作者：goodorc，欢迎访问他的B站主页：goodorc_gamedev

现象级游戏《动物之森》里面小动物的“叽里咕噜语”令人印象深刻，也被玩家们称为“狸语”。

这种语音直接听，完全听不懂，但是如果你对着字幕听，感觉它就是在念字幕。下面是一段视频录像，一起来感受感受：

（手头没有NS录像，借用了B站“大双喜”的录像视频，感谢）

第一次听到这种“狸语”时没有深究。但机核的某一期电台提醒了我，该期电台名为《“动森”里面那似乎能听懂的“狸语”是怎么做出来的？》。

这期知识性趣味性都很高，勾起了我尝试合成语音的兴趣。机核电台传送门：

https://www.gcores.com/radios/122580/timelines?pi=1

1、“叽里咕噜语”简介

早年间在游戏机硬件机能十分有限的时候，当时的制作者们就已经发现。在介绍背景剧情、或表现人物对话时，直接显示一段文字，与逐渐显示出一段文字的体验是完全不同的。根据人物语速逐个显示出一个一个文字，代入感和演出效果会改善很多。

而且，如果在蹦出文字时，配上打字机的音效，任务的代入感会更强。虽然早期的游戏一般没有语音，但是根据人物说话的语速显示文字，再配上“嘟嘟嘟”的音效，结合玩家强大的脑补，就能做出很强的代入感。

比如大名鼎鼎的魂斗罗一代日版，地球被陨石撞击的动画，配合打字机一样的任务简报，代入感顿时加满。

虽然如今的游戏可以用真人配音等方式制作出真正的语音，但就像8bit像素风格逐渐变成一种流行的风格一样，“嘟嘟嘟”的配音也变成了一种无可取代的风格。给游戏平添了一种风味。

比如《蔚蓝》就是一个优秀案例，主角麦德玲的说话带有“叽叽哇哇”的音效，与精美的像素风格相得益彰。这种语音有一个专有名词“Gibberish”，英文原意为“嘟嘟囔囔”，你也可以理解为一种语言。

而相比其它游戏中“叽叽咕咕”的简单电子音效，《动物之森》里的合成音效则成熟得多！

《动物之森》里的音效不再是单调的“叽里咕噜”，而是真的能识别出语音中的“音素”和“音节”，用极少的音频资源就能做出类似“朗读”的效果。虽然这种“朗读”似是而非，玩家很难直接听懂。但是只要配合文字观看，就好像是动物们在说话一样。

更有趣的是，这种语音系统，可以适配各种不同的语言，中文、英文、俄语等等，只要能够拆分出“音素”，就能让狸猫说各种外语。

这种神奇的算法是如何实现的呢？

简单来说，合成叽里咕噜语的主要技术分为三步：一是声母韵母录音，二是汉字转拼音，三是语音合成。

2、声母和韵母

我为了制作这个“叽里咕噜语”，特地找来了小学一年级的“声母韵母表”。不知道谁还记得b p m f d t n l, a o e i u v, 还有an en yin un vn，小学一年级的知识恍如隔世，但语音语素的秘密其实就藏在声母韵母表中。

我们需要自己录制一份原始素材，朗读整个声母韵母表并录音，然后将这些声音切分出来，保存在单独的文件里。文件名与拼音名称对应。

把录音切分成几十个文件是一件麻烦事，这里我用了python的pydub库对声音进行处理。pydub这个库可以识别音频中没有声音的部分做切分。很快就处理好了所有的原始音频文件。

录音时注意，中文“鱼”、“晕”的发音不是“u”而是“v”。其中v是变通写法，正确写法是“u上面带两点”，注意不要弄混。

3、汉字转拼音实战

实现语音合成的第二大难点在于汉字如何转为拼音。

细说的话，转拼音的关键在于——我们的汉字编码顺序是有规律的。一般是按照读音的字母顺序进行排列，比如“啊”就在“好”的前面，像“张”这种z开头的汉字就排在靠后的位置。这样一来，我们可以用一张编码表给汉字和拼音做一个简单的对应关系。

说起来容易做起来难，实际上还是要借鉴前人已做过的成果。经过耐心搜索，我在网上找到了某个大神写的一个库，库名Sunrise.Spell，这个库的基本原理就是用一个大的对应表将汉字转为拼音，但中间也有很多特殊情况需要处理。

而且由于我们的需求比较特殊，不得不对源码做出大幅度修改。

最终实现了将文字转换为拼音序列的功能，而且加入了标点符号的识别，逗号、句号等常用标点符号会被识别为空白停顿，用下划线表示。

4、整合实现

剩下的问题就是单纯的Unity技术问题了。整理一下思路，现在的问题是：

给出一段用空格分割的音节字符串，找到每个音节对应的音频文件，并依次播放出来。

这个问题比较繁琐，在这里咱们用Unity做了一个简单的实现。Unity工程晚些时候会放在评论区。

在播放时，需要控制音频的音调（Pitch），音调高一些比较卡通。为了效果好，还需要适当“吞音”，就是每个音节不要说全，掐头去尾，只播放中间一段，感觉反而更好。

核心的音频控制脚本是Pronounce Core，其中Trim Begin是掐掉音节的开头，Trim End是去掉音节尾部，取值都是0~1的百分比。上图中的设置表示，去掉了音节的11.2%之前的部分，与79.6%之后的部分。All Clips为音频列表。

最后上展示视频：

感谢观赏！

欢迎加入游戏开发群欢乐搅基：1082025059

对游戏开发感兴趣的童鞋可戳这里进一步了解皮皮关：http://www.levelpp.com/