一個位元組都得省的年代，人們是如何創造遊戲人聲的？

早年間我們總是會“空耳”遊戲中的一些語音 —— 比如把《街頭霸王2》裡的波動拳（Hadoken）聽成“阿多肯”，升龍拳（Shoryuken）誤認成“毆喲肯”。後來我才發現，這些都是因為街機基板 CPS1 對發音“H”支援不佳所導致的。


幾十年前，電子遊戲的容量非常有限，想要展現出人聲通常只能採取合成的方式，請真人來錄製一段對話是件無比奢侈的事情，還不如多塞幾首好聽的 BGM 來得划算。但合成人聲直到今天也並不完美，即便是 Siri 和 Cortana，你仍然能明顯感受到它們說話時的違和感。

遊戲人聲的發展過程無疑非常漫長，從《打鴨子》裡“wawawawawa”的音效笑聲，到配音演員點對點的錄製，這一切或許都要從一尊銅像，以及地球人都知道的一臺機器說起。

人聲？不，那是魔術

人類對於創造人聲的執念由來已久，中世紀末期（12~13 世紀）就有一則關於“人頭銅像”的傳說，據說這玩意能夠正確的回答任何問題，與當時鍊金術的興起有很大關係。

但事情肯定沒那麼玄乎，古希臘數學家希羅老早就寫過兩本關於蒸汽，水，空氣動力裝置的書，名字是《氣體力學》（Pneumatica）和《自動裝置》（Automata），後來被伊斯蘭世界加以應用，12 到 13 世紀又在歐洲被重新挖掘出來。

近代魔術師約瑟菲也用銅造了個“巴爾薩莫頭骨”，上面鑲嵌著人類的牙齒，通過轉動或敲擊下顎就能配合著回答問題。在很長一段時間內，把合成人聲當成魔術也不為過。


但科學家們看得更明白一點。1779 年，俄國帝國理工學院給一個聲道模型頒發了獎項，該裝置可以念出 a、e、i、o、u 五個長母音。匈牙利人沃爾夫岡也在 1791 年的一篇論文中提到了“聲-機械語音機器”，它增加了舌頭和嘴脣模型，能夠同時發出子音和母音。


直到 20 世紀 30 年代，由貝爾實驗室開發的聲碼器（Vocoder）才算是構築了現代合成人聲的主要思路。

這臺機器具備分析語音音調和共振的能力，原理是將聲音編碼後再進行傳輸。因為從本質來看，人聲大體上可以解構成周期性的波形和諧波，聲帶、鼻子和喉嚨則是改變聲音振幅、頻率的系統。只不過有一些“抑揚頓挫”訊號難以量化，合成人聲聽起來才會非常像機器人。

相比錄製一段語音，這麼做的好處是可以最大限度的壓縮資料體積。總共儲存的聲音就那麼幾個，要組成一句話時便呼叫拼起來，然後再調整深度和長度。原理其實和 FC 的影象處理方式相似 —— 角色和場景是由零散圖塊拼成的，其中存在大量複用，而不是一張張的 JPG 圖片塞到 ROM 裡。


在這套理論的基礎上，1968 年，日本電機技術實驗室開發了第一個將“英語文字轉換為語音”的系統，由於它是基於計算機的成果，和聲碼器一樣不同於過往那些依靠螺絲、閥門的“機械式”模型，因此電子遊戲後續才有了應用合成人聲的可能。

但先彆著急，這項技術真正被遊戲使用之前還有個小插曲 —— 那便是萬家皆有，中國人都把玩過的語音計算器，你肯定對那一聲聲“歸零”記憶猶新。


1974 年時，美國人莫澤（Forrest Mozer）創造了一套基於積體電路的語音演算法，他首先將這項技術授權給了 Telesensory Systems，後者在 1976 年打造了一款面向盲人的語音計算器。而作為首款具有語音合成功能的消費品，它內建的 TSI S14001A 晶片起到了關鍵作用。

這塊出自工程師伯納德（Ed Bernard）之手的晶片，將 24 個單詞詞彙表的資料放入了一個 4096 位元組的 ROM 中。為了最大限度的壓縮資料，開發者們想盡了法子。比如有個標記為“X/-”的功能鍵沒有對應語音，而是複用了兩個已有的語音進行連續播放，這樣就只需要額外用到 2 個位元組。


不難發現，正由於所佔空間極小，它幾乎影響了 20 世紀 80 年代初期一大批包含“人聲”的遊戲。

給單調的音效來點變化

如今的柏青哥、老虎機，往往會加入很多炫酷的特效和聲音來強化感官，因為上世紀 30 年代那套彈珠打桌板的反饋實在是太無聊了。而從雅達利、紅白機時代走過來的玩家，同樣會對“嘟嘟嘟”“滴滴滴”的洗腦音效感到厭倦。

第一個買到 TSI S14001A 語音晶片的遊戲公司可能不是 Sunsoft，但他們絕對是第一個做出“合成人聲”作品的開發商。

由其製作的清版射擊街機《太空防衛》（Speak & Rescue）誕生於 1980 年，玩法一目瞭然，只需要射擊那些企圖綁架宇航員的外星人。亮點在於，宇航員被挾持和救助時有對應的語音，諸如“Help me”、“Very good”、“We'll be back”，“Lucky”等等。


這部作品有很多版本，日版語音幾乎替換成了日文，比如“Tasukete”（救命）。名為《蜘蛛戰士》的山寨版在玩法上大致相同，只是宇航員變成了水果，但由於登陸的是 Atari 2600 平臺，合成人聲這個賣點並沒有保留下來（開發商還是當時技術力最強的動視）。


街機方面，晚《太空防衛》幾個月誕生的《迷宮射擊》（Berzerk）在合成人聲上做得更為複雜。當特殊敵人出現時，喇叭裡便會傳出“Intruder alert”（入侵警報）的語音，而當玩家不小心被打死時，則會有“ Got the intruder”（找到入侵者）的臺詞。

遊戲中敵人掌握的單詞並不少，簡單一點的像是“Attack”（攻擊）、“Charge”（充電）、“Destroy”（摧毀），複雜點的甚至可以組成短語，主要依據事件觸發，類似“Kill the chicken”（殺雞）和“Destroy the intruder”（摧毀入侵者）。由於敵人的設定本身就是機器人，所以合成人聲的語調並不會覺著違和，算是恰到好處。


看到街機那邊整了點新花樣，家用機的開發商也沒有閒著。米羅華為了在競爭中佔得先機，率先為“奧德賽 2”開發了一個名為“The Voice”的附加語音模組，玩家需要多掏 100 美元才能買到。該模組有著內建揚聲器和音量控制按鈕，對應遊戲也採用了獨特的藍色包裝。

第二代米羅華奧德賽上的“合成人聲遊戲”基本都誕生於 1982 年，其中《Type and Tell》顧名思義，可以根據玩家輸入的單詞輸出語音。《K. C.'s Krazy Chase》則加入了“Incredible”（不可思議）等鼓勵人的合成聲，遊戲玩法倒是創新不多，和《吃豆人》相似。


而作為米羅華主要競爭對手之一的美泰，同樣在 1982 年推出了用於主機 Intellivision 的語音模組“Intellivoice”。他們採用了通用儀器的 SP0256 語音合成晶片，支援報數、“Press”（按）、“Enter”（進入）、“And”、“Or”、“Mattel Electronics Presents”（美泰電子製造）等語音。

但由於只有 2048 位元組的 ROM，相比前文提到的 TSI S14001A 晶片還是稍微差了些。Intellivision 上的《棒球》只有“Strike”、“Ball”、“Out”幾個詞，如果要增加額外的短語，那麼只能寄希望於卡帶裡儲存的資料了。

不過，第三方廠商若是加大容量又會大幅提高生產成本，所以 Intellivoice 一直賣得不好，最終於 1983 年停產。雖然該裝置的初始訂單一度達到 30 萬套，但結局大多是擺在貨架上吃灰。


任天堂在這一點上倒是比較聰明，在 FC 中內建了一個 DPCM 取樣通道，既可以表現背景音又可以用於加入合成人聲，而不是做額外的硬體。這樣風險全部轉嫁給了遊戲開發商，讓他們自己掂量成本。

到了 80 年代末期，卡帶 ROM 的製造費用降下來時，Sunsoft 又做了一些帶有大段合成人聲的遊戲。光碟技術此時也在醞釀之中，1983 年的《龍穴》最早將立體聲和錄製人聲結合到了遊戲中，真人配音逐漸走上了歷史舞臺。

如今那些 3A 遊戲的背後，大概率有一幫默默無聞的配音班底。反觀之下，合成語音成了特定場所下展現氛圍的一種技巧。但無論如何，幾個位元組都要死摳的時代都已經一去不復返了。

--------------------------------------------------------------------------------

參考資料：

Speech synthesis wikipedia
Digital Sound And Music
The Development of the TSI Speech+ Speaking Calculator
Mechanical Speech Synthesis in Early Talking Automata

作者：箱子
來源：VGtime
地址：https://www.vgtime.com/topic/1077681.jhtml