbandsignalc |S,· | und </>,- vor der übertragung und gibt an. daß bei einer Übertragungsgeschwindigkeit von beispielsweise 9600 Bit/Sekunde die Verschlechterung auf Grund der Digitalisierimg der Parameter in dem wieder hergestellten Sprachsignal immerkbar ist.

Auf einem gelrennten Gebiet der Technik sind viele

Versuche gemacht worden, natürlich klingende Sprache aus gespeicherten Sprachsignalen unter Verwendung inner Formant-Codierung von Lauten (oder Wörtern) ;:u gespeicherten Signalen zu synvhelisieren. Eine solch.; Vorrichtung ist in der deutschen Patentschrift 21 !5 258 beschrieben. Solche Systeme befriedigen Lm allgemeinen. Wenn er aber eine Beeinflussung: >möglichkeh für die Tonhöhe und Tondauer erforderlich ist, so für den Fall, daß die durch den Zusammenhang gegebenen Bedingungen für die synthetisierte Sprache vorherrschend sind, werden diese Systeme kompliziert und erfordern umfangreiche Berechnungen.

Die Erfindung hit sich daher als Aufgabe gestellt, ein Verfahren zur Synthetisierung natürlich klingender Sprache zu schaffen, bei dem die Sprache aus gespeicherten Wörtern eines Vokabulars synthetisiert wird, die nach Phasenvocoder-Verfahren codiert worden sind, sowie eine Vorrichtung zur Durchführung des Verfahrens.

Zur Lösung der Aufgabe geht die Erfindung aus von einem Verfahren der eingangs genannten Art und ist im kennzeichnenden Teil des Patentanspruchs 1 angegeben. Weitere Ausgestaltungen sind in den Unteransprüchen 2 und 3 gekennzeichnet.

Eine elektrische Schaltungsanordnung zum Durchführen dieses Verfahrens ist durch den Patentanspruch 4 gekennzeichnet. Weitere Ausgestaltungen sind in den Unteransprüchen 5 bis 8 bezeichnet. Dabei hat das Speichern von Signalen, welche die Kurzzeit- Fourier-TransformationsparameterundPhi;-senablcitparameter sind, die sich aus einer Phasenvocoder-Codierung des Vokabulars von Wörtern ergeben, als an sich bekannt zu gellen.

Es werden demgemäß Wörter eines Vokabulars zu einer Vielzahl von Kurzzeil-Sprachamplitudensignalen und Kurzzeit-Phasenableilsignalen codiert, die codierten Signale in digitales Formal umgewandelt und die digital codierten Signale in einem Speicher gespeichert. Natürlich klingende Sprache wird dadurch gebildet und synthetisiert, daß aus dem Speicher den gewünschten Wörtern entsprechende Signale gewonnen, diese Signale verknüpft und die Dauer und Tonhöhe der verknüpften Signale modifiziert wird. Eine Beeinflussung der Dauer wird durch Einfügen einer vorbestimmten Anzahl von fabulierten Signalen zwischen aufeinanderfolgend aus dem Speicher gewonnene unterschiedliche Signale erreicht. Dadurch erzielt man eine wirksame Vcrlangsamung der Sprache in Abhängigkeil von der Anzahl der eingefügten interpolierten Signale. Eine Beeinflussung der Tonhöhe wird erzielt, indem die Phascnableitsignale mit einem gewählten Faktor multipliziert werden. Die Sprachsynthese wird vervollständigt durch eine Umwandlung der modifizierten Signale aus dem digitalen Format in analoges Formal und durch Decodieren der Signale entsprechend bekannten Phasenvocoder-Verfahren.

In den Zeichnungen zeigl

F i g. 1 das Blockschaltbild eines erfindimgsgemäß gestalteten Sprachsynthcsesyslems,

F i g. 2 das Kurzzeil-Amplitudenspektrum des /-ten Spektrumsignals |S_f | am Ausgang des Speichers 30 in I·' i g. I,

F i g. 3 das gesamte Sprachspektrum zu einem bestimmten Zeitpunkt und den Einfluß von Tonhöhenänderungen auf die Spcktralampliludcn des F i g. 4 ein Blockschaltbild der Interpolartorschallung nach Fig. 1,

F i g. 5 ein Ausführungsbeispiel der Steuerschaltung 40 in Fig. I.

Fig. i zeigt ein Blockschaltbild eines Sprachsynthesesystems, bei dem gesprochene Wörter zu Phasenvocoder-Steuersignalen codiert und bei dem eine Sprachsynthese erreicht wird, in dem geeignete Beschreibungssignale aus dem Speicher gelesen, die Beschreibungssignale verknüpft und modifiziert und die modifizierten Signale zu synthetisierten Sprachsignalen decodiert und kombiniert werden.

Im einzelnen wird das Vokabular von Wörtern, das für eine betrachtete Sprachsynthese für erforderlieh erachtet wird, einem Phasenvocoder-Analysaior 10 in F i g. 1 zur Codierung zugeführt. Der Anahsator 10 codiert die Wörter zu einer Vielzahl von Signalpaaren JS, |, '/',; S₂. 'lh: ... JS₁!. '/',... \S\ \. <h\. die einen |S I-Vektor und einen '/'-Vektor darstellen, wobei jeder Wert jS₁ -j. '/', das Kurzzeit-Amplitudenspektrum bzw. das Kurzzeit-Phasenableitspektrum des Sprachsignals bei einer Spektralfrequenz ».*,- darstellen. Die Analysierfrequenz <·>, sind in Abhängigkeit von den Auslegungsbedingungen mit gleichmäßigem oder ungleichmäßigem Abstand über das interessierende Frequenzband verteilt. Die zur übertragung der Signale ISj Iund '/',erforderliche Bandbreite ist klein im Vergleich zur Sprachbandbreite. Der Phasenvocoder-Analysator 10 läßt sich entsprechend der Beschreibung in der oben erwähnten US-Patentschrift 33 60 610 verwirklichen.

Nach der Codierung durch den Analysator 10 werden die Analogvektoren \S i und Φ abgetastet und im Analog-Digilalwandler 20 in digitales Format umgewandelt. Der Wandler 20 kann entsprechend der Beschreibung in dem oben genannten Aufsatz von Carlson aufgebaut werden, der 160 Bits mit einer Abtastfrequenz von 60 Hz erzeugt und damit zu einer Gesamt-Bitfrequen/ von 9600 Bits/s führt. Die umgewandelten Signale werden im Speicher 30 gespeichert und stehen dann für die Synthese zur Verfügung. Jedes vom Analysator 10 verarbeitete Wort wird mit einer Frequenz von 60 Hz abgetastet, und da die Dauer jedes Wortes langer als 16 ms ist. wird jedes verarbeitete Wort durch eine Vielzahl von \S \-Vektoren und zugeordnete '/'-Vektoren dargestellt. Diese Vektoren können in den Speicher 30 sequentiell in einen zugeordneten Speicherblock eingegeben werden. Innerhalb des Speichel blocks wird jedes Paar von Vektoren \S I und '/' in einer Speicherstelle gespeichert, und jede Speicherstelle ist so unterteilt, daß sie die Komponenten |S,- | und </>,· jedes Vektors enthält.

Zur Sprachsynthese wird eine Kette von Befehlen formuliert und über die Leitung 41 der Steuereinrichtung 40 in F i g. I zugeführt. Die Befehlskettc gibt der Anlage die Folge von Wörtern an, die aus dem Speicher 30 gewählt und zur Bildung eines .Sprachsignals verknüpft werden sollen. Demgemäß erfolgt ein sequentieller Zugriff zu gewählten Speicherblöcken und innerhalb jedes Speicherbiocks geht der Zugriff zu allen Speicherstellen sequentiell vor sich. Jede Fpeichcrstclle liefe; ι am Ausgang des Speichers 30 ein Vektorpaar \S \ und Φ . Die Steuereinrichtung 40 decodiert die Eingangsbefehkfolge uniei Erzeugung von Adressen für den Speicher 30 und gibt diese Adressen und entsprechende Lesebefehle an den Speicher. Außerdem aiiii!..iiert die Sleiicreinrichtima

40 auf der Grundlage der angegebenen Folge von Wörtern die Struktur der Wortkelle und ordnet jeder zugegriffenen Speichcrstellc Dauer- und Tonhöhcnwcrte K₁₁ (intern in der Steuereinrichtung 40) bzw. K₁, zu, um eine natürlich klingende Sprache zu erzeugen, deren Tonhöhe und -dauer abhängig von der Struktur der Wortkette ist. Eine genaue Beschreibung der Steuereinrichtung 40 wird im folgenden gegeben.

Zeiidaucr-Sicucrung

Eine Zeitdauer-Steuerung laßt sich durch einen wiederholten Zugriff zu jeder gewählten Speichcrstellc mit einer festen hohen Taktfrequenz und durch eine Steuerung der Anzahl solcher wiederholter Zugriffsvorgänge erreichen. Auf diese Weise kann die Sprachdaucr wirksam erhöht werden, indem die Anzahl eier Zugriffsvorgängc für jede Speicherstelle vergrößert wird. Wenn beispielsweise die Eingangssprache, wie oben erwähnt, mit einer Frequenz von 60 Hz abgetastet wird, kann der Zugriff zum Speicher zweckmäßig mit einer Frequenz von 6 kHz (was der Nyquist-Frequenz des synthetisierten Signals entsprechen kann) erfolgen, und die Regelzahl von Zugriffsvorgängen über jede Speicheradresse kann auf 100 festgelegt werden. Diese Arbeitsweise führl zu einer getreuen Reproduktion der Sprachdauer des an den Eingang an der Anlage angelegten Signals. Es ergibt sich selbstverständlich, daß ein wiederholter Zugriff zu jeder Speicherstelle mehr als lOOmal eine Verlangsamung der synthetisierten Sprache oder eine Dehnung des Zeitmaßstabes bewirkt. Weniger als 100 Zugriffsvorgänge führen zu einer Beschleunigung der synthetisierten Sprache oder einem Zusammendrücken des Zeitmaßstabes. Die genaue Anzahl von Zugriffsvorgängen zu jeder Speicheradresse (angegeben durch das Signal auf der Leitung 42) wird durch die Steuereinrichtung 40 mit Hilfe wiederholter Lesebefehle auf der Leitung 43 angegeben. Das obenerläuterte Verfahren zur Beeinflussung der Sprachdauer ist in F i g. 2 angegeben, in der die Amplitude einer bestimmten Komponente |S,| bezüglich ihrer zeitabhängigen Änderung gezeigt ist. Die Angabe \S | stellt den Vektor \S | am Ausgang des Speichers 30 dar. In F i g. 2 gibt das Element 201 den Wert von |5,- [ zu einem bestimmten Zeitpunkt an. wie er am Ausgang des Speichers 30 beim Zugriff zu einer bestimmten Speicherstelle r auftritt. Das Element 201 entspricht dem ersten Zugriff zu der ί-ten Speicherstelle. Das Element 202 gibt ebenfalls den Wert von \S, \ an der Speicherstelle r wieder, wobei es sich hier aber um den dritten Zugriff zur Speicherstelle r handelt. Das Element 206 entspricht dem Wert von JS₁- |an der nächsten Speicherstelle ν + I, und zwar beim ersten Zugriff zu dieser Speicherstelle. Wenn beispielsweise die Speicherstelle V + 1 die letzte Speicherstelle eines Speicherblocks ist. dann gibt das Element 203 den Wert von |5, | beim ersten Zugriff zu einer ersten Speicherstelle u eines neuen Speicherblocks (Anfang eines neuen Wortes) an. Die Speicherstellen ν und u können natürlich wesentlich verschieden sein. Das Element 205 entspricht ebenfalls dem Wert von \S-, | an der Speicherstelle u bei einem nachfolgenden Zugriff und das Element 204 entspricht dem letzten Zugriff zur Speicherstelle u. Die Anzahl der Zugriffsvorgänge bei einer Speicherstelle wird bestimmt durch das Zeitdauer-Steuersignal K_d (innerhalb der Steuereinrichtung 40 — vergleiche Fig. 5). das über das Signal Kleinen Spektralampüliiden-lnterpolalui 90 in Fi g. 1 steuert. In Fig. I ist nur die /-te Komponente des Vektors Ijjair. Ausgang des Speichers 30 dargestellt. Andere Komponenten dieses Vektors und die Komponenten de:· Vektors Φ haben natürlich unterschiedliche Werte aber die Grenzstellen auf Grund von Änderungen dei Speicherstelle innerhalb eines Speicherblocks (beispielsweise das Zcitelement 206) oder auf Grund von Änderungen der Spcicherslellc von einem Speichcr-

IU block zu einem anderen (beispielsweise Zeitpunkt des Elements 205) treten zum gleichen Zeitpunkt auf Das läßt sich leicht erkennen, wenn in einem dreidimensionalen Raum, der auf übliche Weise durch γ-, v- und z-Koordinaten definiert ist, der Vektor \§

π mit allen seinen Komponenten betrachtet wird. Jede zeilliche Änderung einer Komponente läßt sich in einer durch die Koordinaten χ und y definierter Ebene zeichnen, wobei die jc-Achse die Zeit angibt (wie in F i g. 2 gezeigt) und für jeden gewählten Wert

-'» der .v-Achse kann die durch die Koordinaten y und : definierte Ebene die verschiedenen Komponenten des Vektors \S\ sowie die allgemeine Form des Spektrums (entsprechend der noch zu erläuternden Darstellung in F i g. 3) in dem jeweiligen Augenblick

2ϊ angeben. Bei einer solchen dreidimensionalen Darstellung sind die plötzlichen Änderungen des Vektors SI (die zu einem bestimmten Zeitpunkt auftreten | alle in einer einzigen v-r-Ebene enthalten.

_j(| Tonhöhen-Steuerung

In einem Aufsatz »Phase Vocoder« von J. L. F 1 a η a ga η et al. in »Bell System Technical Journal«, Band 45, Nr. 9, Seite 1493, November 1966 ist gezeigt, daß der '/»-Vektor in enger Beziehung zur

j-, Tonhöhe eines analysierten Sprachsignals steht, wenn die Analysier-Bandbreite des Phasenvocoders schmal im Vergleich zur gesamten Sprachbandbreite ist. Im Hinblick darauf wird eine Änderung der Tonhöhe durch_ Bildung und Modifizieren eines Vektorsignals ('" + Φ) erreicht, das die Elemente (<.«, + '/>,), (i>« + 'h) (,,,,- + 0,) . . .(,„_Λ. + Φ_Ν) enthält. Die Modifizierung kann aus einer Multiplikation des Vektors (ei + Ί>) mit einem Tonhöhenvariationsparameter K₁, bestehen. Wenn also K_n größer als I ist, so wird die

«-, Tonhöhe der synthetisierten Sprache erhöht, und wenn K₁, kleiner als 1 ist, so wird die Tonhöhe der synthetisierten Sprache erniedrigt.

Die Tonhöhenänderung wird in der Einrichtung 60 in Fig. 1 vorgenommen. Die Einrichtung60 weist

-,n eine Addierschaltung 61-/ für jeden Wert Φ,- auf. um ein entsprechendes «»,-Signal zu jedem <7>-Signal zu addieren, und eine Multiplizierschaltung 62-/ für jeden Wert </>,, um das Ausgangssignal jedes Addierers mit dem Tonhöhen-Variationssteuersignal K_n zu

multiplizieren. Das Signal K_n liegt an der Leitung 44 und wird den Multiplizierern 62 über einen Schalter 64 zugeführt. Die digitalen Addierer 61 und die digitalen Multiplizierer 62 sind einfache Digitalschaltungen bekannter Art.

bo Bei einem Alternativ-Verfahren zur Tonhöhen-Steuerung nach der Erfindung kann der von der Steuereinrichtung40 in Fig. I gelieferte K ,-Faktor die tatsächliche, zu synthetisierende Tonhöhe statt der Tonhöhenänderung angeben. In diesem Fall

b5 muß die Tonhöhe des aus dem Speicher 30 abgeleiteten synthetisierten Sprachsignals festgestellt und ein interner Tonhöhen-Multiplikationsfaktor errechnet werden. Demgemäß weist die Einrichtung 60 zu-

sätziich einen auf den Vektor (<-> + '/>) ansprechenden Tonhöhcndctcktor 63 auf. der die tatsächliche Tonhöhe errechnet, die den aus dem Speicher 30 abgeleiteten Signalen zugeordnet werden kann. Tonhöhcndetckioren sind bekannt. Ein Ausführungsbeispicl ist in der US-Patentschrift 26 27 541 beschrieben. DicTcüersehallung 67 in der Einrichtung 60 berechnet den internen Multiplikationsfaktor, in dem die gewünschte Tonhöhe K₁, durch das berechnete Tonhöhcnsignal dividiert wird. Der berechnete Mulliplikationsfaktor wird über einen an die Leitung 66 angeschalteten Schalter 64 an die Multiplizierer 62 gegeben. Der Teiler 67 ist ein einfacher Digital-Teuer, der beispielsweise einen auf das Ausgangssignal des Tonhöhendetcktors 63 ansprechenden Festwertspeicher (ROM) aufweist, der den Kehrwert des Tonhöhensignals liefert, sowie einen Multiplizierer ähnlich dem Multiplizierer 62, um das Ausgangssignal des Festwertspeichers mit dem gewünschten Tonhöhensignal KpZU multiplizieren unddamit den gewünschten Multiplikationsfaktor zu erzeugen.

Das Ausgangssigjial der Einrichtung 60 ist ein Signal vektor (m + <?>)*, der ein bezüglich der Zeitdauer undTonhöhcmodifiziertesAbbildeines(m + <7>)-Signalvektors ist. (Eine Zeitdauer-Modifizierung liegt vor, weil beide Vektoren |S| und «fr am Ausgang des Speichers 30 hinsichtlich der Dauer modifiziert sind.) Dieser Vektor wird zusammen mit einem interpolierten und bezüglich der Zeitdauer modifizierten Vektor \S I*, der nachfolgend beschrieben wird, an einen Digital-Analogwandler 70 gegeben, der jedes der Digital-Signale in den beiden Signalvektoren in analoge Form umwandelt. Die Analogsignale werden dann an einen Phasenvocoder-Synthelisierer 80 angelegt, um ein Signal zu erzeugen, das die gewünschte synthetisierte Sprache darstellt. Der Phasenvocoder-Synthetisierer 80 kann im wesentlichen auf die gleiche Weise wie in der oben angegebenen US-Patentschrift 3.160 610 beschrieben, aufgebaut werden.

Interpolation der Form des Spektrums

F i g. 3 zeigt_ die Amplituden der Komponenten des Vektors \s\ zu einem bestimmten Zeitpunkt. Das Element 100 entspricht dem Signal \S,\, das Element 101 dem Signal \S₂ 1, das Element 103 dem Signal |S,|, das Element 104 dem Signal |S,₊, | usw. Das Element 106 kann beispielsweise das Signal \S_N\ angeben. Die Frequenzen, mit denen diese Signale auftreten, sind

und

Betrachtet in dem oben beschriebenen dreidimensionalen Raum wäre die Darstellung des Vektors \§\ gemäß F i g. 3 der zweidimensional Querschnitt des

2(i dreidimensionalen Raums parallel zu der durch die Achsen >· und : definierten Ebene.

Wenn der Vektor (^ + <j>) in der Einrichtung 60 zur Bildung des Signalvektors («» + </>)* abgeändert wird, so wird die Frequenz jedes Gliedes des Signalvektors

\SI gleichmäßig verschoben, wie in Fig. 3 beispielsweise durch die verschobenen Elemente 107 und 108 dargestellt. Fig. 3 zeigt, daß, wenn das Element 108 so beeinflußt wird, daß es (wie dargestellt) der Hüllkurve 109 in Fig. 3 entspricht, die Amplitude des Elements 103, aus dem das Element 108 abgeleitet ist, verändert werden muß. Demgemäß muß die Amplitude des Elements 103 mit einer Konstanten multipliziert werden, die aus dem Verhältnis der Amplituden der Elemente 104 und 103 abgeleitet wird. Es läßt sich zeigen, daß diese Konstante K_x wie folgt berechnet werden kann:

(1)

Außerdem besteht auf Grund einer Prüfung der F i g. 2 die Möglichkeit, daß die stufenförmige seitliche Hüllkurve 210 des synthetisierten Spektrums geglättet werden kann. Intuitiv erkennt man, daß eine solche Glättung der Hüllkurve des Spektrums zu einer angenehmer und natürlicher klingenden Sprache führt. Diese Glättung der Hüllkurve läßt sich durch »Anpassen« einer Polynom-Kurve_ für jede Komponente |S, | über die Anfangswerte |S,-1 durchführen, wenn ein Zugriff zu einer neuen Speicheradresse erfolgt, beispielsweise eine Kurvenanpassung über die Elemente 201, 206 und 203 und durch Änderung der wiederholten Signale J5,· | derart, daß sie in diese Kurve passen. Hierbei handelt es sich jedoch um eine komplizierte mathematische Aufgabe, die die Unterstützung eines Sonderzweck- oder Allzweckrechners erfordert. Aus Gründen einer klareren Darstellung wird das einfachere geradlinige Interpolationsverfahren beschrieben. Diese Interpolationskurve wird durch die Kurve 220 in F i g. 2 wiedergegeben. Demgemäß kann der Vektor \S\, dessen Frequenzkomponenten in einer Ebene und dessen Zeitänderungen in einer zweiten Ebene gesehen werden können, so interpoliert werden, daß er gleichzeitig auf Änderungen sowohl der Zeit als auch der Frequenz (Tonhöhe) anspricht.

Demgemäß wird, wenn das Element 203 mit ST> bezeichnet wird und das Signal \S-, | zum Zeitpunkt Bi₁ definiert, das Element 204 mit ST² und das Element 205 mit ST^X bezeichnet. Es läßt sich zeigen, daß die interpolierte Amplitude des Elements 205, das an die Kurve 220 angepaßt ist, wie folgt berechnet werden kann:

(2)

Nach Berücksichtigung des Faktors K_x gemäß Gleichung (1) läßt sich die endgültige Amplitude des Elements 205· wie folgt ermitteln

sr']-

(3)

Durch Auswerten der Gleichung (3) kann also jedes Element |S,-1 am Ausgang des Speichers 30 und zu einem bestimmten Zeitpunkt so abgeändert werden, daß es Änderungen der Tonhöhe und der Zeitdauer berücksichtigt, um ein Spektrum zu erzeugen, das zu einer natürlich klingenden Sprache führt.

Man bcachlc, daIi die Einrichtung 40 zur Steuerung der Zeitdauer in Fig. I eine Anzahl von Steuersignalen erzeugt, von denen eines dem Signal

n\ — »i,

/H₂ — m,

entspricht. Dieses Signal ist mit K, bezeichnet.

Um die oben beschriebene Glätliing der Hiillkurve des synthetisierten Spektrums hinsichtlich Zeit und Frequenz zu erzielen, weist die Schaltungsanordnung gemäß F i g. I einen Speklriim-Amplitudeninterpolator 90 auf, der zwischen dem Speicher 30 und dem Digital-Analogwandler 70 eingefügt ist. Der Interpolator 90 kann einfach au< einer_ Kurzschlußvcrbindung zwischen jedem Eingang \S, | und dem ent- ι·> sprechenden interpolierten Ausgang |S_;|*. Dies entspricht einer einfachen konstanten Interpolation in der Zeitebene, die zu einer Hiillkurve entsprechend der Kurve 210 in F i g. 2 führt, wobei keinerlei Interpolation in der Frequenzebene stattfindet. Andererseits kann der Interpolator 90 eine Vielzahl von Interpolatorschaltungen 91 umfassen, die in Form hochkomplizierter Sonderzweck- oder Allzweckrechner verwirklicht sind und eine komplizierte Kurvenanpassung ermöglichen. F i g. 4 zeigt ein Ausführungsbeispiel einer Interpolatorschaltung 91 für das Verfahren der gradlinigen interpolation gemäß Gleichung (3).

Die Interpolatorschaltung 91 in F i g. 4 ist die /-te Interpolarschaltung in der Einrichtung 90. Sie spricht auf zwei Spektrum-Signale beim ersten Speicherzugriff an der augenblicklichen Speicheradresse, nämlich dieSignale \ST> |und |Si"+'i |an sowie auf das Spektrum-Signal \S'"² 1 der nächsten Speicheradresse und die unveränderten und veränderten /-ten Frequenzen (in,- + <l>j) bzw. (<>i, + '?>,)* sowie die unveränderte (/+l)-te Frequenz (»); + i + <?', + i). Wenn also ein Zugriff zu einer neuen Adresse des Speichers 30 erfolgt und die Signale \Sf^l I und \S"}i | gewonnen werden, adressiert die Steuereinrichtung 40 außerdem die nächste Speicherstelle und liefert einen Gatterimpuls (auf der Leitung 21), um das nächste Signal Sfz in das Register 910 in F i g. 4 zu leiten. Demgemäß spricht die Subtrahierschaltung 911 auf das Signal |ST² |aus dem Register 910 und auf das Signal |Sri|auf der Leitung 23 an. Das dazwischengelegene Signal, das durch die Gleichung (2) definiert ist, wird durch den Multiplizierer 912 berechnet, der auf die Subtrahierschaltung 911 und den obenerwähnten Faktor K_c auf der Leitung 22 anspricht, sowie durch den Summierer 913, der auf das Ausgangssignal des Multiplizierers 912 und auf das Signal | ST*¹ lauf der Leitung 23 anspricht. Der Multiplikationsfaktor K_x wird durch die Bauteile 914, 915, 916, 917, 918, 919 und 920 berechnet. Der Teiler 914 spricht auf die Signale |ST' i und ISf-ii I an und erzeugt das Signal

60

IS,

gemäß Gleichung (1). Die Subtrahierschaltungen 915, 916, 917 erzeugen die Signale

65

1)-

Der Multiplizierer 918, der auf die Schaltungen 914 und 915 anspricht, erzeugt das Produktsignal

Der Summierer 919 wird von den Schallungen 916, 918 beaufschlagt, und der Teiler 920 teilt das Ausgangssignal des Summierers 919 durch das Ausgangssignal der Sublrahierschaliung 919 und erzeugt ein Signal, das die Konstante K_x entsprechend Gleichung (I) darstellt. Der Multiplizierer 921, der von dem Summierer 913 und dem Teiler 920 beaufschlagt wird, erzeugt das interpolierte Signal |S,|*.

Steuereinrichtung 40

F i g. 5 zeigt das Blockschaltbild der Steuereinrichtung 40 gemäß Fig. I. Die Steuereinrichtung40 spricht auf eine Kette von Befehlswörtern auf der Leitung 41 an, die die zu synthetisierende Nachricht angibt. Die ankommende Befehlskette wird im Speicher 401 aufgenommen und danach an einen Festwertspeicher (ROM) 402 gegeben, in welchem die Kette von Befehlen in die richtige Adressenfolgc für den Speicher 30 in Fig. I decodiert wird. Die Decodierung im Festwertspeicher erfolgt entsprechend der gespeicherten Kenntnis der Speicherstellen für bestimmte Wörter im Speicher 30. Die gewünschte Wortfolge, die durch die Befehlskette am Eingang bestimmt wird, kann analysiert werden, um die erwünschte Tonhöhe und -dauer zu bestimmen, und zwar auf der Grundlage von Regeln bezüglich der Wortstellung, der Syntax und anderer, von der Nachricht abhängigen Regeln. Nur zur Erläuterung enthält die Schaltungsanordnung gemäß Fig. 5 Einrichtungen zur Analyse und Formulierung der gewünschten Tonhöhe und Wortdauer für die synthetisierte Sprache auf der Grundlage der Syntax dieser Sprache. Die Analysiereinrichtung, nämlich die Steuerschaltung 403 für die Tonhöhe und die -dauer spricht gemäß F i g. 5 auf den Festwertspeicher 402 und ein Fortschaltesignal auf der Leitung 414 an. Eine Einrichtung zur Analyse der Sprache auf der Grundlage der Syntax und zur Zuordnung von Tonhöhe- und Zeitdauerwerten ist in der US-Patentschrift 3704 345 offenbart. In der genannten Patentschrift ist ein Tonhöhen- und Intensitätsgeneralor, ein Vokaldauer-Generator und ein Konsonantendauer-Generator gezeigt, die alle im Prinzip von einem Syntax-Analysator abhängen.

Die Generatoren erzeugen Signale, welche die gewünschte Tonhöhe, Intensität und Dauer beschreiben, die den in jeder zu lesenden Speicheradresse angegebenen Lauten zugeordnet sind. Es kann an Stelle eines Laut-Wörterbuches nach der vorgenannten US-Patentschrift 37 04 345 ein Wort-Wörterbuch benutzt werden, und die Vokal- oder Konsonanten-Generatoren nach der vorgenannten Patentschrift können zu einem einheitlichen Tonhöhen- und Dauer-Generator kombiniert werden. Demgemäß ist in F i g. 5 eine Steuerschaltung 403 für die Tonhöhe und -dauer angegeben der Ausgangssignal ein Speicheradressenfeld, ein Tonhöhensteuerfeld K₁, und ein Zeitdauer-Steuerfeld K_d enthält. Das Ausgangssignal der Steuerschaltung 403 wird im Register 406 gespeichert. Dessen Ausgangssignal gelangt in ein Register 407. Wenn demgemäß das Register 407 eine bestimmte

Speicheradresse enthält, sagt man, daß das Register 406 die nächste Speicheradresse enthält. Beide Register sind an eine Wählerschaltung408 angeschlossen, die die Ausgangssignalc einer der beiden Register wählt und an den Wählerausgang weilergibt.

Die Anzahl der Befehle zum Lesen jeder Speicherstelle wird durch Eingabe des Wertes Kj am Ausgang des Wählers 408 auf der Leitung 409 in einen Rückwärlszähler 405 gesteuert. Der Grundtakl f_s für den Speicherzugi iff, der in der Schaltung 412 erzeugt wird, liefert Impulse, die den Zähler405 rückwärts laufen lassen, während der Speicher über das ODER-Gattcr413 und die Leitung 43 gelesen wird. Wenn der Zähler 405 Nuii erreicht, erzeugt er einen Fortsehaiteimpi.ils auf der Leitung 414. Dieser Impuls schalle! die Steuerschaltung 403 auf den nächsten Speicherzustand weiter, bewirkt, daß das Register 406 den nächsten Speicherznstand speichert und läßt das Register 407 den neuen Zustand aufnehmen. Gleichzeitig liefert der Wähler 408 unter Steuerung des Fortschalteimpulscs auf den Leitungen 44 und 42 den Inhalt des Registers 406 und der Impulsgenerator 410 liefert unter Ansprechen auf den Fortschalteimpuls einen weiteren Lesebefehl für den Speicher 30 über das ODER-Gatter 413. Der Ausgangsimpuls des Generators 410 wird außerdem benutzt, um über die Gatlerleitung 41 das Ausgangssignal des Speichers 30 in das Register 910 der Einrichtung 91 zu führen, wodurch im Register 90 die oben beschriebenen Signale S'"i gespeichert werden. Wenn das Fortschaltesignal auf der Leitung 414 verschwindet, schaltet der Wähler 408 das Ausgangssignal des Registers 407 zum Wählerausgang durch und beim nächsten Impuls vom Taktgeber 412 wird ein neuer Wert Kj in den Zähler 405 gegeben.

Der Stand des Zählers 405 wird zu jedem Zeitpunkt durch das Signal auf der Leitung 415 angegeben.

Dieses Signal stellt den Wert In_x-In₁ dar. Die Konstante K'_d,diea!s Eingangssignal für den Zähler 405 auftritt (Leitung 409), steMr den Wert m, -m, dar. Demgein'Jfl wird die Konstante K₁. durch den Teiler 411 -> berechnet, dit das Signal auf der Leitung 415 durch das Signal auf der Leitung 409 ieilt.

linier gewissen Umständen ist eine praktische Verwirklichung der Erfindung unter Verwendung eines Rechnerprogramrns möglich und kann in ge-

Iu wissen Punkten vorteilhaft sein. Wenn beispielsweise ein Benutzer es für zweckmäßig hall ein Verfahren mit einer sehr komplizierten Spektrum-lnlcrpolation zu verwenden, kann es einfacher sein, fur den Interpolator 90 in F i«. 1 eine Ausführung mit einem Rechner statt einer speziell ausgebildeten Schaltungsanordnung zu verwenden. Wenn jedoch ein Rechner in der Anlage benutzt wird, können zusätzliche Merkmale vom Rechner verwirklicht werden, wodurch der Umfang der erforderlichen Schaltungsanordnungen kleiner wird. Beispielsweise sind die arithmetischen Operationen, die in der Einrichtung zur Ton höhenanzeige und zur Tonhöhenänderung benutzt werden, sehr einfach, und Rechnerprogramme, die zur Verwirklichung der Tonhöhensteuerung benutzt werden,

2^r> sind einfach und dem Fachmann bekannt. Auf entsprechende Weise kann der Speicher 30 in den Rechner übernommen werden. Gleiches gilt für den Phasenvocoder-Analysator und den größten Teil des Phasenvocoder-Synthetisierers. Talsächlich wird entspre-

jo chend dem eingangs erwähnten Aufsatz von C a r 1-s ο η ein Rechner zur Verwirklichung des Phasenvocoder-Analysierers und -synthetisierers benutzt. Es wird dazu auch auf die Rechner-Simulation eines Phasenvocoders Bezug genommen, die in dem oben beschrie-

J5 benen Aufsatz »Phase Vocoder« auf Seite 1496 beschrieben ist.

Hierzu 3 Blatt Zeichnungen

Claims

Patentansprüche:

1. Verfahren zum Synthetisieren einer natürlich klingenden Sprachnachricht aus gespeicherten, ein Vokabular von Wörtern darstellenden elektrischen Signalen mit den Verfahrensschritten: Gewinnen und Verknüpfen gewählter Teile der Signale, Abändern der verknüpften Signale hinsichtlich ihrer Zeitdauer und bezüglich der Tonhöhe und Umwandeln der abgeänderten Signale in iu hörbare Sprache, gekennzeichnet durch die Verfahrensschritte Speichern von Signalen, welche die Kurzzeit-Fourier-Transformationsparameter und Phasenableitparameter sind, die sich aus einer Phasenvocoder-Codicrung des Vokabulars von Wörtern ergeben. Gewinnen aus den gespeicherten Signalen von zeitdauerveränderten Signalen, welche die Sprachnachricht darstellen. Verandern der Phasenableitparameter der verknüpften Signale zur Beeinflussung der Tonhöhe der hörbaren Sprache.

2. Verfahren nach Anspruch !,dadurch gekennzeichnet, daß die Signale zur Beeinflussung der Dauer der Sprache mehrfach gewonnen werden.

3. Verfahren nach Anspruch I oder 2, gekennzeichnet durch Interpolieren der Kurzzeit-Fourier-Transformationsparametcr entsprechend vorgegebenen Regeln unter Ansprechen auf zugeführte Zeitdauer-Steuersignale und die veränderten Phasenableilparameter, um eine glatte Spektrum- jo Hüllkurve zu erreichen.

4. Elektrische Schaltungsanordnung zum Synthetisieren einer natürlich klingenden Sprachnachricht entsprechend dem Verfahren nach Anspruch I mit einem Speicher, der ein Vokabular von Wörtern darstellende Signale speichert, einer Gewinn- und Verknüpfimgseinrichtung für gewählte Teile der Signale, einer Abänderungseinrichtung für die verknüpften Signale hinsichtlich ihrer Zeitdauer und bezüglich der Tonhöhe und 41) einer Umwandlungseinrichtung, die die abgeänderten Signale in hörbare Sprache umwandelt, dadurch gekennzeichnet, daß eine Signalspcieheriin-d Zugriffseinrichtung (30) vorhanden ist, die Signale (S,-'/>,-) für die Kurzzeit-Fouricr-Trans- 4-, formationsparameter und Phasenableilparamctci zu speichern, die sich aus einer Phasenvocoder-Codicrung des Vokabulars von Wörtern ergeben, daß eine Steuerschaltung (40) vorhanden ist, die einen Interpolator (90) veranlaßt, Signale zu ■-,<> gewinnen und die Dauer der gewählten Signale zu ändern, und daß eine Tonhöhenvcränderungseinrichtimg (60) vorhanden ist, die die gewonnenen Signale durch Ändern der Phasenableitparameter abwandelt, um die Tonhöhe der Sprache zu be- τ, cintlusseii.

5. Schallungsanordnung nach Anspruch 4, dadurch gekennzeichnet, daß die Steuerschaltung (40) Schallungen (403 412) enthält, um ein gewähltes Signal mehrere Male zu gewinnen. bo

6. Schaltungsanordnung nach Anspruch 4 oder 5. dadurch gekennzeichnet, daß die Tonhöhenän dem ngsei η richtung (60) Addierschal tu 11-gen (611 aufweist, die zu jedem Phascnableitsignal ein geeignet zugeordnetes FreqiieiizsignaKoijaddic- η^γ> ron. und Multiplizierschaltungen (62). die jedes der addierten Signale mit einem zugeführlcn Tonhöhen-Steuersignal (K,,) multiplizieren.

7. Schaltungsanordnung nach Anspruch 6, dadurch gekennzeichnet, daß Tonhöhen-Mulliplikationsschaltungen (63, 67) vorhanden sind, die unter Ansprechen auf ein zugeführtes Tonhöhen-Steuersignal (Kp) und auf die Multiplizierschaltungen (62) einen Multiplikationsfaktor zur Tonhöhenveränderung errechnen, und daß Multiplizierer (62) vorhanden sind, um jedes der addierten Signale mit dem Multiplikationsfaktor zu multiplizieren.

8. Schaltungsanordnung nach einem der Ansprüche 4 bis 7, dadurch gekennzeichnet, daß der Interpolator (90) sekundäre Interpolatoren (91) zur Abänderung jeder Komponente der Kurzzeit-Fourier-Transformationsparameter aufweist, um den Tonhöhen- und Zeildaueränderungen in benachbarten Komponenten der Kurzzeit-Fourier-Transformationsparameter Rechnung zu tragen.