DIPLOMARBEIT

2.4 Sprachsynthese
2.4.3.2 Digital Speech Processing (DSP)
30
Abbildung 13: Natural Language Processing
Der zweite Schritt wird als Digital Speech Processing (DSP) bezeichnet. Hier wird mit Hilfe der Ausga‐
be aus dem ersten Schritt das Sprachsignal synthetisiert.
Abbildung 14: Digital Speech Processing
Die Synthese des Sprachsignals erfolgt dabei nach einem der folgenden drei Hauptverfahren [Bur08]:
Formant Synthese
Das älteste Verfahren ist die Formant Synthese. Hier wird das Sprachsignal anhand von physikali‐
schen Modellen berechnet (Formanten nennt man die Resonanz‐Frequenzen im Sprechtrakt). Dieses
Verfahren ist sehr flexibel und es werden nur geringe Ressourcen benötigt, es hat aber auch den
Nachteil, dass das erzeugte Sprachsignal nicht sehr natürlich klingt.
Diphon Synthese
Unter einem Diphon versteht man die Kombination von zwei aufeinander folgenden Sprachlauten.
Das Sprachsignal wird bei diesem Verfahren durch eine Verkettung solcher Diphone erzeugt. Die
Prosodie‐Anpassung (Rhythmus und Satzmelodie) wird durch Signal‐Manipulation erreicht (Abhängig
von der Kodierung der Diphone). Dieses Verfahren ist etwas aufwändiger als die Formant Synthese,
das generierte Signal klingt dafür aber auch etwas natürlicher.
Non‐uniform unit selection
Das modernste und komplexeste Verfahren ist die Non‐uniform unit selection. Aus einer großen Da‐
tenbasis werden die am besten passenden Sprachteile (units) herausgesucht und miteinander verket‐
tet, wobei diese eine variable Länge besitzen (non‐uniform). Dabei wird eine doppelte Kostenfunkti‐
on minimiert: die Stücke sollen gut aneinander passen (Verkettungs‐Kosten) und die Vorgaben der