一个字节都得省的年代，人们是如何创造游戏人声的？

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。


不难发现，正由于所占空间极小，它几乎影响了 20 世纪 80 年代初期一大批包含“人声”的游戏。

给单调的音效来点变化

如今的柏青哥、老虎机，往往会加入很多炫酷的特效和声音来强化感官，因为上世纪 30 年代那套弹珠打桌板的反馈实在是太无聊了。而从雅达利、红白机时代走过来的玩家，同样会对“嘟嘟嘟”“滴滴滴”的洗脑音效感到厌倦。

第一个买到 TSI S14001A 语音芯片的游戏公司可能不是 Sunsoft，但他们绝对是第一个做出“合成人声”作品的开发商。

由其制作的清版射击街机《太空防卫》（Speak & Rescue）诞生于 1980 年，玩法一目了然，只需要射击那些企图绑架宇航员的外星人。亮点在于，宇航员被挟持和救助时有对应的语音，诸如“Help me”、“Very good”、“We'll be back”，“Lucky”等等。


这部作品有很多版本，日版语音几乎替换成了日文，比如“Tasukete”（救命）。名为《蜘蛛战士》的山寨版在玩法上大致相同，只是宇航员变成了水果，但由于登陆的是 Atari 2600 平台，合成人声这个卖点并没有保留下来（开发商还是当时技术力最强的动视）。


街机方面，晚《太空防卫》几个月诞生的《迷宫射击》（Berzerk）在合成人声上做得更为复杂。当特殊敌人出现时，喇叭里便会传出“Intruder alert”（入侵警报）的语音，而当玩家不小心被打死时，则会有“ Got the intruder”（找到入侵者）的台词。

游戏中敌人掌握的单词并不少，简单一点的像是“Attack”（攻击）、“Charge”（充电）、“Destroy”（摧毁），复杂点的甚至可以组成短语，主要依据事件触发，类似“Kill the chicken”（杀鸡）和“Destroy the intruder”（摧毁入侵者）。由于敌人的设定本身就是机器人，所以合成人声的语调并不会觉着违和，算是恰到好处。


看到街机那边整了点新花样，家用机的开发商也没有闲着。米罗华为了在竞争中占得先机，率先为“奥德赛 2”开发了一个名为“The Voice”的附加语音模块，玩家需要多掏 100 美元才能买到。该模块有着内置扬声器和音量控制按钮，对应游戏也采用了独特的蓝色包装。

第二代米罗华奥德赛上的“合成人声游戏”基本都诞生于 1982 年，其中《Type and Tell》顾名思义，可以根据玩家输入的单词输出语音。《K. C.'s Krazy Chase》则加入了“Incredible”（不可思议）等鼓励人的合成声，游戏玩法倒是创新不多，和《吃豆人》相似。


而作为米罗华主要竞争对手之一的美泰，同样在 1982 年推出了用于主机 Intellivision 的语音模块“Intellivoice”。他们采用了通用仪器的 SP0256 语音合成芯片，支持报数、“Press”（按）、“Enter”（进入）、“And”、“Or”、“Mattel Electronics Presents”（美泰电子制造）等语音。

但由于只有 2048 字节的 ROM，相比前文提到的 TSI S14001A 芯片还是稍微差了些。Intellivision 上的《棒球》只有“Strike”、“Ball”、“Out”几个词，如果要增加额外的短语，那么只能寄希望于卡带里存储的数据了。

不过，第三方厂商若是加大容量又会大幅提高生产成本，所以 Intellivoice 一直卖得不好，最终于 1983 年停产。虽然该设备的初始订单一度达到 30 万套，但结局大多是摆在货架上吃灰。


任天堂在这一点上倒是比较聪明，在 FC 中内置了一个 DPCM 采样通道，既可以表现背景音又可以用于加入合成人声，而不是做额外的硬件。这样风险全部转嫁给了游戏开发商，让他们自己掂量成本。

到了 80 年代末期，卡带 ROM 的制造费用降下来时，Sunsoft 又做了一些带有大段合成人声的游戏。光盘技术此时也在酝酿之中，1983 年的《龙穴》最早将立体声和录制人声结合到了游戏中，真人配音逐渐走上了历史舞台。

如今那些 3A 游戏的背后，大概率有一帮默默无闻的配音班底。反观之下，合成语音成了特定场所下展现氛围的一种技巧。但无论如何，几个字节都要死抠的时代都已经一去不复返了。

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

参考资料：

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
来源：VGtime
地址：https://www.vgtime.com/topic/1077681.jhtml