一个字节都得省的年代，人们是如何创造游戏人声的？

作者箱子编辑箱子 2020-02-28 08:00:00

能够“说话”的游戏在几十年前可是新奇玩意。

　　早年间我们总是会“空耳”游戏中的一些语音 —— 比如把《街头霸王2》里的波动拳（Hadoken）听成“阿多肯”，升龙拳（Shoryuken）误认成“殴哟肯”。后来我才发现，这些都是因为街机基板 CPS1 对发音“H”支持不佳所导致的。

　　几十年前，电子游戏的容量非常有限，想要展现出人声通常只能采取合成的方式，请真人来录制一段对话是件无比奢侈的事情，还不如多塞几首好听的 BGM 来得划算。但合成人声直到今天也并不完美，即便是 Siri 和 Cortana，你仍然能明显感受到它们说话时的违和感。

　　游戏人声的发展过程无疑非常漫长，从《打鸭子》里“wawawawawa”的音效笑声，到配音演员点对点的录制，这一切或许都要从一尊铜像，以及地球人都知道的一台机器说起。

人声？不，那是魔术

　　人类对于创造人声的执念由来已久，中世纪末期（12~13 世纪）就有一则关于“人头铜像”的传说，据说这玩意能够正确的回答任何问题，与当时炼金术的兴起有很大关系。

　　但事情肯定没那么玄乎，古希腊数学家希罗老早就写过两本关于蒸汽，水，空气动力装置的书，名字是《气体力学》（Pneumatica）和《自动装置》（Automata），后来被伊斯兰世界加以应用，12 到 13 世纪又在欧洲被重新挖掘出来。

　　近代魔术师约瑟菲也用铜造了个“巴尔萨莫头骨”，上面镶嵌着人类的牙齿，通过转动或敲击下颚就能配合着回答问题。在很长一段时间内，把合成人声当成魔术也不为过。

　　但科学家们看得更明白一点。1779 年，俄国帝国理工学院给一个声道模型颁发了奖项，该设备可以念出 a、e、i、o、u 五个长元音。匈牙利人沃尔夫冈也在 1791 年的一篇论文中提到了“声-机械语音机器”，它增加了舌头和嘴唇模型，能够同时发出辅音和元音。

　　直到 20 世纪 30 年代，由贝尔实验室开发的声码器（Vocoder）才算是构筑了现代合成人声的主要思路。

　　这台机器具备分析语音音调和共振的能力，原理是将声音编码后再进行传输。因为从本质来看，人声大体上可以解构成周期性的波形和谐波，声带、鼻子和喉咙则是改变声音振幅、频率的系统。只不过有一些“抑扬顿挫”信号难以量化，合成人声听起来才会非常像机器人。

　　相比录制一段语音，这么做的好处是可以最大限度的压缩数据体积。总共存储的声音就那么几个，要组成一句话时便调用拼起来，然后再调整深度和长度。原理其实和 FC 的图像处理方式相似 —— 角色和场景是由零散图块拼成的，其中存在大量复用，而不是一张张的 JPG 图片塞到 ROM 里。

　　在这套理论的基础上，1968 年，日本电机技术实验室开发了第一个将“英语文本转换为语音”的系统，由于它是基于计算机的成果，和声码器一样不同于过往那些依靠螺丝、阀门的“机械式”模型，因此电子游戏后续才有了应用合成人声的可能。

　　但先别着急，这项技术真正被游戏使用之前还有个小插曲 —— 那便是万家皆有，中国人都把玩过的语音计算器，你肯定对那一声声“归零”记忆犹新。

　　1974 年时，美国人莫泽（Forrest Mozer）创造了一套基于集成电路的语音算法，他首先将这项技术授权给了 Telesensory Systems，后者在 1976 年打造了一款面向盲人的语音计算器。而作为首款具有语音合成功能的消费品，它内置的 TSI S14001A 芯片起到了关键作用。

　　这块出自工程师伯纳德（Ed Bernard）之手的芯片，将 24 个单词词汇表的数据放入了一个 4096 字节的 ROM 中。为了最大限度的压缩数据，开发者们想尽了法子。比如有个标记为“X/-”的功能键没有对应语音，而是复用了两个已有的语音进行连续播放，这样就只需要额外用到 2 个字节。