【Rocaloid经验总述】【五】关于CDT发音词典

2015.3
本贴所包含信息时间过于久远，已废弃。出于保留项目历史原因在此搁置。

---

本章介绍音源库发音词典CDT的文件结构
为帮助理解，您可以下载目前放出的Roca Rena 1.6核心版，发音词典文件为Dict\HMCHNDICT.cdt

概述

---

        CDT的作用：提供各种语音学信息帮助RSCCommon转换RSC到CVS。

        CDT也基于RDL，以纯文本保存，可用记事本打开。
        CDT分为三部分：

DEFList	存储各音节的音素拆音方式
PhoneticInfo	存储语音学信息（口型大小、辅音参数）
DBInfo	一张涵盖音源库中所有CBV文件信息的表格

DEFList结构

---

        提供各音节的拆音方式。
        在第一章里介绍了CVE基于过渡，所以DEF其实是对发音记号过渡的定义。

        在Rocaloid的发音词典里，DEFList看上去像这样：
        DEFList
                DEF        a
                        Type        V
                        TRatio        1
                        TList
                                T        a        a
                        End
                End
                DEF        o
                        Type        VV
                        TRatio        0.4
                        TList
                                T        a        o
                                T        p1        p2
                                T        p1        p2
                        End
                End
                DEF        e
                        Type        V
                        TRatio        1
                        TList
                                T        e-        e-
                        End
                End
它是由n个DEF组成的结构，是一个自动数组。拿第一个DEF开刀：
                DEF        a ←拼音为a
                        Type        V ←类型是一个元音
                        TRatio        1 ←过渡的变化率为1
                        TList ←数据表TList储存发音记号过渡
                                T        a        a ←第1个过渡中从a过渡到a（相当于没过渡）
                        End ←数据表定义结束
                End ←拼音定义结束

        注：DEF a这一行中的a其实不能说是汉语拼音。在汉语拼音的基础上，如果这个拼音包含辅音，那么辅音的第一个字符使用Rocaloid发音记号表示，比如ban表示形式还是ban，但是chuan表示应该是^uan。

        再来一个yong的例子：
                DEF        yong
                        Type        VVV
                        TRatio        0.6
                        TList
                                T        i        o
                                T        p2        NG
                                T        p1        p2
                                T        p1        p2
                        End
                End
        这里p2就是CVS中Preserved 2的意思，p1同理。
       换句话说，p2的意思就是继续发出o的音，并过渡到NG。第三四行p1的意思是继续o（第二行的第一个）的发音，p2的意思是继续NG（第二行的第二个）的发音。
        过渡等同于如下，但是不用p1 p2表示会断元音：

                        TList
                                T        i        o
                                T        o        NG
                                T        o        NG
                                T        o        NG
                        End

音节分类

---

        DEF中的Type属性是对拼音（音节）类型的定义，有以下几种：

种类	定义	例子
V	元	a
VV	元 + 元	an
VVV	元 + 元 + 元	yao
CV	辅 + 元	ba
CVV	辅 + 元 + 元	ban
CAV	辅 + 介 + 元	kua
CAVV	辅 + 介 + 元	juan

        C即代表辅音，A代表介母，V代表元音和尾音。
        Rocaloid中将尾音（如an中的n）当作一种元音。


        受音源库特性的影响（Diphone自带元音不一定合适），有时上述7种种类对应的TList长度可能会发生变化。下面给出一张所有变化形式（11种）的表格，这张表格仅供参考，不用记下来：

V
1
	T	V	V
VV
1
	T	V1	V2
	T	p1	p2
	T	p1	p2
2
	T	V1	V2
	T	p1	p2
VVV
1
	T	V1	V2
	T	p2	V3
	T	p1	p2
	T	p1	p2
CV
1
	T	C	V
	T	p1	p2
CVV
1
	T	C+V	V
	T	p1	p2
	T	p1	p2
2(Extended Form)
	T	C	V1
	T	p2	V2
	T	p1	p2
	T	p1	p2
CAV
1
	T	C+A	V
	T	p1	p2
2(Extended Form)
	T	C	A
	T	p2	V
	T	p1	p2
CAVV
1
	T	C+A	V1
	T	p2	V2
	T	p1	p2
	T	p1	p2
2(Extended Form)
	T	C	A
	T	p2	V1
	T	p2	V2
	T	p1	p2
	T	p1	p2

辅音泛型

---

        这个功能是用来批量声明相同韵母的音节的。
        对于如何称呼这个功能我没啥想法，感觉很像编程里的“泛型”或者“模板”的概念，于是就这么叫了。        即使不懂泛型也没必要纠结……这只是个称呼。

        使用/代替一个辅音的发音记号，在TList中也用/表示这个辅音，使其可以被任意一个辅音替换。
        例：
                DEF        /ai
                        Type        CVV
                        TRatio        0.7
                        TList
                                T        /@        e
                                T        p1        p2
                                T        p1        p2
                        End
                End
        这个辅音泛型相当于定义了bai, cai, dai, fai, kai, gai, hai, sai, pai, ^ai, &ai……等等一系列辅音，大大缩短了发音词典长度。

前置定义

---

        这个功能弥补辅音泛型的不足。

        有时辅音泛型会自动定义出一些不正确的DEF，比如上面那个/ai的例子，可能会把yai也一并定义了。但y是一个元音（其实yai=iai，虽然汉语拼音里没有这个音。。。）。通过前置定义，在/ai前面专门定义一个yai就可以解决这个问题：
                DEF        yai
                        Type        VVV
                        TRatio        0.7
                        TList
                                T        i        e
                                T        p1        p2
                                T        p1        p2
                        End
                End
                DEF        /ai
                        Type        CVV
                        TRatio        0.7
                        TList
                                T        /@        e
                                T        p1        p2
                                T        p1        p2
                        End
                End


        yai和/ai没有必要相邻，但是yai必须在/ai前面。RSCCommon在进行替换时的规则是始终找第一个符合条件的DEF。


        前置定义在对付一些辅音的时候也是必要的，尤其是当音源库中没有相应发音的时候：
                DEF        &ui
                        Type        CAVV
                        TRatio        0.5
                        TList
                                T        &[        e
                                T        p2        i
                                T        p1        p2
                                T        p1        p2
                        End
                End
        音源库中是没有&~（发音：shu）的，因为初音根本调不出这个……这时候只能用&[（发音：sho）代替。于是把&ui放在/ui前定义即可。


PhoneticInfo结构

---

        用于保存语音学信息。在RSC->CVS转换中用到。
        包含两个子结构：OpennessList和PhoneList

OpennessList结构

---

        这是用来保存各发音记号口型大小的。
        这是一个数据表的结构。
        口型越大，音量就越大。
        范围：0（静音） - 1（不进行处理的默认音量）。范围其实可以超过1，但是不推荐。
        例：
                OpennessListQ 18
                OpennessList
                        a        1    ← a 对应的口型大小为1（即音量为1倍）
                        o        0.7    ← o 对应的口型大小为0.7（即音量为0.7倍）
                        e        0.7  ← 以此类推……
                        e-        0.6
                        i        0.5
                        u        0.5
                        N        0.3
                        NN        0.3
                        NG        0.3
                        -        0.4
                        -#        0.4
                        v        0.4
                        v-        0.5
                        p@        0.6
                        p[        0.6
                        p~        0.6
                        p3        0.6
                        p#        0.6

        OpennessList会被RSCCommon在RSC->CVS转换中写入CVS的Segment的Effects的OpennessList结构。合成时由CVE引擎读取，将口型大小变化转换成包络然后变化音量。
        注：Openness双写n。。。不要拼错。


PhoneList结构

---

        这是个包含了21个PhoneSet的结构数组。每个PhoneSet记录一个辅音的信息。
例：
                        PhoneSet
                                Phone b ←发音记号的辅音部分为b
                                Type Consonant ←类型是辅音
                                PType PLO ←细分的类型是爆破音(Plosive)
                                #DataMultiple ←数据偏移因子
                                        0.3        1        1
                                #DataOffset ←数据偏移
                                        0        0        0
                                DataPointQ 10 ←数据表大小为10列
                                DataPoint ←数据表，这些是拿洛天依做实验得出的数据= =
                                        0.038        0                0.011
                                        0.031        0.001        0.010
                                        0.023        0.002        0.010
                                        0.024        0.004        0.010
                                        0.019        0                0.010
                                        0.021        0.001        0.010
                                        0.008        -0.001        0.006
                                        0.011        0                0.007
                                        0.004        -0.004        0.007
                                        0                0                0.007
                        End

        先不用管数据表是干什么的。

        Type属性包含两种：

Type	解释	例子
Consonant	一般的辅音	b c ^ & k
Semi	半元音	l m n w

        PType属性相对Type更加细分：

PType	解释	例子
PLO	Plosive，爆破音	b k t
FRC	Fricative，擦音	s ^ & c
SEM	Semi-Vowel,半元音	l m n w
VOW	Vowel，元音，这个表述没被启用	无

        #DataMultiple和#DataOffset前面加井号，因为这两个是“预处理标识”，就像C语言的#Define一样。这两个属性在CDT结构中并没有对应，但是在读取过程中会根据这两个多值属性修改数据表的数据。
        #DataMultiple        0.3        1        1
        ↑然后数据表中第一列全都乘以0.3， 第二列和第三列不变。
        #DataOffset  0 0 0
        ↑然后数据表中第一列加0，第二列加0，第三列加0，都不变。
        这样做的好处是，如果数据表整体出现偏移，只用改#DataMultiple和#DataOffset就行了。




DataPoint数据表

---

        记录了如何调整辅音长度和音节的位置。
        对Vocaloid的研究发现，Vocaloid会自动把辅音提前发出（会在Vocaloid与反向工程一章中详细讲解）。这样做发出的声音更自然。辅音还会根据一些条件被缩短。这个条件就是上一个音节的长度。
        DataPoint有三列，其实还有一列被隐藏了，这一列是上一个音节的长度（准确讲是上一个音节开始到这个音节开始的时间差）。第一排上，隐藏的长度是0.25秒，之后每列以0.025秒递减，直到第十排递减为0.025秒。
        没被隐藏的列数中，第一列是上一个音节提前结束的时间长度；第二列是这个音节提前发出的时间长度；第三列是这个音节中辅音的长度。
        这样看上去可能更清楚一些：

DataPoint	上个音节提前结束时长	当前音节提前发出时长	当前音节辅音长度
	0.093	0.026	0.048
	0.081	0.022	0.047
	0.076	0.023	0.043
	0.066	0.019	0.041
	0.055	0.015	0.037
	0.046	0.011	0.032
	0.032	0.006	0.025
	0.026	0.008	0.025
	0.014	-0.002	0.023
	0.009	0.001	0.024

DBInfo结构

---

        这是一张音源库的信息表，提供RSCCommon一些音源库信息以转换RSC->CVS。
        DBInfo包含一个长度为2997的DBList结构数组。你可能注意到了：音源库有3441个文件为什么DBList长度是2997？因为还有444个文件是元音，元音不需要提供数据。
        每个DBSet提供如下的数据：

属性	全称	说明
Pho	Phone	发音记号
Pit	Pitch	音高
VOT	Voice Onset Time	周期性开始时间（单位：采样数）
PSnk	Pre Shrink	预先缩短辅音的长度（单位：采样数）

        之所以把这些属性名缩写是因为DBList太长了，全称写上去又占空又拖慢读取速度。
        PSnk的作用是，如果音源库中有一个Diphone的辅音部分太长了，比如&3_C3的VOT本来是14546个采样，我就给它加了个5234采样长的PSnk，所以最后登记上去的VOT是14546 - 5234 = 9312。
        这么多数据当然不是我手写的= =。我写了个工具批量生成DBInfo：
        http://pan.baidu.com/share/link?shareid=546993&uk=3423845838

        Pho和Pit是用来定位数据的。VOT的用途是在生成音素过渡长度时，第一个过渡的长度一定要大于VOT（如果第一个是辅音的话，第一个过渡时长短于VOT会导致爆音）。PSnk会通过CVS被递交给CVE的Shrink效果器。