3个开源TTS（二）eSpeak的简要分析使用

    继续开源TTS分析，只能说是给刚起步的人一点帮助了，毕竟不是专业做这一块的。今天主要先简单介绍TTS过程，然后以eSpeak的动态库编译使用，获得wav文件结束。
    前文介绍eSpeak是c语言写的一个小型的、开放源码的语音合成系统，支持多种语言，这里包括汉语，甚至是粤语，可以看看他的博客和演讲【1】。在eSpeak的介绍里特别强调了采用“formant synthesis”（共振峰）合成方法，因此简单了解下TTS的一般过程，由于并非专业，难免有问题，请指出和谅解。
    TTS（Text to Speech），也称为语音合成技术，一般分为三个步骤，语言学处理，韵律处理和声学处理。语言学处理就是模拟人对自然语言的理解过程，完成文本规范化、分词、语法分析和语义分析，使处理后的输出能够为计算机所理解，并在其中加入所需要的各种发音提示，包括数字、特殊词汇、断句停顿等；韵律处理则是在文本的理解基础上，规划出音段特征，如音高、音长和音强等，利用韵律标记系统语调、节奏和重音这些韵律特征；声学处理则是在前两部分提供的信息基础上，利用语音语料库，统计与规则结合语境参数、声学参数等信息解决韵律的控制语音的合成。简单来说就是模拟人朗读的过程，从一段文本的输入进行分词、理解开始，结合人的朗读规律、发声特点对文本进行标记，作为参数在声音输出时产生模拟人声停顿变化等的过程。eSpeak所说的共振峰合成就是最后的语音产生过程。共振峰合成是最典型的基于声学模型的合成技术，其设计的理论基础是语音产生的源-滤波理论，即来自肺部的气流通过声门后，被看成具有一定谱结构的声源S(f)，也是声道滤波器的激励信号，声道被看成足一个线性的滤波器，其转移凼数T(f)是口和鼻处的体积速度U(f)和声源s(f)之比，由于实际上总是存离口腔有一段距离的地方得到语音p(f)，因此必须考虑到口腔的辐射效应R(f)。（更加详细的资料，自己查找）而我们需要知道共振峰模型受参数提取的影响很大，参数不准确会导致合成音质下降。而波形拼接的合成声音音质最好，但合成新的声音需要事先录制新的说话人的声音，共振峰合成只需在频域对声音作修改。这样的修改包括；振峰偏移、带宽修改、共振峰强度的修改和频带斜坡的修改。Klatt设计了一个串／并联混合型共振