eSpeak开发指南

目录

Windows操作系统下

一步步来

1. 到http://espeak.sourceforge.net/test/latest.html下载最新的espeak和espeakedit,在本网站的下载区下载粤语版eSpeak和带espeakedit插件的praat
2. 大概了解各软件包的文件结构，查看粤语相关的文件
3. 试录制一个wav格式的元音，用praat读入，导出成espeakedit格式
4. 用espeakedit打开上面导出的文件，根据波形添加参数。参数不容易调，可打开现有的类似的元音进行模仿。espeakedit的用法可参阅eSpeak的官方文档。没有语言音韵学的基础，可能不太明白参数的意思（我也不太明白……），需要参考Wikipedia的。
5. 调好以后保存，修改该元音的相关文件，编译，听效果。
6. 粤语词典zhy_list中有很多错漏，修改它可以更正字词的读音

安装eSpeak

1. 下载最新的测试版espeak，下载网址http://espeak.sourceforge.net/test/latest.html
   
2. 程序默认安装在\Program Files\eSpeak，运行文件为TTSApp.exe

安装espeakedit

1. 下载最新的测试版espeak，下载网址http://espeak.sourceforge.net/test/latest.html
   
2. 程序默认安装在\Program Files\eSpeak，运行文件为espeakedit.exe

espeakedit用法1

1. 运行espeakedit.exe
2. File->Open->phsource/vwl_zh/ong
3. 此时会看到[ong]这个音的波形，此波形分成很多frame，每个frame刻画了当前时间的声音波形。波形是可以调整的， [ong]的音就是通过phsource/vowel/oo的波形调整而成。
4. 按F1可以听到当前frame的声音。
5. 按F2可以听到所有frame合起来的效果。
6. 打开phsource下其它文件，可以看到各种元音辅音波形的特点。

修改并编译praat

1. 可以直接下载我制作好的安装包praat_4519_espeakedit.exe，如果不想知道制作的细节，无需阅读接下来的12条：）
2. 下载并安装MinGW、MSYS（这是Windows下编译Unix程序的环境），下载网址：http://sourceforge.net/project/showfiles.php?group_id=10894&package_id=41063
3. 把msys_mingw8.zip文件解压(假设解压在c:\msys\)
4. 修改c:\msys\mingw\include\shlobj.h，使用搜索功能寻找SHGetSetSettings的定义处。把头尾条件语句注释掉，如下：

   /*#if (_WIN32_WINNT >= 0x0500) /* W2K */
   void WINAPI SHGetSetSettings(LPSHELLSTATE,DWORD,BOOL);
   /*#endif*/

   同理，寻找SHELLSTATE的定义处，把头尾条件语句注释掉。我不明白为什么这样做，但在我的系统上如果不这样做，编译过程就会因找不到这两处定义而无法继续。由于不同系统环境不同，所以以上操作并不是必需，也不一定正确。
5. 从www.praat.org下载最新版的源代码，把源代码解压在c:\msys\，此时会出现类似sources4519的目录
6. 到espeak测试版下载主页（http://espeak.sourceforge.net/test/latest.html）下载espeakedit的源代码。注意：这次不是下载Windows版的，是下载源代码版的。
7. 在espeakedit软件包的praat-mod目录下有两个文件，一个是Sound_JSD.c，它是praat支持 espeak的补丁；另一个是Praat_notes，它是如何添加这个补丁的说明。
8. 用写字板打开Praat_notes，参考Praat_notes的说明复制Sound_JSD.c到praat目录下的fon下并修改 praat_Sound_init.c
9. 运行msys.bat，会出现一个类似Linux命令行的界面
10. $cd sources4519
11. $cp makefiles/makefile.defs.mingw ./makefile.defs
12. $make
13. 如果成功编译，会看到praat.exe。如果不成功，请到论坛http://sourceforge.net/forum/forum.php?forum_id=643788提问或直接发邮件与本文作者联系，请附上编译出错信息。

espeakedit用法2

1. 运行praat
2. Read->Read from file...->选择一个wav文件（如ong.wav）
3. 按Play可以听到该文件的声音
4. Spectrum->To eSpeak ...->OK
5. 在wav文件的目录下你会看到生成了一个新的文件spectrum.dat，这就是能为eSpeak识别的声音数据文件
6. 打开espeakedit，open数据文件spectrum.dat，你会看到很多波形frame，但是你无法通过F1或F2 读出它们，因为还没标记。
7. 单击随便一frame，你会看到被选中的frame有个红色的框框
8. 按0键编辑第0个Formant，按几下上方向键
9. 按1键编辑第1个Formant，按几下上方向键
10. 按2键编辑第1个Formant，按几下上方向键
11. 按F1，此时听到你编辑的Formant合成的声音。Formant根据波形手工生成，但不是完全一样，因为波形文件中有杂音， Formant是要抓住关键的发音，怎么搞这些Formant需要很多经验，我非常欠缺。

把新元音加入词典

1. 录制［ong］音（wav文件）
2. 用praat把wav转换成espeakedit格式数据
3. 用espeakedit编辑[ong]的Formant数据另存为ong2
4. 把ong文件复制到phsource/vwl_zh/
5. 编辑phsource/ph_zh_yue
6. 找到phoneme ong那5行，其中有一行formants vwl_zh/ong，这个就是说明［ong］音对应的声音文件。把ong改成ong2
7. 重新编译词典（在espeakedit的Data菜单下）

Linux操作系统下

安装eSpeak

1. 下载最新的测试版espeak，下载网址http://espeak.sourceforge.net/test/latest.html
   
2. 解压软件包：
   $unzip package-name
3. 由于软件没有安装文件，需要自己手动建立符号链接：
   $sudo ln -s /<path_to_espeak>/espeak-data /usr/share/espeak-data
   $sudo ln -s /<path_to_espeak>/speak /usr/bin/espeak
   说明：<path_to_espeak>是指espeak解压后所在路径
4. 运行：
   $speak "hello world"
   $speak -vzhy "什么"

安装espeakedit

1. 安装sox(a universal sound sample translator)，Ubuntu Linux下可使用以下命令：
   $sudo apt-get install sox
2. 安装libwxgtk2.6-0 (wxWidgets Cross-platform C++ GUI toolkit)。
3. 安装portaudio0（Portaudio V18, portable audio I/O）
4. 安装praat（to view and analyze WAV sound files），该软件的网址是www.praat.org，它是分析语音文件的一个关键软件。我不懂得怎么用，但我相信它非常有用。这个软件暂时可不装， 其安装有点复杂，后面会在介绍。
5. 下载解压espeakedit（类似eSpeak）
6. 把espeakedit默认的数据位置连接到 espeak的espeak-data：
   $ln -s /<path_to_espeak>/espeak-data ~/
7. 建立符号链接方便运行（可省略）:
   $sudo ln -s /<path_to_espeakedit>/espeakedit /usr/bin/
8. 把phsource加入espeak-data目录中：
   $ln -s /<path_to_espeakedit>/phsource /<path_to_espeak>/espeak-data/
   提示：phsource下的ph_zh_yue文件和vwl_zh目录是和粤语相关的。
9. 运行：
   $espeakedit
   
10. 更详细的说明可参考后面的部分及官方文档http://espeak.sourceforge.net/editor.html

添加／改善粤语支持

1. 测试版中已有基本粤语支持，如果需要改善支持（例如支持更多的繁体字）则需要修改一些文件。
2. 运行：
   speak -vzhy "为什么"
   你会听到"为"的发声是不正常的，这是一个遇到不会读的字时的通用发声。
3. 把zhy_list和zhy_rules文 件复制到espeak目录下的dictsource目录下，覆盖原有文件。
   提示：这两个文件是粤语相关的文件。
4. 把dictsource添加到espeak-data下：
   $ln -s ../dictsource /<path_to_espeak>/espeak-data/
5. 重新编译发声词典
   espeakedit --compile
6. 再次运行：
   speak -vzhy "为什么"

espeakedit用法1

1. 运行：
   $espeakedit
2. File->Open->(your home directory)/espeak-data/phsource/vwl_zh/ong
3. 此时会看到［ong］这个音的波形，此波形分成很多frame，每个frame刻画了当前时间的声音波形。波形是可以调整的， [ong]的音就是通过phsource/vowel/oo的波形调整而成。
4. 按F1可以听到当前frame的声音。
5. 按F2可以听到所有frame合起来的效果。
6. 打开phsource下其它文件，可以看到各种元音辅音波形的特点。

修改并安装praat

1. 从www.praat.org下载最新版的源代码。
2. 在espeakedit软件包的praat-mod目录下有两个文件，一个是Sound_JSD.c，它是praat支持 espeak的补丁；另一个是Praat_notes，它是如何添加这个补丁的说明。
3. 按照Praat_notes的说明复制Sound_JSD.c到praat目录下的fon下并修改 praat_Sound_init.c
4. 在fon/Makefile加入Sound_JSD.o即可（那里有一大堆.o文件列表，随便找个位置添加这个文件即可）
5. $cp /<path_to_praat>/makefiles/makefile.defs.linux.dynamic /<path_to_praat>/makefile.defs
6. 在praat目录下运行
   $make
   说明：你可能需要安装libxmu-dev软件包
7. 运行praat
   $./praat

espeakedit用法2

1. 运行praat
2. Read->Read from file...->选择一个wav文件（如ong.wav）
3. 按Play可以听到该文件的声音
4. Spectrum->To eSpeak ...->OK
5. 在praat的目录下你会看到生成了一个新的文件spectrum.dat，这就是能为eSpeak识别的声音数据文件
6. 打开espeakedit，open数据文件spectrum.dat，你会看到很多波形frame，但是你无法通过F1或F2 读出它们，因为还没标记。
7. 单击随便一frame，你会看到被选中的frame有个红色的框框
8. 按0键编辑第0个Formant，按几下上方向键
9. 按1键编辑第1个Formant，按几下上方向键
10. 按2键编辑第1个Formant，按几下上方向键
11. 按F1，此时听到你编辑的Formant合成的声音。Formant根据波形手工生成，但不是完全一样，因为波形文件中有杂音， Formant是要抓住关键的发音，怎么搞这些Formant需要很多经验，我非常欠缺。

把新元音加入词典

1. 录制［ong］音（wav文件）
2. 用praat把wav转换成espeakedit格式数据
3. 用espeakedit编辑[ong]的Formant数据另存为ong2
4. 把ong文件复制到~/espeak-data/phsource/vwl_zh/
5. 编辑~/espeak-data/phsource/ph_zh_yue
6. 找到phoneme ong那5行，其中有一行formants vwl_zh/ong，这个就是说明［ong］音对应的声音文件。把ong改成ong2
7. 重新编译词典
   $espeakedit --compile

添加词的读音

粤语相关文件说明

• espeak/install - 这个文件在eSpeak官方发行版中没有，是我为了方便用户安装而添加到Linux版的eSpeak-Cantonese中的，直接运行该文件就能完成软件的安装。
• espeak/Readme.Cantonese - 关于eSpeak-Cantonese的一些说明。
• espeak/dictsource/zhy_list - 粤语词典，格式很简单，相信看一下就明白。
• espeak/dictsource/zhy_rules - 粤语词典的一些规则，里面的参数都是Jonathan帮我弄的，我没有动过。
• espeak/espeak-data/zhy_dict - 通过在dictsource目录下运行`espeak --compile=zhy`生成，是经编译过的二进制格式的词典。
• espeak/espeak-data/voices/zhy - 粤语的配置文件，比如定义全称是Cantonese，当遇到英文时按照英文的规则来读等。
• espeak/espeak-data/voices/!v/* - 一些声音变化定义文件，比如说，在选择语言是设定为“zhy+f2“就会听到粤语女声。
• espeakedit/phsource/ph_zh_yue - 粤语音韵定义文件，里面包含了粤语特有的音韵定义，这个文件是修改的重点之一。
• espeakedit/phsource/phonemes - 通用的音韵定义文件，可作参考，如有不同于粤语音韵特点的可在ph_zh_yue中重新定义。
• espeakedit/phsource/zh_vwl/* - 声音文件，目前根据英文音韵无法合成的音节定义了"aang ang eng ing ng oeng ong ung"，这些是通过praat软件提取音节的波形，再通过espeakedit把波形简化成较简单而有代表性的Formant参数。研究表明，3个Formant可以基本表达出一种发音的特征。相关知识可查阅Wikipedia，本网站中的Cantonese Linguistics中有相关连接。这些文件是修改的另一个重点。要想eSpeak的粤语发音不像外国人说出的感觉，需要对这些音韵（包括声母、韵母）进行细心调试。

参考资料

1. http://espeak.sourceforge.net/docindex.html 这个是官方的参 考文档，有各种更详细的资料，基本上足够了，应认真阅读，如果确认某些问题没有提及可到论坛问作者。
2. http://e-guidedog.sourceforge.net/wiki/index.php?title=Cantonese 粤语语言学相关资料搜集区（欢迎为完善这个wiki），建立一套TTS，语言学的知识很重要，建议多在Wikipedia找资料。