專利名稱：語音合成系統(tǒng)中的數(shù)據(jù)交換方法
技術(shù)領(lǐng)域：
本發(fā)明涉及語音合成系統(tǒng)數(shù)據(jù)交換方法，具體講是關(guān)于分布式語音合成系統(tǒng)數(shù)據(jù)交換方法。
背景技術(shù)：
傳統(tǒng)的語音合成系統(tǒng)的一般處理過程如

圖1所示。由語言處理、韻律處理和最終語音合成等主要模塊構(gòu)成，其中，語言處理模塊和韻律處理模塊一般統(tǒng)稱為語音合成前端，最終語音合成模塊一般統(tǒng)稱為語音合成后端。語音合成前端經(jīng)過一系列復(fù)雜的計算，將輸入的文本轉(zhuǎn)化為語言和韻律信息。語音合成后端在語言和韻律信息的基礎(chǔ)上，經(jīng)過一定的計算，將其轉(zhuǎn)化成自然語音輸出。
語音合成前端和語音合成后端之間進(jìn)行模塊之間的數(shù)據(jù)交換，即語音合成前端將其計算結(jié)果(語言和韻律信息)以一定的方式傳遞語音合成后端。傳統(tǒng)的語音合成系統(tǒng)是一類封閉的系統(tǒng)，其數(shù)據(jù)的交換基本上是與具體系統(tǒng)相關(guān)的，也就是說，不同的語音合成系統(tǒng)對語言和韻律信息的描述是不相同的，這樣，只有建立在語言和韻律信息的描述完全一致的基礎(chǔ)上的語音合成前、后端才能組成完整的語音合成系統(tǒng)。
由此可見，傳統(tǒng)的語音合成系統(tǒng)中語言和韻律信息的描述必須滿足語音合成前、后端的共同要求，這樣就使得缺乏廣泛的適應(yīng)性，而且數(shù)據(jù)交換以難以按能夠為機(jī)器和人理解的方式進(jìn)行，這種數(shù)據(jù)交換方式直接導(dǎo)致其語音合成系統(tǒng)的效率低，適用性和兼容性差。
分布式語音合成系統(tǒng)是指這樣的一種語音合成系統(tǒng)基于客戶服務(wù)器模式，語音合成過程中工作量大的部分(語言處理和韻律處理)在服務(wù)器端執(zhí)行，工作量小的部分(最終語音合成器)在客戶端執(zhí)行，服務(wù)器和客戶機(jī)之間通過一定的數(shù)據(jù)交換方法和一定的網(wǎng)絡(luò)協(xié)議進(jìn)行通信，共同完成完整的語音合成任務(wù)。
分布式語音合成是一個新興的研究和工程化領(lǐng)域。相對于傳統(tǒng)的孤立語音合成系統(tǒng)而言，分布式語音合成系統(tǒng)對客戶端資源(計算和存儲能力)的要求較低，可以實現(xiàn)在各種資源敏感的移動或嵌入式終端設(shè)備上，而語音合成最重要的性能指標(biāo)——自然度，卻達(dá)到與服務(wù)器級大型孤立語音合成系統(tǒng)的自然度媲美的水平。在后PC時代，隨著各式各樣個人終端設(shè)備的層出不窮和無線數(shù)據(jù)業(yè)務(wù)的飛速發(fā)展，終端用戶對語音合成的需求日益迫切。因此，分布式語音合成系統(tǒng)具有巨大的研究和工程化價值。
有關(guān)分布式語音合成系統(tǒng)的詳細(xì)技術(shù)內(nèi)容可參見本申請人的兩份在先申請(#02108890.X和#02116017.1)。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種語音合成系統(tǒng)數(shù)據(jù)交換方法，本方法采用人類/機(jī)器便于解讀的方式對服務(wù)器的計算結(jié)果進(jìn)行描述，即對語言和韻律信息進(jìn)行結(jié)構(gòu)化描述，使得不同技術(shù)構(gòu)建的語音合成服務(wù)器或語音合成客戶機(jī)均可以組成完整的語音合成系統(tǒng)。
本發(fā)明的更進(jìn)一步目的是使不同技術(shù)構(gòu)建的分布式語音合成服務(wù)器或分布式語音合成客戶機(jī)均可以組成完整的分布式語音合成系統(tǒng)。
上述發(fā)明目的是通過采用以下技術(shù)方案實現(xiàn)的一種語音合成系統(tǒng)數(shù)據(jù)交換方法，其特征在于語音合成系統(tǒng)中數(shù)據(jù)交換采用基于XML的結(jié)構(gòu)化文檔進(jìn)行。
所述的語音合成系統(tǒng)為分布式語音合成系統(tǒng)，系統(tǒng)中的服務(wù)器由語言處理模塊、韻律處理模塊和一個XML文檔生成器組成。
待處理的文本經(jīng)過語言處理模塊和韻律處理模塊的處理，轉(zhuǎn)變成語言和韻律信息，所述的語言和韻律信息經(jīng)過XML生成器處理，轉(zhuǎn)變成XML文檔，經(jīng)過通信網(wǎng)絡(luò)傳輸?shù)娇蛻魴C(jī)。
所述的客戶機(jī)為分布式語音合成客戶機(jī)，該客戶機(jī)由一個被稱為XML文檔解析器的模塊和最終語音合成模塊構(gòu)成。
所述的由XML生成器處理得到的XML文檔經(jīng)過客戶機(jī)的XML文檔解析器的處理，轉(zhuǎn)變成的語言和韻律信息再經(jīng)過最終語音合成模塊的處理，轉(zhuǎn)變成語音輸出。
數(shù)據(jù)交換方法及意義數(shù)據(jù)交換在分布式語音合成系統(tǒng)中擔(dān)當(dāng)著至關(guān)重要的角色。分布式語音合成系統(tǒng)的數(shù)據(jù)交換方法是指在分布式語音合成系統(tǒng)中，服務(wù)器完成其所負(fù)責(zé)的語言處理和韻律處理之后，將計算結(jié)果傳遞給客戶機(jī)進(jìn)行最終語音合成的方式和途徑。其中涉及兩個層面的內(nèi)容一、服務(wù)器對計算結(jié)果進(jìn)行描述，以人/機(jī)可讀的方式進(jìn)行數(shù)據(jù)交換；二、服務(wù)器使用某種網(wǎng)絡(luò)協(xié)議將計算結(jié)果傳遞給客戶機(jī)。
由于服務(wù)器和客戶機(jī)之間可以采用各種標(biāo)準(zhǔn)網(wǎng)絡(luò)協(xié)議諸如TCP/IP和HTTP進(jìn)行通信，本發(fā)明所述的分布式語音合成系統(tǒng)數(shù)據(jù)交換方法，不包括上述第二個層面的內(nèi)容，而僅限于第一個層面的內(nèi)容，即如何對服務(wù)器的計算結(jié)果——語言和韻律信息進(jìn)行結(jié)構(gòu)化描述，以達(dá)到人/機(jī)可讀的目的。
數(shù)據(jù)交換方法的質(zhì)量，涉及到分布式語音合成系統(tǒng)的效率、適用性和兼容性。本發(fā)明所提供的分布式語音合成系統(tǒng)數(shù)據(jù)交換方法，充分考慮了這些問題，在分布式語音合成系統(tǒng)的工程化推廣中起了重大的作用。
分布式語音合成將客戶—服務(wù)器構(gòu)架應(yīng)用到語音合成系統(tǒng)中語音合成前端運(yùn)行在所謂的分布式語音合成服務(wù)器上，語音合成后端運(yùn)行在所謂的分布式語音合客戶機(jī)上。服務(wù)器和客戶機(jī)之前傳遞的是語言和韻律信息。與傳統(tǒng)的語音合成系統(tǒng)不同的是分布式語音合成系統(tǒng)是一類開放的系統(tǒng)。分布式語音合成服務(wù)器和分布式語音合成客戶機(jī)之間的數(shù)據(jù)交換是開放的，不僅要求數(shù)據(jù)交換具有廣泛的適應(yīng)性，而且要求數(shù)據(jù)交換易于人類和機(jī)器理解。這樣，由本發(fā)明提供統(tǒng)一的數(shù)據(jù)交換模式，使得無論以何種技術(shù)構(gòu)建的分布式語音合成服務(wù)器和/或分布語音合成戶均可以組成完整的分布式語音合成系統(tǒng)。
附圖概述圖1是傳統(tǒng)語音合成系統(tǒng)的數(shù)據(jù)交換處理過程示意框圖；圖2是本發(fā)明語音合成系統(tǒng)的數(shù)據(jù)交換處理過程示意框圖。
如圖2所示，待處理的文本經(jīng)過語言處理模塊和韻律處理模塊的處理，轉(zhuǎn)變成語言和韻律信息，這些系統(tǒng)相關(guān)的語言和韻律信息經(jīng)過XML文檔生成器的處理，轉(zhuǎn)變成XML文檔。系統(tǒng)無關(guān)的XML文檔在通訊鏈路上，如互聯(lián)網(wǎng)等上傳遞，最終到達(dá)分布式語音合成客戶機(jī)。
分布式語音合成系統(tǒng)數(shù)據(jù)交換方法，即我們對語言和韻律信息進(jìn)行結(jié)構(gòu)化描述的方法，通常必須具備以下功能支持多種格式文檔的輸入，即能指明當(dāng)前文檔格式；具有可讀性，即易于被人類和機(jī)器理解；易于直接由人手工書寫，并且同時也易于機(jī)器自動生成；與現(xiàn)有各標(biāo)記體系保持一致，盡量兼容或易于被自動轉(zhuǎn)化。具體來講應(yīng)當(dāng)滿足以下基本要求1、對單模態(tài)輸出和多模態(tài)輸出都能加以控制；2、能對合成文本的結(jié)構(gòu)加以描述；3、支持不同語言和方言的定義；4、支持特殊發(fā)音指定(宏發(fā)音)，包括強(qiáng)制改變發(fā)音以及引用外部聲音元素；5支持對諸如速度、音高、音強(qiáng)等參數(shù)的控制；6、支持對音色的指定，如發(fā)音人姓名、性別、年齡等；7、對特定格式文字發(fā)音的支持，如地址、電話、網(wǎng)址等；8、支持重讀/強(qiáng)調(diào)控制；9、支持某段文字語調(diào)控制；10、支持其他模態(tài)控制數(shù)據(jù)嵌入；11、支持音場環(huán)境/聲源位置定義。
本發(fā)明所述的數(shù)據(jù)交換方法的具體內(nèi)容說明如下XML(可擴(kuò)展標(biāo)記語言eXtensible Markup Language)是互聯(lián)網(wǎng)上進(jìn)行結(jié)構(gòu)化數(shù)據(jù)交換十分有效的手段。它具有語言無關(guān)、平臺無關(guān)、人類可讀性強(qiáng)、易于機(jī)器理解、可以直接使用在互聯(lián)網(wǎng)上、支持大量應(yīng)用等優(yōu)良特性。XML描述了一類稱為“XML”文件的數(shù)據(jù)對象，同時也部分地描述了處理這些數(shù)據(jù)對象的計算機(jī)程序的動作。XML文件具有良好的自描述特性，可以獨立于各類平臺進(jìn)行數(shù)據(jù)存儲與交換。
XML并不是一種“標(biāo)記語言”。確切地說，它是一種元標(biāo)記語言，是一種用于定義其它標(biāo)記語言的標(biāo)記語言。因此，它不能直接對特定領(lǐng)域的數(shù)據(jù)進(jìn)行描述，因而不能被使用作為數(shù)據(jù)交換的載體。相反，必須使用它來定義針對某一特定領(lǐng)域的數(shù)據(jù)描述的標(biāo)記語言，然后將被定義的標(biāo)記語言作為該特定領(lǐng)域里數(shù)據(jù)交換的載體。
例如HTML超文本標(biāo)記語言是一種真正的標(biāo)記語言，它對WWW上多媒體信息進(jìn)行描述，可以用來在WWW服務(wù)器和客戶瀏覽器之間進(jìn)行多媒體信息的交換。它由SGML標(biāo)準(zhǔn)通用標(biāo)記語言定義，將來可能變成由XML定義。由此看出，XML與SGML屬于同一層次的概念，均為定義其它語言的元語言。我們定義的標(biāo)記語言，與HMTL屬于同一層次的概念，均為真正的標(biāo)記語言。HTML對WWW上多媒體信息進(jìn)行描述，我們定義的標(biāo)記語言對分布式語言合成服務(wù)器的計算結(jié)果——語言和韻律信息進(jìn)行描述，在分布式語言合成服務(wù)器和客戶機(jī)之間進(jìn)行語言和韻律信息的交換。
我們定義了中文語音合成標(biāo)記語言(CSSML)規(guī)范。此規(guī)范建立在XML結(jié)構(gòu)化文檔基礎(chǔ)之上，借鑒和融合了JSML、SABLE、STML、SAPI以及VXML等體系中關(guān)于語音合成方面的內(nèi)容，并增加了對于中文特定內(nèi)容的支持，定義了一套完整的標(biāo)記語言CSSML(Chinese Speech Synthesis Markup Language)，給出了其DTD描述，使得此規(guī)范的內(nèi)容具有足夠的覆蓋范圍。
CSSML針對語言和韻律信息建立了一個完整的描述體系。它既可以作為分布式語音合成系統(tǒng)中服務(wù)器和客戶機(jī)之間數(shù)據(jù)交換的標(biāo)準(zhǔn)；也可以作為獨立語音合成系統(tǒng)的輸入，通過在待合成文本中加入若干標(biāo)記從而對語音合成的各項屬性參數(shù)加以控制。
數(shù)據(jù)交換方法在分布式語音合成系統(tǒng)中的應(yīng)用本發(fā)明提供的數(shù)據(jù)交換方法，即CSSML，主要應(yīng)用于分布式語音合成系統(tǒng)中，作為分布式語音合成系統(tǒng)的數(shù)據(jù)交換標(biāo)準(zhǔn)。分布式語音合成服務(wù)器完成語言處理和韻律處理，將文本轉(zhuǎn)換成語言和韻律信息。這些語言和韻律信息經(jīng)由一個被稱為CSSML Generator(生成器)的處理模塊，轉(zhuǎn)換成CSSML文檔。然后CSSML文檔被從網(wǎng)絡(luò)上傳遞給分布式語音合成客戶機(jī)。分布式語音合成客戶機(jī)將接收到的CSSML文檔送入一個被稱為CSSML Parser(解析器)的處理模塊，將其轉(zhuǎn)換為相應(yīng)的語言和韻律信息。然后分布式語音合成客戶機(jī)在這些語言和韻律信息的基礎(chǔ)上繼續(xù)進(jìn)行處理，完成最終的語音合成。
CSSML是基于XML的結(jié)構(gòu)化文檔，具有良好的自描述特性。以CSSML作為數(shù)據(jù)交換標(biāo)準(zhǔn)的分布式語音合成系統(tǒng)，具有很好的魯棒性、兼容性和易擴(kuò)展性。在一個分布式語音合成系統(tǒng)中，服務(wù)器和客戶機(jī)既可以由同一開發(fā)商同時開發(fā)，也可以由不同的開發(fā)商在不同的時間、采用不同的技術(shù)開發(fā)。只要服務(wù)器和客戶機(jī)完全遵循CSSML規(guī)范，它們就可以進(jìn)行集成，形成分布式語音合成應(yīng)用。終端用戶亦可以開發(fā)符合自身需求的客戶機(jī)，通過接入應(yīng)用網(wǎng)絡(luò)，享受分布式語音合成服務(wù)。
數(shù)據(jù)交換方法在其它方面的應(yīng)用本發(fā)明提供的數(shù)據(jù)交換方法，即CSSML，除了在分布式語音合成系統(tǒng)中擔(dān)任核心角色之外，還可以應(yīng)用在其它方面。如作為獨立語音合成系統(tǒng)的輸入，通過在待合成文本中加入若干標(biāo)記從而對語音合成的各項屬性參數(shù)加以控制。
在信息內(nèi)容服務(wù)領(lǐng)域(如Web服務(wù))，內(nèi)容提供商可以將以文本形式存在的信息內(nèi)容，通過語言和韻律處理工具(作用類似于分布式語音合成服務(wù)器)轉(zhuǎn)換成以CSSML文檔形式存在的信息內(nèi)容。CSSML文檔可以提供給使用語音瀏覽器(作用類似于分布式語音合成客戶機(jī))的用戶下載，以聽代看的方式瀏覽信息。
在模塊共享方面，CSSML也有著重要的作用。語音合成的前端(主要是指語言和韻律處理)和后端(主要是指最終語音合成)是組成一個完成語音合成系統(tǒng)的兩大部分。其中，語音合成前后端都可以使用不同的技術(shù)實現(xiàn)。如果定義這樣的一個規(guī)范語音合成前端的輸入為純文本，輸出為CSSML文檔；語音合成后端的輸入為CSSML文檔，輸出為合成語音。這樣，我們可以選取任意滿足此規(guī)范的前端和任意滿足此規(guī)范的后端進(jìn)行集成，構(gòu)建語音合成系統(tǒng)，達(dá)到模塊共享的目的。
以下通過元素與屬性、輸出輸入的定義以及有關(guān)重要程序的實例對本發(fā)明作進(jìn)一步的詳細(xì)說明。
1.元素與屬性1.1 speak由于此標(biāo)注體系采用XML文檔格式給出，因此根元素即為“speak”。

1.2 xml:lang指定當(dāng)前語種，包括子類(方言)的指定，可用值請參照Internet公文RFC1766，中文方言部分請參照附錄。

1.3 paragraph、sentence、phrase、word指定語音層次結(jié)構(gòu)，以使合成語音更加符合使用要求，允許嵌套。

1.4 sayas指明文本的性質(zhì)，即如何決定其發(fā)音方式，“type”屬性將被用來指明具體的文本性質(zhì)，包括“acronym”縮寫形式“number”指明數(shù)字，還可附帶“ordinal”或“digits”指明讀法。
“date”指明日期，可附帶“ymd”“mdy”“dmy”“ym”“my”“md”“y”指明順序。
“time”指明時刻，可附帶“hm”“hms”指明包含內(nèi)容。
“duration”指明時間段，可附帶“hm”“hms”“ms”指明內(nèi)容。
“currency”指明貨幣金額。
“measure”指明度量值。
“name”指明是人的姓名、公司名稱或是地名。
“net”指明是與Internet相關(guān)的固定說法，包括“email”“url”等附加值。
“address”指明是表述郵政地址。

1.5 phoneme指明發(fā)音音標(biāo)序列，屬性包括“ph”和“py”，ph指由符合International Phonetic Alphabet(IPA)的音標(biāo)序列構(gòu)成；“py”指由符合中國國家拼音方案的音標(biāo)序列構(gòu)成。

1.6 voice指明發(fā)音人特征，屬性包括“gender”指明發(fā)音人性別，可取值“male”(男聲)“female”(女聲)“neutral”(中性)。
“age”指明發(fā)音人年齡，可取值整數(shù)或“child”“teenager”“adult”“elder”。
“variant”指明發(fā)音人代號，可取值整數(shù)或“different”。
“name”指明發(fā)音人姓名，通常是系統(tǒng)相關(guān)的，可取值為具體姓名串或“default”。

1.7 emphasis指明輕重讀/強(qiáng)調(diào)程度，屬性有“l(fā)evel”，可指明強(qiáng)調(diào)等級，可取值“strong”“moderate”“none”以及“reduced”。

1.8 break指明插入一個停頓，屬性包括“size”指明停頓長短，可取值“none”“small”“medium”“l(fā)arge”“time”指明具體停頓時長，以秒或毫秒為單位，如“3s”“300ms”1.9 prosody指明韻律上的一些參數(shù)，屬性包括“pitch”指明基頻的高低，可取值絕對頻率數(shù)值、相對改變值或“high”“medium”“l(fā)ow”“default”。
“contour”指明調(diào)型曲線，取值為一系列關(guān)鍵點的值，每個關(guān)鍵點值由(位置，音高)來描述，位置為一百分比，音高與pitch的取值形式相同。
“range”指明基頻范圍，可取值絕對頻率數(shù)值、相對改變值或“high”“medium”“l(fā)ow”“default”。
“duration”指明發(fā)音持續(xù)時長，可取值毫秒或秒、相對改變值或”fast”“medium”“slow”“default”。
“volume”指明音量，取值范圍為0.0～100.0或相對變化值或“silent”“soft”“medium”“l(fā)oud”“default”。

1.10 lexicon指明作用域內(nèi)附加使用的用戶詞典，屬性”src”指明用戶詞典，可以是以URI指定的某個文件或是已約定的對象名稱(包括以MIME格式編碼在文檔中的內(nèi)嵌對象)。

1.11 audio指明插入一段已有聲音樣本，屬性“src”指明聲音樣本，可以是以URI指定的某個文件或是已約定的對象名稱。(包括以MIME格式編碼在文檔中的內(nèi)嵌對象)

1.12 mark指明插入一個標(biāo)記，此標(biāo)記可被用來快速檢索文檔，并在合成到此位置時觸發(fā)mark事件。

1.13 value指明插入一個系統(tǒng)變量的值，屬性包括“name”變量的名稱。
“type”與<sayas>中“type”屬性相同。

2.輸入定義系統(tǒng)應(yīng)能接受符合上述標(biāo)記規(guī)范的文檔輸入，并且可以接受沒有任何標(biāo)記的純文本信息，并能自動作出分析。
3.輸出定義系統(tǒng)應(yīng)能產(chǎn)生指定格式的音頻數(shù)據(jù)，并且在擴(kuò)展系統(tǒng)中還應(yīng)能產(chǎn)生其他模態(tài)的輸出數(shù)據(jù)以及同步信息。
4.一致性4.1不同實現(xiàn)的可互操作性應(yīng)能保證在不同目標(biāo)平臺和實現(xiàn)目標(biāo)集中，可被兼容和互操作。
4.2對已有規(guī)范的兼容性由于在定義此規(guī)范時已充分考慮到現(xiàn)有各種標(biāo)記語言，并將其定義在XML結(jié)構(gòu)化文檔基礎(chǔ)之上，使得內(nèi)容的傳輸與解析具有優(yōu)良的可擴(kuò)展性和兼容性。
5.附錄5.1中文區(qū)域性語言代碼

5.2 CSSML 0.9 DTD描述<？xml version＝″1.0″encoding＝″UTF-8″？>
<！--Chinese Speech Synthesis Markup Language v0.9 20010315-->
<！ENTITY％allowed-within-sentence″#PCDATA|sayas|phoneme|voice|emphasis|break|prosody|audio|value|mark″>
<！ENTITY％structure″paragraph|sentence″>
<！ENTITY％duration″CDATA″>
<！ENTITY％integer″CDATA″>
<！ENTITY％uri″CDATA″>
<！ENTITY％phoneme-string″CDATA″>
<！ENTITY％phoneme-string-py″CDATA″>
<！ENTITY％phoneme-alphabet″CDATA″>
<！--Definitions of the structural elements.-->
<！--Currently，these elements support only the xml:lang attribute-->
<！ELEMENT speak(％allowed-within-sentence；|％structure；)*>
<！ELEMENT paragraph(％allowed-within-sentence；|sentence)*>
<！ELEMENT sentence(％allowed-within-sentence；)*>
<！--The flexible container elements can occur within paragraph-->
<！--and sentence but may also contain these structural elements.-->
<！ENTITY％voice-name″CDATA″>
<！ELEMENT voice(％allowed-within-sentence；|％structure；)*>
<！ATTLIST voicegender(male|female|neutral)#IMPLIEDage(％integer；|child|teenager|adult|elder)#IMPLIEDvariant(％integer；|different)#IMPLIEDname(％voice--name；|default)#IMPLIED>
<！ELEMENT prosody(％allowed-within-sentence；|％structure；)*>
<！ATTLIST prosodypitch CDATA#IMPLIED
contour CDATA#IMPLIEDrange CDATA#IMPLIEDrate CDATA#IMPLIEDduration CDATA#IMPLIEDvolume CDATA#IMPLIED>
<！ELEMENT lexicon(％allowed-within-sentence；|％structure；)*>
<！ATTLIST lexiconsrc％uri；#IMPLIED>
<！ELEMENT audio(％allowed-within-sentence；|％structure；)*>
<！ATTLIST audiosrc％uri；#IMPLIED>
<！--These basic container elements can contain any of the-->
<！--within-sentence elements，but neither sentence or paragraph.-->
<！ELEMENT emphasis(％allowed-within-sentence；)*>
<！ATTLIST emphasislevel(strong|moderate|none|reduced)″moderate″>
<！--These basic container elements can contain only data-->
<！ENTITY％sayas-types″(acronym|number|ordinal|digits|telephone|date|time|duration|currency|measure|name|net|address)″>
<！ELEMENT sayas(#PCDATA)>
<！ATTLIST sayastype％sayas-types；#REQUIRED>
<！ELEMENT phoneme(#PCDATA)>
<！ATTLIST phoneme
ph％phoneme-string；#REQUIREDpy％phoneme-string-py；#REQUIREDalphabet％phoneme-alphabet；#IMPLIED>
<！--Definitions of the basic empty elements-->
<！ELEMENT break EMPTY>
<！ATTLIST breaksize(large|medium|small|none)″medium″time％duration；#IMPLIED>
<！ELEMENT mark EMPTY>
<！ATTLIST markname CDATA#REQUIRED>
<！ELEMENT value EMPTY>
<！ATTLIST valuename CDATA#REQUIREDtype％sayas-types；#REQUIRED>
src％uri；#IMPLIED>
<！--These basic container elements can contain any of the-->
<！--within-sentence elements，but neither sentence or paragraph.-->
<！ELEMENT emphasis(％allowed-within-sentence；)*>
<！ATTLIST emphasislevel(strong|moderate|none|reduced)″moderate″>
<！--These basic container elements can contain only data-->
<！ENTITY％sayas-types″(acronym|number|ordinal|digits|telephone|date|time|
duration|currency|measure|name|net|address)″>
<！ELEMENT sayas(#PCDATA)>
<！ATTLIST sayastype％sayas-types；#REQUIRED>
<！ELEMENT phoneme(#PCDATA)>
<！ATTLIST phonemeph％phoneme-string；#REQUIREDpy％phoneme-string-py；#REQUIREDalphabet％phoneme-alphabet；#IMPLIED>
<！--Definitions of the basic empty elements-->
<！ELEMENT break EMPTY>
<！ATTLIST breaksize(large|medium|small|none)″medium″time％duration；#IMPLIED>
<！ELEMENT mark EMPTY>
<！ATTLIST markname CDATA#REQUIRED>
<！ELEMENT value EMPTY>
<！ATTLIST valuename CDATA#REQUIREDtype％sayas-types；#REQUIRED>
權(quán)利要求
1.一種語音合成系統(tǒng)中的數(shù)據(jù)交換方法，其特征在于語音合成系統(tǒng)中數(shù)據(jù)交換采用基于XML的結(jié)構(gòu)化文檔進(jìn)行。
2.根據(jù)權(quán)利要求1所述的語音合成系統(tǒng)中的數(shù)據(jù)交換方法，其特征在于語音合成系統(tǒng)為分布式語音合成系統(tǒng)，系統(tǒng)中的服務(wù)器由語言處理模塊、韻律處理模塊和一個XML文檔生成器組成。
3.根據(jù)權(quán)利要求2所述的語音合成系統(tǒng)中的數(shù)據(jù)交換方法，其特征在于文本經(jīng)過語言處理模塊和韻律處理模塊的處理，轉(zhuǎn)變成語言和韻律信息，所述的語言和韻律信息經(jīng)過XML生成器處理，轉(zhuǎn)變成XML文檔，經(jīng)過通信網(wǎng)絡(luò)傳輸?shù)娇蛻魴C(jī)。
4.根據(jù)權(quán)利要求3所述的語音合成系統(tǒng)中的數(shù)據(jù)交換方法，其特征在于所述的客戶機(jī)為分布式語音合成客戶機(jī)，該客戶機(jī)由一個被稱為XML文檔解析器的模塊和最終語音合成模塊構(gòu)成。
5.根據(jù)權(quán)利要求3或4所述的語音合成系統(tǒng)中的數(shù)據(jù)交換方法，其特征在于所述的由XML生成器處理得到的XML文檔經(jīng)過客戶機(jī)的XML文檔解析器的處理，轉(zhuǎn)變成的語言和韻律信息再經(jīng)過最終語音合成模塊的處理，轉(zhuǎn)變成語音輸出。
全文摘要
本發(fā)明提供一種語音合成系統(tǒng)，尤其是分布式語音合成服務(wù)器或分布式語音合成客戶機(jī)均可以組成完整的分布式語音合成系統(tǒng)數(shù)據(jù)交換方法，本發(fā)明的核心是采用基于XML的結(jié)構(gòu)化文檔進(jìn)行，系統(tǒng)中的服務(wù)器由語言處理模塊、韻律處理模塊和一個XML文檔生成器組成，待處理的文本經(jīng)過語言處理模塊和韻律處理模塊的處理，轉(zhuǎn)變成語言和韻律信息，所述的語言和韻律信息經(jīng)過XML生成器處理，轉(zhuǎn)變成XML文檔，經(jīng)過通信網(wǎng)絡(luò)傳輸?shù)娇蛻魴C(jī)，使得不同技術(shù)構(gòu)建的語音合成服務(wù)器或語音合成客戶機(jī)均可以組成完整的語音合成系統(tǒng)。
文檔編號G10L13/00GK1501349SQ0214866
公開日2004年6月2日 申請日期2002年11月19日 優(yōu)先權(quán)日2002年11月19日
發(fā)明者唐浩, 尹波, 唐 浩 申請人:安徽中科大訊飛信息科技有限公司