Teza doctorat (pdf) - Universitatea Tehnică

FACULTATEA DE ELECTRONICĂ, TELECOMUNICAŢII ŞI
TEHNOLOGIA INFORMAŢIEI
ing. Ovidiu Buza
TEZĂ DE DOCTORAT
CONTRIBUŢII LA ANALIZA ŞI SINTEZA VORBIRII
DIN TEXT PENTRU LIMBA ROMÂNĂ
Comisia de evaluare a tezei de doctorat:
Conducător ştiinţific,
Prof. dr. ing. Gavril Toderean
PREŞEDINTE: - Prof.dr.ing. Marina Ţopa - decan, Facultatea de Electronică,
Telecomunicaţii şi Tehnologia Informaţiei, Universitatea
Tehnică din Cluj-Napoca;
MEMBRI: - Prof.dr.ing. Gavril Toderean - conducător ştiinţific, Universitatea
Tehnică din Cluj-Napoca;
- Prof.dr.ing. Dumitru Stanomir - referent, Universitatea Politehnica din
Bucureşti;
- Prof.dr.ing. Horia Nicolai Teodorescu - referent, Universitatea Tehnică
„Gheorghe Asachi” din Iaşi;
- Prof.dr.ing. Sergiu Nedevschi - referent, Universitatea Tehnică din
Cluj-Napoca.

Cuprins
Lista de abrevieri ................................................................................................................... vii
Lista de figuri ........................................................................................................................ viii
Lista de tabele ....................................................................................................................... xv
1. Introducere.................................................................................................................... 1
1.1. Scopul tezei de doctorat ...................................................................................................... 1
1.2. Organizarea pe capitole a lucrării........................................................................................ 1
1.3. Problematica sintezei de voce ............................................................................................. 3
1.4. Oportunitatea temei alese .................................................................................................... 3
1.5. Principalele contribuţii şi realizări ale tezei ........................................................................ 4
2. Modalitatea producerii vorbirii .................................................................................. 6
2.1. Mecanismul producerii vorbirii........................................................................................... 6
2.2. Rezonanţa tractului vocal .................................................................................................... 6
2.3. Elementele vocale articulatorii............................................................................................ 7
2.4. Formarea sunetelor.............................................................................................................. 8
2.5. Auzul uman şi percepţia sunetelor ...................................................................................... 9
2.6. Proprietăţile acustice ale sunetului .................................................................................... 13
2.7. Modelul producerii vorbirii............................................................................................... 15
2.7.1. Semnalul de excitaţie............................................................................................... 17
2.7.1.1. Energia de excitare ......................................................................................... 17
2.7.1.2. Efectele tractului vocal................................................................................... 18
3. Procesarea digitală a semnalului vocal..................................................................... 19
3.1. Metode de procesare a semnalului vocal........................................................................... 19
3.1.1.Metode de codare a semnalului vocal...................................................................... 19
3.1.2. Metode şi standarde de compresie a semnalului vocal............................................ 23
3.1.2.1. Standarde de compresie a semnalului audio de înaltă fidelitate..................... 24
3.2. Contribuţii în procesarea semnalului vocal ....................................................................... 25
3.2.1. Aplicaţia de prelucrare digitală a semnalului vocal SPEA...................................... 25
3.2.1.1. Facilităţile şi modul de lucru specific aplicaţiei ............................................. 25
3.2.1.1.1. Facilităţi de ordin general asupra fişierului de sunet............................... 26
3.2.1.1.2. Facilităţi de operare specifice aplicate fişierului de sunet....................... 28
3.2.1.2. Modul de lucru al utilizatorului în aplicaţia SPEA ........................................ 29
3.2.2. Experimente realizate asupra unor eşantioane reale de semnal audio şi vocal ....... 31
3.2.3. Concluzii privind contribuţiile autorului în domeniul procesării semnalului
vocal......................................................................................................................... 53
i

4. Analiza semnalului vocal ............................................................................................54
4.1. Parametrii de bază ai semnalului vocal..............................................................................54
4.2. Analiza semnalului pentru determinarea parametrilor caracteristici .................................57
4.2.1. Analiza în domeniul timp a semnalului vocal..........................................................57
4.2.2. Analiza în domeniul frecvenţă a semnalului vocal ..................................................60
4.3. Segmentarea semnalului vocal...........................................................................................66
4.3.1. Detectarea automată a segmentelor semnalului vocal .............................................67
4.3.2. Algoritmi de detectare a caracteristicilor de segment..............................................69
4.3.2.1. Date de intrare şi pre-procesare S/U/V ...........................................................69
4.3.2.2. Funcţia volum .................................................................................................69
4.3.2.3. Valorile pragurilor şi scorurile de caracteristici..............................................70
4.3.3. Detectarea categoriilor specifice din semnalul vocal...............................................73
4.3.3.1. Detectarea cadrelor sonore..............................................................................73
4.3.3.2. Detectarea vocalelor........................................................................................73
4.3.3.3. Detectarea consoanelor sonore........................................................................74
4.3.3.4. Detectarea benzii sonore .................................................................................75
4.3.3.5. Detectarea nazalelor........................................................................................75
4.3.3.6. Detectarea semivocalelor ................................................................................76
4.3.3.7. Detectarea fricativelor sonore .........................................................................77
4.3.3.8. Detectarea stopurilor şi fricativelor nesonore .................................................78
4.3.4. Detectarea graniţelor dintre segmente......................................................................79
4.3.4.1. Detectarea bazată pe graniţa spectrală şi segmentare .....................................79
4.3.4.2. Detectarea graniţelor prin metoda S/U/V........................................................80
4.3.5. Segmentarea finală...................................................................................................81
4.3.6. Etichetarea segmentelor ...........................................................................................81
4.3.7. Rezultate şi concluzii privind metoda generică de segmentare ...............................82
4.4. Contribuţii aduse în procesul segmentării automate a semnalului vocal ...........................84
4.4.1. Detectarea punctelor de zero, minim şi maxim........................................................85
4.4.2. Segmentarea SUV şi detecţia de regiuni..................................................................86
4.4.2.1. Detectarea categoriei Linişte...........................................................................89
4.4.2.2. Detectarea categoriei Vocală ..........................................................................91
4.4.2.3. Împărţirea în subregiuni vocalice....................................................................93
4.4.2.3.1. Detectarea subregiunilor corespunzătoare consoanei /R/ ........................94
4.4.2.3.2. Detectarea subregiunilor corespunzătoare consoanelor /C/, /G/..............96
4.4.2.4. Detectarea categoriei Consoană ......................................................................96
4.4.2.5. Detectarea categoriei Tranziţie .......................................................................98
4.4.3. Compactarea regiunilor..........................................................................................101
4.4.4. Rezultatul final al segmentării în clase de regiuni .................................................105
4.4.5. Concluzii privitoare la segmentarea semnalului vocal în clase de regiuni ............106
4.5. Detectarea perioadelor din forma de undă. Punctele de închidere glotală.......................107
ii

4.6. Contribuţii ale autorului în determinarea perioadelor de semnal.................................... 109
4.6.1. Algoritmul de determinare a perioadelor şi maximelor de perioadă..................... 109
4.6.1.1. Determinarea pivotului................................................................................. 111
4.6.1.2. Estimarea perioadei ...................................................................................... 112
4.6.1.3. Detectarea maximelor de perioadă ............................................................... 114
4.6.1.4. Marcarea intervalelor de perioadă................................................................ 116
4.6.1.5. Rezultate obţinute cu algoritmul propriu de determinare a intervalelor de
perioadă…. ................................................................................................... 117
4.6.1.6. Concluzii cu privire la algoritmul propriu de determinare a intervalelor
de perioadă … .............................................................................................. 118
4.7. Segmentarea fonematică.................................................................................................. 119
4.7.1. Segmentarea fonematică folosind modele Markov ascunse.................................. 119
4.7.2. Segmentarea bazată pe rafinarea frontierelor........................................................ 120
4.7.3. Segmentarea bazată pe probabilităţi generalizate ................................................. 122
4.7.3.1. Algoritmul de bază ....................................................................................... 122
4.7.3.2. Algoritmul ce foloseşte o segmentare iniţială după secvenţa de foneme..... 122
4.7.4. Rezultate obţinute prin cele trei metode de segmentare fonematică ..................... 123
4.8. Contribuţii ale autorului în problematica segmentării fonematice automate a
semnalului vocal.............................................................................................................. 124
4.8.1. Transcrierea fonetică a textului de la intrare ......................................................... 125
4.8.2. Proiectarea regulilor de asociere pentru fiecare grup fonetic................................ 126
4.8.3. Rezultate obţinute în urma aplicării metodei propuse de asociere fonemeregiuni
.................................................................................................................... 134
4.8.4. Experimente privind segmentarea în subregiuni fonematice ................................ 137
4.8.4.1. Calculul distanţei dintre două seturi de coeficienţi fonematici .................... 138
4.8.4.2. Metoda de segmentare în subregiuni fonematice bazată pe determinarea
tranziţiilor bruşte din regiune ....................................................................... 140
4.8.4.3. Rezultate obţinute prin metoda de segmentare bazată pe determinarea
tranziţiilor bruşte din regiune ....................................................................... 141
4.8.4.4. Metoda de segmentare în subregiuni fonematice bazată pe modelarea
caracteristicilor spectrale.............................................................................. 147
4.8.4.5. Rezultate obţinute prin metoda de segmentare în subregiuni fonematice
bazată pe modelarea caracteristicilor spectrale ............................................ 150
4.8.5. Aplicaţii ale segmentării fonematice în realizarea bazelor de date acustice ......... 153
4.8.6. Concluzii privitoare la contribuţiile autorului în segmentarea fonematică a
semnalului vocal .................................................................................................... 154
5. Sinteza de voce........................................................................................................... 155
5.1. Modelul general al sintezei vorbirii................................................................................. 155
5.2. Sistemul de sinteză text-to-speech................................................................................... 157
5.2.1. Caracteristicile unui sistem text-to-speech. Metode de bază folosite.................... 157
5.2.2. Etape în sinteza de voce pornind de la text ........................................................... 159
iii

6. Metode de sinteză de voce.........................................................................................162
6.1. Clasificarea metodelor de sinteză de voce .......................................................................162
6.2. Metode de sinteză în domeniul frecvenţă ........................................................................165
6.2.1. Sinteza bazată pe predicţie liniară..........................................................................165
6.2.2. Sinteza formantică..................................................................................................167
6.2.2.1. Realizarea excitaţiei ......................................................................................168
6.2.2.2. Sinteza în cascadă .........................................................................................168
6.2.2.3. Sinteza în paralel...........................................................................................170
6.3. Metode de sinteză în domeniul timp ................................................................................170
6.3.1. Metoda TD-PSOLA ...............................................................................................171
6.3.1.1. Modelare matematică....................................................................................171
6.3.1.2. Avantajele şi dezavantajele metodei TD-PSOLA.........................................175
6.3.1.3. Îmbunătăţiri ale metodei ...............................................................................175
6.3.2. Metoda bazată pe corpus........................................................................................176
6.3.2.1. Algoritmul de selecţie a unităţilor acustice...................................................176
6.3.2.2. Adnotarea bazei de date vocală.....................................................................177
6.3.2.3. Potrivirea unităţilor candidat cu unităţile ţintă..............................................178
6.3.2.4. Calculul costurilor şi măsurile distanţelor dintre unităţi [Mob00]................180
6.3.2.4.1. Metoda de căutare în spaţiul stărilor (Weight Space Search) ................180
6.3.2.4.2. Metoda de grupare a unităţilor în funcţie de context ______
(Context Clustering)...............................................................................180
6.3.2.5. Algoritmul metodei de sinteză bazată pe corpus vocal.................................182
6.3.2.6. Avantajele şi dezavantajele metodei bazate pe corpus .................................182
6.4. Contribuţii în proiectarea metodelor de sinteză de voce..................................................183
6.4.1. Metoda de sinteză bazată pe silabe pentru limba română......................................183
6.4.2. Preprocesarea textului............................................................................................184
6.4.3. Analiza sintaxei......................................................................................................189
6.4.3.1. Modul de funcţionare al analizorului de sintaxă...........................................191
6.4.3.2. Regulile specificate de analizorul de sintaxă ................................................192
6.4.3.3. Rezultate obţinute cu analizorul automat de sintaxă.....................................201
6.4.3.4. Concluzii cu privire la metoda de analiză automată a sintaxei propusă de
autor ..............................................................................................................202
6.4.4. Determinarea unităţilor lingvistice: silabele ..........................................................203
6.4.4.1. Analizorul sintactic folosit în extragerea propoziţiilor şi cuvintelor ............204
6.4.4.1.1. Gramatica analizorului sintactic ............................................................205
6.4.4.2. Analizorul lexical utilizat în determinarea silabelor .....................................207
6.4.4.2.1. Gramatica analizorului lexical ...............................................................208
6.4.4.2.2. Acţiunile de realizat la potrivirea intrării...............................................209
6.4.4.2.3. Regulile de producţie pentru despărţirea în silabe .................................210
6.4.4.2.4. Rezultate obţinute cu analizorul lexical pentru determinarea silabelor .218
6.4.5. Determinarea aspectelor prozodice: accentele.......................................................219
6.4.5.1. Analizorul lexical utilizat în determinarea accentelor ..................................219
iv

6.4.5.2. Gramatica analizorului lexical pentru determinarea accentelor din limba
română.......................................................................................................... 220
6.4.5.3. Rezultate obţinute cu analizorul lexical pentru determinarea accentelor..... 225
6.4.6. Proiectarea bazei de date vocale............................................................................ 226
6.4.6.1. O statistică a silabelor limbii române ........................................................... 227
6.4.6.2. Caracteristicile silabelor înregistrate în baza de date acustică ..................... 229
6.4.6.3. Organizarea bazei de date acustice............................................................... 230
6.4.7. Regăsirea unităţilor acustice şi sinteza de voce..................................................... 231
6.4.8. Concluzii cu privire la metoda de sinteză a vorbirii prin concatenare de silabe
proiectată şi realizată de autor ............................................................................... 236
7. Realizarea sistemului de sinteză de voce în limba română LIGHTVOX ............ 242
7.1. Organizarea pe module a sistemului ............................................................................... 242
7.2. Structura funcţională a sistemului ................................................................................... 243
7.3. Metodologia de proiectare a sistemului de sinteză LIGHTVOX .................................... 245
7.3.1. Construirea bazei de date acustice......................................................................... 245
7.3.2. Conversia text-voce............................................................................................... 253
7.4. Algoritmul de implementare al conversiei text-voce ...................................................... 254
7.5. Rezultate experimentale şi dezvoltări de viitor ............................................................... 260
7.6. Concluzii privind proiectarea şi realizarea sistemului de sinteză vocală ........................ 262
8. Concluzii finale.......................................................................................................... 266
8.1. Principalele aspecte expuse în cadrul tezei ..................................................................... 267
8.2. Contribuţiile şi realizările tezei de doctorat .................................................................... 269
Bibliografie ................................................................................................................................276
Anexa 1. Notaţia Backus-Naur Form şi gramatica LEX …………………………………. 285
Anexa 2. Silabele din setul S2 după frecvenţa de apariţie ……..………………………….. 286
Anexa 3. Silabele din setul S3 după frecvenţa de apariţie ………..……………………….. 289
Anexa 4. Silabele din setul S4 după frecvenţa de apariţie ……………………..………...... 292
Anexa 5. Activitatea ştiinţifică a autorului............................................................................ 295
_Anexa 6. Lucrări ştiinţifice prezentate în extenso ................................................................. 300
v

Lista de abrevieri
ADPCM - Adaptive Differential Pulse Code Modulation.
API - Application Programming Interface
BNF - Backus-Naur Form
CART - Classification and Regression Tree
CELP - Code Excited Linear Prediction
CVSDM - Continuously Variable Slope Delta Modulation
DM - Delta Modulation
DPCM - Differential Pulse Code Modulation.
FFT - Fast Fourier Transform
FLAC - Free Lossless Audio Codec
FM - Frequency Modulation
GCI - Glotal Closure Instants
GLR - Generalized Likelihood Ratio
GMM - Gaussian Mixture Model
HFV - High Frequency Volume
HMM -Hidden Markov Models
IIR - Infinite Impulse Response
LD-CELP - Low Delay Code Excited Linear Prediction.
LFV - Low Frequency Volume
LPC - Linear Predictive Coding
LP-PSOLA - Linear Prediction Pitch Synchronous Overlapp and Add
MBROLA - Multiband Resynthesis Overlap and Add
MFCC - Mel Frequency Cepstral Coefficients.
MPEG - Moving Picture Experts Group
MW - Medium Wave length.
PCM - Pulse Code Modulation
PLP - Perceptual Linear Prediction
PSOLA - Pitch Synchronous Overlapp and Add
SB-ADPCM - Sub Band Adaptive Differential Pulse Code Modulation
SIFT - Simplified Inverse Filter Tracking
SPL - Sound Power Level
TD-PSOLA - Time Domain Pitch Synchronous Overlapp and Add
XML - eXtensible Markup Language
vii

Lista de figuri
Figura 2.1. Corzile vocale [Nav05] ................................................................................................6
Figura 2.2. Frecvenţele de rezonanţă ale tractului vocal [Nav05]..................................................7
Figura 2.3. Elementele vocale articulatorii [Nav05] ......................................................................7
Figura 2.4. Elementele producerii vorbirii [Nav05] .......................................................................8
Figura 2.5. Formarea sunetelor vocalice ([Fan60], [Ben76]) .........................................................8
Figura 2.6. Fomanţii vocalei /A/ [Nav05] ......................................................................................9
Figura 2.7. Structura urechii umane [Nav05] .................................................................................9
Figura 2.8. Diagrama funcţională a urechii umane [Ste97]..........................................................10
Figura 2.9. Cohlea şi ilustrarea principiului poziţiei [Ste97]........................................................11
Figura 2.10. Undă compusă din două armonici: a. prin adunare; b. prin scădere [Ste97]............13
Figura 2.11. Forma de undă a sunetului viorii. Perceperea sunetului de către ureche .................14
Figura 2.12. Modelul producerii vorbirii [Ste97] .........................................................................15
Figura 2.13. Spectrograme pentru vocala /E/ şi consoana /S/ [Ste97].........................................16
Figura 3.1. Schema canonică a codorului DPCM (PCM diferenţial)..........................................20
Figura 3.2. Schema bloc a codorului delta adaptiv......................................................................21
Figura 3.3. Tipuri de zgomot în modulaţia delta .........................................................................22
Figura 3.4. Algoritmul de compresie prin transformări...............................................................23
Figura 3.5. Fereastra principală a aplicaţiei SPEA ......................................................................26
Figura 3.6. Frecvenţa fundamentală a semnalului este 204 Hz ...................................................31
Figura 3.7. Vocala A masculin. Frecvenţa fundamentală este în jurul valorii de 100 Hz,
urmată de armonice situate la distanţă aproximativ egală........................................32
Figura 3.8. Vocala A feminin. Frecvenţa fundamentală este de aproximativ 200 Hz,
corespunzător unei voci de tonalitate mai înaltă ......................................................32
Figura 3.9. Vocala E masculin. Frecvenţa fundamentală este de 115 Hz, apropiată de cea
corespunzătoare lui A ...............................................................................................32
Figura 3.10. Vocala E feminin. Frecvenţa fundamentală este de 225 Hz. Se observă că nu
mai apar formanţii 3, 4 şi 5.......................................................................................32
Figura 3.11. Vocala I masculin. Frecvenţa fundamentală este de 125 Hz. Formanţii 3,4 şi 5
sunt nesemnificativi în raport cu primii doi. ............................................................33
Figura 3.12. Vocala I feminin. Frecvenţa fundamentală este de 235 Hz. Apare doar un
singur formant semnificativ......................................................................................33
Figura 3.13. Vocala O masculin. Frecvenţa fundamentală este de 110 Hz. Primii 4
formanţi sunt activi, mai apărând încă 4 de importanţă mai redusă.........................33
Figura 3.14. Vocala U masculin. Frecvenţa fundamentală este de 110 Hz. Mai importanţi
sunt primii 3 formanţi...............................................................................................33
Figura 3.15. Consoana S. Se observă un spectru mult mai bogat în armonici superioare, pe
o bandă situată între 4000 Hz şi 8000 Hz.................................................................33
Figura 3.16. Consoana T. Caracteristic este atât spectrul de frecvenţe, cât mai ales forma
semnalului.................................................................................................................33
viii

Figura 3.17. Vocala A1. Se observă un spectru de armonici uniform, începând cu
frecvenţa primului formant de 117 Hz..................................................................... 34
Figura 3.18. Vocala A2. Forma spectrului de frecvenţe este aproape identică cu cea din
cazul anterior, cu deosebirea faptului că aici primul formant are frecvenţa de
142 Hz...................................................................................................................... 34
Figura 3.19. Vocala E1. Se observă un spectru cu trei frecvenţe formantice dominante,
începând cu frecvenţa primului formant de 122 Hz. ............................................... 34
Figura 3.20. Vocala E2. Spectrul este din nou asemănător cu cel din primul caz; aici
primul formant are frecvenţa de 137 Hz.................................................................. 34
Figura 3.21. Cazul A. Cele două frecvenţe de 1000 Hz şi 3000 Hz se adună, fiind deci în
fază........................................................................................................................... 35
Figura 3.22. Cazul B. Cele două frecvenţe de 1000 Hz şi 3000 Hz se scad, fiind în
antifază..................................................................................................................... 35
Figura 3.23. Cazul A. Semnal generat din trei frecvenţe de bază: de 1000 Hz, 3000 Hz şi
respectiv 6000 Hz .................................................................................................... 35
Figura 3.24. Cazul B. Acelaşi semnal, din care s-a extras acum o fereastră de analiză ce
conţine un număr întreg de perioade (8 perioade) ................................................... 35
Figura 3.25. Cazul A. Semnalul x(t) a fost generat din două frecvenţe de bază: de 1000 Hz
şi respectiv 3000 Hz................................................................................................. 36
Figura 3.26. Cazul B. Semnalul x(t) a fost modulat cu o frecvenţă f0=10000 Hz: x1(t) =
x(t)* sin(2πf0t) ......................................................................................................... 36
Figura 3.27. Cazul A. Semnal audio înregistrat la o frecvenţă de eşantionare de 96000Hz........ 36
Figura 3.28. Cazul B. Acelaşi semnal eşantionat la o frecvenţă mai mică, de 15000 Hz............ 36
Figura 3.29. Cazul A. Semnal audio înregistrat de la un casetofon, la o frecvenţă de
eşantionare de 96000Hz........................................................................................... 37
Figura 3.30. Cazul B. Semnal audio înregistrat de la CD player la aceeaşi frecvenţă de
eşantionare.. ............................................................................................................. 37
Figura 3.31. Cazul C. Semnal audio generat ca sumă de 22 de frecvenţe de la 1000 Hz la
22000 Hz. Componentele au toate aceeaşi amplitudine. ......................................... 38
Figura 3.32. Cazul D. Acelaşi semnal înregistrat pe casetofon apoi din nou pe calculator la
aceeaşi frecvenţă de eşantionare cu semnalul original.. .......................................... 38
Figura 3.33. Nota Do la pian. Frecvenţa fundamentală este 525 Hz. .......................................... 38
Figura 3.34. Nota Do la acordeon. Are aceeaşi frecvenţă fundamentală, dar un timbru mai
bogat......................................................................................................................... 38
Figura 3.35. Nota Do la vibrafon. Se observă spectrul constituit doar din două armonici;
sunetul este mai pur, dar nu la fel de profund ca în cazurile anterioare. ................. 39
Figura 3.36. Nota Do la orgă. Sunetul are un impact perceptual profund din cauza
armonicilor secundare care au amplitudinea apropiată de amplitudinea
armonicii principale. ................................................................................................ 39
Figura 3.37. Litera M din cuvântul “mama” rostit în condiţii normale. Se observă doi
formanţi la 64 şi 128 Hz. ......................................................................................... 39
Figura 3.38. Litera M din cuvântul “mama” rostit în condiţiile obstrucţionării căilor
nazale. Se observă dispariţia celui de-al doilea formant.......................................... 39
ix

Figura 3.39. Litera A din cuvântul “mama” rostit în condiţii normale. Se observă doi
formanţi principali şi alţi câţiva secundari. ..............................................................40
Figura 3.40. Litera A din cuvântul “mama” rostit în condiţiile obstrucţionării căilor
nazale. Se observă dispariţia formanţilor de ordin superior precum şi
deplasarea în tonalitate a primului formant..............................................................40
Figura 3.41. Litera M din cuvântul “maşină” rostit de către autor (vocea A). Se observă
doi formanţi principali..............................................................................................40
Figura 3.42. Litera M din cuvântul “maşină” rostit de vocea B. Spectrul este asemănător
cu cel de la vocea A, diferenţele constând doar din raportul amplitudinilor
celor doi formanţi. ....................................................................................................40
Figura 3.43. Litera A din cuvântul “maşină” rostit de către autor (vocea A). Spectrul
acestei rostiri vocalice conţine trei formanţi bine conturaţi. ....................................41
Figura 3.44. Litera A din cuvântul “maşină” rostit de vocea B. Se observă diferenţa faţă de
cazul anterior (vocea A), prin faptul că acum spectrul conţine o serie largă de
armonici, cu primele cinci armonici bine conturate. ................................................41
Figura 3.45. Litera S din cuvântul “maşină” rostit de către autor (vocea A). Se observă că
spectrul, în cazul acestei consoane, conţine o paletă largă de armonici, situate
îndeosebi la frecvenţe superioare. ............................................................................41
Figura 3.46. Litera S din cuvântul “maşină” rostit de vocea B. Diferenţa este că armonicile
superioare sunt mult mai bine conturate decât în cazul anterior corespondent........41
Figura 3.47. Vocala A - Formele de undă (sus: FM; jos: MW) ...................................................42
Figura 3.48. Vocala A – Spectrele armonice(sus: A –FM; jos: A –MW) ....................................42
Figura 3.49. Vocala E -FM. Sunt vizibili 3 formanţi principali. ..................................................43
Figura 3.50. Vocala E - MW. Formantul 3 s-a redus cu 5%. .......................................................43
Figura 3.51. Vocala I -FM. În acest caz vocala are doi formanţi. ................................................43
Figura 3.52. Vocala I - MW. Formanţii se păstrează; apare zgomotul de fond............................43
Figura 3.53. Vocala O -FM. In acest caz vocala are trei formanţi. ..............................................43
Figura 3.54. Vocala O - MW. Formantul 3 creşte cu aproximativ 3%.........................................43
Figura 3.55. Vocala U -FM. În acest caz vocala are doi formanţi majori. ...................................44
Figura 3.56. Vocala U - MW. Formantul 2 a scăzut cu aproximativ 12%. ..................................44
Figura 3.57. Vocala /A/ îmbogăţită cu armonici înalte ................................................................44
Figura 3.58. Cele trei segmente definitorii pentru rostirea unei vocale........................................45
Figura 3.59. Vocala A segmentul de atac. Amplitudinea creşte progresiv; durata
segmentului: 42,2 ms; frecvenţa medie este de 120 Hz. ..........................................46
Figura 3.60. Vocala A porţiunea mediană. Se observă un spectru de mai multe armonici;
amplitudinea este constantă; durata segmentului: 89,6 ms; frecvenţa
fundamentală este de 109 Hz....................................................................................46
Figura 3.61. Vocala A porţiunea finală. Amplitudinea scade progresiv; durata
segmentului: 37,5 ms; frecvenţa fundamentală este de 124 Hz. .............................46
Figura 3.62. Vocala E segmentul de atac. Amplitudinea creşte; durata segmentului: 45,4
ms; frecvenţa medie este de 112 Hz. ........................................................................47
x

Figura 3.63. Vocala E porţiunea mediană. Spectrul este identic; amplitudinea este
constantă; durata segmentului: 87,7 ms; frecvenţa fundamentală este de 106
Hz............................................................................................................................. 47
Figura 3.64. Vocala E porţiunea finală. Amplitudinea scade progresiv; durata
segmentului: 66,0 ms; frecvenţa fundamentală este de 117 Hz.............................. 47
Figura 3.65. Vocala I segmentul de atac. Frecvenţa medie este de 130 Hz. Durata
segmentului: 51,6 ms. .............................................................................................. 47
Figura 3.66. Vocala I porţiunea mediană. Frecvenţa fundamentală este de 113 Hz. Durata
segmentului: 122 ms. ............................................................................................... 47
Figura 3.67. Vocala I porţiunea finală. Amplitudinea scade; frecvenţa funda-mentală este
de 123 Hz. Durata segmentului: 60,3 ms................................................................. 48
Figura 3.68. Vocala O segmentul de atac. Amplitudinea creşte; durata segmentului: 41,1
ms; frecvenţa medie este de 118 Hz. ....................................................................... 48
Figura 3.69. Vocala O porţiunea mediană. Amplitudinea rămâne constantă; durata
segmentului: 73,2 ms; frecvenţa fundamentală este de 108 Hz............................... 48
Figura 3.70. Vocala O porţiunea finală. Amplitudinea scade progresiv; durata
segmentului: 38,5 ms ; frecvenţa fundamentală creşte la 119 Hz. .......................... 48
Figura 3.71. Vocala U segmentul de atac. Amplitudinea creşte; durata segmentului: 34,3
ms; frecvenţa medie este de 116 Hz. ....................................................................... 49
Figura 3.72. Vocala U porţiunea mediană. Amplitudinea este constantă; durata : 51,6 ms;
frecvenţa fundamentală este de 99 Hz. .................................................................... 49
Figura 3.73. Vocala U porţiunea finală. Amplitudinea scade progresiv pe o durată de 40,7
ms; frecvenţa fundamentală se menţine aproximativ constantă (96-99 Hz)............ 49
Figura 3.74. Silaba MA neaccentuată. Frecvenţa fundamentală este aproximativ
constantă, egală cu 102 Hz. ..................................................................................... 50
Figura 3.75. Silaba MA accentuată. Se observă ceşterea amplitudinii, frecvenţei şi
duratei rostirii silabice. Frecvenţa variază de la 113 la 121 Hz............................... 50
Figura 3.76. Variaţia frecvenţei vocalice dintr-o silabă accentuată ............................................. 51
Figura 4.1. Segment de analiză din cadrul semnalului vocal...................................................... 54
Figura 4.2. Structura spectrală a unui semnal vocal periodic [Fer97] ........................................ 56
Figura 4.3. Funcţie fereastră utilizată în ponderare .................................................................... 57
Figura 4.4. Schema bloc a analizorului cu banc de filtre............................................................ 60
Figura 4.5. Modelul producerii vorbirii prin metoda LPC.......................................................... 62
Figura 4.6. Modelul producerii vorbirii prin metoda cepstrală................................................... 63
Figura 4.7. Modul de calcul al cepstrumului .............................................................................. 63
Figura 4.8. Segmentarea semnalului vocal ................................................................................. 66
Figura 4.9. Detectarea automată a segmentelor vorbirii ............................................................. 67
Figura 4.10. Relaţia dintre analiză, segmentare şi etichetare [Chi00] ......................................... 68
Figura 4.11. Rezultatele segmentării prin metoda Childers [Chi00] ........................................... 83
Figura 4.12. Metoda de segmentare automată propusă de autor.................................................. 84
Figura 4.13. Determinarea punctelor de zero, minim, maxim..................................................... 85
Figura 4.14. Algoritmul de detecţie a regiunilor.......................................................................... 86
Figura 4.15. Relaţia dintre categoriile de bază şi clasele de regiuni............................................ 87
xi

Figura 4.16. Detectarea unei regiuni de de tip REG_LIN (linişte)..............................................90
Figura 4.17. Detectarea unei regiuni de tip REG_LIN_CONS (linişte nesonoră) ......................91
Figura 4.18. Porţiune sonoră dintr-un segment de vorbire ...........................................................91
Figura 4.19. Detectarea unei regiuni de tip REG_VOC (sonoră vocalică) .................................92
Figura 4.20. Detectarea regiunilor de tip REG_SALT (regiune sonoră de tip salt). ....................93
Figura 4.21. Consoana /R/ în regiunea vocalică /AREA/.............................................................94
Figura 4.22. Determinarea minimului local al perioadelor...........................................................94
Figura 4.23. Detectarea subregiunii /R/ în regiunea vocalică /AREA/.........................................95
Figura 4.24. Consoana /G/ (stânga) şi vocala /O/ (dreapta) .........................................................96
Figura 4.25. Spectrele asociate consoanei /G/ şi vocalei /O/........................................................96
Figura 4.26. Porţiune nesonoră dintr-un segment de vorbire .......................................................97
Figura 4.27. Detectarea unei regiuni de tip REG_CONS (consoană nesonoră)..........................97
Figura 4.28. Consoana plozivă /C / din cadrul silabei /CA/ .........................................................98
Figura 4.29. Detectarea regiunilor de tip REG_NEREG (regiune neregulată). ...........................99
Figura 4.30. Graficul spectrelor FFT pentru o vocală şi o consoană fricativă ...........................100
Figura 4.31. Detectarea unei regiuni de tip REG_TRANZ_DENSA (regiune tranzitorie __
densă)......................................................................................................................100
Figura 4.32. Secvenţa de regiuni de compactat ..........................................................................101
Figura 4.33. Secvenţa de regiuni după prima aplicare a algoritmului ........................................102
Figura 4.34. Compactarea regiunilor într-un segment de tip consoană nesonoră ......................102
Figura 4.35. Regiunile dintr-un segment nesonor după prima aplicare a algoritmului ..............103
Figura 4.36. Compactarea regiunilor într-un segment de tip linişte-nesonoră ...........................103
Figura 4.37. Compactarea regiunilor tranzitorii .........................................................................103
Figura 4.38. Secvenţa de regiuni înainte de compactare ............................................................104
Figura 4.39. Secvenţa de regiuni după compactare. ...................................................................104
Figura 4.40. Rezultatul final al segmentării în clase de regiuni .................................................105
Figura 4.41. Ilustrarea algoritmului de detecţie a perioadelor şi punctelor glotale GCI. ...........108
Figura 4.42. Algoritmul de determinare a perioadelor de semnal ..............................................109
Figura 4.43. Determinarea punctului pivot.................................................................................111
Figura 4.44. Estimarea perioadei actuale a semnalului ..............................................................112
Figura 4.45. Detectarea maximelor de perioadă pornind de la punctul pivot.............................114
Figura 4.46. Detectarea automată a maximelor de perioadă ......................................................115
Figura 4.47. Determinarea intervalelor de perioadă ...................................................................116
Figura 4.48. Rezultatul final al determinării intervalelor de perioadă........................................117
Figura 4.49. Segmentarea HMM bazată pe un corpus segmentat manual [Jar08] .....................120
Figura 4.50. Paşii algoritmului de segmentare bazat pe rafinarea frontierelor [Jar08] ..............120
Figura 4.51. Modul de construcţie a unui supervector [Jar08]..................................................121
Figura 4.52. Pseudo-trifonele din propoziţia în limba franceză “On comptait deux projets
d’entreprise distincts” [Jar08] ................................................................................121
Figura 4.53. Evidenţierea segmentelor corespunzătoare unităţilor lingvistice...........................124
Figura 4.54. Metoda de segmentare fonematică propusă de autor .............................................125
Figura 4.55. Asocierea grupurilor fonetice cu regiunile.............................................................126
Figura 4.56. Scanner-ul generat şi asocierea de regiuni .............................................................128
xii

Figura 4.57. Asocierea foneme–regiuni pentru sintagma: “Evidenţierea unui cadru general
pentru specificarea algoritmilor şi compararea performanţelor” rostită de
un vorbitor masculin .............................................................................................. 135
Figura 4.58. Asocierea foneme–regiuni pentru sintagma: “Evidenţierea unui cadru general
pentru specificarea algoritmilor şi compararea performanţelor” rostită de
un vorbitor feminin ................................................................................................ 136
Figura 4.59. Asocierea unui grup de mai multe foneme cu o singură regiune .......................... 137
Figura 4.60. Metoda de segmentare bazată pe determinarea tranziţiilor bruşte din regiune ..... 140
Figura 4.61. Segment vocalic pentru un vorbitor masculin - secvenţa ......................... 141
Figura 4.62. Segment vocalic pentru un vorbitor masculin - secvenţa ...................... 142
Figura 4.63. Segment vocalic pentru un vorbitor feminin - secvenţa ................... 143
Figura 4.64. Determinarea subregiunilor vocalice pentru secvenţa ..................... 146
Figura 4.65. Modelarea fonemelor /E/ şi /A/; cadrul de semnal şi spectrul Fourier.................. 147
Figura 4.66. Compararea vectorilor din regiunea ţintă cu modelul ........................................... 148
Figura 4.67. Extinderea secvenţelor fonematice........................................................................ 149
Figura 4.68. Regiune sonor-vocalică corespunzând cu secvenţa /E/, /N/, /E/ ........................... 150
Figura 4.69. Etichetarea perioadelor din regiune....................................................................... 152
Figura 4.70. Determinarea subregiunilor fonematice prin metoda modelării............................ 152
Figura 4.71. Extragerea unităţilor acustice din semnalul vocal ................................................. 153
Figura 5.1. Sistem de sinteză a vorbirii pornind de la text ....................................................... 155
Figura 5.2. Faza de analiză din cadrul sintezei vorbirii ........................................................... 155
Figura 5.3. Faza de sinteză din cadrul sintezei vorbirii ............................................................ 156
Figura 5.4. Sistemul text-to-speech........................................................................................... 157
Figura 5.5. Metoda bazată pe concatenarea formelor de undă [Bur97].................................... 157
Figura 5.6. Metoda bazată pe analiză-sinteză [Bur97] ............................................................. 158
Figura 5.7. Metoda bazată pe reguli [Bur97]............................................................................ 158
Figura 5.8. Etapa de generare a parmetrilor acustici [Bur97]................................................... 160
Figura 5.9. Etapele procesuale ale sintezei TTS [Bur97] ......................................................... 161
Figura 6.1. Modelul sintezei în domeniul timp......................................................................... 163
Figura 6.2. Modelul sintezei în domeniul frecvenţă ................................................................. 164
Figura 6.3. Modelul producerii vorbirii prin metoda LPC........................................................ 165
Figura 6.4. Sintetizor în cascadă [Fer97] .................................................................................. 169
Figura 6.5. Metoda de sinteză TD-PSOLA............................................................................... 171
Figura 6.6. Extragerea şi maparea segmentelor în sinteza TD-PSOLA ................................... 174
Figura 6.7. Potrivirea unităţii fonetice cu unităţile candidate ................................................... 178
Figura 6.8. Potrivirea unităţilor de concatenat.......................................................................... 178
Figura 6.9. Calculul costurilor pentru selecţia unităţilor .......................................................... 179
Figura 6.10. Arborele de decizie pentru fonema “a” ................................................................. 181
Figura 6.11. Metoda de sinteză bazată pe concatenarea silabelor ............................................. 183
Figura 6.12. Un exemplu de transcriere fonetică pentru numere............................................... 188
Figura 6.13. Metoda de analiză de sintaxă propusă de autor ..................................................... 190
Figura 6.14. Lista generată cu formele flexionate posibile........................................................ 191
Figura 6.15. Organizarea setului de reguli pentru analiza de sintaxă ........................................ 192
xiii

Figura 6.16. Interfaţa aplicaţiei de analiză de sintaxă automată.................................................201
Figura 6.17. Analizorul lingvistic pentru despărţirea în silabe...................................................203
Figura 6.18. Structura ierarhică a analizorului sintactic.............................................................204
Figura 6.19. Analizorul lexical pentru regăsirea silabelor..........................................................207
Figura 6.20. Despărţirea automată în silabe ...............................................................................218
Figura 6.21. Analizorul lexical pentru determinarea accentelor.................................................219
Figura 6.22. Detectarea automată a accentelor...........................................................................225
Figura 6.23. Configuraţia silabelor S2, S3 şi S4 din corpusul divers de 342000 de cuvinte......227
Figura 6.24. Frecvenţele de apariţie ale silabelor S2, S3 şi S4...................................................227
Figura 6.25. Frecvenţele de apariţie ale primelor 10 silabe S2, S3 şi S4 ...................................227
Figura 6.26. Primele 10 cele mai frecvente silabe de tip S2.......................................................228
Figura 6.27. Primele 10 cele mai frecvente silabe de tip S3.......................................................228
Figura 6.28. Primele 10 cele mai frecvente silabe de tip S4.......................................................228
Figura 6.29. Organizarea arborescentă a bazei de date vocale ...................................................230
Figura 6.30. Construirea seturilor de diviziune pentru silaba cráp ............................................233
Figura 6.31. Rezultatul căutării silabelor în baza de date...........................................................234
Figura 6.32. Exemplu de concatenare a unităţilor acustice ........................................................235
Figura 6.33. Rezultatul final al sintezei: generarea formei de undă pentru sintagma: ...............235
Figura 7.1. Sistemul de sinteză LIGHTVOX. Modulele componente .......................................242
Figura 7.2. Sistemul de sinteză a vocii în limba română LIGHTVOX ......................................244
Figura 7.3. Etapele principale ale realizării sistemului LIGHTVOX.........................................245
Figura 7.4. Crearea corpusului paralel text-voce........................................................................249
Figura 7.5. Paşii realizaţi pentru segmentarea semnalului în regiuni fonematice ......................249
Figura 7.6. Asocierea dintre grupurile fonematice şi secvenţele de regiuni...............................250
Figura 7.7. Detecţia şi separarea silabelor din semnal................................................................250
Figura 7.8. Structura colecţiei de fişiere din baza de date vocală...............................................251
Figura 7.9. Extras din directorul S2 cu unităţi acustice silabice de două litere..........................252
Figura 7.10. Interfaţa aplicaţiei LIGHTVOX .............................................................................260
xiv

Lista de tabele
Tabelul 2.1. Relaţia dintre sunetele percepute şi nivelul în decibeli [Ste97]............................... 11
Tabelul 3.1. Duratele segmentelor vocalice................................................................................. 49
Tabelul 3.2. Frecvenţele specifice segmentelor vocale................................................................ 50
Tabelul 3.3. Frecvenţe comparative: silabe accentuate faţă de silabele normale......................... 51
Tabelul 3.4. Duratele comparative între silabele accentuate şi silabele normale......................... 52
Tabelul 4.1. Setul de reguli pentru calculul segmentării finale.................................................... 80
Tabelul 4.2. Simbolurile utilizate la etichetarea segmentelor ...................................................... 83
Tabelul 4.3. Rezultatele algoritmului zero-minim-maxim.......................................................... 86
Tabelul 4.4. Categoriile de bază şi clasele de regiuni .................................................................. 87
Tabelul 4.5. Apartenenţa fonemelor limbii române la diferitele clase de regiuni........................ 89
Tabelul 4.6. Lungimea intervalelor de perioadă pentru segmentul vocal exemplificat ............. 117
Tabelul 4.7. Acurateţea segmentării pentru cele trei metode de segmentare [Jar08]................. 123
Tabelul 4.8. Tabel de corespondenţe pentru transcrierea fonetică............................................. 125
Tabelul 4.9. Duratele rostirii pentru diferite grupuri de foneme................................................ 131
Tabelul 4.10. Stabilirea frontierelor pentru segmentul ................................................. 142
Tabelul 4.11. Stabilirea frontierelor pentru segmentul .............................................. 143
Tabelul 4.12. Compararea prioadelor pentru secvenţa ......................................... 144
Tabelul 4.13. Stabilirea frontierelor pentru secvenţa ............................................ 146
Tabelul 4.14. Compararea cadrelor cu modelele ....................................................................... 150
Tabelul 6.1. Domeniile de frecvenţă ale parametrilor Fk şi Bk................................................... 170
Tabelul 6.2. Denominarea unei cifre în cadrul numărului ......................................................... 186
Tabelul 6.3. Compatibilităţile dintre categoriile sintactice analizor / dicţionar ......................... 192
Tabelul 6.4. Exemple de generare a unităţilor acustice pornind de la unităţile textuale............ 231
Tabelul 6.5. Notaţii ale silabelor folosite în baza de date acustică ............................................ 233
Tabelul 7.1. Unităţi silabice din afara dicţionarului care generează silabe din dicţionar .......... 248
Tabelul 7.2. Unităţile acustice înregistrate în baza de date........................................................ 252
xv

1. Introducere
1.1. Scopul tezei de doctorat
Teza de doctorat de faţă are ca scop studiul modalităţilor de procesare a vorbirii şi
realizarea de cercetări în domeniul particular al sintezei de voce, având următoarele obiective:
a) dezvoltarea unor metode automate de analiză a semnalului vocal;
b) dezvoltarea unei metode de sinteză a vorbirii adaptată specific limbii române;
c) dezvoltarea unei metodologii de lucru în scopul construirii unui sistem de sinteză vocală
automată;
d) implementarea unui prototip al unui sistem de sinteză de voce pentru limba română.
1.2. Organizarea pe capitole a lucrării
Capitolul 1 reprezintă o introducere în domeniul tezei de doctorat. La început este
prezentată problematica sintezei de voce la modul general. Apoi se arată oportunitatea temei
alese, ţinându-se cont în primul rând de stadiul actual al cercetării în domeniul prelucrării
vorbirii şi sintezei de voce. Sunt arătate totodată principalele contribuţii şi realizări ale tezei.
Capitolul 2 expune modalitatea producerii şi percepţiei vorbirii umane, fiind prezentat
modelul producerii vorbirii. Se face o clasificare a sunetelor produse de vocea umană şi sunt
prezentate proprietăţile acustice ale sunetului.
Capitolul 3 face o introducere în domeniul procesării semnalului vocal, arătându-se mai
întâi specificul operaţiilor de prelucrare şi analiză a semnalului vocal. Sunt prezentate apoi
principalele metode de procesare a semnalului vocal, metodele de codare, metodele şi
standardele de compresie a semnalului vocal.
Se prezintă în continuare contribuţiile autorului în domeniul procesării semnalului vocal:
aplicaţia de prelucrare digitală a semnalului vocal SPEA ( Sound Processing and Enhancement
Application), precum şi experimentele realizate asupra unor eşantioane reale de semnal audio şi
vocal prin intermediul acestei aplicaţii.
Capitolul 4 prezintă domeniul analizei de semnal: parametrii de bază ai semnalului vocal
şi modalităţile de analiză efectuate în scopul determinării parametrilor acestuia: modul de analiză
în domeniul timp şi modul de analiză în domeniul frecvenţă. Pentru fiecare modalitate sunt
prezentate metodele de determinare a parametrilor semnalului vocal.
Tot în cadrul domeniului analizei de semnal sunt prezentate principiile detectării
segmentelor cu proprietăţi specifice din semnalul vocal, cerinţele pe care trebuie să le
îndeplinească algoritmii de segmentare, modalităţile şi etapele detectării segmentelor semnalului
vocal. A fost prezentată din literatura de specialitate o metodă generică pentru segmentarea în
domeniul timp, capabilă să detecteze diferite categorii de segmente din semnalul vocal.
Sunt prezentate în continuare contribuţiile aduse de autor în procesul segmentării
automate a semnalului vocal, respectiv metoda proprie de segmentare în domeniul timp. Sunt
evidenţiate etapele algoritmului de segmentare precum şi rezultatele obţinute: detectarea a patru
categorii fundamentale de semnal şi a zece clase de regiuni. ...
1

2
Cap. 1. Introducere
Se prezintă apoi principiile procesului de segmentare fonematică, de asociere a
segmentelor semnalului vocal cu secvenţele de foneme corespunzând semanticii (reprezentării
textuale) a semnalului vorbit. Au fost expuse trei metode principale de segmentare fonematică,
extrase din literatura de specialitate.
Sunt prezentate şi contribuţiile autorului în problematica segmentării fonematice a
semnalului vocal, respectiv metoda de segmentare fonematică bazată pe reguli de asociere
foneme-regiuni. S-au explicat paşii metodei, setul de reguli folosit, s-au prezentat rezultatele şi
avantajele metodei. Au fost arătate aplicaţiile metodei de segmentare fonematică în procesul de
construire a bazelor de date vocale.
Capitolul 5 a fost dedicat prezentării domeniului sintezei vorbirii; a fost expus modelul
general al sintezei vorbirii, sistemul de sinteză text-to-speech, precum şi metodele de bază
folosite în sinteza text-to-speech. Au fost descrise etapele procesului sintezei vocale pornind de
la text.
Capitolul 6 prezintă metodele existente de sinteză a vorbirii, atât în domeniul frecvenţă
cât şi în domeniul timp. Dintre metodele de sinteză în domeniul frecvenţă au fost expuse metoda
formantică şi metoda LPC ( Linear Predictive Coding), iar în cadrul metodelor de sinteză în
domeniul timp au fost detaliate metoda TD-PSOLA (Time Domain Pitch Synchronous Overlapp
and Add) şi metoda de sinteză bazată pe corpus.
Ca şi contribuţie în domeniul proiectării metodelor de sinteză vocală, s-a prezentat
metoda de sinteză vocală pe bază de silabe pentru limba română. Metoda cuprinde următoarele
etape: preprocesarea textului, analiza de sintaxă, determinarea unităţilor lingvistice de tipul
silabelor, determinarea prozodiei intra-segmentale (accentuaţia), regăsirea unităţilor acustice din
baza de date vocală, concatenarea unităţilor acustice şi sinteza propriu-zisă a rostirii.
A fost descris setul de reguli pentru preprocesarea textului sursă. S-a prezentat apoi
metoda de analiză de sintaxă şi setul de reguli pentru analiza formelor flexionate din limba
română. Este prezentat analizorul lexical pentru despărţirea cuvintelor în silabe, precum şi setul
de reguli utilizat în detectarea silabelor. Se expune apoi modul de determinare a aspectelor
prozodice segmentale, prezentându-se analizorul lexical utilizat în determinarea accentelor şi
setul de reguli asociat.
În continuare se descrie structura şi modul de organizare a bazei de date vocale. Baza de
date este alcătuită dintr-un subset al silabelor limbii române, subset alcătuit pe baza frecvenţelor
de apariţie ale silabelor în limba română vorbită. Pentru a determina aceste frecvenţe de apariţie,
a fost realizată o statistică utilizând un corpus de texte conţinând peste 300000 de cuvinte.
Este prezentată apoi modalitatea de regăsire a unităţilor acustice din baza de date vocală.
Căutarea în baza de date se face după lungimea silabei, contextul median sau final în cadrul
cuvântului şi accentuare. A fost expus în continuare modul de concatenare a unităţilor acustice
pentru a forma semnalul de ieşire, precum şi modul de realizare a sintezei de voce.
Capitolul 7 prezintă sistemul de sinteză de voce în limba română LIGHTVOX, sistem
care implementează metoda de sinteză pe bază de silabe dezvoltată de autor. S-au descris
organizarea pe module a sistemului, etapele de proiectare, precum şi paşii care au fost realizaţi la
fiecare etapă. Este detaliat modul de construire a bazei de date vocale şi se prezintă algoritmul de
implementare al procesului de conversie text-voce. În finalul capitolului sunt arătate rezultatele
obţinute cu sistemul de sinteză vocală, aplicaţiile şi dezvoltările de viitor.

3
Cap. 1. Introducere
Capitolul 8 prezintă concluziile finale, sinteza cercetărilor efectuate în cadrul tezei şi sunt
detaliate contribuţiile aduse de autor la dezvoltarea domeniului de cercetare.
În continuare este prezentată bibliografia selectată de autor ce include titlurile citate.
Anexa 1 prezintă notaţiile folosite în cadrul gramaticii LEX pentru construirea
analizoarelor lexicale. Anexele 2, 3 şi 4 prezintă seturile de silabe alcătuite din două, trei şi
respectiv patru foneme, obţinute pe baza statisticii realizate de către autor asupra frecvenţelor de
apariţie a silabelor în limba română. Anexa 5 prezintă activitatea ştiinţifică a autorului, lucrările
ştiinţifice şi proiectele de cercetare la care a participat, iar în anexa 6 sunt prezentate în extenso
două articole publicate de autor în reviste recunoscute pe plan internaţional.
1.3. Problematica sintezei de voce
Odată cu dezvoltarea tot mai accentuată a tehnologiilor şi sistemelor informatice s-a pus
problema comunicării cât mai naturale dintre om şi calculator. Comunicarea pe bază de voce,
atât de obişnuită omului, s-a dovedit a fi o sarcină dificil de realizat pentru sistemul automat.
Interacţiunea pe bază de voce presupune mai multe etape: recunoaşterea cuvintelor pe
care le rosteşte interlocutorul, recunoaşterea semanticii vorbirii sau a informaţiei transmise,
procesarea informaţiei, elaborarea unui răspuns şi conversia acestuia din nou în formă vocală.
Sinteza automată de voce constituie o etapă distinctă a acestui proces de interacţiune
vocală cu utilizatorul uman. Sinteza vorbirii porneşte de la un text (răspunsul care trebuie rostit),
îl descompune în unităţi lingvistice de bază (foneme sau grupuri de foneme), generează
parametrii acustici corespunzători fiecărei unităţi lingvistice, şi apoi foloseşte aceşti parametrii
pentru comanda procesorului audio ce va genera secvenţa acustică dorită. Cu cât parametrii
acustici generaţi de calculator sunt mai apropiaţi de parametrii rostirii umane, cu atât vorbirea
sintetizată va fi mai naturală, mai plăcută interlocutorului şi mai uşor de înţeles.
În continuare se pune problema găsirii unor metode de generare a parametrilor astfel
încât pe de o parte aceste metode să asigure complexitatea generării unor parametrii apropiaţi de
vorbirea umană reală, şi pe de altă parte să fie suficient de versatile pentru a permite modularea
intonaţiei vorbirii prin modificarea parametrilor acustici.
Aceste două caracteristici: claritatea rostirii şi realizarea intonaţiei definesc indicatorii de
calitate ai vorbirii produse prin sinteză. Diferite abordări ale procesului de sinteză a semnalului
vocal, atât în domeniul frecvenţei, cât şi în domeniul timp, au urmărit aducerea celor doi
indicatori la valori cât mai ridicate. Acesta este şi scopul cercetărilor în domeniul producerii
vorbirii la ora actuală.
1.4. Oportunitatea temei alese
În decursul timpului au fost proiectate mai multe metode pentru generarea parametrilor
acustici necesari pentru sinteză. În ultimii ani s-a dovedit că metodele cu cele mai bune rezultate
sunt cele care memorează forma de undă reală, rostită de un vorbitor uman, pentru fiecare unitate
lingvistică în parte. Aceste metode realizează sinteza vorbirii prin concatenarea unităţilor
acustice memorate într-o bază de date vocală.

4
Cap. 1. Introducere
Autorul tezei a mers pe această linie a realizării unei sinteze de voce care să respecte
parametrii de calitate ai vorbirii naturale. A fost proiectată în acest sens o metodă de sinteză a
vorbirii pentru limba română şi s-a indicat o metodologie de lucru pentru realizarea unui sistem
de sinteză vocală automată.
Utilizând ca unităţi lingvistice silabele, metoda de sinteză proiectată se integrează în
categoria metodelor de calitate superioară, bazate pe concatenare. Metoda este adaptată specific
limbii române, şi propune ca noutate o abordare bazată pe reguli atât în faza de procesare a
textului, de extragere a unităţilor lingvistice şi informaţiilor prozodice, cât şi în faza de construire
a bazei de date vocale prin extragerea unităţilor acustice din semnalul vorbit.
De asemeni, cercetările efectuate de autor în cadrul tezei curente oferă posibilitatea
construirii unui sistem performant de sinteză vocală folosind anumite procedee specifice
inteligenţei artificiale şi lingvisticii computaţionale.
Pe plan internaţional există mai multe abordări ale metodei de sinteză vocală bazate pe
silabe. În Europa, au fost elaborate astfel de sisteme în ţări precum Marea Britanie [Lew99],
Rusia [Kri97], Cehia [Kop97], Macedonia [Jos97], iar în Asia au fost realizate sintetizoare
bazate pe silabe pentru limbi vorbite de sute de milioane de persoane: limba chineză [Men02],
mai multe dialecte indiene [Nag05], limba Malay - vorbită în Malaysia, Indonesia, Thailanda
[Sam04]. Rezultatele obţinute cu aceste sintetizoare evidenţiază o calitate înaltă a vorbirii
generate, situată aproape de parametrii naturali, chiar dacă aceste sisteme nu beneficiază de
bazele de date de mari dimensiuni ale sistemelor bazate pe corpus.
La noi în ţară există puţine abordări ale acestei metode ([Bur97], [Moi08]). Aceste
abordări nu utilizează însă reguli de producţie pentru determinarea unităţilor lingvistice,
unităţilor acustice şi informaţiilor prozodice. Nu ştim dacă sau în ce măsură ele folosesc
informaţiile prozodice precum accentuarea cuvintelor sau intonaţia la nivel propoziţional.
În acest context, considerăm utilă abordarea tematicii alese de autor, care acoperă o
anumită lacună existentă la nivelul proiectării sistemelor de sinteză vocală de la noi din ţară,
oferind în plus noi perspective de dezvoltare a domeniului, prin îmbinarea unor procedee
specifice inteligenţei artificiale bazate pe seturi de cunoştinţe şi reguli.
1.5. Principalele contribuţii şi realizări ale tezei
În primul rând este de menţionat caracterul interdisciplinar al tezei, cercetările efectuate
acoperind următoarele domenii :
1. Fonetică şi lingvistică, în ceea ce priveşte analiza alcătuirii fonetice şi sintactice a
cuvintelor din limba română.
2. Inteligenţă artificială, în ceea ce priveşte crearea unor metode automate bazate pe
reguli pentru separarea unităţilor lingvistice din text, respectiv a unităţilor acustice din semnalul
vocal.
3. Procesarea vorbirii, cu cele patru ramuri ale sale:
a) procesarea semnalului vocal, în ceea ce priveşte realizarea unor metode de
îmbunătăţire a calităţii semnalului vocal;
b) analiza semnalului vocal, în ceea ce priveşte detectarea unor regiuni cu proprietăţi
distincte, semnificative din punct de vedere al rostirii, din semnalul vocal;

5
Cap. 1. Introducere
c) recunoaşterea vorbirii, în ceea ce priveşte realizarea unor metode de detectare
automată a secvenţelor fonematice dintr-un semnal vocal cunoscut;
d) sinteza de voce, ca domeniu şi obiectiv în care se încadrează cercetările şi metodele
specifice dezvoltate de autor în cadrul tezei.
Principalele realizări şi contribuţii ale tezei în cadrul domeniilor amintite se referă la:
1. Realizarea unui studiu asupra modului de producere şi percepţie a sunetului.
2. Realizarea unui studiu sintetic asupra metodelor de procesare, codare şi compresie a
semnalului vocal.
3. Dezvoltarea unei aplicaţii de prelucrare digitală a semnalului vocal numită SPEA (Sound
Processing and Enhancement Application).
4. Efectuarea unor experimente asupra unor eşantioane reale de semnal audio şi vocal, în
scopul determinării parametrilor cu influenţă directă asupra calităţii acustice a semnalului.
5. Realizarea unui studiu sintetic asupra metodelor de analiză în domeniul timp şi în
domeniul frecvenţă a semnalului vocal.
6. Realizarea unui studiu asupra modalităţilor de segmentare şi clasificare a semnalului vocal.
7. Dezvoltarea unei metode proprii de segmentare a semnalului vocal în regiuni, capabilă să
detecteze 4 categorii fundamentale de semnal şi 10 clase de regiuni.
8. Dezvoltarea unei metode pentru determinarea perioadelor din forma de undă a semnalului
vocal.
9. Dezvoltarea a trei metode distincte pentru segmentarea fonematică a semnalului vocal prin
analiza regiunilor detectate din semnal.
10. Realizarea unui studiu asupra modalităţilor de sinteză de voce pornind de la un text.
11. Realizarea unui studiu asupra metodelor existente de sinteză vocală.
12. Dezvoltarea unei metode de sinteză vocală pe bază de silabe pentru limba română. În
cadrul metodei au fost stabilite reguli lingvistice pentru faza de analiză a textului şi reguli
de îmbinare a formelor de undă în faza de sinteză.
13. Structurarea unei metodologii de proiectare a unui sistem de sinteză de voce de tip text-
to-speech şi realizarea sistemului de sinteză pentru limba română LIGHTVOX.
14. Crearea unei baze de date vocale ce foloseşte ca unităţi acustice silabele. Baza de date
conţine 600 de silabe înregistrate în diferite contexte şi moduri de pronunţie.

2. Modalitatea producerii vorbirii
2.1. Mecanismul producerii vorbirii
Vorbirea reprezintă posibilitatea de a comunica gândul printr-un sistem de sunete
articulate şi reprezintă un mod de comunicare specific oamenilor, care sunt singurele fiinţe care
utilizează un astfel de sistem structurat.
Informaţia asociată unui mesaj vorbit este purtată de undele sonore. Undele sonore sunt
variaţii ale presiunii aerului generate de către sistemul fonator uman. Ele sunt receptate de către
ureche, şi apoi transmise la creier, care le va interpreta.
Un mesaj vocal constă din compunerea unor entităţi sonore de bază numite foneme.
Acestea, prin asociere, vor forma cuvinte şi apoi structuri semantice mai complexe, numite
propoziţii.
Semnalul vocal (unda acustică vocală) este generat prin mişcarea voluntară a elementelor
anatomice constituente ale sistemului fonator. Aceste elemente fonatorii se înşiră de-a lungul
tractului vocal, determinând caracteristicile acestuia. Tractul vocal este un tub acustic neuniform
care se întinde începând de la glotă (deschizătura aferentă corzilor vocale) până la buze. Structura
rezonatorie a tractului vocal se modifică în procesul fonaţiei, în principal datorită variaţiei poziţiei
buzelor, maxilarelor, limbii şi a vălului palatin [Nav05].
Sunetele sonore se produc prin deschiderea şi
închiderea periodică a corzilor vocale. Vibraţia corzilor
vocale este cea care produce frecvenţa fundamentală a
sunetului emis (figura 2.1).
În generarea sunetelor nazale, vălul palatin, care
separă tractul vocal de cavitatea nazală, va acţiona ca un
tub acustic adiţional. Vorbirea şoptită şi sunetele nesonore
(consoanele) sunt generate prin trecerea liberă a fluxului de
aer prin glotă, cu o viteză suficient de mare pentru a genera
Figura 2.1. Corzile vocale [Nav05] un semnal de tip zgomot cu spectru larg, ce va excita
tractul vocal.
Sunetele fricative se produc prin contracţia (blocarea) fluxului de aer la capătul tractului
vocal, prin intermediul limbii şi al buzelor.
2.2. Rezonanţa tractului vocal
Sundberg [Sun77] a modelat tractul vocal ca un tub acustic închis, arătând că primele trei
frecvenţe de rezonanţă care apar în spectrul sunetelor vocale corespund cu armonicile 1, 3 şi 5 ale
tractului vocal. Aceste frecvenţe vor fi apoi modulate de cavităţile de rezonanţă ale tractului vocal
(cavitatea nazală şi cea orală) şi de către elementele vocale articulatorii: limba, vălul palatin şi
maxilarul.
6

Primele trei frecvenţe de
rezonanţă ale unui tub închis
S4
S3
S2
Cavitatea
nazală
Gi
Signal
Rules
Text
…
…
REGN i
REG2 i
…
REG1 i
Cavitatea
bucală
Corzile
vocale
Rn: Gn
Cond_Re
Figura 2.2. Frecvenţele de rezonanţă ale tractului vocal [Nav05]
7
Cap. 2. Modalitatea producerii vorbirii
Lungimea tipică a tractului vocal este Cond_Re de 17-18 cm. Aceasta implică o frecvenţă
gi
fundamentală de 500 Hz, dacă se consideră cazul R1: G1 unui tub acustic închis. Frecvenţele rezonatorii
(formanţii) vor fi atunci de 500, 1500, respectiv Cond_Re 2500 Hz, ceea ce corespunde cu frecvenţele
g1
observate experimental. Totuşi, elementele articulatorii vor produce diferenţe semnificative faţă
…
de aceste valori, în procesul de rostire a sunetelor vocalice.
…
2.3. Elementele vocale articulatorii
gn
Ri: Gi
…
…
Spectrul semnalului
vocal
Rezonanţa tractului vocal
Frecvenţa
Spectrul sunetului
produs de corzile
vocale
Pentru a produce sunete sonore distincte, cum ar fi
Fk
vocalele, mecanismul producerii vocii trebuie să controleze
rezonanţele tractului vocal, care vor genera frecvenţele
specifice (formanţii) sunetului emis. Dacă tractul vocal este
Poziţia vălului
considerat ca o cavitate rezonantă, atunci se poate vedea că
palatin
poziţia limbii, aria deschiderii gurii, poziţia vălului palatin
vor modifica volumul cavităţii rezonante şi implicit
Poziţia şi
formanţii sunetului rezultat (figura 2.3).
forma limbii
Articularea vocii poate fi privită ca schimbarea
rezonanţei tractului vocal, iar agenţii acestei modificări sunt
Poziţia
maxilarului numiţi articulatori.
Elementele producerii vorbirii, incluzând articula-
Figura 2.3. Elementele vocale torii, sunt prezentate în figura 2.4. Elementele articulatorii
articulatorii [Nav05]
schimbă parametrii de bază ai cavităţii tractului vocal,
generând sunete diferite.
Astfel articularea vocii va produce sunete precum vocale, diftongi, semivocale şi sunete
nazale. Aşa cum am văzut, aceste sunete pot fi considerate ca modificări ale frecvenţelor de
rezonanţă ale tractului vocal, ce pot fi modelate ca o filtrare specifică a spectrului acustic
corespunzător tractului vocal. Majoritatea sunetelor sonore (precum vocalele) rezonează în
cavităţile faringială şi orală, iar sunetele nazale (/m/, /n/) în cavitatea nazală.
i
…
F2 i
F1 i
CLASS
CATEG
ORY
VP
VG
C
HD
IR
T
VJ
S
US
V
U
T
V
S
Region
, i =
s,… ,
s+n
,
j
=
i

Faringe
nazal
Vălul
palatin
Faringe
oral
Epiglotă
Faringe
Laringe
Cavitatea
nazală
Limbă
Esofag Corzile vocale
Trahee
2.4. Formarea sunetelor
8
Cap. 2. Modalitatea producerii vorbirii
Mecanismul producerii vorbirii implică
următoarele elemente:
(1) plămânii şi diafragma, care generează
energia necesară (presiunea aerului),
(2) corzile vocale, care sunt puse în vibraţie de
circulaţia aerului şi care vor determina frecvenţa de
bază a sunetului,
(3) laringele, faringele, epiglota, faringele oral,
vălul palatin, faringele nazal, cavitatea nazală şi
limba, elemente care modulează într-un mod specific
fluxul de aer emis.
Figura 2.4. Elementele producerii vorbirii [Nav05]
Aşa cum s-a arătat anterior, sunetele sonore - precum vocalele - sunt formate prin
modificarea frecvenţelor de rezonanţă ale tractului vocal prin intermediul articulatorilor. În
figura următoare sunt ilustrate câteva exemple referitor la producerea sunetelor vocalice /A/, /I/,
/U/, precum şi spectrele asociate. Vârfurile spectrale corespund formanţilor (figura 2.5).
vocala [ A ]
vocala [ I ]
vocala [ U ]
Figura 2.5. Formarea sunetelor vocalice ([Fan60], [Ben76])
Figurile din stânga corespund modului de articulare asociat rostirii celor trei vocale /A/,
/I/, /U/, şi au fost adaptate după lucrarea lui Gunnar Fant "Acoustic theory of speech production"
[Fan60]. Imaginile au fost produse prin înregistrarea structurii faciale cu raze X în timpul vorbirii.
Figurile din dreapta prezintă diferenţele ce apar în configuraţia formanţilor vocalelor.
În procesul receptării sunetelor, urechea internă va acţiona ca un analizor spectral şi va
distinge cele trei tipuri de vocale pe baza diferenţelor dintre formanţi. Datorită originii lor
(frecvenţele de rezonanţă ale tractului vocal), formanţii tind să rămână aceiaşi la diferite tonalităţi
ale vocii – când frecvenţa fundamentală a sunetului se modifică [Nav05].

9
Cap. 2. Modalitatea producerii vorbirii
Formanţii ce apar în sunetul vocii sunt foarte importanţi deoarece ei sunt componentele
esenţiale care dau inteligibilitatea vocii. Astfel, faptul că noi distingem sunetele vocalice între ele
se datorează diferenţelor în valoarea frecvenţelor primilor trei formanţi ai vocalelor. Pentru o voce
masculină, respectiv feminină, primii formanţi se găsesc într-o plajă de frecvenţe ce se poate
determina experimental. De exemplu, pentru o voce masculină care rosteşte vocala /A/, plajele de
frecvenţe sunt următoarele:
formantul 1: 150-850 Hz
formantul 2: 500-2500 Hz
formantul 3: 1500-3500 Hz
formantul 4: 2500-4800 Hz
Figura 2.6. Fomanţii vocalei /A/ [Nav05]
Frecvenţa formanţilor este determinată de procesul articulării vorbirii. Deschiderea
maxilarului, care contractă tractul vocal în porţiunea glotală şi îl dilată în zona vârfului limbii, are
un rol preponderent în stabilirea valorii primului formant. Frecvenţa primului formant creşte pe
măsură ce creşte deschiderea maxilarului. Formantul al doilea depinde de forma şi structura
anatomică a limbii, iar cel de-al treilea formant de poziţia vârfului limbii.
2.5. Auzul uman şi percepţia sunetelor
Auzul uman este bazat pe un organ de simţ extrem de complex, urechea, care este alcătuită
din trei componente: urechea externă, urechea mijlocie şi cea internă.
Urechea externă este alcătuită din două părţi: lobul vizibil şi cartilajul ataşat de cap, şi
canalul auditiv - un tub cu un diametru de aproximativ 0.5 cm şi care pătrunde în interiorul
capului aproximativ 3 cm. Aceste structuri direcţionează sunetele înconjurătoare la organele
sensibile ale urechii mijlocii şi interne care sunt situate în sigurantă în interiorul craniului. Spre
capătul canalului auditiv se întinde o membrană fină numită membrană timpanică sau timpan,
care vibrează la impactul sunetelor [Nav05].
Canalul
auditiv
Urechea
medie
Timpanul
Trompa lui
Eustache
Canalele
semicirculare
Figura 2.7. Structura urechii umane [Nav05]
vocala [ A ]
Nervul auditiv
Cohlea

10
Cap. 2. Modalitatea producerii vorbirii
Urechea mijlocie este formată dintr-un set de oase care transferă această vibraţie înspre
urechea internă (cochlea), unde este transformată în impulsuri nervoase. Urechea internă este un
tub umplut cu lichid cu un diametru de 2 mm şi o lungime de 3 mm. Prezentată secţional în
figura 2.8., urechea internă este curbată şi se aseamănă cu cochilia de melc. De altfel, cochlea
derivă din cuvântul grecesc melc. Când un sunet încearcă să treacă din aer în lichid, doar o mică
parte a sunetului trece prin suprafaţa de contact, în timp ce restul este reflectat. Acest fapt se
datorează impendanţei scăzute a aerului, în timp ce lichidul are o impedanţă mecanică ridicată
[Ste97].
Figura 2.8. Diagrama funcţională a urechii umane [Ste97]
Urechea mijlocie este un mecanism de adaptare a impedanţei care amplifică energia
sonoră a sunetului ce pătrunde în urechea interioară. Adaptarea are loc în zona dintre timpan
(care recepţionează sunetul din aer) şi fereastra ovală (care transmite sunetul în lichid, vezi
figura). Timpanul are o arie de aproximativ 60 mm 2 , în timp ce fereastra ovală are o arie de 4
mm 2 . Ţinând cont că presiunea reprezintă forţa pe unitatea de suprafaţă, această diferenţă de arie
măreşte intensitatea sunetului de aproximativ 15 ori.
Urechea internă conţine membrana basilară, o structură ce susţine aproximativ 12000 de
celule senzitive care formează nervul intern (cohlear). Această membrană este rigidă in
apropierea ferestrei ovale, şi devine mai flexibilă înspre capătul opus, permiţându-i să
funcţioneze ca un spectru de analiză a frecvenţei.
În cazul în care este expusă la un semnal cu frecvenţă ridicată, membrana vibrează în
zona rigidă rezultând excitarea celulelor nervoase din apropierea ferestrei ovale. În acelaşi mod,
sunetele cu o frecvenţă scăzută excită celulele nervoase din capătul îndepărtat al membranei
basiliare, ceea ce face ca fibre specifice ale nervului cohlear să răspundă unor frecvenţe specifice.
Această organizare este numită principiul poziţiei şi se menţine de-a lungul căii auditive în creier
(figura 2.9).
Urechea
externă Canalul
auditiv
Membrana timpanului
Fereastra
ovală
Oasele
urechii mijlocii
Unde sonore
Frecvenţe
înalte
Cohlea
Frecvenţe
medii
Membrana bazilară
Frecvenţe
mici

Figura 2.9. Cohlea şi ilustrarea principiului poziţiei [Ste97]
11
Cap. 2. Modalitatea producerii vorbirii
O altă schemă de codare a informaţiei este folosită în auzul uman, schemă numită
principiul reacţiunii. Celulele nervoase transmit informaţia prin generarea unor pulsuri electrice
scurte numite potenţiale de acţiune. O celulă nervoasă a membranei basiliare poate coda
informaţia audio prin producerea unui potenţial de acţiune ca răspuns la fiecare ciclu al vibraţiei.
De exemplu, un sunet de 200 Hz poate fi reprezentat de un neuron ce produce 200 de impulsuri pe
secundă. Totuşi, acest proces funcţionează doar pentru frecvenţe sub 500 Hz, rata maximă de
producere a impulsurilor nervoase de către neuroni. Urechea umană permite în schimb
funcţionarea corelată a unui grup de celule nervoase. De exemplu un ton de 3000 Hz poate fi
reprezentat de zece celule nervoase şi care acţionează alternativ de 300 de ori pe secundă. Ceea ce
extinde principiul reacţiunii până la aproximativ 4 kHz, valoare deasupra căreia este folosit doar
principiul poziţiei.
Tabelul 2.1 evidenţiază relaţia dintre amplitudinea sunetului şi intensitatea percepută a
sunetului (loudness). Este uzuală exprimarea intensităţii sunetului pe o scară logaritmică numită
SPL (Sound Power Level -nivelul puterii sonore). Pe această scală, 0 dB SPL este un sunet cu o
putere de 10 -16 watt/cm 2 , aproximativ cel mai slab sunet detectabil de urechea umană. Vorbirea
normală este la aproximativ 60 dB SPL, în timp ce urechea este lezată la aproximativ 140 dB
SPL.
Tabelul 2.1. Relaţia dintre sunetele percepute şi nivelul în decibeli [Ste97]
Watt/cm 2 Decibeli
SPL
10 -2
10 -3
10 -4
10 -5
10 -6
10 -7
10 -8
10 -9
10 -10
10 -11
10 -12
10 -13
10 -14
10 -15
10 -16
10 -17
10 -18
140 dB
130 dB
120 dB
110 dB
100 dB
90 dB
80 dB
70 dB
60 dB
50 dB
40 dB
30 dB
20 dB
10 dB
0 dB
-10 dB
-20 dB
Frecvenţe înalte Frecvenţe joase
Intensitatea sonoră
Durere
Disconfort
Concerte rock
Zgomot industrial
Conversaţie normală
Cel mai slab audibil la 100 herţi
Cel mai slab audibil la 10 kHz
Cel mai slab audibil la 3 kHz

12
Cap. 2. Modalitatea producerii vorbirii
Diferenţa dintre cel mai slab dar audibil sunet şi cel mai puternic pe care fiinţa umană îl
poate suporta este de aproximativ 120 dB, ceea ce corespunde cu o diferenţă pe scara puterilor de
10 12 şi pe scara amplitudinilor de un milion (10 6 ). Omul poate detecta o schimbare a intensităţii
când semnalul este modificat cu aproximativ 1 dB (o schimbare a amplitudinii de 12%). Cu alte
cuvinte, există aproximativ 120 de nivele de intensitate ce pot fi percepute, de la cea mai mică
şoaptă la cel mai puternic tunet. Sensibilitatea urechii este uimitoare: în momentul receptării unor
sunete foarte slabe, timpanul vibrează mai puţin decât diametrul unei singure molecule!
Percepţia intensităţii sunetului L poate fi asociată cu puterea sunetului P astfel [Ste97]:
L = (P / Pref ) 1/3
De exemplu, în cazul creşterii puterii sunetului de 10 ori, percepţia auditivă va indica o
creştere a tăriei de aproximativ 2 ori (10 1/3 =2). Aceasta este una din marile probleme privind
eliminarea sunetelor ambientale nedorite, de exemplu cele provenind dintr-o încăpere vecină.
Dacă efectuăm o acoperire a peretelui cu un material izolant fonic în proporţie de 99% , lăsând
neacoperită o zonă de 1% datorită colţurilor, uşilor, etc., chiar dacă intensitatea sunetului a fost
redusă la doar 1% din intensitatea anterioară, intensitatea percepută a scăzut cu aproximativ
0.01 1/3 = 0.2 sau 20% [Ste97].
Raza auzului uman este considerată a fi cuprinsă între 20 Hz şi 20 kHz. Omul este foarte
receptiv la sunete având frecvenţa de 3 kHz (poate decela sunete începând cu 0 dB), dar are
nevoie de 40 dB SPL la un sunet de 100 Hz (amplitudine de 100 de ori mai mare decât cel mai
slab sunet perceptibil). Omul poate spune că două tonuri sunt distincte dacă frecvenţele acestora
diferă mai mult de 0.3% (la o valoare a frecvenţei de 3 kHz) sau de 3% (la o valoare a frecvenţei
de 100 Hz). Pentru comparaţie, clapele adiacente de la un pian diferă cu aproximativ 6% în
frecvenţă.
Principalul avantaj al sistemului auditiv cu două urechi este capacitatea de a identifica
direcţia sunetului. Oamenii pot detecta diferenţa dintre două sunete plasate la trei grade diferenţă
unul de celălalt. Informaţia direcţionată este obţinută în două moduri diferite. În primul rând,
frecvenţele de peste 1 kHz sunt puternic umbrite de cap. Cu alte cuvinte, urechea situată mai
aproape de sunet recepţionează un semnal mai puternic decât urechea situată în partea opusă.
O altă modalitate de detecţie a direcţiei sunetului este prin perceperea întârziată a sunetului
de către cele două urechi. Urechea situată în partea mai îndepărtată a capului aude sunetul uşor
mai târziu decât urechea mai apropiată, datorită distanţei mai mari faţă de sursă. Pornind de la o
mărime tipică a capului (aproximativ 22 cm) şi viteza sunetului (aproximativ 340 m/s), o diferenţă
unghiulară de trei grade necesită o precizie temporală de aproximativ 30 microsecunde. Acest
timp de răspuns necesită principiul reacţiunii pentru sunete sub 1 kHz.
Decelarea informaţiei direcţionale e îmbunătăţită de întoarcerea capului şi observarea
schimbării survenite în semnal. O senzaţie aparte are loc când un ascultător aude exact acelaşi
sunet în ambele urechi; senzaţia se aseamănă ascultării sunetului monofonic prin căşti. Concluzia
creierului va fi că sunetul provine din centrul capului ascultătorului.
Chiar dacă auzul uman poate determina direcţia de unde provine un sunet, acesta nu poate
identifica perfect distanţa pană la sursa sunetului şi aceasta datorită faptului că există puţine
indicii disponibile într-un sunet care să furnizeze informaţia de distanţă. Auzul uman percepe
(2.1)

13
Cap. 2. Modalitatea producerii vorbirii
existenţa sunetelor cu frecvenţă ridicată în apropiere, în timp ce sunetele cu frecvenţă joasă par a
se afla în depărtare. Aceasta se datorează faptului că sunetele îşi disipă componentele de frecvenţă
pe măsură ce se propagă pe distanţe lungi.
Ecoul sunetului este un alt indiciu al distanţei de percepţie. De exemplu, sunetele dintr-o
încăpere mare vor avea ecou după un interval de aproximativ 100 milisecunde, în timp ce într-un
birou mic răspunsul ecoului este de 10 milisecunde. Ecoul este folosit şi de către unele specii de
animale pentru localizare şi orientare spaţială. De exemplu, liliecii şi delfinii produc zgomote ce
se reflectă de obiectele din apropiere; măsurând intervalul dintre transmisie şi ecou, aceste
animale pot localiza obiecte cu o precizie de aproximativ 1 cm. La fiinţa umană, experimentele au
arătat că în special orbii pot folosi într-o anumită măsură localizarea prin ecou.
2.6. Proprietăţile acustice ale sunetului
Perceperea unui sunet continuu, cum ar fi o rostire vocală sau o notă emisă de un
instrument muzical, este influenţată de trei factori predominanţi: volumul, înălţimea şi timbrul.
Volumul este o măsură a intensităţii sunetului. Înălţimea este frecvenţa componentei
fundamentale a sunetului, adică frecvenţa cu care se repetă forma sunetului. Timbrul este
determinat de conţinutul armonic al semnalului. Figura 2.10-a ilustrează o formă de undă
compusă dintr-o undă sinusoidală cu frecvenţa de 1 kHz, având amplitudinea 1, şi o undă
sinusoidală cu frecvenţa de 3 kHz, de amplitudine 0,5. Forma de undă din figura 2.10-b este
obţinută prin diferenţa celor două unde.
a. 1kHz + 3kHz
b. 1kHz - 3kHz
Timp (milisecunde) Timp (milisecunde)
Figura 2.10. Undă compusă din două armonici: a. prin adunare; b. prin scădere [Ste97]
Observaţia interesantă legată de aceste două forme de undă este aceea că ele vor fi
percepute identic de către un ascultător uman. Aceasta deoarece auzul se bazează pe amplitudinea
componentelor, şi mai puţin pe fazele acestora. Astfel forma undelor este indirect asociată cu
auzul şi este mai puţin luată în considerare în sistemele de procesare audio.
Insensibilitatea urechii la faza semnalului sonor poate fi înţeleasă prin examinarea
modului în care sunetul se propagă în mediu. De exemplu într-un mediu restrâns cum ar fi o
cameră, majoritatea sunetelor sunt reflectate de tavan, podea, pereţi. Ţinând cont că propagarea
sunetului depinde de frecvenţă (atenuare, rezonanţă, reflexie), diferi te frecvenţe vor ajunge la
ureche pe diferite căi, ceea ce înseamnă că faza fiecărei frecvenţe se va schimba pe măsură ce

14
Cap. 2. Modalitatea producerii vorbirii
persoana se mişcă în încăpere. Cum urechea ignoră diferenţa de fază, vocea va fi percepută ca
neschimbată, chiar dacă ascultătorul îşi schimbă poziţia. Din punct de vedere fizic, faza
semnalului audio devine aleatoare pe măsură ce se propagă printr-un mediu complex [Ste97].
Totuşi nu se poate spune că urechea este în totalitate insensibilă la fază, şi asta deoarece o
schimbare de fază poate rearanja desfăşurarea în timp a unui semnal audio.
Forma de undă a sunetului viorii apare ca un dinte de fierăstrău (figu ra 2.11-a, pentru
sunetul DO). Figura 2.11-b arată cum este perceput sunetul viorii de către ureche, şi anume ca o
frecvenţă de bază de 220 Hz, plus armonicile de 440, 660, 880 Hz, etc. Dacă aceeaşi notă ar fi
interpretată pe alt instrument, forma de undă ar arăta altfel, totuşi, urechea ar auzi o aceeaşi
frecvenţă de 220 Hz plus armonicile corespondente.
Astfel, cele două instrumente vor produce aceeaşi frecvenţă fundamentală pentru o
anumită notă, rezultând un sunet de aceeaşi tonalitate (înălţime). Totuşi, ţinând cont că
amplitudinea relativă a armonicilor este diferită, cele două sunete nu vor fi identice, ci vor avea un
timbru diferit [Ste97].
a. Forma de undă b. Frecvenţele din spectru
Frecvenţa fundamentală
Armonicile
Timp (milisecunde) Frecvenţă (Herzi)
Figura 2.11. a. Forma de undă a sunetului viorii; b. Perceperea sunetului de către ureche
Perceperea timbrului rezultă din detectarea de către ureche a armonicilor sunetului. Relaţia
dintre forma de undă a sunetului şi armonicile sale nu este biunivocă. Astfel, deşi unui sunet de o
anumită formă îi corespunde un singur spectru de armonici, un acelaşi spectru poate corespunde
mai multor forme de undă, şi aceasta datorită fazelor diferite ale componentelor din spectru.
Urechea este foarte sensibilă la perceperea armonicilor unui anumit sunet. Armonicile
reprezintă de fapt componentele sunetului având frecvenţe dispuse ca multiplii întregi ai
frecvenţei fundamentale. De exemplu, un sunet generat ca o combinaţie între două componente de
1 kHz , respectiv 3 kHz, va fi perceput ca un sunet natural şi plăcut, dar nu acelaşi lucru se va
putea spune despre combinaţia dintre două componente de 1 kHz şi 3,1 kHz [Ste97].

2.7. Modelul producerii vorbirii
15
Cap. 2. Modalitatea producerii vorbirii
Tehnicile care au ca scop sinteza sau recunoaşterea vorbirii au la bază modelul de
producere a vorbirii umane arătat în figura 2.12. Acest model ţine cont de formarea diferită a
sunetelor, în funcţie de modul de pronunţie. Astfel, sunetele vocii umane pot fi clasificate în două
categorii: sunete sonore şi sunete fricative.
Sunetele sonore se produc prin împingerea aerului din plămâni prin corzile vocale şi apoi
pe nas şi/sau pe gură. Corzile vocale vibrează cu frecvenţe cuprinse între 50 şi 1000 Hz, fapt ce va
avea ca efect stabilirea la această valoare a frecvenţei fundamentale a sunetului emis. Vocalele
sunt un exemplu de sunete sonore. În figura 2.12, sunetele sonore sunt reprezentate de
generatorul de impulsuri, cu amplitudinea reglabilă printr-un parametru de control.
Zgomot
alb
Generator
de impulsuri
Frecvenţa fundamentală
Sunete
nesonore
Sunete
sonore
Figura 2.12. Modelul producerii vorbirii [Ste97]
Filtru
digital
Răspunsul
tractului
vocal
Voce
sintetizată
Sunetele fricative provin din generarea unor zgomote ce intervin pe calea de evacuare a
aerului, şi nu din vibraţii ale corzilor vocale. Aceasta se produce când circulaţia aerului este
blocată de limbă, buze sau dinţi, aceasta având ca rezultat generarea unor turbulenţe de aer în
apropierea locului de comprimare. Sunetele fricative includ consoane precum: /s/, /f/, /z/, /v/. În
modelul prezentat în figura 2.12, fricativele sunt reprezentate de un generator de zgomot aleator.
Ambele surse ale sunetelor sunt modificate de cavităţile acustice formate de limbă, buze,
gură, gât şi pasajele nazale. Ţinând cont că propagarea sunetului prin aceste pasaje este un proces
linear, el poate fi reprezentat ca un filtru liniar cu un răspuns la impuls ales corespunzător. De
obicei se foloseşte un filtru recurent, ai cărui coeficienţi determină caracteristicile filtrului.
Componenetele de frecvenţă maximă sunt numite frecvenţe formantice ale sunetului. Frecvenţele
formantice se modifică odată cu schimbarea poziţiei limbii şi buzelor în timpul rostirii.
După cum s-a prezentat anterior, o metodă uzuală de analiză a semnalelor foloseşte
diagrama spectrală. Semnalul audio este împărţit în segmente scurte de aproximativ 2 până la 40
milisecunde, iar prin transformata Fourier (FFT) se calculează spectrul corespunzător de frecvenţe
pentru fiecare segment. Aceste spectre pot fi alăturate şi transformate într-o imagine a
frecvenţelor componente pentru fiecare segment de timp.

16
Cap. 2. Modalitatea producerii vorbirii
Sunetele vocalice sunt cvasiperiodice şi prezintă un spectru de frecvenţe format dintr-o
serie de armonici situate la distanţă egală între ele, spre deosebire de sunetele fricative care au o
formă de zgomot (sunt neperiodice). Figura 2.13 prezintă comparativ două spectre: unul pentru
vocala /E/ şi celălalt pentru consoana /S/.
Domeniul Timp – vocala /E/ Domeniul Timp – consoana /S/
Timp (milisecunde) Timp (milisecunde)
Domeniul Frecvenţă – vocala /E/ Domeniul Frecvenţă – consoana /S/
Frecvenţă (kHz) Frecvenţă (kHz)
Figura 2.13. Spectrograme pentru vocala /E/ şi consoana /S/ [Ste97]
Conform modelului prezentat în figura 2.12, un semnal vocal poate fi aproximat pe fiecare
segment temporal prin specificarea a trei parametri:
(1) alegerea unui semnal de excitaţie (impulsuri periodice sau zgomot aleator),
(2) frecvenţa fundamentală, şi
(3) coeficienţii filtrului digital folosit pentru a aproxima răspunsul tractului vocal.
Vorbirea continuă poate fi sintetizată prin generarea continuă a acestor trei parametri de
aproximativ 40 de ori pe secundă. Calitatea sunetului acestui tip de sinteză a vorbirii nu este
foarte ridicată din cauza aproximării semnalului vocal. Avantajul metodei este că necesită o rată
redusă de date. Această metodă de sinteză a stat la baza codării predictive liniare LPC (Linear
Predictive Coding). Vorbirea umană înregistrată digital este împărţită în segmente, fiecare
segment fiind caracterizat printr-o funcţie de cei trei parametri ai modelului. Codificarea vocii
prin această abordare asigură o rată de date de 2 până la 6 kbyte pe secundă. Segmentul de date
este transmis sau memorat, după necesităţi, şi apoi reconstruit cu sintetizatorul de voce.

2.7.1. Semnalul de excitaţie
17
Cap. 2. Modalitatea producerii vorbirii
În cele ce urmează se prezintă tipurile de excitaţie şi efectul tractului vocal asupra formării
semnalelor de excitaţie [Fer97].
2.7.1.1. Energia de excitare
În primul rând, energia necesară pentru crearea şi menţinerea sunetului este dată de
fluxul de aer expulzat din plămâni, creând astfel un sunet de excitare. Aerul expulzat trece
prin trahee, iar apoi printre corzile vocale. Sunetul de excitare poate fi de trei feluri [Fer97]:
- sonor, adică periodic (cvasiperiodic)
- nesonor, (surd), adică aperiodic, de tip zgomot
- mixt, conţinând atât sunet sonor cât şi zgomot în acelaşi timp.
Un caz special de excitare este acela când nu se produce sunet (întâlnit în cazul
fazelor mute ale aşa numitelor sunete explozive: /p/, /t/, etc).
Excitaţia sonoră ia naştere în faringe, prin intermediul corzilor vocale. Excitaţia de
tip zgomot poate să apară atât la nivelul corzilor vocale (acestea fiind deschise, de ex: /h/)
cât şi la nivelul unor obstacole în calea fluxului de aer, constricţii ale cavităţii bucale ( de ex:
/s/, /f/) . Altfel spus excitaţia sonoră este bine localizată, pe când cea nesonoră nu.
În cazul excitării mixte, corzile vocale vor intra în oscilaţie, dar în acelaşi timp aerul
care străbate tractul vocal întâlneşte şi obstacole în cavitatea bucală.
La generarea sunetelor sonore, presiunea creată produce deschiderea corzilor vocale
urmată de eliberarea instantanee a presiunii, ceea ce permite închidera corzilor. Acest ciclu
se repetă într-un ritm dependent de presiunea aerului în trahee şi de ajustările fiziologice
care au loc (modificarea t ensionării corzilor), acestea intrând într-o oscilaţie de relaxare,
generând pulsuri cvasiperiodice de aer, care excită tractul vocal. Altfel spus oscilaţiile
corzilor vocale modulează fluxul de aer expirat. Cu cât tensiunea în corzi este mai mare, cu
atât este mai mare şi frecvenţa de oscilaţie (frecvenţa fundamentală) a sunetului sonor.
Funcţionarea corzilor vocale este influenţată de mai mulţi factori (independenţi de
voinţa noastră) şi anume: lungimea, masa, elasticitatea lor [Fer97].
În cazul producerii voluntare a sunetelor interesează următorii parametri:
- frecvenţa de oscilaţie (având influenţă şi asupra amplitudinii oscilaţiilor)
- intensitatea sunetului (influenţând şi spectrul armonicelor superioare).

2.7.1.2. Efectele tractului vocal
18
Cap. 2. Modalitatea producerii vorbirii
Tractul vocal, aşa cum s-a prezentat anterior, este un tub acustic neuniform ce se
întinde de la glotă la buze iar forma acestuia variază în timp [Fer97].
Tractul vocal, ce cuprinde cavitatea faringiană, bucală şi cea nazală, se comportă ca
un sistem de cavităţi rezonatoare care modifică în timpul vorbirii caracteristicile sunetului
de excitaţie care îl traversează. În timpul generării sunetelor nazale, vălul palatin separă
tractul vocal de cavitatea nazală, care constituie un tub acustic adiţional pentru generarea şi
transmiterea acestor sunete nazale.
În cazul generării sunetelor sonore excitarea este dată de vibraţiile corzilor vocale.
Componenta spectrală cea mai joasă care coincide cu frecvenţa de oscilaţie se numeşte
frecvenţă fundamentală. Pe lângă aceasta spectrul mai conţine armonici superioare, situate
la multipli întregi ai frecvenţei fundamentale. Sunetul, ajungând în cavităţile rezonatoare
superioare ale tractului vocal va fi modificat în sensul că acele armonici superioare care au
frecvenţele apropiate de frecvenţa de rezonanţă a acestor cavităţi, vor fi amplificate, altele
fiind atenuate [Fer97].
Astfel, la frecvenţele de rezonanţă ale tractului vocal vor fi scoase în evidenţă
armonicile corespunzătoare, determinante pentru tipul sunetului emis, motiv pentru care
aceste componente spectrale de bază sunt numite formanţi. Se observă că pornind de la
acelaşi sunet sonor de excitaţie, prin modificarea parametrilor fizici ai tractului vocal se pot
obţine sunete diferite (în mod caracteristic la formarea vocalelor) .
La excitare de tip zgomot rolul tractului vocal este asemănător, diferenţa constând în
locul unde are loc excitarea. În acest caz la formarea formanţilor participă doar acele
porţiuni ale tractului vocal care urmează după zona unde este localizată excitaţia
(constricţia).
Vorbirea şoptită şi sunetele nesonore sunt generate prin trecerea liberă a fluxului de
aer prin glotă, dar prin intermediul constricţiilor tractului vocal şi forţarea aerului prin
acestea cu o viteză suficient de mare, pentru a se putea genera un zgomot de excitaţie de
spectru larg. Constricţiile împreună cu vibraţia corzilor vocale produc sunetele fricative
sonore (ex: /v/, /z/) .

3. Procesarea digitală a semnalului vocal
Prelucrarea şi analiza semnalului vocal constituie etapele premergătoare în abordarea
sintezei şi recunoaşterii de voce. Procesarea semnalului cuprinde toate metodele de operare
directă asupra semnalului sonor, începând cu achiziţia semnalului, filtrarea, codarea, compresia
şi stocarea acestuia pe suport magnetic sau optic. Analiza semnalului vocal presupune
determinarea parametrilor acestuia pe baza eşantioanelor de vorbire înregistrate de la vorbitor, şi
apoi compararea acestor parametrii cu valorile aşteptate.
3.1. Metode de procesare a semnalului vocal
Prelucrarea semnalului vocal începe cu achiziţia semnalului de la sursă: microfon, sau
aparatură electronică de înregistrare. Achiziţia presupune conversia digitală a semnalului
analogic şi apoi filtrarea sa pentru eliminarea zgomotelor de achiziţie. Conversia se face cu o
frecvenţă de eşantionare de cel puţin 8 kHz (uzual se folosesc frecvenţe standard de 11 kHz, 16
kHz sau 22 kHz).
Conversia analog-digitală a semnalului presupune un anumit mod de reprezentare a
semnalului în format numeric. Stabilirea unui astfel de mod de reprezentare digitală se numeşte
codarea semnalului [Kle95]. În continuare se prezintă câteva metode standard de codare şi
compresie a semnalului vocal.
3.1.1. Metode de codare a semnalului vocal
Tehnica cea mai utilizată în codarea semnalului vocal este tehnica modulării
impulsurilor în cod (PCM – Pulse Code Modulation) [Vla97]. Folosind codarea PCM, fiecare
eşantion al semnalului este cuantizat (i se atribuie o valoare numerică) independent de celelalte
eşantioane. Astfel, un codor PCM determină nivelul de cuantizare al fiecărui eşantion fără să ţină
cont de nivelul eşantioanelor precedente, iar apoi atribuie acestui nivel de cuantizare un cod
binar (numit cuvânt de cod), ce reprezi ntă forma codată a semnalului. În tehnica PCM există
diferite moduri de cuantizare a valorii fiecărui eşantion şi de asociere a cuvintelor de cod pentru
un nivel de cuantizare. Cele mai uzuale tehnici folosite sunt codarea liniară şi codarea
logaritmică [Vla97] :
Codarea liniară constă în considerarea valorii scalate a eşantionului ca şi cuvânt de cod.
Astfel, un semnal de intrare cu valori între 0 şi 1000 mV va fi codat liniar cu valori între 0 şi o
valoare maximă VM (255 pentru valori reprezentate pe octet). Valoarea eşantionului poate fi o
mărime cu semn, ţinând cont că semnalul vocal variază în jurul unei poziţii de referinţă, de nivel
0. Astfel, cuvântul de cod poate fi la rândul lui un număr cu semn.
Codarea logaritmică aplică o transformare logaritmică valorii scalate a eşantionului, şi
apoi atribuie o reprezentare numerică rezultatului obţinut. Astfel, cuvântul de cod va conţine
semnul şi logaritmul valorii scalate a eşantionului. Acest standard de codare este folosit în
telefonia digitală, datorită faptului că în telefonie valorile de amplitudine mare a eşantioanelor
sunt puţin frecvente, şi ca urmare pot fi reprezentate cu o acurateţe mai mică decât valorile de
amplitudine mică, aşa cum este cazul în transformarea logaritmică.
19

20
Cap. 3. Procesarea digitală a semnalului vocal
Există două standarde pentru codarea logaritmică: legea μ-law, folosită în America de
Nord şi Japonia, respectiv legea A-law, folosită în Europa. Amplitudinea fiecărui eşantion va fi
reprezentată printr-un cuvânt de cod pe 8 biţi (faţă de 14 biţi cât ar fi fost necesari în cazul
metodei liniare pentru codarea unui semnal la o calitate percepută echivalentă).
Dacă în cazul codării PCM cuvântul de cod se reprezintă printr-un număr fix de cifre
binare, există metode care generează coduri de lungime variabilă. Codarea entropică [Feh93]
este o astfel de metodă, care urmăreşte codarea semnalului pe grupuri de eşantioane care au
valori apropiate, situate într-o subclasă a valorilor totale posibile. Astfel, pentru fiecare grup de
astfel de eşantioane, cuvântul de cod se generează pe un număr de biţi mai mic decât numărul de
biţi ce ar fi necesar pentru codarea plajei totale de valori pentru eşantioane. Un exemplu de
codare entropică de lungime variabilă este codarea Huffman, care presupune o parcurgere apriori
a semnalului pentru gruparea eşantioanelor şi stabilirea claselor de valori. Codarea
Huffman poate de exemplu folosi o grupare a valorilor eşantioanelor pe segmente
corespunzătoare vocalelor şi consoanelor, în cazul consoanelor (care au valori ale eşantioanelor
mult mai mici comparativ cu vocalele) putându-se folosi o codificare mai condensată.
Spre deosebire de codarea Huffman, codarea aritmetică nu codează eşantioanele pe
grupe sau blocuri, ci ea caută secvenţe de valori identice ale semnalului, cărora le atribuie
anumite simboluri dintr-un dicţionar sau cuvinte de cod.
O metodă care se foloseşte pentru eliminarea redundanţei semnalului este codarea
predictivă [Feh93]. Metoda se utilizează pentru codarea vorbirii, dar şi a imaginii şi a surselor de
date, în vederea transmiterii informaţiei la distanţă. Metoda urmăreşte să elimine din semnal ceea
ce poate fi prezis despre el la receptor. Predictorii de la receptor şi de la transmiţător trebuie să
funcţioneze sincron, pe baza aceluiaşi set de reguli.
Tehnica cea mai uzuală ce se bazează pe metoda predicţiei se numeşte modulaţia
diferenţială a impulsurilor de cod ( DPCM – Differential Pulse Code Modulation). Schema
bloc a codorului DPCM este ilustrată în figura 3.1.
x(n) e(n)
-
Predictor
Figura 3.1. Schema canonică a codorului DPCM (PCM diferenţial)
Q
xp(n| n-1,n-2,...,n-p)
În figura 3.1, e(n) este diferenţa dintre eşantionul de intrare x(n) şi o predicţie a
eşantionului notată cu xp(n| n-1, n-2, ..., n-p). Această predicţie se calculează ca o combinaţie
liniară a unui număr de p eşantioane care au fost transmise anterior:
i(n)
xp(n)
ep(n)

x
p
p
k 1
21
Cap. 3. Procesarea digitală a semnalului vocal
( n | n 1
, n 2
,..., n p)
a x ( n k
)
(3.1)
unde ( n k
) reprezintă eşantionul reconstruit la momentul n-k:
x p
x p
p
p
( n k)
x
( n k
| n k
1
, n k
2,...,
n k
p)
e
( n k
) (3.2)
k
La fiecare pas, eroarea de predicţie e cuantizată într-o valoare ep(n) de către cuantizorul
Q, care totodată generează şi secvenţă de indici i(n).
Astfel, semnalul x(n) va putea fi reconstruit pe baza valorilor ep(n) recepţionate de la
transmiţător. Utilizarea metodei DPCM e susţinută de faptul că variaţia semnalului diferenţă
ep(n) e mai mică decât variaţia eşantionului x(n). Astfel, presupunând acelaşi debit de codare şi
acelaşi cuantizor, tehnica DPCM aduce o îmbunătăţire de aproximativ 6 dB a raportului
semnal/zgomot faţă de codarea PCM.
Pentru tratarea nestaţionarităţii semnalului vocal se folosesc metode de codare adaptive.
Principiul de bază al adaptării este de a realiza în codor estimarea unor aspecte statistice ale
semnalului vocal, precum energia, frecvenţa sau valorile spectrale [Feh93].
Astfel, în codarea adaptivă ADPCM se calculează o estimaţie locală a deviaţiei
semnalului de intrare, care va controla câştigul unui amplificator situat în faţa unui cuantizor cu
variaţie unitară, aşa cum se ilustrează în figura 3.2 :
-
e(n) b(n) = ±1
Q
xp(n| n-1)
Predictor
Figura 3.2. Schema bloc a codorului delta adaptiv
Cu un astfel de codor adaptiv se poate obţine un câştig mai mare de 5 dB în raportul
semnal/zgomot faţă de sistemul DPCM.
Există două tipuri de metode de adaptare în codarea semnalului vocal: adaptarea silabică
şi adaptarea instantanee. Adaptarea silabică estimează caracteristica semnalului vocal pe o durată
de câteva milisecunde (4..25ms) pentru a se acomoda la modificările din interiorul fonemelor şi
silabelor. Adaptarea instantanee foloseşte constante de timp mai mici (sub 4ms).
Modulaţia delta (DM – Delta Modulation) [Feh93] este un caz special de DPCM în care
cuantizorul foloseşte doar două valori posibile, ceea ce are ca rezultat aproximarea în trepte a
formei de undă. Modulaţia delta are variante de implementare atât cu cuantizor fix, caz în care
p
xp(n)
G
Informaţia
de adaptare

22
Cap. 3. Procesarea digitală a semnalului vocal
necesită o rată de eşantionare ridicată pentru a se putea acomoda variabilităţii ridicate a
semnalului vocal, cât şi variante adaptive.
Principiul modulaţiei delta este descris de următoarele ecuaţii :
b p
( n)
sgn[ x(
n)
x
( n)]
(3.3)
x p
p
n
( n)
x ( n 1
) G
b(
n)
(3.4)
În modulaţia delta apar două tipuri de zgomote (erori) de cuantizare : zgomotul de
suprapantă, datorat variaţiei mai rapide a semnalului decât posibilitatea de urmărire a codorului,
şi zgomotul de granularitate, care apare datorită variaţiei de nivel scăzut a semnalului. Aceste
tipuri de zgomote de cuantizare sunt ilustrate în figura 3.3 :
Zgomot de
suprapantă
Figura 3.3. Tipuri de zgomot în modulaţia delta
Tehnicile de modulaţie delta adaptivă cel mai des folosite sunt modulaţia delta cu pantă
variabilă şi modulaţia delta cu adaptare instantanee.
Modulaţia delta cu pantă variabilă ( CVSDM – Continuously Variable Slope Delta
Modulation) are o schemă de adaptare silabică în forma unui filtru digital de ordinul 1 cu o
constantă de timp mai mare de 4ms. Metoda CVSDM are schema bloc din figura 3.2, în care
câştigul amplificatorului are forma :
G G f b , b , b ) , (3.5)
1 ( 1
2
3
n n
n n n
unde funcţia f() ia valorile 1 sau 0 după cum bn-1, bn-2 , bn-3 sunt sau nu toate de acelaşi semn.
Modulaţia delta cu adaptare instantanee are câştigul :
G G M b , b ) , (3.6)
n n1
( n1
n2
Zgomot granular
unde M ia una din două valori după cum bn-1, bn-2 sunt sau nu de acelaşi semn: M va fi supraunitar
pentru predicţia de suprapantă, şi subunitar pentru predicţia de granularitate.
Deosebirea dintre cele două metode este că adaptarea silabică este mai lentă, având ca
efect micşorarea zgomotului de granularitate, dar şi creşterea zgomotului de suprapantă. La
adaptarea instantanee creşte zgomotul de granularitate, dar algoritmul se adaptează rapid la
variaţiile de suprapantă.

3.1.2. Metode şi standarde de compresie a semnalului vocal
23
Cap. 3. Procesarea digitală a semnalului vocal
Codarea predictivă DPCM şi cea adaptivă ADPCM descrise anterior, din cauza faptului
că ele reduc debitul de date prin codare, se folosesc de asemeni şi în procesul de compresie a
semnalului vocal. Bazată pe tehnica ADPCM, mai există o metodă de compresie pe subbenzi
numită SB-ADPCM. Lărgimea de bandă disponibilă este împărţită pe mai multe subbenzi
separate, pe care apoi este aplicat algoritmul adaptiv de modulare diferenţială a impulsurilor în
cod, crescând astfel acurateţea codării precum şi lărgimea de bandă care poate fi transmisă. Rata
de date la aceste metode variază între 64kbps şi 48kbps [Vla97].
O altă metodă de compresie este numită compresia prin transformări, în care se
urmăreşte împărţirea semnalului de la intrare în segmente sau blocuri şi obţinerea unei
transformări digitale pentru fiecare segment sau bloc de date considerat. Pentru fiecare segment
se calculează anumiţi coeficienţi de transformare, care vor condensa energia semnalului şi vor fi
transmişi pe canalul de comunicaţie.
Principiul compresiei prin transformări, ilustrat în figura 3.4, este următorul :
Dacă la intrare avem un vector N-dimensional U(1..N), cu valoare medie nulă, printr-o
transformare liniară A obţinem un vector complex V(1..N) cu componente care sunt necorelate
mutual. Componentele din vectorul V se cuantizează independent şi se transmit pe canal. La
receptor, vectorului Vc obţinut din cuantizarea lui V i se aplică o transformare inversă B pentru a
recompune aproximarea vectorului iniţial U, care este Ur.
U
u(1)
u(2)
.
.
u(N)
Figura 3.4. Algoritmul de compresie prin transformări
Problema care se pune în continuare este de a obţine matricile A şi B precum şi a
cuantizorului optimal Q, astfel încât valoarea medie pătratică a distorsiunii între vectorii U şi Ur
să fie minimă. Algoritmul optimal a fost găsit de către Karhunen şi Loeve, numindu-se
transformarea KL.
Tr A
V
v(1)
v(2)
.
.
v(N)
Algoritmul KL nefiind o transformare rapidă, se înlocuieşte în multe abordări prin alte
transformări unitare, cum ar fi transformările de tip sinus, cosinus, DFT, Hadamard sau Slant.
Vc
Q
vc(1)
vc(2)
.
.
vc(N)
Tr B
Ur
ur(1)
ur(2)
.
.
ur(N)

24
Cap. 3. Procesarea digitală a semnalului vocal
O tehnică des folosită atât ca metodă de compresie, cât şi ca metodă de analiză şi sinteză
a semnalului vocal este tehnica predicţiei liniare LPC (Linear Prediction Coding).
Tehnica LPC se bazează pe separarea semnalului de excitaţie de semnalul corespunzător
tractului vocal, determinarea unor parametri de aproximare numiţi coeficienţi LPC şi
transmiterea acestora pe canalul de comunicaţie. La receptor, decodorul va prelua aceşti
parametri şi îi va reconverti în forma de undă iniţială. Calitatea obţinută cu această metodă nu
este foarte ridicată, tehnica funcţionând cu aproximaţii, dar rata de bit este mult îmbunătăţită.
Printre metodele care folosesc tehnica predicţiei liniare amintim :
Codorul de semnal vocal folosind predicţia liniară cu cod excitat CELP (Code Excited
Linear Prediction) este o tehnică reprezentativă de compresie a vorbirii; este folosită în SUA
(Standardul Federal 1016) şi poate comprima vorbirea până la 4,8 kbps.
Standardul G.728 se bazează pe o schemă de cuantizare vectorială numită predicţie
liniară cu cod excitat de întârziere mică LD-CELP ( Low Delay Code Excited Linear
Prediction). Standardul operează la 16 kbps dar lărgimea de bandă este limitată la 3,4 kHz.
Aceste metode bazate pe LPC folosesc cuantizarea vectorială cu dicţionare de coduri
(code books) atât la transmiţător, cât şi la receptor. În standardul 1016, bazat pe metoda CELP,
diferenţa dintre valoarea eşantionului şi cea găsită în dicţionar e comprimată şi transmisă
împreună cu indexul valorii din dicţionar. Calitatea standardului e comparabilă cu cea dată de
metoda ADPCM.
Standardul Federal 1015 al SUA foloseşte versiunea simplă a codării liniar predictive,
care poate opera la viteze de 2,4 kbps. Din cauza aproximaţiilor în codare, calitatea este mai
slabă decât în cazul metodelor bazate pe CELP.
3.1.2.1. Standarde de compresie a semnalului audio de înaltă fidelitate
În ultimii ani au fost create de către diverse firme pe plan internaţional câteva standarde
de compresie foarte performante, ce se adresează nu doar semnalului vocal, ci semnalului audio
în general. Dintre acestea amintim: TrueSpeech, MPEG, FLAC, Lernot&Hauspie SBC, IMC,
Microsoft, Ogg Vorbis, Qdesign, Atrac, Voxware, etc.
În concluzie, se poate spune că metodele de procesare a semnalului vocal în vederea
analizei sunt diverse şi bine puse la punct de grupuri de lucru şi firme dezvoltate pe plan
mondial, atât în ceea ce priveşte codarea semnalului vocal, cât şi metodele de compresie. Nu este
exclus însă ca în viitor să apară noi metode şi algoritmi performanţi mai ales în domeniul
compresiei, folosind abordări adaptive care să elimine redundanţa inerentă a semnalului vocal,
dar care să păstreze integritatea semnalului la parametrii superiori, absolut necesară în procesul
sintezei şi recunoaşterii vorbirii.

3.2. Contribuţii în procesarea semnalului vocal
25
Cap. 3. Procesarea digitală a semnalului vocal
În continuare se prezintă rezultatele cercetărilor efectuate de autor în domeniul procesării
semnalului vocal. Se va prezenta aplicaţia de prelucrare a semnalului prin intermediul căreia a
fost efectuată o serie întreagă de experimente asupra unor eşantioane de semnal vocal, precum şi
rezultatele acestor experimentări.
3.2.1. Aplicaţia de prelucrare digitală a semnalului vocal SPEA
În vederea studierii proprietăţilor semnalului vocal, a fost proiectată o aplicaţie specială
numită SPEA – Sound Processing and Enhancement Application (aplicaţie pentru procesarea
şi îmbunătăţirea calităţii semnalului vocal). În această fază a proiectării, aplicaţia SPEA prezintă
următoarele facilităţi:
(1) încărcarea şi vizualizarea semnalului vocal înregistrat în fişiere Wave în diferite formate,
(2) creşterea rezoluţiei de afişare pentru vizualizarea formei de undă şi a eşantioanelor de
semnal pe diferite scale de mărime ,
(3) determinarea parametrilor principali ai semnalului vocal,
(4) selectarea porţiunii de lucru dintr-un fişier Wave,
(5) calculul transformatei Fourier şi vizualizarea spectrelor de amplitudini şi faze a semnalului,
(6) posibilitatea de modificare interactivă a componentelor din spectrele de amplitudini şi faze
în scopul îmbunătăţirii calităţii acustice a semnalului vocal.
Toate aceste facilităţi pot fi selectate interactiv de către utilizator prin intermediul unor
meniuri grafice cu butoane (toolbars). De asemenea, parametrii semnalului în domeniul timp, cât
şi spectrele din domaniul frecvenţă sunt calculate pe fereastra de selecţie specificată în mod
interactiv de utilizator.
3.2.1.1. Facilităţile şi modul de lucru specific aplicaţiei
Fereastra aplicaţiei SPEA este prezentată în figura 3.5. Aşa cum se observă din desen,
utilizatorul are la dispoziţie două meniuri de tip toolbar pentru a interacţiona cu aplicaţia: meniul
orizontal – destinat operaţiunilor generale efectuate asupra fişierului Wave (încărcare în
memorie, salvare, selectare/deselectare, etc.), şi meniul vertical, ce permite operaţii specifice
aplicate ferestrei de lucru (redare sonoră, mărirea/micşorarea rezoluţiei ferestrei, opţiuni de
vizualizare).
Fereastra principală a aplicaţiei se împarte în trei zone de lucru: zona de vizualizare a
semnalului vocal – în partea de sus a ecranului; zona de vizualizare a spectrului de amplitudini a
semnalului – în partea din stânga jos; zona de vizualizare a spectrului de faze – în partea din
dreapta jos.
În continuare se vor prezentarea facilităţile aplicaţiei SPEA, organizate în cadrul celor
două meniuri grafice.

3.2.1.1.1. Facilităţi de ordin general asupra fişierului de sunet
26
Cap. 3. Procesarea digitală a semnalului vocal
Aceste facilităţi pot fi accesate prin intermediul meniului orizontal al aplicaţiei. În
ordinea butoanelor de pe toolbar, acestea sunt:
a) NEW – deschiderea unui nou fişier de sunet, iniţial vid. Acesta va putea referi un fişier
rezultat al prelucrării anterioare sau va putea fi obţinut prin înregistrare directă de la microfon.
b) OPEN – citirea şi afişarea unui fişier de sunet de pe disc. Fişierul este de tip Wave având
următoarea structură:
struct WAVEFORMATEX{
WORD wFormatTag;
WORD nChannels;
DWORD nSamplesPerSec;
DWORD nAvgBytesPerSec;
WORD nBlockAlign;
WORD wBitsPerSample;
WORD cbSize;
};
Figura 3.5. Fereastra principală a aplicaţiei SPEA
Semnificaţia parametrilor formatului Wave este următoarea:
wFormatTag
Reprezintă tipul formatului Waveform-audio. Tipurile de format existente sunt
specificate de Microsoft şi cuprind diferite metode de compresie (ex: WAVE_FORMAT_PCM,
WAVE_FORMAT_LH_CODEC, WAVE_FORMAT_ADPCM, WAVE_FORMAT_DSAT, etc.)

27
Cap. 3. Procesarea digitală a semnalului vocal
nChannels
Specifică numărul de canale a fişierului de tip Wave. Fişierele mono au un singur canal
de redare, pe când cele stereo – două.
nSamplesPerSec
Specifică rata de eşantionare, în eşantioane pe secundă. Dacă parametrul wFormatTag
este WAVE_FORMAT_PCM,atunci valorile comune pentru nSamplesPerSec sunt: 8.0 kHz,
11.025 kHz, 22.05 kHz, şi 44.1 kHz.
nAvgBytesPerSec
Specifică rata de transfer a datelor audio, în octeţi pe secundă. Dacă wFormatTag este
WAVE_FORMAT_PCM, nAvgBytesPerSec va fi egal cu produsul parametrilor nSamplesPerSec
şi nBlockAlign.
nBlockAlign
Aliniamentul blocului de date audio, în octeţi. Această valoare specifică cea mai mică
unitate de date pentru formatul curent. Dacă wFormatTag este WAVE_FORMAT_PCM,
nBlockAlign va fi egal cu produsul dintre nChannels şi wBitsPerSample împărţit la 8.
Redarea fişierului de sunet va trebui să proceseze un număr multiplu de nBlockAlign
octeţi de date la un moment dat. Datele citite sau scrise în fişierul audio vor trebui să fie accesate
doar la un multiplu de nBlockAlign octeţi.
wBitsPerSample
Numărul de biţi al unui eşantion. Dacă wFormatTag este WAVE_FORMAT_PCM,
atunci wBitsPerSample va fi egal cu 8 sau 16.
cbSize
Mărimea în octeţi a informaţiei extinse puse la sfârşitul structurii WAVEFORMATEX.
Această informaţie e utilizată de către formatele non-PCM pentru a memora atributele
specificate în wFormatTag.
Observaţie: În momentul de faţă aplicaţia permite lucrul cu fişiere de tip
WAVE_FORMAT_PCM mono, codate pe 8 sau 16 biţi, suportând orice valoare a frecvenţei de
eşantionare.
c) SAVE – permite salvarea fişierului de sunet curent în format WAVE_FORMAT_PCM.
d) CUT – efectuează ‘tăierea’ zonei selectate din fişierul de sunet şi memorarea în Clipboard;
e) COPY – permite copierea zonei selectate în Clipboard fără ştergerea ei;
f) PASTE – permite ‘lipirea’ informaţiei memorate din Clipboard în zona de lucru curentă;
g) UNSELECT – comanda pentru deselectarea zonei selectate anterior din fişierul audio;
h) VIEW SELECTION – permite vizualizarea zonei selectate în întregime în fereastra de
vizualizare;

28
Cap. 3. Procesarea digitală a semnalului vocal
i) VIEW TOOLBARS – permite ascunderea sau vizualizarea toolbar-urilor şi a zonei de
vizualizare a informaţiilor din status bar. Prin ascunderea acestor zone grafice se măreşte
suprafaţa de lucru asociată formei de undă şi spectrelor de analiză.
j) CHANGE COLORS – permite modificarea paletei de culori a aplicaţiei.
k) VIEW FFT INFO – permite vizualizarea interactivă a informaţiilor asociate spectrelor de
amplitudini (FFT) şi de faze (ANGLE). Utilizatorul va putea vizualiza frecvenţa şi valoarea din
spectru asociată acesteia prin mişcarea mouse-ului în zona de analiză (zona de afişare a
spectrelor de analiză).
3.2.1.1.2. Facilităţi de operare specifice aplicate fişierului de sunet
a) PLAY – permite redarea sonoră a fişierului de sunet sau a zonei selectate, dacă aceasta există;
b) PLAY LOOP – permite redarea în buclă a fişierului de sunet;
c) STOP – opreşte redarea şi aşează indicatorul de poziţie la începutul fişierului;
d) PAUSE – opreşte redarea fără a schimba poziţia curentă în fişierul audio;
e) ZOOM OUT – micşorează rezoluţia de afişare a ferestrei grafice curente. Fereastra grafică
curentă poate fi asociată oricărei dintre cele trei zone de lucru: fereastra formei de undă, fereastra
de afişare a spectrului de amplitudini, respectiv cea de afişare a spectrului de faze. Oricare dintre
aceste trei ferestre poate deveni fereastra curentă prin punctare cu mouse-ul de către utilizator.
Prin această comandă creşte cantitatea de informaţie afişată în fereastră, dar scade acurateţea
(detaliile) afişării. Comanda e utilă pentru obţinerea unei vizualizări globale a informaţiei.
f) ZOOM IN – măreşte rezoluţia de afişare a ferestrei grafice curente. Comanda este
complementară comenzii anterioare, având ca rezultat reducerea zonei de analiză, dar în
beneficiul vizualizării precise a informaţiilor.
g) SAMPLE ZOOM OUT – comanda permite reducerea controlată a rezoluţiei de afişare în
fereastra grafică curentă. Se foloseşte pentru creşterea progresivă a dimensiunii zonei de analiză
prin adăugarea câte unui eşantion în această zonă. Se va obţine o vizualizare mai globală, dar în
detrimentul preciziei de analiză.
h) SAMPLE ZOOM IN – permite mărirea controlată a rezoluţiei de afişare în fereastra grafică
curentă. E utilă pentru vizualizări precise ale formei de undă sau a spectrului, prin faptul că
permite detalierea informaţiei afişate prin reducerea cu câte un eşantion a mărimii zonei de
analiză.
i) ZOOM ALL – permite afişarea în întregime a formei de undă sau a spectrului asociat.
j) VIEW WAVE – permite vizualizarea ferestrei corespunzătoare formei de undă;
k) VIEW FFT – permite vizualizarea ferestrei corespunzătoare spectrului de amplitudini;
l) VIEW PHASE – permite vizualizarea ferestrei corespunzătoare spectrului de faze.

3.2.1.2. Modul de lucru al utilizatorului în aplicaţia SPEA
29
Cap. 3. Procesarea digitală a semnalului vocal
În primul rând utilizatorul va deschide fişierul audio pe care doreşte să-l analizeze prin
comanda OPEN. Forma de undă se va afişa în partea de sus a ecranului, iar spectrele globale de
amplitudini şi faze – în partea de jos a ecranului. Trebuie menţionat însă că spectrele sunt
limitate la calculul a 16k valori, ceea ce înseamnă că spectrele nu corespund întregii lungimi a
semnalului sonor, ci doar a unei părţi a acestuia (şi anume la prima parte a formei de undă care
conţine 16k eşantioane). Acest lucru este valabil pentru orice fereatră selectată din semnal care
depăşeşte 16k eşantioane.
Mărimea ferestrei curente va fi afişată în partea din dreapta – în zona TIME - a barei de
stare ( status bar). Parametrul Tw indică dimensiunea în timp (secunde, milisecunde sau
microsecunde – pentru ferestrele mici), iar parametrul Nw indică dimensiunea în număr de
eşantioane.
Frecvenţa de eşantionare se va afişa în partea din stânga a barei de stare – în zona FFT,
fiind indicată de parametrul Fes. Frecvenţa de eşantionare este dată în Hertzi şi va corespunde cu
dublul mărimii ferestrei spectrale. Aceasta datorită faptului că spectrele se calculează “în
oglindă” (valorile sunt simetrice faţă de mijlocul frecvenţei de eşantionare) şi ca urmare se vor
afişa doar valorile din prima jumătate a spectrului. Tot în zona FFT se va afişa rezoluţia spectrală
în Hertzi, adică distanţa în frecvenţă dintre două valori consecutive ale spectrului.
Pentru vizualizarea şi analiza unor zone specifice din forma totală de undă, utilizatorul
poate selecta zona dorită interactiv, cu ajutorul mouse-ului: în fereastra asociată formei de undă,
cu tasta SHIFT apăsată, va puncta cu butonul din stânga al mouse-ului în dreptul poziţiei de
început a zonei pe care vrea să o selecteze, iar apoi - de asemeni menţinând tasta SHIFT apăsată
- va puncta cu butonul din dreapta al mouse-ului în dreptul poziţiei de sfârşit a zonei de selecţie.
Zona selectată va fi vizualizată cu culoarea verde, fiind încadrată de două bare de selecţie de
culoare roşie, iar restul porţiunii din fişierul de sunet va fi vizualizată în culoare pală (gri
deschis). Se va observa modificarea formei spectrului de amplitudini şi a celui de faze, care vor
corespunde cu zona selectată din forma de undă. Regula de calcul a spectrelor este următoarea:
(1) dacă nu există o porţiune selectată din forma de undă, atunci spectrele se calculează
pe fereastra curentă de afişare;
(2) dacă din forma de undă se selectează o anumită porţiune, spectrele se calculează doar
pe porţiunea selectată.
Utilizatorul poate renunţa în orice moment la selecţie, apăsând butonul UNSELECT.
Dacă prin utilizarea scollbar-ului se pierde din vedere zona selectată, aceasta se poate readuce în
fereastra de vizualizare prin folosirea butonului VIEW SELECTION.
În funcţie de analiza pe care doreşte s-o efectueze, utilizatorul poate selecta afişarea
formei de undă, sau a unuia din spectrele de amplitudini, respectiv faze (prin comenzile VIEW
WAVE, VIEW FFT sau VIEW PHASE). Programul va afişa implicit toate cele trei ferestre de
analiză.
Detaliile din ferestrele spectrale pot fi vizualizate prin intermediul butonului VIEW FFT
INFO. Astfel, utilizatorul poate aşeza cursorul mouse-ului în dreptul liniei spectrale de interes,
care se va colora distinct faţa de celelalte linii din spectru. Pentru spectrul de amplitudini se va
afişa în zona FFT din status bar valoarea F corespunzător frecvenţei precise a liniei spectrale

30
Cap. 3. Procesarea digitală a semnalului vocal
selectate, şi valoarea X corespunzător amplitudinii spectrale. Dacă se selectează o linie spectrală
din spectrul de faze, se vor afişa valorile F pentru frecvenţă şi P pentru mărimea fazei.
La încărcarea unui fişier de sunet, în fereastra WAVE se va afişa forma de undă pe
întreaga durată a semnalului. Durata şi numărul de eşantioane vor fi indicate în zona TIME a
barei de stare, în timp ce pe rigla orizontală se vor afişa timpii de referinţă ai eşantioanelor, sub
forma sec.ms (secunde şi milisecunde), respectiv microsecunde pentru ferestre mai mici de timp.
În ferestrele FFT şi PHASE se vor afişa spectrele de amplitudini, respectiv faze ale
primelor 16k eşantioane din semnal. Pentru a vizualiza detaliile dintr-o fereastră mai restrânsă,
utilizatorul poate selecta o zonă de semnal aşa cum s-a descris anterior, prin punctare cu mouseul
şi tasta SHIFT: pentru începutul zonei va folosi butonul din stânga al mouse-ului, iar pentru
indicatorul de sfârşit – butonul din dreapta. După selectarea unei zone mai restrânse din semnal,
spectrele de amplitudini şi faze se vor modifica corespunzător. Dacă se doreşte detalierea
informaţiei afişate în fereastra undei, se vor putea folosi butoanele ZOOM IN şi SAMPLE
ZOOM IN. Când se doreşte revenirea la un mod mai global de vizualizare, se folosesc comenzile
ZOOM OUT, respectiv SAMPLE ZOOM OUT.
La fel, dacă se doreşte vizualizarea mai detaliată a spectrului FFT sau PHASE, mai întâi
fereastra respectivă va trebui selectată ca fereastră activă. Aceasta datorită faptului că butoanele
de mărire şi micşorare a rezoluţiei de afişare, precum şi scrollbar-ul au efect doar asupra unei
singure ferestre la un moment dat, şi anume asupra ferestrei active. Fereastra activă se selectează
prin punctare cu mouse-ul în interiorul ferestrei dorite, aceasta fiind apoi marcată printr-un
chenar de culoare roşie. Apoi se va putea efectua analiza spectrală detaliată prin folosirea
comenzilor de mărire a rezoluţiei ZOOM IN şi SAMPLE ZOOM IN, ultima permiţând creşterea
progresivă a rezoluţiei de afişare cu câte un eşantion.
Valorile afişate pe rigla orizontală sunt frecvenţe măsurate în Herzi. Pentru fiecare
fereastră selectată, pe riglă se afişează întreaga gamă de frecvenţe a semnalului (egală cu
jumătate din frecvenţa de eşantionare), precum şi frecvenţa de amplitudine maximă din această
gamă de frecvenţe, care poate fi asimilată cu frecvenţa fundamentală a semnalului.
Aplicaţia detectează în mod automat formanţii sau valorile maxime locale ale anvelopei
spectrale, maxime care se situează deasupra unor valori de prag. Pentru fiecare formant, se
calculează amplitudinea, frecvenţa centrală şi lăţimea de bandă, parametrii importanţi în sinteza
de voce. Frecvenţa centrală a formantului cu cea mai mare amplitudine (în cele mai multe cazuri
primul sau al doilea formant) se asumă a fi frecvenţa fundamentală a semnalului. Această regulă
se aplică doar segmentelor vocale din semnal, segmentele nesonore neavând frecvenţă
fundamentală.
Un exemplu de detectare automată a formanţilor este arătat în figura 3.6. Aici se
ilustrează un segment vocal din semnal, în care se detectează formanţi cu valorile de frecvenţă :
204 Hz, 414 Hz, 613 Hz, şi 824 Hz . Frecvenţa fundamentală este dată în acest caz de frecvenţa
primului formant: 204 Hz.

Figura 3.6. Frecvenţa fundamentală a semnalului este 204 Hz
31
Cap. 3. Procesarea digitală a semnalului vocal
3.2.2. Experimente realizate asupra unor eşantioane reale de semnal audio şi
vocal
În continuare sunt prezentate rezultatele experimentale şi analizele spectrale
realizate cu ajutorul aplicaţiei SPEA pe grupe de eşantioane reale de semnal. Scopul
acestor experimente a fost de a determina caracteristicile specifice ale semnalului vocal în
cazul rostirii unor sunete distincte în limba română, în condiţii diferite, de către mai mulţi
vorbitori.
Semnalul a fost preluat prin intermediul unui microfon dinamic unidirecţional de tip
SM-500, iar apoi semnalul a fost eşantionat şi stocat pe disc în format WAVE PCM prin
intermediul unei plăci de achiziţie audio Creative Soundblaster Live 1024. De asemenea,
au fost analizate eşantioane de semnal audio generat prin intermediul unui sintetizator de
sunete furnizat de firma Creative Labs.

1) Analiza spectrală a vocalelor pentru vorbitorul masculin şi cel feminin
Figura 3.7. Vocala A masculin. Frecvenţa
fundamentală este în jurul valorii de 100 Hz,
urmată de armonice situate la distanţă
aproximativ egală. Se observă un spectru cu
primele două frecvenţe formantice
predominante.
Figura 3.9. Vocala E masculin. Frecvenţa
fundamentală este de 115 Hz, apropiată de
cea corespunzătoare lui A. Se observă
diferenţa faţă de spectrul anterior, prin
distribuţia primilor 4 formanţi.
32
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.8. Vocala A feminin. Frecvenţa
fundamentală este de aproximativ 200 Hz,
corespunzător unei voci de tonalitate mai
înaltă. Dominanta spectrului este prima
frecvenţă formantică, dar apar încă 5
formanţi majori.
Figura 3.10. Vocala E feminin. Frecvenţa
fundamentală este de 225 Hz. Se observă că
nu mai apar formanţii 3,4 şi 5.

Figura 3.11. Vocala I masculin. Frecvenţa
fundamentală este de 125 Hz. Formanţii 3,4
şi 5 sunt nesemnificativi în raport cu primii
doi.
Figura 3.13. Vocala O masculin. Frecvenţa
fundamentală este de 110 Hz. Primii 4
formanţi sunt activi, mai apărând încă 4 de
importanţă mai redusă.
2) Analiza spectrală a consoanelor
Figura 3.15. Consoana S. Se observă un
spectru mult mai bogat în armonici
superioare, pe o bandă situată între 4000 Hz
şi 8000 Hz.
33
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.12. Vocala I feminin. Frecvenţa
fundamentală este de 235 Hz. Apare doar un
singur formant semnificativ.
Figura 3.14. Vocala U masculin. Frecvenţa
fundamentală este de 110 Hz. Mai
importanţi sunt primii 3 formanţi
Figura 3.16. Consoana T. Caracteristic este
atât spectrul de frecvenţe, cât mai ales forma
semnalului.

3) Analiza spectrală a sunetelor emise multitonal
34
Cap. 3. Procesarea digitală a semnalului vocal
În continuare se prezintă spectrele unor vocale emise la diferite frecvenţe de bază (pe
tonuri diferite sau cântate) de către acelaşi vorbitor.
Figura 3.17. Vocala A1. Se observă un
spectru de armonici uniform, începând cu
frecvenţa primului formant de 117 Hz.
Figura 3.19. Vocala E1. Se observă un
spectru cu trei frecvenţe formantice
dominante, începând cu frecvenţa primului
formant de 122 Hz.
4) Analiza perceptuală a sunetelor emise în fază diferită
Figura 3.18. Vocala A2. Forma spectrului de
frecvenţe este aproape identică cu cea din
cazul anterior, cu deosebirea faptului că aici
primul formant are frecvenţa de 142 Hz
Figura 3.20. Vocala E2. Spectrul este din
nou asemănător cu cel din primul caz; aici
primul formant are frecvenţa de 137 Hz
În continuare se prezintă spectrele unor sunete compuse din două frecvenţe de bază:
o frecvenţă principală de 1 kHz, peste care se suprapune o frecvenţă de 3kHZ. Deosebirea
dintre cazuri este dată de semnul compunerii: în primul caz frecvenţele se adună, iar în cel
de-al doilea se scad. Analiza perceptuală (a modului de recepţie a sunetului) a demonstrat că
cele două sunete sunt percepute identic.

Figura 3.21. Cazul A. Cele două frecvenţe de
1000 Hz şi 3000 Hz se adună, fiind deci în
fază.
35
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.22. Cazul B. Cele două frecvenţe
de 1000 Hz şi 3000 Hz se scad, fiind în
antifază.
5) Importanţa alegerii ferestrei asupra rezultatului analizei spectrale
În urma experienţelor efectuate pe diferite ferestre de analiză preluate din acelaşi
semnal, s-a constatat importanţa deosebită a alegerii corecte a ferestrei. Aceasta va trebui să
cuprindă intotdeauna un număr întreg de perioade. Dacă această condiţie nu este respectată,
apar erori în determinarea frecvenţelor spectrale, aşa cum se arată în exemplul următor.
Figura 3.23. Cazul A. Semnal generat din
trei frecvenţe de bază: de 1000 Hz, 3000 Hz
şi respectiv 6000 Hz. Fereastra de analiză
(din domeniul timp) nu cuprinde un număr
egal de perioade. Ca urmare apar erori în
evaluarea frecvenţelor din spectru, în acest
caz de până la 3%.
6) Modularea semnalului
Figura 3.24. Cazul B. Acelaşi semnal, din
care s-a extras acum o fereastră de analiză ce
conţine un număr întreg de perioade (8
perioade). Frecvenţele spectrale sunt
determinate corect.
Au fost efectuate experimente asupra modulării semnalelor. Aici se prezintă un caz
semnificativ:

Figura 3.25. Cazul A. Semnalul x(t) a fost
generat din două frecvenţe de bază: de 1000
Hz şi respectiv 3000 Hz.
36
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.26. Cazul B. Semnalul x(t) a fost
modulat cu o frecvenţă f0=10000 Hz: x1(t) =
x(t)* sin(2πf0t). Se observă dublarea spectrelor
la distanţe egale faţă de frecvenţa de
modulare f0.
Deosebit de important în cazul modulării este faptul că folosind o frecvenţă de
modulare bine aleasă, un semnal având frecvenţele componente într-o bandă joasă poate fi
adus într-o bandă înaltă, şi invers, dacă avem un semnal într-o bandă înaltă, el poate fi adus
într-o bandă joasă de frecvenţe şi analizat – mai convenabil - doar în această bandă.
7) Influenţa frecvenţei de eşantionare asupra calităţii vocii
Este binecunoscut faptul că pentru a obţine o voce sau o înregistrare audio de calitate
este necesară o frecvenţă de eşantionare cât mai bună (cât mai ridicată). O frecvenţă ridicată
de eşantionare asigură redarea unui spectru mult mai larg de frecvenţe, şi ca urmare calitatea
audio va fi mult amplificată.
Figura 3.27. Cazul A. Semnal audio
înregistrat la o frecvenţă de eşantionare de
96000Hz. Se observă un spectru larg de
frecvenţe, de până la 18000Hz. În fereastra
de undă, semnalul este ‘îngroşat’ de
armonicile superioare.
Figura 3.28. Cazul B. Acelaşi semnal
eşantionat la o frecvenţă mai mică, de 15000
Hz. Efectul poate fi observat atât în fereastra
spectrală, care s-a redus până la 7000 Hz, cât
şi în fereastra de undă, unde semnalul a
devenit ‘mai subţire’, lipsit de armonicile
superioare.

8) Influenţa mediului de înregistrare asupra calităţii sunetului
37
Cap. 3. Procesarea digitală a semnalului vocal
Mediul de înregistrare a sunetului are de asemenea o importanţă capitală asupra calităţii
audio. S-au făcut experimente prin îregistrarea unor eşantioane audio de la un casetofon
obişnuit şi apoi de la un CD player. Casetofonul are o bandă de redare sonoră mult mai îngustă,
şi în plus un raport semnal/zgomot destul de accentuat, care face să scadă mult calitatea
audiţiei. CD player-ul prezintă parametrii mult superiori, atât în ceea ce priveşte lăţimea de
bandă, cât şi raportul semnal/zgomot.
Figura 3.29. Cazul A. Semnal audio
înregistrat de la un casetofon, la o frecvenţă
de eşantionare de 96000Hz. Se observă un
spectru de frecvenţe redus, de până la 2500
Hz. În plus, apare un zgomot datorat benzii
magnetice, la aproximativ 15000 Hz.
Figura 3.30. Cazul B. Semnal audio înregistrat
de la CD player la aceeaşi frecvenţă de
eşantionare. Banda spectrală a crescut, şi se
observă că a devenit mult mai bogată în
frecvenţe. Se observă de asemenea că zgomotul
de fond a dispărut.
Al doilea experiment prezentat aici este un test de înregistrare audio pe un
casetofon (s -a folosit o casetă de calitate medie). În primul rând s-a generat pe
calculator un sunet compus din frecvenţe de egală amplitudine dispuse pe toată banda
sonoră perceptibilă (de la 1000 Hz până la 22000 Hz). Sunetul a fost apoi înregistrat pe
casetofon şi din nou preluat pe computer pentru analiză. Aşa după cum arată figurile
următoare, banda de frecvenţe s-a redus considerabil, amplitudinea componentelor
reducându-se liniar până aproape de zero la capătul benzii. Acest experiment arată clar
diferenţa între mediile de înregistrare analogice (casetofon) şi digitale (calculator sau
CD player).

Figura 3.31. Cazul C. Semnal audio
generat ca sumă de 22 de frecvenţe de la
1000 Hz la 22000 Hz. Componentele au
toate aceeaşi amplitudine.
9) Timbrul sunetului şi percepţia auditivă
38
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.32. Cazul D. Acelaşi semnal
înregistrat pe casetofon apoi din nou pe
calculator la aceeaşi frecvenţă de
eşantionare cu semnalul original. Banda de
frecvenţe s-a redus până la 14000 Hz, iar
amplitudinile frecvenţelor sunt în
descreştere progresivă până la zero.
Folosind un sintetizator audio, au fost generate notele muzicale cu diferite timbre
corespunzătoare instrumentelor muzicale (pian, acordeon, orgă, vibrafon). S-a constatat că
sunetul este cu atât mai profund şi mai intens receptat de ascultător cu cât timbrul sonor este
mai bogat şi armonicile au amplitudine mai mare. În continuare sunt prezentate armonicile
spectrale pentru cele patru tipuri de instrumente considerate. Frecvenţa fundamentală a
sunetului (nota DO) este aceeaşi, dar situarea armonicilor precum şi amplitudinea acesto ra
conferă timbrul specific fiecărui instrument.
Figura 3.33. Nota Do la pian. Frecvenţa
fundamentală este 525 Hz.
Figura 3.34. Nota Do la acordeon. Are
aceeaşi frecvenţă fundamentală, dar un
timbru mai bogat.

Figura 3.35. Nota Do la vibrafon. Se
observă spectrul constituit doar din două
armonici; sunetul este mai pur, dar nu la fel
de profund ca în cazurile anterioare.
10) Calitatea rostirii în sinteza de voce
39
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.36. Nota Do la orgă. Sunetul are
un impact perceptual profund din cauza
armonicilor secundare care au amplitudinea
apropiată de amplitudinea armonicii
principale.
Pentru sinteza de voce este foarte importantă construirea unei baze de date vocale
adecvată. Aceasta presupune preluarea unor segmente de voce de la o persoană reală în
vederea prelucrării şi apoi sintetizării vorbirii pentru un text dat. Vocea aleasă trebuie să aibă
parametrii acustici superiori pentru a genera o sinteză de calitate. S-au efectuat experimente
cu vocea autorului, atât în codiţii normale cât şi în condiţiile obstrucţionării căilor nazale. În
figurile următoare sunt prezentate efectele apărute:
Figura 3.37. Litera M din cuvântul
“mama” rostit în condiţii normale. Se
observă doi formanţi la 64 şi 128 Hz.
Figura 3.38. Litera M din cuvântul
“mama” rostit în condiţiile obstrucţionării
căilor nazale. Se observă dispariţia celui deal
doilea formant.

Figura 3.39. Litera A din cuvântul
“mama” rostit în condiţii normale. Se
observă doi formanţi principali şi alţi câţiva
secundari.
40
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.40. Litera A din cuvântul
“mama” rostit în condiţiile obstrucţionării
căilor nazale. Se observă dispariţia
formanţilor de ordin superior precum şi
deplasarea în tonalitate a primului formant.
Următorul set de experimente a fost efectuat pentru a decela diferenţele dintre
rostirile unui cuvânt folosind o voce comună (autorul) şi o voce cu parametrii acustici
superiori. Rezultatele sunt arătate în figurile următoare:
Figura 3.41. Litera M din cuvântul
“maşină” rostit de către autor (vocea A).
Se observă doi formanţi principali.
Figura 3.42. Litera M din cuvântul
“maşină” rostit de vocea B. Spectrul este
asemănător cu cel de la vocea A, diferenţele
constând doar din raportul amplitudinilor
celor doi formanţi.

Figura 3.43. Litera A din cuvântul
“maşină” rostit de către autor (vocea A).
Spectrul acestei rostiri vocalice conţine trei
formanţi bine conturaţi.
Figura 3.45. Litera S din cuvântul
“maşină” rostit de către autor (vocea A).
Se observă că spectrul, în cazul acestei
consoane, conţine o paletă largă de
armonici, situate îndeosebi la frecvenţe
superioare.
41
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.44. Litera A din cuvântul
“maşină” rostit de vocea B. Se observă
diferenţa faţă de cazul anterior (vocea A),
prin faptul că acum spectrul conţine o serie
largă de armonici, cu primele cinci armonici
bine conturate.
Figura 3.46. Litera S din cuvântul
“maşină” rostit de vocea B. Diferenţa este
că armonicile superioare sunt mult mai bine
conturate decât în cazul anterior
corespondent, sunetul dobândind astfel un
impact perceptual mai profund asupra
ascultătorului.
Concluziile acestor experimente indică faptul că, pentru a obţine o voce de calitate
superioară, acea voce trebuie să deţină un set de armonici cât mai bogat, şi în special armonicile
superioare sunt determinante pentru creşterea calităţii rostirii. În cazul în care aceste armonici
lipsesc, vor trebui adăugate prin procedee speciale de filtrare digitală.

11) Analiza spectrală a sunetelor radiofonice
42
Cap. 3. Procesarea digitală a semnalului vocal
În acest set de observaţii s-au analizat două tipuri de emisii radio: emisia FM (Frequency
Modulation) şi respectiv MW ( Medium Wave length). Prima asigură o calitate mai bună a
sunetului, permiţând transmisia sunetului fără pierderi pe toată banda de frecvenţe audibile, pe
când cea de-a doua înregistrează pierderi şi modificări de frecvenţă, mai ales pe benzile
superioare (peste 1000 Hz).
Pentru a detecta diferenţele calitative între cele două tipuri de transmisii, precum şi
modul cum ele afectează vocea, s-au preluat pe două canale simultan secvenţele eşantionate ale
aceleiaşi transmisii radiofonice vocale dar recepţionate diferit - în cele două moduri amintite mai
sus.
În continuare au fost separate vocalele şi s-a analizat spectrul de amplitudini şi calitatea
formanţilor în cele două cazuri.
Figura 3.47. Vocala A - Formele de undă (sus: FM; jos: MW)
Figura 3.48. Vocala A – Spectrele armonice(sus: A –FM; jos: A –MW)
Formanţii 2, 3 şi 4 au scăzut în amplitudine cu aproximativ 10%. Începând cu frecvenţa
de 1000 Hz, raportul semnal/zgomot se reduce semnificativ. De asemenea, se observă apariţia
unui vârf de frecvenţă la jumătatea frecvenţei fundamentale.

Figura 3.49. Vocala E -FM. Sunt vizibili 3
formanţi principali.
Figura 3.51. Vocala I -FM. În acest caz
vocala are doi formanţi.
Figura 3.53. Vocala O -FM. In acest caz
vocala are trei formanţi.
43
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.50. Vocala E - MW. Formantul 3
s-a redus cu 5%.
Figura 3.52. Vocala I - MW. Formanţii se
păstrează; apare zgomotul de fond.
Figura 3.54. Vocala O - MW. Formantul 3
creşte cu aproximativ 3%.

Figura 3.55. Vocala U -FM. In acest caz
vocala are doi formanţi majori.
44
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.56. Vocala U - MW. Formantul 2 a
scăzut cu aproximativ 12%.
12) Îmbunătăţirea calităţii vocii prin introducerea de armonici superioare
Aşa cum am văzut, aplicaţia SPEA permite filtrarea selectivă a frecvenţelor şi editarea
interactivă a spectrului FFT, aspect foarte important pentru analiza vorbirii şi îmbunătăţirea
calităţii semnalului vocal. Comanda FILTRU oferă filtrarea interactivă a frecvenţelor şi editarea
grafică a formanţilor şi armonicilor semnalului vocal. Prin glisarea mouse-ul în zona spectrului
FFT, utilizatorul poate elimina benzile de frecvenţe corespunzătoare zgomotului sau să mărească
energia semnalului în benzile dorite.
Utilizatorul poate modifica, de asemenea, spectrul de formanţi şi de armonici, pentru a
îmbunătăţi timbrul sunetului. Experimentele care s-au făcut arată că o bună calitate de voce
implică un bogat set de armonici. Mai ales armonicile de frecvenţă înaltă constituie un factor
determinant pentru calitatea unei rostiri. Acest lucru este util in procesul de creare a unei baze de
date vocale utilizate pentru sinteza vorbirii, în care unele dintre segmentele vocale înregistrate ar
putea fi îmbogăţite prin adăugarea de armonici înalte.
Figura 3.57 arată diferenţa dintre două sunete (vocala / A/), înainte (a) şi după (b)
adăugarea de frecvenţe mai mari. În cel de-al doilea caz, percepţia acustică a sunetului este mai
bună. Armonicile sunt introduse întotdeauna la multiplii întregi ai frecvenţei primului formant.
a b
Figura 3.57. Vocala /A/ îmbogăţită cu armonici înalte

45
Cap. 3. Procesarea digitală a semnalului vocal
Concluzii cu privire la experimentele asupra calităţii transmisiei radio
În aceste experimente legate de calitatea transmisiei radio, pe lângă zgomotul de fond
care intervine în cazul emisiei MW, se observă afectarea calităţii vocii prin modificarea
dimensiunilor formanţilor secundari, uneori însoţită şi de o modificare de frecvenţă. O altă
caracteristică a scăderii calităţii este apariţia neregularităţilor în anvelopa spectrală.
Aceste observaţii duc şi la o aplicaţie în vederea sintezei vocii de calitate: pentru
îmbunătăţirea calităţii vocii se poate recurge la netezirea anvelopei spectrale între formanţii
majori ai sunetului, amplificarea mărimii formanţilor secundari şi eventual introducerea unor
armonici superioare pentru sporirea naturaleţii. Aceste armonici superioare se vor introduce
întotdeauna la multiplii următori ai frecvenţei fundamentale.
13) Analiza comportării sunetelor vocalice
În cadrul acestor experimente s-a studiat comportamentul vocalelor rostite de către un
vorbitor în mai multe moduri: rostite izolat, rostite împreună cu o consoană în cadrul unei
silabe, studiul comportării sunetelor în cadrul silabelor accentuate, studiul comportării vocalelor
rostite împreună cu alte vocale precum în cazul diftongilor.
a) Sunetele vocalice rostite izolat
Sunetele rostite izolat (vocalele în particular) prezintă trei porţiuni distincte ale formei de
undă, aşa cum se indică în figura 3.58:
Atac Segmentul median Cădere
Figura 3.58. Cele trei segmente definitorii pentru rostirea unei vocale
Aceste trei porţiuni distincte sunt:
- o porţiune iniţială, numită segmentul de atac, în care amplitudinea creşte progresiv de la
valoarea caracteristică nivelului de fond (nivelul zero) până la valoarea de amplitudine
caracteristică rostirii propriu-zise;

46
Cap. 3. Procesarea digitală a semnalului vocal
- porţiunea mediană, ce corespunde rostirii propriu-zise a vocalei; aici este concentrată
preponderent energia vocalei, amplitudinea fiind maximă, aproximativ constantă pe
toată durata segmentului; lungimea temporală a segmentului e mai mare comparativ cu
celelalte segmente;
- o porţiune finală, numită segmentul de cădere, în care amplitudinea scade progresiv de
la valoarea de amplitudine caracteristică rostirii propriu-zise până la valoarea
caracteristică nivelului de fond (nivelul zero).
În continuare se prezintă măsurătorile efectuate asupra duratelor şi frecvenţelor
caracteristice celor trei segmente: de atac, median şi final pentru vocalele /A/, /E/, /I/, /O/,
/U/, rostite izolat.
Vocala A :
Figura 3.59. Vocala A segmentul de atac.
Amplitudinea creşte progresiv; durata
segmentului: 42,2 ms; frecvenţa medie este
de 120 Hz.
Figura 3.60. Vocala A porţiunea
mediană. Se observă un spectru de mai
multe armonici; amplitudinea este
constantă; durata segmentului: 89,6 ms;
frecvenţa fundamentală este de 109 Hz.
Figura 3.61. Vocala A porţiunea finală.
Amplitudinea scade progresiv; durata
segmentului: 37,5 ms; frecvenţa
fundamentală este de 124 Hz.

Vocala E :
Figura 3.62. Vocala E segmentul de atac.
Amplitudinea creşte; durata segmentului:
45,4 ms; frecvenţa medie este de 112 Hz.
Vocala I :
Figura 3.65. Vocala I segmentul de
atac. Frecvenţa medie este de 130 Hz.
Durata segmentului: 51,6 ms.
47
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.63. Vocala E porţiunea
mediană. Spectrul este identic;
amplitudinea este constantă; durata
segmentului: 87,7 ms; frecvenţa
fundamentală este de 106 Hz.
Figura 3.64. Vocala E porţiunea finală.
Amplitudinea scade progresiv; durata
segmentului: 66,0 ms; frecvenţa
fundamentală este de 117 Hz.
Figura 3.66. Vocala I porţiunea
mediană. Frecvenţa fundamentală este de
113 Hz. Durata segmentului: 122 ms.

Vocala O :
Figura 3.68. Vocala O segmentul de atac.
Amplitudinea creşte; durata segmentului:
41,1 ms; frecvenţa medie este de 118 Hz.
48
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.67. Vocala I porţiunea finală.
Amplitudinea scade; frecvenţa fundamentală
este de 123 Hz. Durata
segmentului: 60,3 ms.
Figura 3.69. Vocala O porţiunea
mediană. Amplitudinea rămâne constantă;
durata segmentului: 73,2 ms; frecvenţa
fundamentală este de 108 Hz.
Figura 3.70. Vocala O porţiunea finală.
Amplitudinea scade progresiv; durata
segmentului: 38,5 ms ; frecvenţa
fundamentală creşte la 119 Hz.

Vocala U :
Figura 3.71. Vocala U segmentul de atac.
Amplitudinea creşte; durata segmentului:
34,3 ms; frecvenţa medie este de 116 Hz.
49
Cap. 3. Procesarea digitală a semnalului vocal
Figura 3.72. Vocala U porţiunea
mediană. Amplitudinea este constantă;
durata : 51,6 ms; frecvenţa fundamentală
este de 99 Hz.
Figura 3.73. Vocala U porţiunea
finală. Amplitudinea scade progresiv pe
o durată de 40,7 ms; frecvenţa
fundamentală se menţine aproximativ
constantă (96-99Hz).
Tabelul 3.1 arată duratele celor trei segmente caracteristice pentru fiecare vocală.
Tabelul 3.1. Duratele segmentelor vocalice
Atac
(ms)
(%) Median
(ms)
(%)
Cădere
(ms)
(%)
Total
(ms)
A 42.2 25 89.6 53 37.5 22 169.3
E 45.4 23 87.7 44 66 33 199.1
I 51.6 22 122 52 60.3 26 233.9
O 41.1 27 73.2 48 38.5 25 152.8
U 34.3 27 51.6 41 40.7 32 126.6
Se observă că segmentul median are o proporţie de aproximativ 50% din totalul duratei
rostirii vocalice, iar segmentele de atac şi decădere reprezintă circa 25% fiecare din durata totală.

50
Cap. 3. Procesarea digitală a semnalului vocal
Tabelul 3.2 indică frecvenţele fundamentale medii caracteristice fiecărui segment.
Procentele sunt calculate relativ la segmentul median:
Tabelul 3.2. Frecvenţele specifice segmentelor vocale
Atac
(Hz)
(%)
Median
(Hz)
(%)
Cădere
(Hz)
(%)
A 120 110 109 100 124 114
E 112 106 106 100 117 110
I 130 115 113 100 123 109
O 118 109 108 100 119 110
U 116 117 99 100 99 100
Se observă că frecvenţa medie a segmentelor de atac şi de cădere sunt cu circa 10% mai
mari decât fecvenţa segmentului median, care defineşte sunetul vocalei.
Acest lucru este valabil şi în cazul în care vocalele apar la începutul, respectiv la sfârşitul
unui cuvânt rostit izolat. În primul caz, amplitudinea creşte de la zero la valoarea maximă într-un
interval de timp de 30% din durata vocalei, timp în care fecvenţa medie este mai mare cu 10%
faţă de frecvenţa vocalei. În cazul în care vocala apare la sfârşitul cuvântului, pe aceeaşi durată
de timp se petrece fenomenul invers: amplitudinea scade, dar cu aceeaşi creştere de frecvenţă.
b) Sunetele vocalice rostite în silabe accentuate
În cadrul acestui set de experimente s-au efectuat studii legate de comportarea vocalelor
atunci când sunt rostite accentuat (făcând parte din silabe accentuate ale unor cuvinte) faţă de
situaţia când sunt rostite în mod obişnuit, neaccentuat. S-a constatat că ele se comportă diferit în
cele două situaţii prin modificarea amplitudinii, frecvenţei fundamentale şi duratei vocalice pe
parcursul rostirii.
Spre exemplificare s-a ales cazul rostirii silabelor /MA/, /ME/, /MI/, /MO/, /MU/ la
modul neaccentuat, cât şi la modul accentuat.
Figura 3.74. Silaba MA neaccentuată.
Frecvenţa fundamentală este aproximativ
constantă, egală cu 102 Hz.
Figura 3.75. Silaba MA accentuată. Se
observă creşterea amplitudinii, frecvenţei
şi duratei rostirii silabice. Frecvenţa
variază de la 113 la 121 Hz.

51
Cap. 3. Procesarea digitală a semnalului vocal
În mod analog se comportă şi celelalte silabe, bineînţeles cu valorile parametrilor de
durată, frecvenţă şi amplitudine specifice. În tabelul următor se indică aceste valori spre
comparaţie:
Tabelul 3.3. Frecvenţe comparative: silabe accentuate faţă de silabele normale
Normal Accentuat Creştere
F0 (Hz) F1 (Hz) F2 (Hz) (%)
MA 102 113 121 7.08
ME 117 103 125 21.36
MI 122 120 129 7.50
MO 110 111 121 9.01
MU 118 118 131 11.02
În tabelul 3.3 se indică prin F0 frecvenţa fundamentală vocalică din cadrul silabei rostite
normal, neaccentuat, iar prin F1, respectiv F2 frecvenţele de start, respectiv de final ale vocalei
încadrate într-o silabă accentuată. Creşterea procentuală a fost calculată pentru silaba accentuată
şi se referă la creşterea frecvenţei vocalice pe parcursul rostirii silabei.
În figura 3.76 se arată variaţia frecvenţei vocalice dintr-o silabă accentuată:
Figura 3.76. Variaţia frecvenţei vocalice dintr-o silabă accentuată
Creşterea duratei rostirii în cazul silabei accentuate faţă de o silabă neaccentuată se
prezintă în tabelul 3.4. Se observă o creştere cu 10%-30% :
F1
F2

52
Cap. 3. Procesarea digitală a semnalului vocal
Tabelul 3.4. Duratele comparative între silabele accentuate şi silabele normale
Normal Accentuat Creştere
t (ms) t (ms) (%)
MA 149 182 22.15
ME 127 166 30.71
MI 150 166 10.67
MO 134 168 25.37
MU 133 150 12.78
În încheiere, pentru a sintetiza pe scurt rezultatele experimentelor efectuate asupra
sunetelor vocalice, se pot formula următoarele concluzii:
1. Rostirea vocalelor diferă în funcţie de vorbitor, dar spectrele pentru o aceeaşi vocală
prezintă caracteristici comune în ceea ce priveşte numărul formanţilor şi învelitoarea spectrală.
2. Pentru un acelaşi vorbitor, vocalele prezintă o frecvenţă fundamentală specifică şi o
structură formantică specifică. S-a constatat că sunetele sunt cu atât mai pure cu cât lăţimea
formanţilor este mai mică şi structura frecvenţelor formantice este mai aproape de structura
armonică a sunetului alcătuită din frecvenţe situate la valori multiplu de frecvenţa fundamentală.
3. Deosebit de importante pentru calitatea rostirii vocalice sunt armonicile situate la
frecvenţe superioare. Acestea dau timbrul specific rostirii, iar în absenţa lor sunetul va fi
perceput ca un sunet plat, metalizat.
4. Vocalele prezintă întotdeauna trei porţiuni distincte: porţiunea de atac (iniţială),
mediană şi de cădere (finală). De cele mai multe ori, segmentele iniţial şi final sunt influenţate de
contextul fonematic în care se găsesc.
5. Sunetele vocalice prezintă caracteristici distincte atunci când sunt rostite în cadrul
silabelor accentuate din cuvinte. S-au constatat variaţii ale tuturor parametrilor ce influenţează
prozodia: durata, amplitudinea şi frecvenţa. Astfel, durata segmentului vocalic creşte, la fel şi
amplitudinea, iar frecvenţa fundamentală variază pe parcursul rostirii de la o valoare iniţială la o
valoare finală într-o proporţie de până la 15-20%.
Aceste observaţii asupra rezultatelor cercetărilor efectuate au o mare importanţă mai ales
pentru sinteza vorbirii, arătând modul specific de sinteză al sunetelor în scopul obţinerii unei
rostiri de calitate superioară, apropiată de rostirea umană propriu-zisă.

53
Cap. 3. Procesarea digitală a semnalului vocal
3.2.3. Concluzii privind contribuţiile autorului în domeniul procesării
semnalului vocal
În acest capitol au fost prezentate cercetările proprii precum şi rezultatele experimentale
obţinute în analiza unor eşantioane reale de semnal vocal.
În primul rând a fost descrisă aici o aplicaţie originală proiectată de autor numită SPEA -
Signal Processing and Enhancement Application, aplicaţie destinată analizei şi procesării
semnalului vocal. Aplicaţia prezintă următoarele facilităţi: încărcarea semnalului vocal
înregistrat în fişiere wave având diferite codificări, vizualizarea formei de undă şi a eşantioanelor
de semnal pe diferite scale de mărime, determinarea parametrilor semnalului vocal (amplitudine,
energie, număr de treceri prin zero, frecvenţa fundamentală - în domeniul timp; spectrul de
amplitudini, spectrul de faze, formanţii - pentru domeniul frecvenţă), posibilitatea de modificare
interactivă a componentelor din spectrele de amplitudini şi faze în scopul îmbunătăţirii calităţii
acustice a semnalului vocal. A fost prezentat de asemeni şi modul de lucru al utilizatorului în
interacţiunea cu aplicaţia.
Au fost prezentate rezultatele experimentelor efectuate, experimente axate pe studiul
proprietăţilor specifice ale semnalului vocal ce asigură o calitate superioară sunetului emis.
Astfel, au fost efectuate diverse analize spectrale de sunet: analiza spectrală a vocalelor emise de
diferiţi vorbitori, analiza spectrală a consoanelor, analiza spectrală a sunetelor emise multitonal,
evidenţiându-se importanţa alegerii ferestrei de semnal asupra rezultatului analizei spectrale;
comportarea semnalelor modulate; analize sonore perceptuale: analiza perceptuală a sunetelor
emise în fază diferită, relaţia dintre timbrul sunetului şi percepţia auditivă.
Au fost studiaţi de asemeni factorii care determină în mod semnificativ calitatea vocii,
arătându-se care este influenţa frecvenţei de eşantionare şi a mediului de înregistrare asupra
calităţii vocii şi a sunetului emis, precum şi factorii determinanţi pentru a realiza o sinteză vocală
de calitate superioară.
Analiza comportării sunetelor vocalice prezentată în finalul capitolului are o mare
importanţă în scopul realizării unei sinteze a vorbirii de calitate. În acest sens au fost studiate
caracteristicile sunetelor vocalice în diferite contexte fonematice şi prozodice, realizându-se
diagrame comparative ale rostirii lor în aceste contexte.

4. Analiza semnalului vocal
După procesarea semnalului, analiza semnalului vocal constituie următoarea etapă
premergătoare, necesară în sinteza de voce. Analiza semnalului vocal presupune:
(1) determinarea parametrilor şi caracteristicilor acestuia pe baza eşantioanelor de vorbire
înregistrate de la vorbitor;
(2) descompunerea semnalului în segmente sau regiuni cu proprietăţi comune (segmentarea
semnalului);
(3) evidenţierea segmentelor semnificative şi punerea lor în corespondenţă cu informaţia
cunoscută (extragerea informaţiei).
4.1. Parametrii de bază ai semnalului vocal
Reprezentarea cea mai obişnuită a semnalelor, la fel şi a celor vocale se face în spaţiul
amplitudine-timp, ceea ce descrie evoluţia undei acustice în timp. Semnalul acustic preluat de la
un microfon şi transformat în semnal electric poate fi memorat şi studiat ulterior.
Semnalul vocal face parte din categoria semnalelor nestaţionare (ale căror proprietăţi
medii variază în timp) şi continue (nu este tranzitoriu). Cu toate acestea, datorită schimbării lente
a caracteristicilor de articulaţie, pe perioade scurte de timp (20ms) semnalul vocal poate fi
considerat staţionar (cvasistaţionar). Pe aceste perioade se pot determina anumiţi parametri care
caracterizează semnalul vocal pe acel interval, numit în continuare segment.
Figura 4.1 prezintă un asemenea caz în care dintr-un semnal vocal a fost delimitat un
segment în scopul analizei.
Segment de analiză
Figura 4.1. Segment de analiză din cadrul semnalului vocal
Se observă că semnalul poate fi considerat staţionar pe durata segmentului.
O informaţie utilă ce caracterizează semnalul rezultă din componentele sale spectrale,
numite pe scurt spectru.
54

55
Cap. 4. Analiza semnalului vocal
Se notează spectrul semnalului vocal cu S(ω), care rezultă din produsul dintre funcţia de
transfer a sistemului fonator H(ω) şi spectrul semnalului de excitaţie E(ω) de la nivelul glotei
[Fer97]:
S(ω) =H(ω) E(ω) (4.1)
După cum rezultă, spectrul semnalului conţine atât informaţii privitoare la funcţia de
transfer a sistemului fonator cât şi informaţii referitoare la spectrul semnalului de excitaţie.
Echivalentul în domeniul timp al formulei (4.1) este [Fer97]:
t
s( t)
e(
) h(
t
) d
(4.2)
ceea ce exprimă faptul că semnalul vocal reprezintă răspunsul sistemului liniar având
funcţia pondere h(t) la excitaţia cu semnalul e(t). Altfel spus s(t) reprezintă convoluţia (produsul
de convoluţie) funcţiei pondere h(t) cu semnalul de excitaţie e(t). O altă notaţie folosită pentu
exprimarea produsului de convoluţie este [Fer97]:
s(t) =h(t)*e(t) (4.3)
Figura 4.2 prezintă spectrul unui semnal vocal sonor, sugerând modul de interacţiune
dintre spectrul semnalului de excitaţie şi caracteristica de transfer a tractului vocal.
Datorită caracterului deosebit al spectrului semnalului de intrare (spectru de linii)
amplitudinile liniilor spectrale variind lent cu frecvenţa, iar funcţia de transfer fiind o funcţie
continuă, rezultă forma specială a spectrului, şi anume: modulul spectrului S(ω) conţine linii
spectrale ale căror vârfuri reunite de curba numită înfăşurătoare spectrală urmăreşte modulul
funcţiei de transfer H(ω).
Vârfurile spectrale de energie mare care corespund locurilor de maxim a modului funcţiei
de transfer H(ω) sunt caracteristice pentru fiecare fonemă în parte, motiv pentru care acestea se
numesc frecvenţe de formanţi sau simplu: formanţi. Aceştia constituie un ansamblu de parametri
importanţi în analiza şi sinteza semnalului vocal.
Un alt parametru important îl constituie cel care specifică tipul semnalului de excitaţie
rezultat din analiză, respectiv utilizat la sinteză. După cum s-a văzut, sunetelor sonore li se poate
asocia tipul de semnal de excitaţie sonor (echivalat cu trenuri de impulsuri unitate, dinte de
fierăstrău sau alte semnale periodice cu spectru de linii relativ larg), iar sunetelor fricative li se
poate asocia tipul de semnal de excitaţie nesonor (echivalat cu un zgomot alb). Parametrului care
specifică tipul semnalului de excitaţie i se pot atribui deci două valori, respectiv sonor şi nesonor.

Figura 4.2. Structura spectrală a unui semnal vocal periodic [Fer97]
56
Cap. 4. Analiza semnalului vocal
În cazul semnalelor sonore este importantă specificarea frecvenţei semnalului de excitaţie,
ceea ce se numeşte frecvenţă fundamentală. Acest parametru este strâns legat de aspectele de
inonaţie din cadrul vorbirii. Prin modificarea acestui parametru se pot exprima diferite stări
subiective (exclamare, stări emoţionale, interogări). Pe de altă parte modul de intonaţie aj ută la
creşterea inteligibilităţii mesajului transmis.
Frecvenţa fundamentală este un parametru care pe lângă aspectele descrise mai sus
variază nu numai în cadrul cuvintelor, ci şi în interiorul fonemelor (celor sonore) şi variază şi de
la om la om. Valorile uzuale pe care le are acest parametru se situează în domeniul 90÷150 Hz
pentru vocea de bărbaţi şi 150÷200 Hz în cazul vocii femeilor [Fer97].

57
Cap. 4. Analiza semnalului vocal
4.2. Analiza semnalului pentru determinarea parametrilor caracteristici
Ţinând cont că semnalul vocal este cvasistaţionar pe segmente scurte de timp, adică îşi
păstrează proprietăţile nealterate pe parcursul fiecărui interval, metodele actuale de prelucrare a
semnalului vocal folosesc aşa-numita analiză pe termen scurt. Pentru a aborda această
modalitate de analiză, semnalul vocal este împărţit în segmente cu lungimea de 10-30 ms, pe
parcursul cărora semnalul se consideră staţionar.
Extragerea informaţiei din cadrul segmentelor de timp se face folosind o funcţie
fereastră, care are rolul de ponderare a parametrilor semnalului cu accentuarea valorilor
corespunzătoare eşantioanelor din centrului ferestrei (segmentului considerat) şi diminuarea
celor corespunzătoare marginilor ferestrei. Aceasta se face în scopul obţinerii unei estimări
netezite a parametrilor, care să permită trecerea fină de la o secvenţă de parametrii la următoarea,
corespunzător segmentelor de semnal considerate. În acelaşi scop se foloseşte şi intercalarea
segmentelor pe axa timpului, în acest caz începutul unui segment suprapunându-se peste sfârşitul
segmentului anterior. Acest tip de analiză se numeşte analiză cu fereastră glisantă [Lup04].
Funcţiile fereastră cele mai uzuale sunt: fereastra Hamming, Hanning, fereastra cosinus.
Aceste funcţii au o formă gaussiană (prezentată în figura 4.3 ) pentru a asigura ponderarea
valorilor centrată pe mijlocul ferestrei.
y
Figura 4.3. Funcţie fereastră utilizată în ponderare
Mai departe, analiza semnalului vocal poate fi făcută în două moduri, ţinând cont de
domeniul de analiză: în domeniul timp şi în domeniul frecvenţă. Analiza în domeniul timp
presupune determinarea proprietăţilor semnalului vocal din studierea formei de undă a
semnalului, privită ca variaţia valorilor eşantioanelor vocale în funcţie de timp. Analiza în
domeniul frecvenţă presupune determinarea spectrului de frecvenţe a semnalului şi determinarea
parametrilor doriţi pe baza formei spectrale.
4.2.1. Analiza în domeniul timp a semnalului vocal
Prin analizarea directă a formei de undă a semnalului se pot extrage următorii parametrii:
amplitudinea maximă şi medie, energia semnalului vocal, numărul trecerilor prin zero şi
frecvenţa fundamentală.
Amplitudinea semnalului ne dă informaţii despre prezenţa sau absenţa semnalului vocal,
despre faptul că semnalul este sonor sau nesonor pe segmentul considerat. În cazul sonor
(rostirea unor sunete vocalice) amplitudinea este mare, pe când în cazul sunetelor nesonore
(zgomote, rostire de consoane) amplitudinea este redusă.
x

Amplitudinea medie pentru N eşantioane se calculează astfel [Pic93]:
1
M ( n)
x(
m)
| w(
n m
)
(4.4)
|
N m
unde: x(m) este eşantionul curent al semnalului vocal, iar
w(n-m) este fereastra utilizată în segmentul considerat.
58
Cap. 4. Analiza semnalului vocal
Energia semnalului este utilă în determinarea caracteristicilor de putere transportată a
semnalului vocal. Pentru un semnal cu valoare medie nulă, energia pe termen scurt se defineşte
astfel [Lup04]:
1
2
E(
n)
x(
n)
w
( n m
)]
(4.5)
[
N m
Segmentele sonore (vocalele) au o energie medie ridicată, pe când consoanele au energie
scăzută. Pentru majoritatea fonemelor, energia se concentrează în banda de frecvenţe între 300 şi
3000 Hz.
Numărul trecerilor prin zero este util pentru determinarea caracteristicilor de frecvenţă
în interiorul unui segment de timp. Numărul trecerilor prin zero se calculează astfel [Pic93]:
1
[ N
n0
NTZ
1sgn(
s(
n 1
) T ) sgn(
s(
nT ))]
2
(4.6)
unde sgn(n) este funcţia semn:
1,
n 0
sgn( n )
(4.7)
1,
n 0
Numărul trecerilor prin zero este o caracteristică ce se foloseşte în recunoaşterea vorbirii,
precum şi în determinarea caracterului sonor/nesonor. În interiorul segmentelor sonore numărul
trecerilor prin zero este mai redus, în timp ce în segmentele nesonore acest parametru este mai
ridicat.
Frecvenţa fundamentală este un parametru deosebit de important folosit atât în sinteza
cât şi în recunoaşterea vorbirii. Frecvenţa fundamentală corespunde cu periodicitatea semnalului
vocal. Determinarea acestui parametru nu se poate face întotdeauna cu exactitate, din cauza
variabilităţi semnalului vocal chiar pe porţiuni scurte de timp. Rostirea vocalelor prezintă o
frecvenţă fundamentală ce poate fi determinată, pe când consoanele, care sunt rostiri neperiodice,
nu au frecvenţă fundamentală.
Dintre metodele uzuale de determinare a frecvenţei fundamentale a semnalului vocal
amintim următoarele:

A. Metoda autocorelaţiei
59
Cap. 4. Analiza semnalului vocal
Metoda se bazează pe calculul funcţiei de autocorelaţie a semnalului vocal, care ne dă
informaţii despre interdependenţa temporală a eşantioanelor. Funcţia de autocorelaţie se
defineşte astfel [Sto84]:
N k 1
[
m0
R ( k)
x(
m n
) w(
m)][
x(
n m
k
) w(
m k
)] (4.8)
n
unde x(n) este valoarea eşantionului de semnal, iar
w(m) este funcţia fereastră utilizată.
Funcţia de autocorelaţie prezintă maxime la intervale de timp egale cu perioada
semnalului. Determinarea acestor maxime şi măsurarea distanţei dintre ele conduce la
determinarea frecvenţei fundamentale a semnalului.
B. Metoda funcţiei diferenţă de amplitudine medie
Metoda se bazează pe calculul funcţiei diferenţă de amplitudine medie, care are expresia
[Sto84]:
1
D ( n)
| sk
s
k n
| , cu 0 n N
1
(4.9)
N
N 1
k 0
Funcţia diferenţă de amplitudine medie D(n) prezintă minime la distanţă egală cu
perioada semnalului, şi are avantajul că se poate calcula mai rapid decât funcţia de autocorelaţie.
C. Metoda cu limitare centrală
Metoda urmăreşte simplificarea calculelor prin reţinerea în procesul de calcul doar a
eşantioanelor de semnal ce depăşesc în valoare absolută o anumită valoare de prag. Apoi
semnalul se accentuează în felul următor: valorile pozitive se adună cu valoarea de prag, iar din
cele negative se scade valoarea de prag P:
x
( n)
P,
x(
n)
0
x ( n)
(4.10)
x
( n)
P,
x(
n)
0
În varianta metodei cu limitare infinită, valorile pozitive se înlocuiesc cu o valoare
maximă, iar cele negative cu o valoare minimă.
După faza de accentuare, se calculează funcţia de autocorelaţie definită anterior, ale cărei
maxime se vor putea determina mult mai uşor.
De asemeni, se poate utiliza cu bune rezultate o metodă combinată în care după limitarea
centrală se aplică metoda funcţiei diferenţă de amplitudine medie.

4.2.2. Analiza în domeniul frecvenţă a semnalului vocal
60
Cap. 4. Analiza semnalului vocal
Analiza în domeniul frecvenţă a semnalului presupune descompunerea semnalului în
componente de frecvenţă cunoscută, cum este cazul analizei Fourier, sau în componente a căror
comportare în frecvenţă este cunoscută, cum e cazul analizei bazate pe filtre digitale. Parametrii
obţinuţi în urma descompunerii semnalului în componente diferă de cazul analizei în domeniul
timp, cele două abordări fiind complementare. Principalele metode folosite în cadrul analizei în
domeniul frecvenţă sunt [Lup04]: analiza prin banc de filtre, analiza Fourier, analiza LPC,
analiza cepstrală şi analiza perceptuală.
A. Analiza prin banc de filtre digitale
Analiza prin banc de filtre digitale are ca scop descompunerea semnalului în benzi de
frecvenţă şi determinarea ponderii componentelor din aceste benzi în semnalul iniţial, de unde se
va putea trage o concluzie asupra comportării în frecvenţă a semnalului vocal. Schema bloc a
unui astfel de analizor este dată în figura 4.4 [Lup04]:
x(n)
FTB 1
FTB 2
.
.
.
FTB N
Transformare
neliniară
Transformare
neliniară
Transformare
neliniară
Figura 4.4. Schema bloc a analizorului cu banc de filtre
x1(n)
x2(n)
xN(n)
Semnalul iniţial x(n) este descompus în N benzi de frecvenţă prin intermediul filtrelor
trece-bandă FTB1...FTBN. Fiecare bandă este supusă apoi unei transformări neliniare pentru
deplasarea spectrului către domeniul frecvenţelor joase. Vectorii rezultaţi xk(n) pentru fiecare
subbandă vor fi analizaţi separat, iar în vederea sintezei sau recunoaşterii li se va aplica în
continuare anumiţi operatori matematici (netezire, normalizare). Deseori se foloseşte calculul
energiei vectorilor rezultaţi pentru a determina ponderea lor în alcătuirea semnalului iniţial.
.
.
.

B. Analiza Fourier
61
Cap. 4. Analiza semnalului vocal
Analiza Fourier este cea mai răspândită metodă de analiză a semnalului vocal pentru că
ea oferă imaginea completă a componentelor semnalului pe scara frecvenţei, rezultând astfel
spectrul de frecvenţe asociat. Analiza Fourier se bazează pe proprietatea unui semnal periodic de
a putea fi descompus în componente sinusoidale.
Această metodă de analiză foloseşte calculul transformatei Fourier discrete, de forma
[Mat01]:
X ( k )
N 1
n 0
x ( n ) e
j
2nk
/ N
, k = 1,2,...,N , (4.11)
unde: x(n) reprezintă eşantioanele de semnal,
X(k) este valoarea componentei k din spectrul de frecvenţe,
N este numărul de eşantioane considerate, iar
j este unitatea imaginară.
Calculul se face în domeniul complex, rezultând pentru fiecare componentă X(k) două
valori reale corespondente:
- modulul sau amplitudinea: Ak= |X(k)| , respectiv
- faza: φk=arg(X(k)).
În practică se foloseşte mai mult spectrul amplitudinilor, sau spectrul de putere al
semnalului. Aceasta deoarece urechea umană e mai puţin sensibilă la spectrul de faze al unui
semnal vocal.
Cum pentru fiecare k e necesar calculul sumei (4.11) cu N valori, rezultă o complexitate a
algoritmului de calcul de forma O(N 2 ). Pentru rapidizare sunt disponibili diverşi algoritmi, dintre
care cei mai cunoscuţi sunt algoritmii FFT ( Fast Fourier Transform - Transformata Fourier
Rapidă) cu decimare în frecvenţă sau decimare în timp. Algoritmul FFT se bazează pe calculul
recursiv al valorilor spectrale [Tod05] şi reduce complexitatea algoritmului la O(Nlog2N).
Pe baza aflării spectrului de frecvenţe se pot determina o serie de parametrii specifici,
cum ar fi anvelopa spectrală sau forma şi valoarea formanţilor, ce ne dau informaţii despre
comportamentul în domeniul frecvenţei a semnalului pe segmentul de timp considerat.
Aşa cum s-a prezentat în capitolul dedicat procesării semnalului vocal, formanţii se
determină printr-un algoritm de detecţie a maximelor locale ale anvelopei spectrale.
Înainte de calculul spectrului, semnalul poate fi prelucrat printr-un filtru trece-sus,
realizându-se aşa-numita preaccentuare a semnalului. Această operaţie este efectuată în scopul
accentuării componentelor de frecvenţă ridicată, care de regulă sunt atenuate în procesul vorbirii
de către sistemul fonator [Lup04].
C. Analiza prin predicţie liniară
Analiza prin predicţie liniară sau analiza LPC (Linear Prediction Coding) este o metodă
eficientă de determinare a unor parametrii recursivi ai semnalului vocal, care se vor putea folosi
în cadrul procesului de sinteză sau recunoaştere a vorbirii. Analiza prin metoda LPC se bazează
pe modelul producerii vorbirii prezentat în figura 4.5.

F0
Excitaţie
Figura 4.5. Modelul producerii vorbirii prin metoda LPC
62
Cap. 4. Analiza semnalului vocal
Modelul LPC al producerii vorbirii este generat în concordanţă cu producerea sunetului
de către sistemul fonator uman. Astfel, energia sonoră de bază este furnizată de către un semnal
de excitaţie, care poate să fie periodic sau neperiodic, în funcţie de sunetul produs (tren de
impulsuri periodice pentru cazul vocalelor sau zgomot alb în cazul consoanelor). Pentru un
semnal de excitaţie periodic, se furnizează frecvenţa fundamentală F0 ca parametru de intrare în
generator.
Semnalul de excitaţie este apoi amplificat cu un factor G (numit câştigul modelului) şi
trecut printr-un filtru variabil având funcţia de transfer H(z). Filtrul variabil modelează
comportamentul tractului vocal din cadrul sistemului fonator, şi va produce la ieşire semnalul
scontat s(n). Filtrul este controlat pe baza unor parametrii care sunt coeficienţii LPC {ak}.
Parametrii sunt calculaţi pentru fiecare segment de vorbire de aproximativ 10-30 ms.
Funcţia de transfer a filtrului are expresia [Tod05]:
G
H ( z)
p
1
k 1
a
k
z
k
G
A(
z)
unde: G este câştigul filtrului, iar
ak sunt coeficienţii de predicţie LPC.
(4.12)
Câştigul se poate determina pe baza erorii de predicţie dintre semnalul calculat cu
ajutorul filtrului recursiv şi semnalul original. Pentru calculul parametrilor ak există mai multe
metode, dintre care cele mai cunoscute sunt metoda autocorelaţiei (prin algoritmul Levinson -
Durbin) şi metoda covarianţei.
Metoda de analiză prin predicţie liniară LPC are avantajul că necesită efort computaţional
relativ redus, rezultând un set de parametrii ce aproximează bine comportamentul semnalului în
domeniul frecvenţă. Analiza LPC determină simplificarea spectrului semnalului, situaţie foarte
avantajoasă în cazul recunoaşterii vorbirii, când se va genera un set de vectori mult mai adecvaţi
tratării prin mijloace specifice inteligenţei artificiale, cum ar fi reţelele neuronale. Totodată,
analiza LPC este utilă şi în cazul sintezei de voce, generând reducerea volumului de date în
condiţiile menţinerii inteligibilităţii vocii.
G
Filtru variabil
H(z)
Parametrii
tractului vocal
s(n)

D. Analiza cepstrală
63
Cap. 4. Analiza semnalului vocal
Analiza cepstrală este o metodă ce derivă din analiza Fourier, şi se utilizează pentru
determinarea unor parametrii ai semnalului vocal utili mai ales în procesul recunoaşterii vorbirii
[Tod05]. Modelul acustic pe care se bazează analiza cepstrală este asemănător cu modelul LPC
şi este prezentat în figura 4.6:
Excitaţie
e(n)
Figura 4.6. Modelul producerii vorbirii prin metoda cepstrală
Semnalul vocal s(n) este produs de către un semnal de excitaţie e(n) corespunzător
corzilor vocale din sistemul fonator, care este filtrat de către un filtru variabil având răspunsul la
impuls h(n), ce corespunde tractului vocal. Avem astfel:
s( n)
e(
n)
h(
n)
(4.13)
unde: s(n) e semnalul rezultat;
e(n) – excitaţia;
h(n) – răspunsul filtrului.
Dacă translatăm ecuaţia (4.13) în domeniul frecvenţă, se poate scrie:
Prin logaritmare obţinem:
Filtru variabil
h(n)
S( f ) E(
f ) H
( f )
(4.14)
log S( f ) log E(
f ) log
H ( f ) (4.15)
Din ecuaţia ( 4.15) rezultă posibilitatea separării excitaţiei sonore de influenţa tractului
vocal, de aici rezultând şi modul de calcul al cepstrumului [Gav00]:
Semnal vocal Cepstrum
Transformata
Log
Transformata
Fourier
Fourier inversă
Figura 4.7. Modul de calcul al cepstrumului
Astfel se efectuează următorii paşi:
- se calculează mai întâi spectrul S(f) al semnalului prin transformata Fourier;
- se aplică logaritmul;
- se aplică transformata Fourier inversă pentru a determina cepstrumul în domeniul
timp.
s(n)

64
Cap. 4. Analiza semnalului vocal
Analiza cepstrală ne oferă informaţii atât despre excitaţia sonoră, permiţând estimarea
frecvenţei fundamentale a semnalului, cât şi despre influenţa tractului vocal, ducând la calculul
spectrului netezit al semnalului vocal. Componentele cepstrale inferioare (corespunzătoare unui
segment de timp de la 0 la 2ms) permit estimarea frecvenţei fundamentale prin determinarea
maximului funcţiei cepstrale pe acest segment de timp. Pentru calculul spectrului netezit se
folosesc componentele cepstrale superioare, cărora li se aplică din nou transformata Fourier.
De asemenea, se mai poate calcula un set de parametrii numiţi coeficienţi cepstrali LPC,
derivaţi direct din coeficienţii LPC. Formulele de calcul pentru aceşti parametrii sunt [Fur01]:
c
c
c
1
n
n
a
1
n k
a
n
a
kc
n k
k n
n
p
1
( 1 ) ,
1
1
n k
a
kc
n k
n
n p
1
( 1 ) ,
k 1
unde: ak sunt coeficienţii LPC calculaţi până la ordinul p;
cn sunt coeficienţii cepstrali LPC.
(4.16)
Coeficienţii cepstrali s-au dovedit a fi un set de parametrii mai robuşti decât coeficienţii
simpli LPC, utilizănd-se cu succes mai ales în procesul de recunoaştere a vorbirii sau a
vorbitorului [Lup04].
E. Analiza perceptuală
Acest mod de analiză este adaptat după modul de funcţionare al sistemului perceptual
auditiv al omului, şi anume după faptul că sesizarea diferitelor tonalităţi ale sunetelor se face pe
o scară logaritmică în interiorul urechii, proporţional cu frecvenţa fundamentală a sunetului.
Astfel, răspunsul urechii umane este neliniar în raport cu frecvenţa, ea detectând diferenţe mici
de frecvenţă mai uşor la frecvenţe joase decât la frecvenţe înalte [Lup04].
Din acest motiv au fost adoptate diferite scări neliniare de frecvenţă, pentru care se va
calcula spectrul semnalului. Cele mai cunoscute sunt scara de frecvenţă Bark şi scara Mel.
Ambele sunt scări cu comportare logaritmică obţinute prin studii realizate asupra percepţiei
umane.
Există două metode de lucru în cadrul analizei perceptuale: analiza PLP şi analiza
cepstrală Mel.

65
Cap. 4. Analiza semnalului vocal
Analiza PLP ( Perceptual Linear Prediction) foloseşte scara perceptuală Bark, fiind o
combinaţie între metodele de analiză Fourier şi LPC. Etapele de analiză în cadrul metodei PLP
cuprind [Her90]:
- calculul spectrului FFT prin transformata Fourier;
- aliniere spectrală după scara Bark;
- aplicarea unui set de filtre dreptunghiulare Bark pentru emularea rezoluţiei
perceptuale a urechii umane;
- preaccentuare pentru stimularea frecvenţelor înalte;
- conversia intensitate-tărie sonoră;
- aplicarea transformatei Fourier inverse pentru obţinerea funcţiei de autocorelaţie;
- calculul coeficienţilor LPC sau cepstrali, numiţi în acest caz coeficienţi PLP.
Coeficienţii PLP de ordin inferior ne dau informaţii despre conţinutul lingvistic al
segmentului considerat (informaţii semantice), pe când coeficienţii de ordin superior sunt utili în
procesul de recunoaştere a identităţii vorbitorului [Lup04].
Analiza cepstrală Mel se aseamănă cu metoda de analiză PLP, folosindu-se în acest caz
scara de frecvenţe Mel. Spre deosebire de cazul anterior, acum se foloseşte un set de filtre
triunghiulare Mel pentru a descompune semnalul pe benzile de frecvenţă asociate cu scara Mel.
Apoi pe fiecare bandă se calculează energia medie şi se aplică transformata cosinus pentru a
obţine un set de coeficienţi numiţi coeficienţi MFCC (Mel Frequency Cepstral Coefficients).
Coeficienţii MFCC au dat bune rezultate în procesul de recunoaştere a vorbirii, mai ales
în combinaţie cu setul de parametri delta specificaţi de către Furui în [Fur01].
În concluzie, putem spune că până în momentul de faţă au fost proiectate mai multe
metode de analiză a semnalului vocal, fiecare prezentând variante specifice şi beneficiind de
aportul a numeroase studii pe plan internaţional. Aceste metode de analiză s-au dovedit utile
pentru extragerea parametrilor caracteristici ai semnalului vocal, atât în procesul sintezei de voce
cât şi în cel al recunoaşterii vorbirii.

4.3. Segmentarea semnalului vocal
66
Cap. 4. Analiza semnalului vocal
După extragerea caracteristicilor semnalului vorbit, în analiză urmează etapa de
segmentare a semnalului vocal. Segmentarea se referă la detectarea diferitelor categorii de
semnal şi clasificarea acestora în funcţie de proprietăţile semnalului [Gla86].
Complexitatea algoritmilor de segmentare depinde de tipul categoriilor pe care vrem să le
detectăm. De exemplu, algoritmii care separă semnalul în regiuni ce respectă anumiţi parametri
fizici vor fi mai puţin complecşi decât algoritmii care determină categoria fonetică (vocală sau
consoană). La rândul lor, aceştia vor fi mai puţin complecşi decât algoritmii care determină nu
doar categoria, ci şi identitatea fonemelor. La fel, algoritmii care determină toate variaţiile
alofonice ale unei foneme particulare pot fi şi mai complecşi, datorită variaţiilor fonemei
respective în cursul vorbirii [Chi00].
Detectarea categoriilor şi clasificarea semnalului vocal se face în trei paşi, aşa cum se
arată în figura 4.8 :
Clasificare S/U/V
Identificare
categorie
Identificare
fonemă
Figura 4.8. Segmentarea semnalului vocal
Într-o paradigmă top-down, primul pas este împărţirea semnalului vocal în trei categorii
de segmente de bază: linişte (Silence - S), nesonor (Unvoiced - U), sonor (Voiced - V).
Al doilea pas este punerea în corespondenţă a fiecărui segment al vorbirii cu o anumită
categorie fonetică. Tipurile de foneme precum şi categoriile fonetice diferă în funcţie de limbă.
De exemplu, pentru limba engleză se definesc 9 categorii de foneme: vocale, consoane sonore,
nazale, semivocale, fricative sonore, fricative nesonore, stopuri sonore, stopuri nesonore şi
linişte.
Un al treilea pas, şi mai complex, îl reprezintă identificarea exactă a fonemelor din fluxul
de intrare. Aici se urmăreşte potrivirea segmentului analizat cu una din fonemele limbii
respective.
În general, alegerea numărului de categorii în care este segmentat semnalul se face printrun
compromis între complexitatea algoritmilor şi rezoluţia segmentelor de vorbire rezultate.
Dacă se presupune că recunoaşterea fonemelor individuale nu este necesară, se va reduce
complexitatea algoritmilor de recunoaştere a segmentelor, deoarece alegerile necesare procesului
de potrivire sunt reduse de la numărul de foneme la numărul de clase fonematice (de exemplu
pentru limba engleză de la 41 de foneme la 9 clase fonematice). În plus, sunt mai uşor de
recunoscut diferenţele dintre două categorii fonematice decât diferenţele dintre două foneme din
aceeaşi categorie.

4.3.1. Detectarea automată a segmentelor semnalului vocal
67
Cap. 4. Analiza semnalului vocal
În cele ce urmează se va prezenta o metodă de segmentare a semnalului vocal bazată pe
detectori de caracteristici. Metoda a fost prezentată de către Childers şi Hu în [Chi00], [Hu93],
putând fi considerată ca o metodă generică pentru rezolvarea acestei probleme.
Detectarea automată a segmentelor vorbirii este realizată printr-o serie de algoritmi care
analizează secvenţial semnalul sonor. Algoritmii pot fi grupaţi în trei categorii, aşa cum se arată
în figura 4.9:
(1) analiza vorbirii;
(2) segmentarea sau împărţirea semnalului în segmente;
(3) etichetarea adecvată a acestor segmente.
Analiză Segmentare Etichetare
DETECTARE
CARACTERISTICI
DETECTARE
GRANIŢE DE
SEGMENT
STABILIRE
CATEGORIE
Figura 4.9. Detectarea automată a segmentelor vorbirii
(1) Analiza iniţială a vorbirii este cea mai complexă dintre cele trei sarcini. Această
analiză iniţială se poate face în doi paşi ([Hu93], [Chi94]).
În primul pas, forma de undă eşantionată este divizată asincron în cadre (segmente de
lungime fixă: 5-10 ms). Se realizează apoi o predicţie lineară LPC pentru fiecare cadru, iar
reziduul este reţinut pentru determinarea punctelor de închidere glotale (GCI – Glotal Closure
Instants) [Hu93].
În cel de-al doilea pas, forma de undă eşantionată este din nou divizată în cadre. Cadrele
sunt alese asincron pentru vorbirea nesonoră şi linişte şi sincron cu perioada la vorbirea sonoră -
prin utilizarea punctelor de închidere glotală GCI ca şi referinţă. Se realizează o predicţie lineară
pentru fiecare cadru iar coeficienţii LPC sunt memoraţi pentru analiză. Apoi un algoritm specific
va analiza fiecare cadru în parte în scopul detectării caracteristicilor sale.
Fiecare algoritm din set detectează o caracteristică acustică diferită. Această caracteristică
se referă la calcularea unui scor de regăsire în cadrul respectiv a unor anumiţi parametri acustici,
puşi în legătură cu o anumită categorie fonetică.
De exemplu, un algoritm poate detecta prezenţa sau absenţa consoanelor, în timp ce alt
algoritm va detecta prezenţa sau absenţa vocalelor. Fiecare algoritm de detectare a
caracteristicilor utilizează o combinaţie de praguri fixe, filtrare mediană şi reguli empirice pentru
calcularea rezultatului sau scorului final.
(2) A doua sarcină a segmentării automate este determinarea graniţelor din domeniul timp
care separă segmentele semnalului vocal.
Graniţele sunt în aşa fel alese încât fiecare segment are proprietăţi acustice aproximativ
constante pe durata segmentului. Segmentarea se bazează pe determinarea schimbărilor din
spectrul de joasă frecvenţă, folosind şi rezultatele detectării caracteristicii de sonor, nesonor sau
linişte S/U/V.

68
Cap. 4. Analiza semnalului vocal
(3) Cea de-a treia sarcină a algoritmilor de segmentare este etichetarea segmentelor. Se
utilizează rezultatele obţinute din algoritmii de detectare a caracteristicilor segmentului. Exemple
de etichete sunt următoarele: vocale, semivocale, fricative. Mai întâi se calculează scorurile
medii ale detectării caracteristicilor, apoi aceste scoruri sunt supuse unor reguli specifice pentru a
determina eticheta cea mai adecvată pentru fiecare segment.
Legătura dintre cele trei etape ale segmentării vorbirii este ilustrată în figura 4.10.
Vorbirea
originală
Analiza vorbirii
- analiză LPC
- detectarea
caracteristicilor
LPC
S/U/V
Segmentare
Estimarea
vocalelor
Estimarea
semivocalelor
Estimarea nazalelor
Estimarea benzii
sonore
Estimarea fricativelor şi
consoanelor sonore
Estimarea fricativelor şi
stopurilor nesonore
Estimarea pauzelor
Estimarea liniştii
Limitele
segmentului
Figura 4.10. Relaţia dintre analiză, segmentare şi etichetare [Chi00]
Etichetare

4.3.2. Algoritmi de detectare a caracteristicilor de segment
4.3.2.1. Date de intrare şi pre-procesare S/U/V
69
Cap. 4. Analiza semnalului vocal
Childers [Chi00] şi Hu [Hu93] utilizează rezultatele analizei LPC ca şi date de intrare.
Cei mai mulţi detectori ai caracteristicilor au nevoie de rezultatele de la alţi detectori (în mod
specific rezultatele de la clasificarea S/U/V), aşa cum se arată în figura 4.10.
O parte din clasificarea S/U/V se realizează în timpul analizei LPC. Se calculează eroarea
de predicţie şi primul coeficient de reflexie pentru fiecare cadru de semnal, astfel [Chi00]:
R
r1
R
R
R
SS
SS
SS
SS
( 1)
( 0)
1
( 0)
N
s(
n)
s(
n)
(4.17)
1
( 1)
N
s(
n)
s(
n 1
)
N
n1
N 1
n1
unde:
- r1 este coeficientul de reflexie
- N este numărul de eşantioane din cadrul analizat
- s(n) este eşantionul de semnal.
Cadrul este clasificat ca şi sonor dacă coeficientul de reflexie este mai mare decât 0.2 şi
este clasificat ca şi nesonor dacă coeficientul este mai mic sau egal cu 0.2. Acestă valoare de
prag a fost determinată empiric de Hu (1993). În timpul celei de-a doua aplicări a algoritmului
LPC, anumite cadre sunt etichetate ca şi cadre de tranziţie (T). De exemplu primul cadru sonor
într-o secvenţă sonor-nesonor şi ultimul cadru sonor într-o secvenţă sonor-nesonor sunt
considerate cadre de tranziţie.
4.3.2.2. Funcţia volum
Funcţia volum se calculează pentru fiecare cadru pentru a determina volumul acustic al
semnalului la ieşirea unui filtru trece bandă aplicat acelui cadru. Acesta este primul pas de
procesare la majoritatea detectorilor de caracteristici.
Funcţia volum V(i) este normalizată cu numărul de eşantioane din cadru astfel [Chi00]:
1
V ( i)
N
i
B
mA
| H ( e
i
m
j
256 2
) |
(4.18)
unde:
- i este indexul cadrului curent,
- Ni este numărul de eşantioane în cadrul i,
- A reprezintă frecvenţa de tăiere a filtrului trece bandă,

70
Cap. 4. Analiza semnalului vocal
- Hi este răspunsul în frecvenţă complex şi singular al filtrului IIR Hi(z) care este produs
de coeficienţii LPC şi evaluat în punctele exp(jπm/256), pentru 0 ≤ m ≤ 255.
Hi(z) este dat de formula:
unde N =13, a0 =1.
G(i) este dat de:
G(
i)
H i ( z)
1
2
N
a0
a
1z
a
2z
...
a
N z
t
ns
2
G ( i)
r ( n)
unde:
- r(n) este valoarea reziduului LPC în eşantionul n,
- i reprezintă indexul cadrului curent,
- s este indicele primului eşantion al cadrului curent,
- t este indicele ultimului eşantion al cadrului curent.
(4.20)
(4.19)
Funcţia volum dată de ecuaţia (4.18) este des utilizată pentru detectarea caracteristicilor
segmentului vocal, chiar dacă scara de frecvenţe a filtrului trece-bandă variază în funcţie de
detectorul specific. Se mai foloseşte calculul unui raport a două funcţii volum, care compară
energia dintr-o bandă de frecvenţă cu energia din cea de-a doua bandă de frecvenţă.
În cazul majorităţii detectorilor de caracteristici, se utilizează filtrarea mediană pentru a
netezi fluctuaţiile din funcţia volum.
Fluctuaţiile sunt cauzate de o varietate de surse incluzând determinarea incorectă a GCI,
clasificarea S/U/V incorectă, sau artefactele cum ar fi zgomotul de fond. De obicei aceşti
detectori de caracteristici utilizează o filtrare mediană de ordinul 5, ordinul putând varia de la caz
la caz.
Detectorul S/U/V utilizează o singură funcţie volum din ecuaţia (4.18) cu valorile A=17,
B=255. Limita inferioară A=17 corespunde cu frecvenţa de tăiere de 312 Hz a unui filtru trecesus
aplicat răspunsului în frecvenţă. Filtrul trece-sus este necesar pentru a reduce artefactele de
frecvenţă joasă cauzate de o amplasare incorectă a microfonului în timpul înregistrării. Funcţia
volum este utilizată de detectorul S/U/V ca şi un integrator cu o bandă relativ largă care
calculează energia semnalului în fiecare cadru.
4.3.2.3. Valorile pragurilor şi scorurile de caracteristici
Fiecare algoritm de detectare a caracteristicilor calculează un scor pentru a indica
prezenţa caracteristicii acustice respective în cadrul de semnal corespunzător. Acest scor se
calculează pe o scară între [0,1], existând însă şi excepţii (unele estimări ale caracteristicilor sunt
discrete, binare ori ternare). În general, estimarea caracteristicii se calculează prin compararea
valorii funcţiei volum (sau a unui raport de două funcţii volum) cu una sau mai multe valori de
prag.

71
Cap. 4. Analiza semnalului vocal
Valorile de prag sunt determinate în mod empiric prin calculul erorii în timpul analizei a
100 sau mai multe cuvinte dintr-un corpus de test. Determinarea empirică a acestor valori de
prag constituie o fază de învăţare în dezvoltarea algoritmului. Deşi se află în contrast cu unul din
ţelurile iniţiale ale procesului segmentării automate, care nu necesită antrenarea, totuşi, dată fiind
natura şi variabilitatea semnalului acustic, apare necesitatea creării unui set robust de algoritmi
de segmentare bazaţi pe distribuţia frecvenţelor (funcţiile volum).
În scopul determinării precise a parametrilor este necesar un antrenament iniţial.
Avantajele şi dezavantajele antrenamentului sunt evidente. Dacă datele de antrenament nu
reprezintă în mod precis categoria de utilizatori ţintă, algoritmul nu va funcţiona cum ne dorim.
Dacă setul de date de antrenament este în corespondenţă cu setul real, atunci algoritmul va
funcţiona eficient.
În cazul utilizării a două valori de prag, scorul caracteristicii pentru fiecare cadru se
calculează astfel [Chi00]:
1,
V ( i)
T
upper
Feature _ Score(
i)
0,
V ( i)
T
lower (4.21)
V
( i)
T
lower
, Tlower
V
( i)
T
upper
T
upper T
lower
pentru un scor care creşte pe măsură ce creşte şi funcţia volum.
Pentru un scor care descreşte cu creşterea funcţiei volum, estimarea caracteristicii este
dată de:
0,
V ( i)
T
upper
Feature _ Score(
i)
1,
V ( i)
T
lower (4.22)
T
upper V
( i)
, Tlower
V
( i)
T
upper
Tupper
T
lower
Pentru ambele ecuaţii:
- i reprezintă indexul cadrului curent,
- Tlower este valoarea inferioară a pragului,
- Tupper este valoarea de prag superioară,
- V(i) este funcţia volum (sau raportul a două funcţii volum) pentru cadrul curent.
Predicţia liniară LPC face distincţie între cadrele sonore ( voiced) şi cele nesonore
(unvoiced). Cadrele nesonore pot fi însă şi cadre de linişte ( silence). Procedura utilizată în
detectarea S/U/V pentru a clasifica cadrele de tip nesonore sau linişte se bazează pe funcţia
volum (4.18), puterea zgomotului din semnal şi ecuaţiile (4.21), (4.22).
În primul rând, deviaţia medie şi cea standard a zgomotului sunt calculate după
următoarele formule [Chi00]:

1
BNP mean p(
n)
(4.23)
20
20
n1
1
2
BNP std ( p ( n ) BNP
mean )
(4.24)
20
20
n 1
unde p(n) este puterea semnalului în decibeli (dB).
72
Cap. 4. Analiza semnalului vocal
S-a presupus că primele 100 msec (20 de cadre) ale semnalului sonor sunt cadre de
linişte.
Funcţia volum S/U/V pentru fiecare cadru nesonor este comparată cu o valoare de prag
constantă, TU/S . Se utilizează ecuaţia (4.21) cu Tlower = Tupper = TU/S.
Estimarea scorului S/U/V este următoarea [Chi00]:
1
, 20log10
V ( i)
T
U / S
SUV _ Score(
i)
(4.25)
0
, 20log10
V ( i)
T
U / S
unde:
- V(i) se calculează din ecuaţia (4.18) cu A=17 şi B=255,
- i este indexul cadrului curent.
Dacă SUV_Score(i)= 1, cadrul este clasificat ca şi nesonor (unvoiced).
Dacă SUV_Score(i)= 0, cadrul este clasificat ca linişte (silence).
Prin această metodă se separă cadrele nesonore de linişte. Valoarea SUV_Score(i) se
consideră egală cu 2 pentru toate cadrele sonore (voiced).
Estimarea S/U/V este diferită de alte estimări de caracteristici prin faptul că SUV_Score
poate avea doar trei valori distincte, în timp ce alte estimări ale caracteristicilor pot avea o scară
continuă de valori.
Se precizează ([Chi00]) că cele mai bune rezultate se obţin când:
unde k =1.
TU/S = BNPmean + (k)( BNPstd) (4.26)
Valoarea utilizată pentru constanta k depinde de valorile statistice ale zgomotului din
semnalul sonor. În valoare absolută, zgomotul este compensat prin calcularea valorii BNPmean .

4.3.3. Detectarea categoriilor specifice din semnalul vocal
4.3.3.1. Detectarea cadrelor sonore
73
Cap. 4. Analiza semnalului vocal
Pentru a fi clasificat ca şi sonor ( voiced), un cadru trebuie să aibă o valoare mare a
raportului dintre frecvenţele joase şi frecvenţele înalte. Clasa fonemelor de tip voiced include
vocale, consoane sonore, nazale, semivocale, benzi sonore. Clasa unvoiced include fricative
nesonore, stopuri şi fricative sonore. Fricativele sonore slabe sunt clasificate ca şi sonore dacă au
o valoare mai mare a energiei de joasă frecvenţă.
Se calculează funcţia volum din ecuaţia (4.18) pentru fiecare cadru cu G=1, A=5, B=46.
Aceasta este numită funcţia volum de frecvenţă joasă sau LFV ( Low Frequency Volume).
Funcţia LFV este echivalentă cu un filtru trece bandă de la 98 la 898 Hz [Chi00].
O a doua funcţie volum este numită funcţia volum de frecvenţă înaltă sau HFV (High
Frequency Volume). HFV este echivalentă cu un filtru trece bandă de la 3691 Hz la 5000 Hz
[Chi00].
Raţia sonoră R(i) este calculată pentru fiecare cadru astfel [Chi00]:
LFV ( i)
R( i)
(4.27)
HFV ( i)
unde i este indexul cadrului curent.
Raţia sonoră R(i) este netezită cu un filtru median de ordinul 5 şi apoi comparată cu o
valoare de prag Tson. Se calculează astfel pentru fiecare cadru o estimare sonoră SS(i) [Chi00]:
0
, R(
i)
T
son
SS(
i)
(4.28)
1
, R(
i)
T
son
unde: - i reprezintă indexul cadrului curent,
- Tson = 10, valoare de prag determinată empiric.
4.3.3.2. Detectarea vocalelor
Pentru detectarea vocalelor se calculează funcţia LFV din ecuaţia ( 4.18) cu G=1, A =1,
B=51. În acest caz funcţia LFV este echivalentă cu un filtru trece bandă de la 20 Hz la 996 Hz.
Funcţia HFV este calculată din ecuaţia (4.18) pentru G=1, A=52, B=255. Aici funcţia HFV
este echivalentă cu un filtru trece bandă de la 1016 Hz la 5000 Hz.
Pentru fiecare cadru, se calculează o raţie a vocalei RV(i) astfel [Chi00]:
unde i este indexul cadrului curent.
LFV(i)
RV(i) (4.29)
HFV(i)

74
Cap. 4. Analiza semnalului vocal
Raţia vocalei este netezită de un filtru median de ordinul 5. Estimarea vocalei EV(i), în
cadrul scalei continue [0,1], este calculată pentru fiecare cadru prin compararea raţiei vocalei
netezite cu cele două valori de prag. Estimarea este dată de [Chi00]:
0, RV ( i)
T
upper
EV(i)
1,
RV ( i)
T
lower
T
upper RV
( i)
Tlower
RV
( i)
T
,
T
upper T
lower
upper
unde Tupper= 18 şi Tlower = 8, valori de prag determinate empiric.
(4.30)
În procesarea finală, estimarea vocalei este setată automat la zero pentru toate cadrele de
lungime mai mică de 150 de eşantioane (15ms).
4.3.3.3. Detectarea consoanelor sonore
Detectarea consoanelor sonore se realizează într-o manieră similară cu cea a detectării
vocalelor. Se calculează funcţia LFV din ecuaţia (4.18) cu parametrii: G=1, A=1, B=51. La fel,
se calculează funcţia HFV din ecuaţia (4.18) cu G=1, A=52 şi B=255. Valorile de filtrare sunt
aceleaşi ca şi în cazul vocalelor.
Pentru fiecare cadru, este calculată o raţie a consoanei sonore, RC(i), după cum urmează
[Chi00]:
LFV(i)
RC(i) (4.31)
HFV(i)
unde i este indexul cadrului curent.
Raţia consoanei sonore este netezită cu un filtru median de ordinul 5. Estimarea
consoanei sonore EC(i), în cadrul scalei continue [0,1], este calculată pentru fiecare cadru prin
compararea raţiei consoanei sonore netezite cu cele două valori de prag. Estimarea este dată de
[Chi00]:
0, RV ( i)
T
upper
EC(i)
1,
RC(
i)
T
lower
RC(
i)
T
lower Tlower
RC(
i)
T
,
T
upper T
lower
unde Tupper=18 şi Tlower = 8. Valorile de prag sunt determinate empiric.
upper
(4.32)
Valoarea EC(i) poate fi calculată în timpul determinării lui EV(i) pentru fiecare cadru,
deoarece EC(i) = 1- EV(i), dacă valoarea EV(i) este utilizată înainte de verificarea segmentelor
scurte din faza de detecţie a vocalei (segmente < 15 msec). Acest calcul în paralel se poate
realiza deoarece se utilizează aceleaşi filtre şi valori de prag pentru detectarea atât a vocalelor cât
şi a consoanelor sonore.

4.3.3.4. Detectarea benzii sonore
75
Cap. 4. Analiza semnalului vocal
Detectarea benzii sonore se realizează într-o manieră similară cu cea a detectării
vocalelor şi consoanelor. Se calculează funcţia LFV din ecuaţia (4.18) cu G=1, A=1, B=33. LFV
este echivalentă astfel cu un filtru trece bandă de la 20 Hz la 645 Hz. Se calculează o funcţie
HFV din ecuaţia ( 4.18) pentru G=1, A=34 şi B=255. HFV este echivalentă cu un filtru trece
bandă de la 664 Hz la 5000 Hz.
[Chi00]:
Se calculează pentru fiecare cadru o raţie a benzii sonore, RBS(i) după cum urmează
unde i = indexul cadrului.
LFV(i)
RBS(i) (4.33)
HFV(i)
Raţia benzii sonore este netezită de un filtru median de ordinul 5. Estimarea benzii sonore
EBS(i), în cadrul scalei continue [0,1], este calculată pentru fiecare cadru prin compararea raţiei
benzii sonore netezite cu cele două valori de prag. Estimarea este dată de [Chi00]:
0, RBS(
i)
T
upper
EBS(i)
1,
RBS(
i)
T
lower
RC(
i)
T
lower Tlower
RBS(
i)
T
,
T
upper T
lower
unde Tupper = 30 şi Tlower =10.
4.3.3.5. Detectarea nazalelor
upper
(4.34)
Detectarea nazalelor este realizată prin compararea amplitudinii estimate ale primilor doi
formanţi obţinuţi în detectorul de formanţi McCandless. O raţie nazală RN(i) este calculată
pentru fiecare cadru, după cum urmează [Chi00]:
unde:
A2(i)
RN(i) (4.35)
A1(i)
- A1(i) este estimarea amplitudinii primului formant,
- A2(i) reprezintă estimarea amplitudinii celui de-al doilea formant,
- i este indexul cadrului curent.
Raţia nazalei este netezită de un filtru median de ordinul 5. Estimarea nazalei EN(i), în
cadrul scalei continue [0,1], este calculată pentru fiecare cadru prin compararea raţiei nazalei
netezite cu cele două valori de prag. Estimarea nazalei este dată de [Chi00]:

0, RN(
i)
T
upper
EN(i)
1,
RN(
i)
T
lower
T
upper RN(
i)
Tlower
RN(
i)
T
,
T
upper T
lower
76
upper
Cap. 4. Analiza semnalului vocal
(4.36)
unde Tupper= 20 şi Tlower = 0.05. Valorile de prag sunt determinate empiric.
4.3.3.6. Detectarea semivocalelor
Detectarea semivocalelor se bazează pe o metodă dezvoltată de Espy­Wilson [Esp86].
Algoritmul deviază uşor de la detectorul standard, deşi utilizează funcţia volum din ecuaţia
(4.18). Se calculează mai întâi funcţia LFV cu G=1, A=1, B=20.
În acest caz, LFV este echivalent cu un filtru trece bandă de la 20 Hz la 391 Hz. O
funcţie HFV este calculată din ecuaţia (4.18) pentru G=1, A=21 şi B=50. HFV este echivalent cu
un filtru trece bandă de la 410 Hz la 977 Hz. O raţie ‚murmur’ RM(i) este calculată pentru fiecare
cadru după cum urmează [Chi00]:
LFV(i)
RM(i) (4.37)
HFV(i)
Raţia murmur este netezită de un filtru median de ordinul 5. Estimarea murmurului,
EM(i), în cadrul scalei continue [0,1], este calculată pentru fiecare cadru prin compararea raţiei
murmurului netezit cu cele două valori de prag. Estimarea murmurului este dată de [Chi00]:
1,
RM ( i)
T
upper
EM(i)
0,
RM ( i)
T
lower
RM
( i)
T
lower Tlower
RM
( i)
T
,
Tupper
T
lower
unde Tupper= 12 şi Tlower = 3.
upper
(4.38)
Estimarea semivocalei ESV(i) este calculată pentru fiecare cadru astfel [Chi00]:
ESV(i) = (1- EM(i))(1- EBS(i)) EC(i) (4.39)
unde:
- i este indexul cadrului curent,
- EBS(i) este estimarea benzii sonore din (4.34), iar
- EC(i) este estimarea consoanei sonore din (4.32).
Valoarea ESV(i) este limitată la o scară [0,1]. Dacă ESV(i) este mai mare de 1, este setată
la unitate. Ecuaţia (4.39) arată următorul fapt: dacă acel cadru are o estimare bună a consoanei
sonore, o estimare slabă a murmurului şi a benzii vocale, atunci estimarea semivocalei va fi
ridicată.

4.3.3.7. Detectarea fricativelor sonore
77
Cap. 4. Analiza semnalului vocal
Algoritmul de detectare a fricativelor sonore deviază faţă de detectorul standard, deşi
calculează estimările caracteristicilor din valori de praguri fixe. Primul pas în detectarea
fricativelor sonore este o preaccentuare a răspunsului în frecvenţă a filtrului format de
coeficienţii LPC. Preaccentuarea se face printr-o funcţie pondere W în domeniul frecvenţă astfel
[Chi00]:
m
j
m
256 W ( e )
256
, cu 0 ≤ m ≤ 255 (4.40)
Răspunsul în frecvenţă (preemfazat) pentru cadrul i, Ĥi , este [Chi00]:
Ĥi
( e
m
j
256
m
j
m
j
256
256
) W ( e ) H ( e ) , pentru 0 ≤ m ≤255 (4.41)
unde Hi este calculat din ecuaţia (4.19) pentru cadrul i cu G=1.
i
Frecvenţa mediană a răspunsului în frecvenţă preemfazat, MF(i), se calculează pentru
fiecare cadru astfel [Chi00]:
1
MF(
i)
H
255
total(
i)
m0
m Fs
( | H i ( e
256 2
unde: - Fs= 10 KHz,
- i este indexul cadrului,
- Htotal(i) este dat pentru cadru [Chi00]:
255
Htotal(i) = | m0
H
m
j
256
i ( ) | e
m
j
256
) |)
(4.42)
(4.43)
Spre deosebire de cazurile anterioare, unde filtrul median de netezire era de ordinul 5,
MF(i) este netezit de un filtru median de ordinul trei. Estimarea frecvenţei înalte HFS(i) este
calculată pentru fiecare cadru după cum urmează [Chi00]:
1,
MF(
i)
T
upper
HFS(i)
0,
MF(
i)
T
lower
MF(
i)
T
lower Tlower
MF(
i)
T
,
T
upper T
lower
upper
(4.44)
unde Tupper= 3200 şi Tlower = 240. Valorile de prag sunt determinate empiric.

78
Cap. 4. Analiza semnalului vocal
Estimarea fricativei sonore EFS(i) este calculată utilizând HFS(i).
Dacă acel cadru este de tip voiced, dar estimarea sonoră SS(i) din (4.28) este zero, atunci
EFS(i) = 1 pentru cadru. Aceasta se realizează deoarece cadrul este sonor şi există în plus o
cantitate relativ mare de energie de înaltă frecvenţă.
Dacă în schimb cadrul este voiced şi estimarea sonoră SS(i) este egală cu 1, atunci EFS(i)
= HFS(i) pentru cadru. În acest caz estimarea fricativelor sonore depinde doar de distribuţia
energiei de frecvenţă înaltă a cadrului.
4.3.3.8. Detectarea stopurilor şi fricativelor nesonore
Un cadru este clasificat ca fiind nesonor (unvoiced) dacă el conţine o fricativă nesonoră
sau un stop nesonor. Algoritmul utilizat pentru a diferenţia cele două tipuri de segmente diferă de
detectorul standard de caracteristici. Acesta utilizează atât parametrii bazaţi pe frecvenţă cât şi
parametrii temporali. Pentru început se calculează frecvenţa medie pentru fiecare cadru utilizând
ecuaţiile (4.40) - (4.43). Frecvenţa medie este netezită apoi de un filtru median de ordinul trei.
Estimarea frecvenţei se face pentru fiecare cadru pe baza ecuaţiei (4.44) cu Tupper = 3800
şi Tlower = 2400.
Pentru fiecare cadru, pe baza analizei LPC, se calculează logaritmul în baza 10 al puterii
semnalului, Plog10. Toate cadrele nesonore ( unvoiced) adiacente sunt grupate în segmente. De
exemplu, cuvântul sit are două segmente nesonore, /s/ şi /t/ şi fiecare din aceste segmente este
compus din mai multe segmente unvoiced adiacente.
Este examinată panta graficului Plog10 pentru primele 12 cadre (60msec) al e fiecărui
segment. Dacă segmentul este mai scurt de 12 cadre, se utilizează toate cadrele. Se calculează o
aproximare de ordinul I (în linie dreaptă) Mseg(j) a pantei Plog10 .
Estimarea înclinării segmentului, MSseg(j), se face pentru fiecare segment pornind de la
Mseg(j), astfel [Chi00]:
0,
MSseg(j)
1,
T
upper M
Tupper
T
unde:
- Tupper= 1, Tlower = -1 ,
- j este indexul cadrului curent.
seg
lower
( j)
,
T
lower
M
M
seg
seg
M
( j)
T
( j)
T
seg
upper
lower
( j)
T
upper
(4.45)
Estimarea înclinării Mseg(j) se calculează ca o singură valoare pentru tot segmentul
nesonor. Tuturor cadrelor dintr-un anume segment nesonor le este alocată o aceeaşi valoare
MSseg. Estimarea înclinării unui cadru este notată cu MS(i). Atunci MS(i) = MSseg (j) pentru
fiecare cadru i din segmentul j.
Estimarea stopurilor USS(i) are avantajul că stopurile sunt mai scurte ca şi durată decât
fricativele nesonore. Estimarea stopurilor este dată pentru fiecare cadru de formula [Chi00]:

unde:
unde:
- i este indexul cadrului curent,
- Ks este dat de [Chi00]:
K
s
USS(i)=Ks MS(i) (4.46)
Tstop
L
j
G
S (1
),
Tstop
1,
L j T
fric -1
(1
) ,
T fric
T
stop
- Gs= 8.0, Tstop= 50msec, Tfric=80msec,
L
L
j
T
L
j
j
T
79
stop
T
fric
fric
- Lj lungimea segmentului nesonor j (în milisecunde).
Cap. 4. Analiza semnalului vocal
(4.47)
Cele două valori de prag şi câştigul Gs sunt determinate empiric. Termenul Ks acţionează
ca un factor de scală dependent de durată şi amplifică într-o mare măsură estimarea stopurilor
pentru segmentele nesonore mai scurte de 50msec. Într-o măsură mai mică, Ks atenuează de
asemenea estimarea stopurilor pentru segmente mai lungi de 80msec. Estimarea stopurilor
USS(i) este o valoare în domeniul [0,1]. Dacă USS(i) este mai mare de 1 pentru cadrul respectiv,
atunci este setată la unitate.
[Chi00]:
Estimarea finală a fricativelor nesonore UFS(i) se face pentru fiecare cadru astfel
UFS(i) = HFS(i) (4.48)
unde HFS(i) este scorul frecvenţelor înalte pentru cadrul respectiv.
4.3.4. Detectarea graniţelor dintre segmente
Algoritmul descris în secţiunea 4.3.3 se concentrează în principal asupra caracteristicilor
acustice asociate cadrelor individuale. Pentru segmentarea şi etichetarea vorbirii în categoriile de
segmente descrise anterior, trebuie trasate graniţele dintre segmentele fonematice. Aceasta se
realizează cu doi algoritmi descrişi în subcapitolele următoare. Rezultatele celor doi algoritmi
sunt combinate pentru a determina graniţele finale ale segmentului şi durata acestuia.
4.3.4.1. Detectarea bazată pe graniţa spectrală şi segmentare
Primul algoritm se bazează pe schimbările din spectrul de frecvenţe al semnalului.
Algoritmul dezvoltat de Glass şi Zue [Gla86] măsoară similaritatea dintre cadrul curent şi vecinii
acestuia. Pentru aceasta, se calculează valoarea absolută a răspunsului în frecvenţă al filtrului
generat de coeficienţii LPC din ecuaţiile ( 4.19) şi ( 4.20), pentru fiecare cadru. Distanţa
euclidiană dintre două cadre vecine x şi y se defineşte în felul următor [Chi00]:

D(x,y)
255
m0
|| H ( e
x
m
j
256 256
) | |
H ( e ) ||
y
80
m
j
unde:
- x este indexul cadrului curent,
- y este indexul cadrului precedent sau următor,
m
j
x e
Cap. 4. Analiza semnalului vocal
(4.49)
256 - ( ) H este răspunsul în frecvenţă evaluat pentru cadrul x în punctele exp(jπm/256)
pentru 0 ≤ m ≤ 255.
În continuare, se ia decizia de a grupa cadrul curent cu cadre din trecut, dacă:
max(D(x,y)) < min(D(x,v)) , cu x-4 ≤y ≤ x-2, x+2 ≤ v ≤ x+4 (4.50)
şi decizia de a cumula cadrul curent cu cadrele următoare dacă:
min(D(x,y)) > max(D(x,v)) , cu x-4 ≤ y ≤ x-2, x+2 ≤ v ≤ x+4 (4.51)
Dacă niciuna dintre cele două condiţii nu este îndeplinită, nu se realizează gruparea cu
alte cadre. După ce fiecare cadru este asociat într-unul din cele trei moduri posibile, se stabileşte
o graniţă a segmentului când apar schimbări de asociere pentru cadrul curent (din trecu t către
viitor). Localizarea graniţei este la primul eşantion al cadrului unde se realizează tranziţia.
Postprocesarea elimină graniţele care apar în mijlocul segmentelor de linişte.
4.3.4.2. Detectarea graniţelor prin metoda S/U/V
Acest algoritm de segmentare se bazează pe rezultatele algoritmului de detectare S/U/V,
calculând graniţele de segment prin cumularea cadrelor de acelaşi tip. Cadrele mai mici ca
lungime se pot compacta cu vecinii, chiar dacă sunt de tipuri diferite. Se pot formula următoarele
reguli de modificare a segmentării [Chi00]:
Tabelul 4.1. Setul de reguli pentru calculul segmentării finale
Pattern iniţial Condiţii Pattern final
VUS
L(V)> 100 ms
L(U)< 25 ms
VVS
XSY L(S)< 10 ms XXS
SUV L(U)< 7.5 ms SSV
XUY L(U)< 10 ms (X=S)? XYY : XXY
În tabelul 4.1, X şi Y sunt segmente oarecare, S = Silence, U = Unvoiced, V = Voiced.
Graniţele dintre segmente apar atunci când apar tranziţiile ( i , j
) { 0,
1,
2},
i
j în
detectorul S/U/V. Graniţa este marcată la primul eşantion al noului segment.

4.3.5. Segmentarea finală
81
Cap. 4. Analiza semnalului vocal
Procesul final de segmentare ţine cont de rezultatele segmentării spectrale şi ale
segmentării S/U/V.
La început, toate graniţele obţinute prin algoritmul S/U/V sunt marcate ca şi graniţe în
segmentarea finală. O graniţă determinată în algoritmul spectral, care apare în mijlocul unui
segment vocal, aşa cum a fost el determinat prin algoritmul S/U/V, va face parte din rezultatul
final numai dacă graniţa apare la un cadru localizat la distanţă de cele puţin două cadre faţă de
graniţa segmentului de tip S, U sau V. Această „regulă de două cadre” previne marcarea prin cei
doi algoritmi a aceloraşi graniţe ca şi graniţe separate, dar foarte apropiate una de alta.
Graniţele spectrale care apar în mijlocul segmentelor nesonore sunt ignorate. Aceasta se
realizează în cazul analizei cu un sistem care nu conţine pattern-uri pentru consoane duble.
Pentru limbile care conţin astfel de pattern-uri (cum ar fi limba engleză), aceste graniţe spectrale
din interiorul segmentelor nesonore vor trebui incluse în rezultatul final al segmentării.
4.3.6. Etichetarea segmentelor
Etichetarea segmentelor constă în atribuirea corectă a unei etichete - corespunzând unei
categorii de segment din cele prezentate anterior - unui segment oarecare detectat de algoritmul
de segmentare.
Algoritmul pentru etichetare examinează mai întâi rezultatele S/U/V pentru fiecare
segment. Dacă segmentul este sonor ( voiced), poate fi etichetat ca vocală, semivocală, nazală,
fricativă sonoră sau bandă sonoră. Dacă segmentul este nesonor (unvoiced), el poate fi etichetat
ca stop nesonor sau fricativă nesonoră. Dacă segmentul este o regiune de linişte (silence), poate
fi etichetat doar ca şi segment de linişte.
Pentru un segment dat se calculează un scor al fiecărei caracteristici, mediat pe toată
lungimea segmentului. De exemplu, dacă un segment este nesonor atunci se calculează scorurile
pentru stopurile nesonore USS(i) şi fricativele nesonore UFS(i) pentru fiecare cadru din acel
segment, iar apoi se mediază valorile obţinute. Pentru acest segment nesonor, nu e necesar să fie
calculate estimările medii pentru vocale EVmed(i), nazale ENmed(i), semivocale ESVmed(i), bandă
sonoră EBSmed(i) şi fricative sonore EFSmed(i).
Dacă segmentul este sonor, se calculează estimările medii de caracteristici EVmed(i),
ENmed(i), ESVmed(i), EBSmed(i), EFSmed(i), dar nu se mai calculează estimările USSmed(i) şi
UFSmed(i).
De exemplu, estimarea medie a stopului nesonor USSmed (i) este dată de [Chi00]:
unde:
1
USS med ( j)
USS(
i)
(4.52)
b a
1
b
ia
- a este indexul cadrului de început al segmentului j,
- b este indexul final în segmentul j.
Estimările medii pentru restul caracteristicilor sunt calculate în aceeaşi manieră.

82
Cap. 4. Analiza semnalului vocal
Odată stabilite estimările medii pentru toate segmentele necunoscute, pentru fiecare
segment j se stabilesc la început două etichete L1(j) şi L2(j). Prima etichetă este caracteristica cu
estimarea medie cea mai bună. A doua etichetă o reprezintă caracteristica cu a doua estimare
medie cea mai bună.
Există cazuri când etichetarea trebuie să ţină seama şi de coarticularea segmentelor, când
algoritmul de segmentare spectrală poate schimba categoria din care face parte segmentul.
Se pot defini astfel estimările robuste pentru L1(j) şi L2(j).
Estimarea robustă R1(j) pentru L1(j) este definită ca estimarea medie pentru categoria de
segment corespunzătoare lui L1(j), împărţită la suma tuturor estimărilor medii pentru acest
segment. De exemplu, dacă segmentul este sonor şi L1(j) este nazală, atunci R1(j) este dată de
[Chi00]:
ENmed
( j)
R1(
j)
(4.53)
EV ( j)
ESV
( j)
EN
( j)
EBS
( j)
EFS
( j)
med
med
med
Dacă segmentul este nesonor şi scorul corespunzător lui L1(j) dă o fricativă nesonoră,
atunci R1(j) este dată de [Chi00]:
UFSmed
( j)
R1(
j)
(4.54)
UFS ( j)
USS
( j)
med
În mod asemănător e definită şi estimarea robustă R2(j) pentru L2(j), ca estimarea medie
pentru categoria de segment corespunzătoare lui L2(j) împărţită la suma tuturor estimărilor medii
pentru acel segment.
Dacă R2(j) > R1(j), iar scorul corespunzător lui L1(j) are valori mai mici decât o valoare
de prag TS (TS ~ 0.5), atunci categoria de segment poate fi schimbată de la L1(j) la L2(j).
4.3.7. Rezultate şi concluzii privind metoda generică de segmentare
Metoda prezentată în acest capitol, propusă de Childers în [Chi00], poate detecta trei
categorii principale din semnalul vocal: linişte (silence), sonor (voiced) şi nesonor (unvoiced), pe
care le clasifică în 9 clase de regiuni: linişte, vocală, consoană sonoră, semivocală, nazală, bandă
sonoră, fricativă sonoră, fricativă nesonoră şi stop nesonor. Astfel, în categoria sonor ( voiced)
intră clasele: vocală, semivocală, consoană sonoră, nazală, fricativă sonoră şi bandă sonoră. În
categoria nesonor (unvoiced) avem clasele: stop nesonor şi fricativă nesonoră. În categoria linişte
(silence) există o singură clasă: linişte.
Pentru fiecare clasă s-a definit câte un detector sau estimator de caracteristică, care
calculează un scor al caracteristicii respective pe semnalul din cadrul curent. Cadrul se
etichetează cu caracteristica având scorul cel mai mare, iar cadrele succesive care sunt etichetate
la fel se grupează în regiuni. În faza finală se reevaluează cadrele singulare şi se ajustează
graniţele de segment. În figura 4.11 se prezintă rezultatele segmentării pentru un semnal vocal
rostit în limba engleză.
med
med
med

(a)
(b)
(c)
83
Cap. 4. Analiza semnalului vocal
În concluzie, se poate spune că această metodă bazată pe detectori de caracteristici poate
fi considerată o metodă generică pentru problema segmentării semnalului vocal în regiuni. Din
experimentele realizate cu această metodă a reieşit faptul că exactitatea clasificărilor depinde în
mare măsură de parametrii empirici care trebuie furnizaţi, acesta fiind punctul sensibil al metodei
şi totodată o anumită limitare a acesteia.
Figura 4.11. Rezultatele segmentării prin metoda Childers [Chi00]
(a) Semnalul original: sintagma “Should we chase those cowboys”
(b) Segmentarea finală după ajustarea graniţelor de segment.
În tabelul 4.2 se prezintă semnificaţia simbolurilor utilizate la etichetare.
Tabelul 4.2. Simbolurile utilizate la etichetarea segmentelor
si silence linişte
UF unvoiced fricative fricativă nesonoră
V vowel vocală
N nasal nazală
US unvoiced stop stop nesonor
VB voice bar bandă sonoră
SV semivowel semivocală
VC voiced consonant consoană sonoră
VF voiced fricative fricativă sonoră

84
Cap. 4. Analiza semnalului vocal
4.4. Contribuţii aduse în procesul segmentării automate a semnalului
vocal
Aşa cum s-a precizat în paragraful anterior, găsirea unei metode optime de segmentare a
semnalului vocal reprezintă o operaţie absolut necesară în procesul de construire a bazei de date
vocale. În acest paragraf este prezentată metoda proiectată de autor, care este capabilă să
detecteze automat componentele S/U/V ale semnalului ( Silence – linişte, Unvoiced – nesonor,
Voiced – sonor), să împartă aceste componente în regiuni şi subregiuni cu anumite proprietăţi, iar
apoi să pună în corespondenţă aceste regiuni cu o secvenţă cunoscută de foneme (figura 4.12):
Semnal vocal
Segmentare S/U/V
Detecţie regiuni
Compactare
Segmentare fonematică
Subregiuni
Figura 4.12. Metoda de segmentare automată propusă de autor
Algoritmul propus utilizează analiza în domeniul timp a semnalului vocal. După o filtrare
trece-jos a semnalului, se detectează mai întâi punctele de trecere prin zero Zi din forma de undă.
Apoi se calculează punctele de valoare minimă mi şi maximă Mi dintre două puncte de zero.
Separarea linişte/vorbire se realizează utilizând o valoare de prag Ts aplicată asupra
amplitudinii semnalului vocal. În segmentele de linişte (silence), toate punctele mi şi Mi trebuie
să fie mai mici decât Ts .
Pentru fiecare segment din semnalul vocal se calculează apoi distanţa dintre două puncte
de zero adiacente Di . Se ia decizia de segment sonor (voiced) dacă această distanţă este mai mare
decât o valoare de prag V.
Un segment este considerat nesonor (unvoiced) dacă distanţa Di dintre punctele de zero
adiacente este mai mică decât un prag U.
Se definesc de asemeni segmente tranzitorii, acestea fiind segmentele pentru care
condiţiile de mai sus nu sunt îndeplinite.
În urma operaţiei de segmentare S/U/V (detectarea segmentelor de tip silence/ unvoiced
/voiced), va avea loc o împărţire a semnalului vocal în clase de regiuni distincte, în scopul
determinării proprietăţilor semnalului pe regiuni şi punerii în corespondenţă cu setul de foneme
prezent la intrare.
După o primă aplicare a algoritmului de mai sus, va fi generat un număr mare de regiuni.
În timp ce regiunile sonore sunt determinate corect de la început, regiunile nesonore sunt

85
Cap. 4. Analiza semnalului vocal
fragmentate de o serie de regiuni de linişte, din cauza faptului că de obicei aceste regiuni
nesonore au amplitudine mică. Toate aceste regiuni vor fi compactate într-o singură regiune
nesonoră în cea de-a doua trecere a algoritmului.
După segmentare, regiunile detectate vor fi puse în corespondenţă cu şirul de foneme
prezent la intrare, pe baza unor reguli stabilite în funcţie de proprietăţile acustice ale fiecărei
foneme rostite în limba română. Aşa cum se va arăta în paragrafele următoare, acest proces de
punere în corespondenţă între regiunile distincte din semnalul vocal şi foneme are un rol foarte
important în generarea automată a bazei de date vocale, şi se pretează la multe alte aplicaţii –
inclusiv în domeniul recunoaşterii vorbirii.
În cele ce urmează, se vor detalia algoritmii corespunzători fiecărei etape de segmentare.
4.4.1. Detectarea punctelor de zero, minim şi maxim
Detectarea punctelor de zero, minim şi maxim reprezintă primul pas al metodei de
segmentare automată a regiunilor. Algoritmul propus utilizează analiza în domeniul timp a
semnalului vocal. După o filtrare trece-jos a semnalului, se detectează mai întâi punctele de
trecere prin zero (Zi) din forma de undă. Apoi se calculează punctele de valoare minimă (mi) şi
maximă (Mi) dintre două puncte de zero, conform următorului algoritm :
Detectarea punctelor de zero Zi , minim mi şi maxim Mi :
Pentru fiecare eşantion Q(k) ce urmează după un punct de zero Z(i):
(1) Dacă eşantionul k e mai mare decât maximul curent al segmentului i, Q(k) > M(i),
atunci se actualizează maximul curent : M(i) = Q(k).
(2) Dacă eşantionul k e mai mic decât minimul curent al segmentului i, Q(k) < m(i),
atunci se actualizează minimul curent : m(i) = Q(k).
(3) Se verifică condiţia de trecere prin zero :
C_ZERO = ((Q(k-1) < 0) AND (Q(k) > 0)) OR (Q(k-1) > 0) AND (Q(k) < 0) )
(4) Dacă este îndeplinită condiţia C_ZERO, se memorează valorile m(i), M(i), Z(i+1) ;
Z(i+1) devine noua origine de segment şi algoritmul se reia de la punctul de start.
În figura 4.13 se arată un exemplu de detectare automată a punctelor de zero, minim şi
maxim dintr-un segment vocal (v alorile numerice reprezintă amplitudinea semnalului în
punctele detectate).
Figura 4.13. Determinarea punctelor de zero, minim, maxim

86
Cap. 4. Analiza semnalului vocal
Primele zece puncte rezultate în urma aplicării algoritmului pe segmentul din figura 4.13
sunt prezentate în tabelul 4.3. Pe prima linie sunt figurate tipul punctelor găsite (Z – zero, M –
maxim, m – minim), iar pe linia a doua amplitudinile eşantioanelor în valoare absolută:
Tabelul 4.3. Rezultatele algoritmului zero-minim-maxim
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tip M0 Z1 m1 Z2 M2 Z3 m3 Z4 M4 Z5
Amp. 9992 161 4311 54 10760 190 4881 56 11406 166
4.4.2. Segmentarea S/U/V şi detecţia de regiuni
Algoritmul propus de autor realizează segmentarea automată a semnalului vocal în 10
clase de regiuni. Se împarte mai întâi semnalul vocal în 4 categorii de bază: linişte ( Silence),
vocală sonoră ( Voiced), consoană nesonoră ( Unvoiced), respectiv tranziţie, apoi se realizează
clasificarea acestora în 10 clase distincte de regiuni: linişte, consoană nesonoră, vocală sonoră,
linişte-nesonoră, regiune de tip salt, neregulată, tranzitorie, tranzitorie densă, discontinuă de tip R
şi discontinuă de tip G.
Algoritmul comportă o abordare top-down, pe cinci nivele (vezi figura 4.14). Mai întâi,
pe nivelul superior sunt detectate categoriile: linişte (L), vocală (V), consoană nesonoră (C). Pe
nivelul doi se detectează categoria tranziţie ( T). Pe nivelul trei se clasifică categoriile de pe
nivelurile unu şi doi în cele 10 clase de regiuni; pe nivelele patru şi cinci se găsesc clasele (1) -
(10).
N 1
N 2
N 3
N 4
N 5
L V L C
T T T
L V L C
L LB V VS T TN TD C
V VR VG
Figura 4.14. Algoritmul de detecţie a regiunilor
Categorii LCV (SUV)
Categoria T
Clasificare
Clase de regiuni
Subtipuri

Au fost definite următoarele categorii de bază şi clase de regiuni :
Tabelul 4.4. Categoriile de bază şi clasele de regiuni
Categorii de bază Clase de regiuni
1. L – Linişte
2. V – Vocală (sonoră)
3. C – Consoană (nesonoră)
4. T – Tranziţie
1. L - REG_LIN – Regiune de linişte
87
Cap. 4. Analiza semnalului vocal
2. LB - REG_LIN_CONS - Regiune de tip linişte nesonoră
3. V - REG_VOC - Regiune de tip vocală sonoră
4. VS - REG_SALT - Regiune de tip salt
5. T - REG_TRANZ- Regiune tranzitorie
6. TD - REG_TRANZ_DENSA- Regiune tranzitorie densă
7. TN - REG_NEREG - Regiune neregulată scurtă
8. C - REG_CONS - Regiune de tip consoană nesonoră
9. VR - REG_R - Regiune de discontinuitate de tip “R”
10.VG - REG_G - Regiune de discontinuitate de tip “G”
Corespondenţele dintre categoriile de bază şi clasele de regiuni sunt arătate în figura 4.15:
CLASĂ
CATEGORIE
Figura 4.15. Relaţia dintre categoriile de bază şi clasele de regiuni
Cele 10 clase de regiuni sunt următoarele :
1. Regiune de tip linişte (REG_LIN)
Este o regiune în care nu se detectează semnal vorbit, respectiv amplitudinea semnalului
este foarte mică.
2. Regiune de tip consoană nesonoră (REG_CONS)
Pentru limba română, aici intră consoanele fricative /S/, /Ş/, /Ţ/, /F/, /Z/, /J/, /H/, precum
şi africativele /Ce/, /Ci/, /Ge/, /Gi/ .
Regiune
L V T C
L LB V VR VG VS T TN TD C

3. Regiune de tip vocală sonoră (REG_VOC)
88
Cap. 4. Analiza semnalului vocal
Aici avem toate vocalele din limba română: /A/, /E/, /I/, /O/, /U/, /Ǎ/, /Î/, dar tot aici intră
consoanele glide şi nazale /L/, /M/, /N/, precum şi unele dintre consoanele plozive /P/,
/B/, /D/.
4. Regiune de tip linişte-nesonoră (REG_LIN_CONS)
Acest tip de regiune este o combinaţie între regiunea de tip linişte şi regiunea de tip
consoană nesonoră. Detectarea acestei regiuni ca o categorie separată a fost necesară
deoarece consoanele fricative sunt rostite de multe ori cu o intensitate scăzută, putând să
fie regăsite în regiuni de tip linişte.
5. Regiune de tip salt (REG_SALT)
Este o regiune asemănătoare cu regiunea vocalică, dar fără să fie periodică. Se datoreşte
balansului de semnal vocal deasupra sau dedesubtul liniei de zero. Necesitatea distingerii
acesteia de regiunea vocalică se datoreşte faptului că ei nu-i corespunde în semnalul
vorbit o vocală, ci o zonă tranzitorie sau de coarticulare.
6. Regiune neregulată scurtă (REG_NEREG)
Este o regiune ce permite detectarea consoanelor plozive precum /C/, /G/ sau /P/. De
obicei apare după o zonă de linişte, având o durată scurtă şi o gamă de frecvenţe
intermediară între vocale şi consoanele nesonore.
7. Regiune tranzitorie (REG_TRANZ)
Este regiunea intermediară situată şi ea în domeniul de frecvenţe dintre vocale şi
consoane, dar fără să aibă caracteristicile regiunilor (R4)-(R6).
8. Regiune tranzitorie densă (REG_TRANZ_DENSA)
Este o regiune tranzitorie în care apar frecvenţe de ordin superior, ce poate corespunde
consoanelor fricative. Semnalul nu este catalogat în categoria (R2) datorită balansului
pozitiv sau negativ faţă de linia de zero.
9. Regiune de discontinuitate de tip “R” (REG_R)
Corespunde unei regiuni de discontinuitate vocalică asociată cu un minim de energie, ce
poate fi datorată în mod particular consoanei glide /R/ care desparte o secvenţă de vocale.
10. Regiune de discontinuitate de tip “G” (REG_G)
Este o regiune de discontinuitate vocalică ce corespunde frecvenţelor intermediare
asociate cu consoanele plozive (în particular cu /C/ şi /G/), ce apar atunci când aceste
consoane se află în interiorul unei secvenţe vocalice.
Experimentele efectuate au condus la realizarea unor corespondenţe între fonemele limbii
române şi clasele de regiuni. Rezultatele la care a ajuns autorul sunt prezentate în tabelul 4.5.

Tabelul 4.5. Apartenenţa fonemelor limbii române la diferitele clase de regiuni
A
Ǎ
B
C
Če
D
E
F
G
Ğe
H
I
Î
J
L
M
N
O
P
R
S
Ş
T
Ţ
U
V
X
Z
89
Cap. 4. Analiza semnalului vocal
LIN LCON VOC SALT CONS NERG TRZ DENS VR VG
În cele ce urmează vor fi prezentate modurile de detectare a celor patru categorii de bază
precum şi modurile de clasificare în cele 10 clase de regiuni.
4.4.2.1. Detectarea categoriei Linişte
Separarea linişte/vorbire din semnalul vocal se realizează utilizând o valoare de prag Ts
aplicată asupra amplitudinii semnalului. În segmentele de Linişte ( Silence), toate punctele de
minim mi şi maxim Mi (detectate prin algoritmul Zero-Min-Max) trebuie să fie mai mici decât
pragul Ts :
|
M i | T
s
, i = s… s+n (4.55)
|
mi
| T
s
unde:
- s reprezintă indexul eşantionului curent din segmentul vocal, iar
- n este numărul de eşantioane din acel segment.

90
Cap. 4. Analiza semnalului vocal
Detectarea categoriei Linişte se face pe primul nivel al algoritmului de segmentare.
Algoritmul după care funcţionează acest detector este următorul:
Detectorul pentru categoria Linişte :
Pentru fiecare punct P(i) de tip zero (ZERO), minim (MIN) sau maxim (MAX) :
(1) Se calculează condiţia:
C_LIN = (P(i) = ZERO) OR ((P(i) = MIN) OR (P(i) = MAX)) AND (|P(i)| < Prag)
(2) Cât timp C_LIN este adevărată, P(i) se cumulează în regiunea curentă
Reg[ireg] ce se cataloghează ca Linişte .
(3) Dacă durata regiunii Reg[ireg] este mai mare decât un prag de 0.5 ms
(D(Reg[ireg]) > 0.5), atunci regiunea e validată şi se trece la pasul următor.
(4) Se ajustează capetele segmentului la puncte de zero.
(5) Se declanşează clasificatorul de nivel 3 pentru categoria Linişte.
Ca urmare a aplicării acestui algoritm, vor fi detectate regiuni de tipul REG_LIN
(regiune de linişte) şi REG_LIN_CONS (regiune de tip linişte nesonoră). Cele două tipuri de
regiuni vor fi departajate prin clasificatorul categoriei Linişte :
Clasificatorul pentru categoria Linişte :
(1) Se calculează numărul de puncte de zero NZ(ireg) pentru regiunea curentă.
(2) Dacă D(ireg) este durata regiunii curente, se calculează condiţia :
CLAS_LIN = NZ(ireg) / D(ireg) > K1;
(3) Dacă condiţia CLAS_LIN este adevărată, atunci se clasifică regiunea curentă
de tip REG_LIN_CONS ; dacă CLAS_LIN este falsă, regiunea se clasifică
REG_LIN .
Figurile 4.16 şi 4.17 prezintă rezultatele detectării automate a unor regiuni din categoria
Linişte. Figura 4.17 arată o regiune de tip linişte nesonoră, posibil candidat pentru o consoană
fricativă.
Figura 4.16. Detectarea unei regiuni de de tip REG_LIN (linişte)

Figura 4.17. Detectarea unei regiuni de tip REG_LIN_CONS (linişte nesonoră)
4.4.2.2. Detectarea categoriei Vocală
91
Cap. 4. Analiza semnalului vocal
Categoria Vocală corespunde segmentelor sonore din semnalul vocal. Pentru segmentele
de vorbire se calculează distanţa dintre două puncte de zero adiacente Di = d(Zi, Zi+1). Se ia
decizia de segment Sonor (Voiced) dacă această distanţă este mai mare decât o valoare de prag
V :
Di V , i = s,… , s+n (4.56)
În figura 4.18, Z1, A, B, Zn reprezintă puncte de zero, M1 este un punct de maxim, iar m2
e un punct de minim, punctele fiind detectate prin algoritmul Zero-Min-Max.
Figura 4.18. Porţiune sonoră dintr-un segment de vorbire
Pentru ca puncte de zero precum cele dintre punctele A şi B din figură să fie incluse în
segmentul sonor, se aplică o tehnică de tip look-ahead. Astfel, un număr de maximum Nk puncte
de zero dintre Zi şi Zi+k pot fi inserate în regiunea sonoră dacă Di-1 > V şi Di+k > V :
D
D
i
D
i
j
1
k
V
V
V
Z1
D1
M1
m2
, i = s,… , s+n ; j = i .. k ; k

92
Cap. 4. Analiza semnalului vocal
Detectorul pentru categoria Vocală :
(1) Dacă P(i)=MAX, se calculează distanţa faţă de maximul precedent Dmax(i).
(2) Se calculează condiţia pentru vocală: C_VOC = (Dmax(i) > Delta_Vocală) .
(3) Dacă C_VOC este adevărată, P(i) se cumulează în regiunea curentă Reg[ireg] ce se
cataloghează ca Vocală ; i = i+1; se reia algoritmul de la punctul (1).
(4) Dacă C_VOC este falsă, se verifică extensia regiunii de la pasul următor.
(5) Extensia regiunii : se calculează condiţia C_VOC pentru umătoarele N_Look_Ahead
maxime. Dacă există un punct P(i) pentru care condiţia e adevărată, algoritmul se
reia de la punctul (3).
(6) Dacă durata regiunii Reg[ireg] este mai mare decât un prag de 5 ms (D(Reg[ireg]) >
5), atunci regiunea e validată şi se trece la pasul următor.
(7) Se ajustează capetele segmentului la puncte de zero.
(8) Se declanşează clasificatorul de nivel 3 pentru categoria Vocală.
Figura 4.19 prezintă rezultatele detectării automate a unei regiuni din categoria Vocală.
Se observă periodicitatea şi amplitudinea mărită a semnalului din regiunea vocalică.
Figura 4.19. Detectarea unei regiuni de tip REG_VOC (sonoră vocalică)
În continuare se prezintă clasificatorul pentru categoria Vocală, ce clasifică regiunea ca o
regiune vocalică sau de tip salt. Pentru o regiune vocalică, se împarte regiunea în subregiuni
pentru a detecta eventuale discontinuităţi ce pot apărea datorită consoanelor glide (R) sau plozive
(G, C) intercalate în acea regiune.
Clasificatorul pentru categoria Vocală :
(1) Se apelează detectorul pentru clasa REG_SALT ; dacă acesta întoarce o valoare
pozitivă, regiunea se etichetează ca regiune de tip salt REG_SALT; dacă detectorul
întoarce o valoare negativă, regiunea se etichetează ca Vocală REG_VOC , apoi se
merge la pasul următor pentru determinarea subregiunilor vocalice.
(2) Se determină perioadele din regiunea vocalică.
(3) Pentru fiecare perioadă Per[iper], se apelează detectorul pentru clasa REG_R
(subregiune sonoră corespunzătoare consoanei /R/) ; dacă detectorul întoarce o
valoare pozitivă, se construieşte o subregiune etichetată REG_R , având centrul în
perioada curentă Per[iper].
(4) Pentru fiecare perioadă Per[iper], se apelează detectorul pentru clasa REG_G
(subregiune sonoră corespunzătoare consoanelor /G/ sau /C/) ; dacă detectorul
întoarce o valoare pozitivă, se construieşte o subregiune etichetată REG_G , având
centrul în perioada curentă Per[iper].

93
Cap. 4. Analiza semnalului vocal
Detectorul pentru regiunea de tip Salt ia în considerare faptul că în urma detecţiei
vocalelor pot apărea situaţii de evidenţiere a unor regiuni tranzitorii care nu sunt periodice, ci
prezintă doar o semiperioadă de durată relativ mare; în cele mai multe cazuri această
semiperioadă este pozitivă, şi se datoreşte balansării semnalului deasupra liniei de zero. Figura
4.20 arată două astfel de regiuni:
Figura 4.20. Detectarea regiunilor de tip REG_SALT (regiune sonoră de tip salt).
Detecţia regiunilor de tip Salt se bazează pe calculul densităţii energiei negative (adică a
energiei semnalului de amplitudine negativă) Eneg :
Eneg
DEN
(4.58)
N
unde N este numărul de eşantioane din regiune.
Detectorul pentru regiunea de tip Salt :
(1) Se calculează raportul D_EN[ireg] pentru regiunea curentă.
(2) Dacă D_EN[ireg] < KS , se returnează True pentru a indica detecţia regiunii de tip
Salt.
4.4.2.3. Împărţirea în subregiuni vocalice
Aşa cum se va arăta în capitolul dedicat segmentării fonematice, o regiune vocalică
poate conţine, pe lângă vocale, şi anumite consoane care au o formă de undă apropiată de
cea a vocalelor, ce apare din cauza coarticulării. Aceste consoane sunt : consoanele glide /L/,
/R/, nazale /M/, /N/, dar şi unele consoane plozive : /C/, /G/, /P/, /D/. În scopul detectării
acestor consoane din interiorul regiunilor vocalice, s-a proiectat un algoritm de împărţire a
regiunilor în subregiuni. Algoritmul este adaptat în special detectării consoanelor /R/, /C/,
/G/, care în urma experimentelor efectuate s-au dovedit a fi cel mai uşor de pus în evidenţă
dacă ele apar în interiorul regiunilor vocalice.

4.4.2.3.1. Detectarea subregiunilor corespunzătoare consoanei /R/
Consoana /R/ ce apare într-o regiune vocalică de forma :
REG_VOC = {VOC}+R{VOC}+ ,
94
Cap. 4. Analiza semnalului vocal
unde notaţia {VOC}+ înseamnă o succesiune de una sau mai multe vocale,
corespunde fie cu un minim de amplitudine, fie cu un hiatus de periodicitate a semnalului
vocal. Figura 4.21 arată un astfel de exemplu :
Figura 4.21. Consoana /R/ în regiunea vocalică /AREA/
Modul de detectare a hiatusurilor de periodicitate va fi explicat în paragraful dedicat
determinării perioadelor din regiunile vocalice sonore.
În continuare se arată modul de detectare a minimelor locale de amplitudine a
perioadelor, corespunzătoare regiunilor de tip REG_R.
Pentru fiecare perioadă PC se ia un interval de 7 perioade centrat în PC, aşa cum se
arată în figura 4.22. Punctele de maxim ale fiecărei perioade se notează P[0], P[1], ..., P[6].
În continuare se verifică relaţiile de ordonare:
P[0] > P[1] > P[2] > P[3] (4.59)
P[6] > P[5] > P[4] > P[3]
Dacă relaţiile (4.59) sunt satisfăcute, punctul P[3] corespunzător perioadei PC este un
punct de minim şi intervalul considerat se va eticheta ca regiune REG_R.
0
1
R
2
3
Figura 4.22. Determinarea minimului local al perioadelor
4
5
6

95
Cap. 4. Analiza semnalului vocal
Dacă relaţiile (4.59) nu sunt satisfăcute din cauza punctelor de capăt P[0] sau P[6],
atunci se admite şi condiţia ca P[3] să fie minim pentru intervalul ordonat [1,5], iar punctele
de capăt P[0] şi P[6] să fie apropiate ca valoare de P[1], respectiv P[5].
Algoritmul în pseudocod este următorul:
Detectorul pentru subregiunea de tip R :
If (P[2]>P[1]) return false;
If (P[3]>P[2]) return false;
If (P[3]>P[4]) return false;
If (P[4]>P[5]) return false;
If (P[0]

96
Cap. 4. Analiza semnalului vocal
4.4.2.3.2. Detectarea subregiunilor corespunzătoare consoanelor /C/, /G/
Detecţia regiunilor de tip REG_G, corespunzătoare consoanelor /C/ şi /G/ se bazează
pe faptul că în banda de [3500-6500] Hz există în acest caz frecvenţe spectrale de
amplitudine mărită, spre deosebire de cazul vocalelor în care aceste frecvenţe nu există. În
figura 4.25 se arată spectrul unei regiuni de tip REG_G, comparativ cu cel al unei regiuni
vocalice:
Figura 4.24. Consoana /G/ (stânga) şi vocala /O/ (dreapta)
Figura 4.25. Spectrele asociate consoanei /G/ şi vocalei /O/
Detectorul pentru subregiunea de tip G :
(1) Se calculeaza maximul amplitudinii spectrale din banda [1,2500] Hz MAX1,
pentru o fereastră W de N perioade din regiunea curentă.
(2) Se calculeaza maximul amplitudinii spectrale din banda [3500,6500] Hz MAX2
pentru fereastra W.
(3) Se calculează raportul RGC[W] = MAX2/MAX1.
(4) Dacă RGC[W] > KGC , se returnează True pentru a indica detecţia subregiunii de
tip G.
4.4.2.4. Detectarea categoriei Consoană :
Categoria Consoană corespunde segmentelor nesonore. Un segment de vorbire este
considerat Nesonor (Unvoiced) dacă distanţa Di dintre două puncte de zero adiacente este mai
mică decât un prag U:
Di U , i = s,… , s+n (4.60)

Figura 4.26. Porţiune nesonoră dintr-un segment de vorbire
97
Cap. 4. Analiza semnalului vocal
Detectarea categoriei Consoană se face tot pe primul nivel al algoritmului de segmentare,
în paralel cu detectarea celeilalte categorii corespondente de pe acest nivel: categoria Vocală. În
continuare se prezintă algoritmul după care funcţionează acest detector :
Detectorul pentru categoria Consoană :
(1) Dacă P(i)=MAX, se calculează distanţa faţă de maximul precedent Dmax(i).
(2) Se calculează condiţia pentru consoană :
C_CONS = (Dmax(i) < Delta_Consoană).
(3) Dacă C_CONS este adevărată, P(i) se cumulează în regiunea curentă Reg[ireg]
ce se cataloghează ca şi Consoană ; i = i+1; se reia algoritmul de la punctul (1).
(4) Dacă C_CONS este falsă, se verifică extensia regiunii de la pasul următor.
(5) Extensia regiunii: se calculează condiţia C_CONS pentru umătoarele
N_Look_Ahead maxime. Dacă există un punct P(i) pentru care condiţia e
adevărată, algoritmul se reia de la punctul (3).
(6) Dacă durata regiunii Reg[ireg] este mai mare decât un prag de 0.5 ms
(D(Reg[ireg]) > 0.5), atunci regiunea e validată şi se trece la pasul următor.
(7) Se ajustează capetele segmentului la puncte de zero.
Di
(8) Se etichetează regiunea curentă ca regiune de tip consoană nesonoră :
Tip(Reg[ireg]) = REG_CONS.
Figura 4.27 prezintă rezultatele detectării automate a unei regiuni din categoria
Consoană. Caracteristic este numărul mare de treceri prin zero a semnalului din această regiune.
Figura 4.27. Detectarea unei regiuni de tip REG_CONS (consoană nesonoră)

4.4.2.5. Detectarea categoriei Tranziţie
98
Cap. 4. Analiza semnalului vocal
Detectarea categoriei Tranziţie se face pe nivelul doi al algoritmului de segmentare, după
ce categoriile Linişte, Vocală şi Consoană au fost identificate. Se parcurg regiunile în ordine iar
cele care nu au fost etichetate la nivelul 1 se etichetează ca regiuni de tranziţie. Pentru aceste
regiuni se lansează clasificatorul categoriei Tranziţie :
Clasificatorul pentru categoria Tranziţie :
(1) Se lansează detectorul pentru regiune de tip REG_NEREG (regiune
neregulată). Dacă detectorul întoarce un rezultat afirmativ, regiunea curentă se
etichetează ca REG_NEREG. Dacă detectorul întoarce un rezultat negativ, se
continuă cu pasul doi.
(2) Se lansează detectorul pentru regiune de tip REG_TRANZ_DENSA (regiune
tranzitorie densă). Dacă detectorul întoarce un rezultat pozitiv, regiunea
curentă se etichetează ca REG_TRANZ_DENSA. Dacă detectorul întoarce un
rezultat negativ, regiunea curentă se etichetează ca REG_TRANZ
Detectarea regiunilor de tip Neregulată are ca scop evidenţierea “zimţurilor” care apar în
semnal, adică a unor neregularităţi care indică posibilitatea rostirii unor consoane plozive (/C/
sau /G/). Aceste consoane au forma unor impulsuri de durată scurtă ce urmează după o perioadă
de aprox. 5 ms de linişte (vezi figura 4.28) :
Figura 4.28. Consoana plozivă /C / din cadrul silabei /CA/
În figura 4.28 se observă că această consoană are forma a trei succesiuni de impulsuri
care urmează după mici perioade de linişte. Ca modalitate de detecţie, se calculează energia
negativă (adică energia semnalului de amplitudine negativă) Eneg(m) din stânga fiecărui punct de
minim m, începind cu dx = -0.225 ms, pe o durată D = 1 ms. Dacă raportul: Rneg = m 2 / Eneg(m)
este mai mare decât un prag dat, atunci regiunea este de tip Neregulată. Algoritmul de detecţie
este următorul:
Detectorul pentru regiunea Neregulată:
(1) Pentru fiecare punct P(i) de tip minim (MIN) se calculează energia negativă
E_NEG(i) din stânga lui P(i) pe durata D.
(2) Se calculează raportul R_NEG(i) şi se reţine raportul maxim R_NEG_MAX.
(3) Dacă R_NEG_MAX > K şi durata regiunii D(ireg) < 10ms, se returnează
True pentru a eticheta regiunea curentă ca regiune de tip Neregulată.

Figura 4.29 arată rezultatul detectării acestui tip de regiune:
99
Cap. 4. Analiza semnalului vocal
Figura 4.29. Detectarea regiunilor de tip REG_NEREG (regiune neregulată scurtă).
Regiunile clasificate astfel sunt figurate cu galben.
Detectarea regiunilor de tip Tranzitorie densă este necesară pentru evidenţierea unor
regiuni cu pondere mare a frecvenţelor ridicate în spectru, care pot fi de tipul consoanelor
fricative. Detecţia acestui tip de regiuni se bazează pe calculul unui raport dintre amplitudinile
frecvenţelor spectrale ale unui filtru trece-bandă 2500Hz – 4000Hz şi ale unui filtru trece-jos cu
frecvenţa de tăiere 1000Hz, astfel:
unde:
R
T 2
kT
1
dens P
k1
FFT ( k)
FFT ( k)
(4.61)
- FFT(k) este modulul transformatei Fourier a semnalului din poziţia spectrală k ;
- T1 este poziţia spectrală corespunzătoare frecvenţei de 2000Hz :
2500N
T1 , cu N = numărul de eşantioane din segmentul curent, Fes fiind frecvenţa
F / 2
es
de eşantionare ;
- T2 este poziţia spectrală corespunzătoare frecvenţei de 3000Hz :
4000N
T2 , cu N = numărul de eşantioane din segmentul curent, Fes = frecvenţa de
F / 2
es
eşantionare ;
- P este poziţia spectrală corespunzătoare frecvenţei de 700Hz :
1000N
P .
F / 2
es

Detectorul regiunii tranzitorii dense funcţionează după următorul algoritm:
Detectorul pentru regiunea Tranzitorie densă :
(1) Se calculează transformata Fourier pe termen scurt pentru
segmentul considerat.
(2) Se calculează raportul R_DENS(ireg).
(3) Dacă R_DENS(ireg) > KD, se returnează valoarea True
pentru a eticheta regiunea curentă ca regiune de tip
Tranzitorie densă.
100
Cap. 4. Analiza semnalului vocal
Figura 4.30 prezintă comparativ graficul spectral FFT pentru o vocală (figura 4.30a) şi o
consoană fricativă (figura 4.30b). Se observă diferenţa amplitudinilor de frecvenţă în benzile 0-
1000Hz, respectiv 2500Hz-4000Hz.
Figura 4.31 prezintă rezultatul detectării regiunii de tip Tranzitorie densă.
(a) (b)
Figura 4.30. Graficul spectrelor FFT pentru o vocală (a) şi o consoană fricativă (b)
Figura 4.31. Detectarea unei regiuni de tip REG_TRANZ_DENSA (regiune tranzitorie densă)
În stânga: spectrul FFT ; în dreapta: regiunea detectată, figurată prin line roşie dublă.

4.4.3. Compactarea regiunilor
101
Cap. 4. Analiza semnalului vocal
După etapa de detectare a regiunilor, integrarea acestora într-o categorie segmentală de
tipul Linişte, Sonoră, Nesonoră respectiv Tranziţie, şi după clasificarea într-una din cele 10
clase de regiuni, urmează faza de compactare. Compactarea realizează gruparea regiunilor de
dimensiuni mici într-o aceeaşi categorie segmentală.
S-a remarcat faptul că după prima aplicare a algoritmului de segmentare se generează un
număr mare de regiuni. Dacă regiunile sonore sunt determinate corect de la început, regiunile
nesonore sunt fragmentate de o serie de regiuni de linişte, din cauza faptului că de obicei aceste
regiuni nesonore au amplitudine mică. De asemeni, din cauza balansării semnalului deasupra sau
dedesubtul liniei de zero, în cadrul unui segment nesonor pot apărea şi segmente tranzitorii.
Algoritmul de compactare stabileşte mai întâi o secvenţă de regiuni ale cărei capete pot fi
vocale Sonore sau Linişte :
unde :
R R ,..., R R
S , , cu
0, 1 n1
n
R , Rn
VL {
REG _VOC,
REG _ LIN}
(4.62)
0
c k 1,
VL
Ri C k | 10 , i 1 , n 1
Ri reprezintă regiunile clasificate într-una din cele 10 clase ck (figura 4.32).
R0
. . .
R1 R2
Rn-1
Rn
Figura 4.32. Secvenţa de regiuni de compactat
După stabilirea secvenţei de regiuni de compactat (regiunile de capăt R0 şi Rn nu se
compactează), se încearcă gruparea regiunilor într-una sau eventual mai multe regiuni nesonore
astfel :
Cazul 1. Dacă ponderea regiunilor de tip consoană nesonoră REG_CONS este mai mare
decât un prag K1, atunci secvenţa S se compactează într-o singură regiune de tip consoană
nesonoră REG_CONS.
Algoritmul care detectează acest tip de compactare este următorul (ireg1 este indicele
regiunii R0, iar ireg2 este indicele regiunii Rn):
for (i = ireg1+1; i < ireg2; i++)
{
durata = Reg[i].stop - Reg[i].start;
SumTotal += durata;
if (Reg[i].tip == REG_CONS)
SumCons+=durata;
}
p = SumCons / SumTotal;
if (p>0.5) return true;
else return false.

102
Cap. 4. Analiza semnalului vocal
Compactarea unei secvenţe de regiuni într-o singură regiune de tip consoană nesonoră
este ilustrată în figurile 4.33 şi 4.34. Marginea din stânga (regiunea 23) este o regiune de tip
linişte, iar marginea din dreapta (regiunea 38) este o regiune vocalică:
Figura 4.33. Secvenţa de regiuni după prima aplicare a algoritmului
Figura 4.34. Compactarea regiunilor într-un segment de tip consoană nesonoră
Cazul 2. Dacă ponderea regiunilor de tip consoană nesonoră REG_CONS şi a regiunilor
de tip linişte-nesonoră REG_LIN_CONS este mai mare decât un prag K2, atunci secvenţa S se
compactează într-o singură regiune de tip linişte-nesonoră REG_LIN_CONS. Algoritmul pentru
acest caz este următorul :
for (i = ireg1+1; i < ireg2; i++)
{
durata = Reg[i].stop - Reg[i].start;
SumTotal += durata;
if ((Reg[i].tip == REG_CONS) or (Reg[i].tip == REG_LIN_CONS)
SumLinCons+=durata;
}
p = SumLinCons / SumTotal;
if (p>0.3)
return true;
else
return false.

103
Cap. 4. Analiza semnalului vocal
Un exemplu de segmentare pentru o regiune de tip linişte nesonoră este arătat în figurile
4.35, respectiv 4.36. Aici regiunile numerotate sunt nesonore, regiunile figurate cu o singură
linie, nenumerotate, sunt regiuni de linişte, iar regiunile figurate cu linie dublă sunt regiuni
tranzitorii :
Figura 4.35. Regiunile dintr-un segment nesonor după prima aplicare a algoritmului
Toate aceste regiuni vor fi compactate în cea de-a doua trecere a algoritmului, astfel că
rezultatul va fi o singură regiune de tip linişte-nesonoră, aşa cum se poate vedea în figura 4.36 :
Figura 4.36. Compactarea regiunilor într-un segment de tip linişte-nesonoră
Cazul 3. Dacă cele două condiţii anterioare de la punctele 1 şi 2 nu sunt îndeplinite,
atunci secvenţa de regiuni se compactează în felul următor :
Regiunile neregulate scurte (REG_NEREG) şi regiunile de tip linişte nesonoră
(REG_LIN_CONS) de durată mai mare de 5 ms vor fi lăsate pe loc, iar celelalte regiuni vor fi
compactate într-o singură regiune tranzitorie.
Regiunile ce se compactează pot fi de tipul : consoană nesonoră, linişte-nesonoră de
durată mică, de tip salt, tranzitorie sau tranzitorie densă, ţinând cont că la capetele secvenţei de
compactare avem întotdeauna regiuni vocale sau linişte.
R0
1 2 3 4 5 6 7 8
C1
LIN NRG
Figura 4.37. Compactarea regiunilor tranzitorii
În figura 4.37, regiunile 1, 2 şi 3 se vor compacta în regiunea tranzitorie C1, iar regiunile
5 şi 6 în regiunea tranzitorie C2.
C2
Rn

Algoritmul de compactare în acest caz arată astfel :
st = ireg1;
for (dr = st+1;dr< = ireg2;dr++)
{
duration = (TabReg[dr].stop-TabReg[dr].start);
tip = TabReg[dr].tip;
if ( (dr == ireg2) or (tip == REG_NEREG) or
((duration>5) and (tip == REG_LIN_CONS)) )
{
nr_compactări = dr-st-2;
if (nr_compactări >0)
{
TabReg[st+1].tip = REG_TRANZ;
// Se mută regiunile la stânga cu dr-st-2 poziţii
for(i = dr;i

4.4.4. Rezultatul final al segmentării în clase de regiuni
105
Cap. 4. Analiza semnalului vocal
În figura 4.40 se prezintă rezultatul final al segmentării în clase de regiuni pentru
sintagma « Evidenţierea unui cadru general ». Se pot observa aici următoarele clase: vocale-
sonore – desenate cu portocaliu, consoane nesonore – o linie roşie, regiuni de tranziţie – linie
roşie dublă, linişte – fără linie, linişte nesonoră – albastru.
Figura 4.40. Rezultatul final al segmentării în clase de regiuni pentru sintagma :
« Evidenţierea unui cadru general »

106
Cap. 4. Analiza semnalului vocal
4.4.5. Concluzii privitoare la segmentarea semnalului vocal în clase de
regiuni
Aşa cum am văzut, segmentarea în clase de regiuni este o etapă a analizei semnalului
vocal utilizată atât în sinteza, cât şi în recunoaşterea vorbirii. Pentru sinteza bazată pe corpus în
general, şi pentru sinteza bazată pe concatenarea unităţilor, este de mare importanţă segmentarea
şi adnotarea corpusului vorbit, respectiv crearea unei baze de date cu unităţi acustice, într-un
mod cât mai eficient. Segmentarea automată a semnalului vocal în clase de regiuni împlineşte
aceste necesităţi, alături de segmentarea fonematică - ce va fi prezentată în capitolul următor.
Algoritmul propus de autor realizează segmentarea automată a semnalului vocal în 10
clase de regiuni. Abordarea este în domeniul timp al analizei, deşi detectarea unor clase
particulare a necesitat şi calcule în domeniul frecvenţelor. Algoritmul împarte mai întâi semnalul
vocal în 4 categorii de bază : linişte, sonoră, nesonoră, respectiv tranziţie, apoi realizează
clasificarea în cele 10 clase distincte de regiuni: linişte, consoană nesonoră, vocală sonoră,
linişte-nesonoră, de tip salt, neregulată, tranzitorie, tranzitorie densă, discontinuă de tip R şi
discontinuă de tip G.
Avantajul algoritmului faţă de alte abordări este rapiditatea derivată din efectuarea
calculelor în domeniul timp şi detectarea categoriilor de bază dintr-o singură parcurgere a
eşantioanelor de semnal. De asemeni, diferitele tipuri de regiuni sunt detectate în principal pe
baza parametrilor obţinuţi în prima fază a algoritmului.
În această etapă s-au proiectat:
- un algoritm de determinare a punctelor de zero, minim şi maxim din semnalul vocal în
domeniul timp;
- o metodă de detecţie a segmentelor S/U/V (Silence/Voiced /Unvoiced) şi clasificare în
tipuri de regiuni a semnalului vocal, metodă ce cuprinde :
- 4 detectori pentru categoriile de bază (linişte, sonoră, nesonoră, tranziţie) ;
- 8 clasificatori pentru clasele de regiuni propriu-zise (linişte, consoană nesonoră, vocală
sonoră, linişte-nesonoră, de tip salt, neregulată, tranzitorie, tranzitorie densă);
de tip G);
- 2 detectori pentru determinarea subregiunilor (discontinuitate de tip R şi discontinuitate
- un algoritm de compactare a regiunilor pentru gruparea regiunilor similare şi reducerea
numărului de regiuni.

107
Cap. 4. Analiza semnalului vocal
4.5. Detectarea perioadelor din forma de undă. Punctele de închidere
glotală
Detectarea perioadelor din forma de undă, corespunzând frecvenţei fundamentale a
semnalului, este importantă atât pentru analiza sincronă cu frecvenţa ( pitch synchronous
analysis), cât şi pentru modificarea proprietăţilor semnalului vocal în domeniul timp (de exemplu
modificarea tonalităţii, intonaţiei şi ritmului vorbirii).
Metodele folosite pentru detectarea perioadelor formei de undă [Nay07] utilizează
modelarea LPC, calculând vârfurile din semnalul rezidual LPC prin filtrare adaptivă, sau calculul
discontinuităţilor spectrale prin transformate timp-frecvenţă, discontinuităţi de energie în
semnalul vorbit sau în forma de undă corespunzătoare tractului vocal.
O metodă generică este cea prezentată de Childers şi Hu în [Chi94]. Metoda utilizează
rezultatele segmentării S/U/V a semnalului vocal precum şi semnalul erorii de predicţie e(n) din
analiza LPC pentru a detecta atât perioadele din forma de undă a semnalului de intrare, cât şi
punctele de închidere glotală GCI ( Glottal Closure Instants). Punctele GCI corespund cu
momentele de vibraţie ale glotei în producerea semnalului vocal, respectiv cu trenurile de
impulsuri în semnalul de excitaţie glotală.
Algoritmul de detecţie constă din două etape: (1) estimarea perioadelor din forma de
undă şi (2) alegerea vârfului de semnal corespunzător fiecărei perioade.
1. Estimarea perioadelor din forma de undă
Algoritmul de estimare a perioadelor din semnalul de intrare este următorul:
P1. Se consideră un segment din semnalul erorii de predicţie LPC, semnal notat cu eLp(n).
P2. Se aplică un filtru trece-jos segmentului considerat.
P3. Se calculează cepstrumul Ce(n) pe segmentul n:
Ce Lp
( n)
IFFT (| FFT ( e ( n))
|), 1n
N
(4.63)
unde N este dimensiunea cadrului ( N 25).
P4. Se caută indexul m pentru care Ce(m) are amplitudinea maximă în subsetul:
i)
| 25 i
N
C e
( (4.64)
P5. Se caută indexul k pentru care Ce(k) are amplitudinea maximă în subsetul:
( i)
| 25 i m
25
C e
(4.65)
P6. Dacă Ce(k) > K Ce(m) (unde constanta K ~ 0.7), k este perioada estimată; în caz contrar
se alege indicele m pentru această estimare.
P7. Dacă se observă o schimbare bruscă în perioada formei de undă în comparaţie cu
perioadele detectate anterior, atunci semnalului i se aplică un filtru trece-jos şi
algoritmul se reia cu pasul 3.

108
Cap. 4. Analiza semnalului vocal
2. Detectarea vârfului de semnal corespunzător GCI pentru fiecare perioadă
Detectarea vârfului de semnal corespunzător GCI se realizează astfel:
P1. În fiecare cadru analizat (de 256 de eşantioane) se caută vârful cu valoarea minimă
negativă din eLp(n).
P2. Se ia o fereastră în jurul vârfului considerat. Dacă N este numărul total de eşantioane din
fereastră, atunci se consideră N/3 eşantioane în faţa vârfului, şi 2N/3 eşantioane în
spatele vârfului (se ia N=46).
P3. Se calculează funcţia de corelaţie a ferestrei considerate faţă de semnalul eLp(n). Astfel
se creează semnalul de corelaţie Cte(n).
P4. Vârfurile pozitive din Cte(n) dau estimările iniţiale pentru punctele GCI.
P5. Se ajustează estimările iniţiale ale GCI pe baza perioadelor detectate cu algoritmul de la
punctul 1; se ţine cont şi de faptul că perioada minimă este 25 de eşantioane.
a)
GCI GCI GCI GCI
b)
Figura 4.41. Ilustrarea algoritmului de detecţie a perioadelor şi punctelor glotale GCI.
a) secvenţa erorii de predicţie eLp(n); b)secvenţa semnalului corelat Cte(n)

109
Cap. 4. Analiza semnalului vocal
4.6. Contribuţii ale autorului în determinarea perioadelor de semnal
Aşa cum am văzut în secţiunea 4.5, una din cele mai uzuale metode de determinare a
punctelor de impuls glotal (corespunzătoare perioadelor de semnal) se bazează pe calculul erorii
de predicţie LPC, deci are la bază un mod de calcul indirect [Chi94]. De asemeni, au fost
dezvoltate metode folosind funcţia de autocorelaţie, calculul cepstrumului şi filtrarea inversă
(SIFT) pentru a estima perioada de semnal [Nay07], sau metode statistice, precum [Sak03].
Aceste metode determină valori medii ale perioadei - necesare în procesul analizei - dar nu
determină în mod exact cadrul corespunzător pentru fiecare perioadă.
În scopul extragerii proprietăţilor glotale corespunzătoare unei perioade de semnal, este
necesară o abordare sincronă cu frecvenţa. Algoritmul propus de autor realizează acest lucru, şi
se aplică nu unui semnal generic oarecare, ci în mod specific unui semnal vocal sonor,
cvasiperiodic.
4.6.1. Algoritmul de determinare a perioadelor şi maximelor de perioadă
Algoritmul propus de autor se bazează pe un mod de calcul exclusiv în domeniul timp,
ceea ce îl face deosebit de rapid şi eficient. Alte avantaje care derivă din această abordare sunt:
detectarea exactă a capetelor intervalului de perioadă, determinarea precisă a fiecărei perioade
dintr-un segment sonor cvasiperiodic cu frecvenţa variabilă, determinarea rapidă a maximelor de
perioadă.
Algoritmul este prezentat în figura 4.42 :
Determinare Pivot
Estimare Perioadă
Detecţie Puncte de Maxim Detecţie Puncte Hiatus
Marcare Perioadă
Figura 4.42. Algoritmul de determinare a perioadelor de semnal
Aşa cum se observă din figura 4.42, algoritmul are 4 paşi succesivi: determinarea
punctului de plecare (punctul pivot), determinarea unei estimări a perioadei, detecţia punctelor
de maxim şi de hiatus pentru fiecare perioadă, şi apoi marcarea intervalelor de perioadă.
Punctul pivot este necesar a fi determinat pentru a şti poziţia primului maxim de
perioadă, în funcţie de care se vor calcula toate celelalte puncte de maxim. Pentru determinarea

110
Cap. 4. Analiza semnalului vocal
acestuia, după o filtrare mediană a semnalului, se calculează cu algoritmul ZeroMinMax
(prezentat în paragraful 4.4.1) punctele de zero, minim şi maxim din semnalul sonor. Apoi se ia
eşantionul din semnal care are amplitudinea cea mai mare dintre punctele de maxim, pe o
distanţă D de la începutul segmentului considerat. Acesta este punctul pivot.
Apoi se încearcă estimarea perioadei actuale a semnalului în jurul punctului pivot. Pentru
aceasta se determină punctele din vecinătatea stânga şi dreapta a punctului pivot care au
amplitudinea comparabilă cu acesta. Prin medierea distanţelor între aceste două puncte şi punctul
pivot central se obţine estimarea iniţială a perioadei.
În pasul al treilea se determină toate maximele de perioadă, pornind de la punctul pivot
către stânga, respectiv către dreapta. Un maxim de perioadă se determină astfel: ştiindu-se că
distanţa faţă de punctul anterior este egală cu perioada estimată, se găseşte punctul de maxim
local care se află la distanţa minimă faţă de această poziţie.
Dacă la o anumită iteraţie nu se găseşte un punct de maxim care să se găsească în poziţia
preconizată, fie din cauza depăşirii perioadei admise, fie din cauza amplitudinii mici de semnal,
următorul punct de maxim local se marchează ca hiatus de perioadă – în primul caz, respectiv ca
hiatus de amplitudine – în cel de-al doilea.
În final, în pasul patru, după determinarea tuturor punctelor de maxim de perioadă, se
calculează punctele de capăt ale intervalelor de perioadă. Punctul de start al fiecărui interval se ia
ca fiind primul punct de zero care precede maximul de perioadă corespunzător. Astfel fiecare
interval de perioadă începe la punctul său de zero iniţial şi durează până la punctul iniţial al
intervalului următor.
Algoritmul Determina_Perioade :
P1. Pe segmentul considerat se determină punctul pivot.
P2. Se determină perioada iniţială prin găsirea punctelor de amplitudine
comparabilă cu pivotul în stânga şi dreapta sa.
P3. Se determină maximele de perioadă :
a) între poziţia de start a segmentului şi poziţia pivotului;
b) între poziţia pivotului şi poziţia de sfârşit a segmentului.
Dacă în acest pas se gaseşte un punct de hiatus, atunci se apelează
recursiv algoritmul între poziţia de hiatus şi poziţia finală.
P4. Se marchează intervalele de perioadă prin găsirea punctelor de zero
ce preced maximele de perioadă.
Din descrierea algoritmului global în pseudocod reiese modul cum se apelează
procedurile corespunzătoare celor 4 etape :
DeterminaPerioade(poz_start, poz_stop, perioada)
// Calculeaza maximele de perioadă pentru un segment sonor
// La inceput perioada =0
{
// P1. Determinarea punctului pivot:
pivot=DeterminaPivot(poz_start, poz_stop, poz_pivot);

P2. Estimarea perioadei:
if(perioada==0.)
EstimarePerioada(poz_pivot,poz_start,poz_stop,perioada);
// P3a. Determinarea maximelor de perioadă
// între poziţia de start a segmentului şi poziţia pivotului
perioada1=perioada;
complet=DeterminaMaximePerioade(poz_pivot,poz_start,perioada1,poz_hiat);
if(!complet)
{
if(DurationIndex(poz_hiat,poz_start) > 45 /* ms */)
perioada1=0; // se recalculează şi perioada
DeterminaPerioade(poz_start,poz_hiat,perioada1);
}
// P3b. Determinarea maximelor de perioadă
// între poziţia pivotului şi poziţia de sfârşit a segmentului
perioada2=perioada;
complet=DeterminaMaximePerioade(poz_pivot,poz_stop,perioada2,poz_hiat);
if(!complet)
{
if(DurationIndex(poz_stop,poz_hiat) > 45)
perioada2=0; // se recalculează şi perioada
DeterminaPerioade(poz_hiat,poz_stop,perioada2);
}
// P4. Marcarea intervalelor de perioadă:
MarcarePerioade(poz_start, poz_stop);
}
4.6.1.1. Determinarea pivotului
111
Cap. 4. Analiza semnalului vocal
Punctul pivot reprezintă punctul de referinţă în funcţie de care se vor calcula toate
celelalte puncte de maxim de perioadă. Pentru determinarea acestuia, după o filtrare mediană a
semnalului, se calculează cu algoritmul ZeroMinMax punctele de zero, minim şi maxim din
semnalul sonor. Apoi se ia eşantionul din semnal care are amplitudinea cea mai mare dintre
punctele de maxim, pe o distanţă D de la începutul segmentului considerat. Acesta este punctul
de start: punctul pivot.
Mk(i)
D
PIV
Figura 4.43. Determinarea punctului pivot

Punctul pivot se determină conform relaţiei :
PIV max( M k ( i)),
k 0,..
N ; i D
(4.66)
unde N reprezintă numărul de maxime locale Mk din segmentul considerat.
Algoritmul Determină_Pivot :
(1) Se iniţializează valoarea pivotului: PIV=0 ;
112
Cap. 4. Analiza semnalului vocal
(2) Pentru fiecare punct Mk(i) de tip maxim local (MAX) se execută paşii (3) şi (4)
(3) Se determină condiţia C_PIV = (Mk(i) > PIV ) AND (Mk(i) != HIAT_PERIOD)
AND (Mk(i) != HIAT_AMPLITUDE)
(4) Dacă C_PIV este adevărată, atunci PIV = Mk (i).
(5) Dacă PIV>0 se returnează True, altfel False.
Prin modul de determinare a punctului pivot se observă că acesta este întotdeauna un
punct de maxim de perioadă. Astfel el poate fi considerat ca fiind punctul de referinţă pentru
determinarea celorlalte maxime de perioadă din segmentul de semnal analizat.
4.6.1.2. Estimarea perioadei
În pasul al doilea se face estimarea perioadei actuale a semnalului în jurul punctului
pivot. Pentru a face estimarea se determină punctele din vecinătatea stânga şi dreapta a punctului
pivot care au amplitudinea comparabilă cu acesta. Dacă cele două estimări sunt aproximativ
egale, estimarea iniţială a perioadei se obţine prin medierea distanţelor între aceste două puncte
şi punctul pivot central. Dacă cele două estimări sunt diferite, atunci se ia perioada cea mai
apropiată de valoarea medie a perioadelor vocalice determinate până în acel moment. Acest mod
de calcul creşte robusteţea algoritmului ducând la minimizarea erorilor de estimare pentru
perioada de semnal.
MS(i) PIV MD(j)
D1 D2
Figura 4.44. Estimarea perioadei actuale a semnalului

Estimarea perioadei actuale se face conform relaţiilor:
113
Cap. 4. Analiza semnalului vocal
D
1 d
( PIV , M S ( i))
D
2 d
( PIV , M D ( j))
(4.67)
PER
(
D1
D
2 ) / 2
unde:
- MS(i) este punctul de maxim local din stânga pivotului de amplitudine comparabilă cu
pivotul: ( ( i),
PIV ) S
M S
- MD(j) este punctul de maxim local din dreapta pivotului de amplitudine comparabilă cu
acesta: ( ( j),
PIV ) S
M D
Algoritmul de estimare a perioadei este explicat în cele ce urmează :
Algoritmul Estimare_Perioadă :
(1) Se iniţializează valorile de perioadă din stânga şi dreapta pivotului: Per[Stânga] =
Per[Dreapta] = 0 , Stânga =0 , Dreapta = 1 , ind_per = 0;
(2) Pentru direcţia Stânga, apoi Dreapta se execută paşii (3) – (9) ;
(3) Pentru raportul de amplitudine R_AMP = 70%, scăzând cu 10% la fiecare iteraţie, se
execută paşii (4) – (9) ;
(4) Pentru fiecare punct P(i) de tip maxim local (MAX) ce urmează după pivotul PIV în
direcţia curentă se execută paşii (5) - (9).
(5) Se calculează distanţa – în număr de eşantioane - dintre pivot şi punctul curent : DIST
= D( P(i) , PIV )
(6) Dacă DIST < D_MIN (se ia D_MIN corespunzător valorii de 2,5 ms), atunci P(i) nu este
un maxim de perioadă şi se reia pasul (4) cu următoarea iteraţie ;
(7) Dacă DIST > D_MAX (se ia D_MAX corespunzător valorii de 12,5 ms), atunci P(i) nu
este un maxim de perioadă şi se reia pasul (4) cu următoarea iteraţie;
(8) Se calculează COND_GASIT = P(i) / PIV > R_AMP;
(9) Dacă COND_GASIT e adevărată, înseamnă că s-a găsit următorul maxim de perioadă:
se reţine valoarea perioadei corespunzătoare: Per[ind_per] = | i – i_pivot | ; se reia pasul (2) cu
următoarea iteraţie, căutându-se următorul maxim de perioadă în cealaltă direcţie;
(10) În finalul iteraţiilor, dacă Per[Stânga] = 0, se ia pentru valoarea perioadei estimate
PER = Per[Dreapta] ; dacă Per[Dreapta] = 0, se ia pentru valoarea perioadei estimate PER =
Per[Stânga] ; se returnează True. Acest caz se întâlneşte când pivotul a fost detectat în
extremitatea stânga sau dreapta a segmentului considerat;
(11) Dacă valorile celor două perioade diferă cu o marjă mică de eroare: |Δ(Per[Stânga] -
Per[Dreapta])| < Δ_ER, atunci se ia pentru valoarea perioadei estimate: PER = (Per[Stânga] +
Per[Dreapta]) / 2; se returnează True;
(12) Dacă |Δ(Per[Stânga] - Per[Dreapta])| > Δ_ER, atunci se ia pentru valoarea perioadei
estimate perioada cea mai apropiată de valoarea medie Per_Med a perioadelor vocalice
calculată până în acel moment: PER = Per[k], unde k minimizează expresia |Δ(Per[k] –
Per_Med)| ; se returnează True.

4.6.1.3. Detectarea maximelor de perioadă
114
Cap. 4. Analiza semnalului vocal
În această etapă se determină toate maximele de perioadă, pornind de la punctul pivot
către stânga, respectiv către dreapta. Pornind de la un maxim care a fost determinat, următorul
maxim de perioadă se găseşte astfel: mai întâi se face o estimare a poziţiei acestui punct ştiinduse
că distanţa faţă de punctul anterior este egală cu perioada curentă estimată, apoi se determină
punctul de maxim local care se află la distanţa minimă faţă de poziţia estimată. Perioada curentă
se actualizează în conformitate cu poziţia ultimului punct găsit.
Dacă la o anumită iteraţie nu se găseşte un punct de maxim care să se găsească cu o
marjă de eroare în poziţia preconizată, fie din cauza depăşirii perioadei admise, fie din cauza
amplitudinii mici de semnal, următorul punct de maxim local se marchează ca hiatus de perioadă
– în primul caz, respectiv ca hiatus de amplitudine – în cel de-al doilea.
k=NS
Mk-1(j)
Mk(i)
Dk
Pk-1
Figura 4.45. Detectarea maximelor de perioadă pornind de la punctul pivot
în stânga, respectiv în dreapta
Condiţia pentru determinarea unui maxim de perioadă Mk(i) este următoarea:
D
k d
( M k 1
( j),
M k ( i))
(4.68)
| Dk
P
k 1
| / Pk
1
unde:
- Dk este distanţa dintre punctul de maxim precedent Mk-1(j) şi punctul maxim curent Mk(i);
k = 1.. NS în stânga pivotului, k = 1.. ND în dreapta pivotului;
- Pk-1 este perioada estimată la pasul anterior, unde P0 a fost determinată conform
algoritmului din paragraful 4.6.1.2 ;
- Δ este pragul pentru eroarea relativă între perioada estimată la pasul anterior şi distanţa
efectivă dintre ultimele două puncte de maxim.
După determinarea unui maxim de perioadă Mk(i) se realizează actualizarea perioadei
estimate Pk:
Pk k
k
PIV
k=0
( P 1 N(
k)
D
) /( N(
k)
1
)
(4.69)
În relaţia (4.69), N(k) este un factor de ponderare care poate fi ales egal cu numărul de
perioade parcurse până la pasul anterior, adică N(k) = k - 1, sau poate fi ales egal cu o constantă.
În algoritmul prezentat mai jos s-a ales varianta constantei ( N=4) care introduce o modificare
mult mai rapidă a perioadei estimate curente, ce ţine seama de modificările reale ale frecvenţei
semnalului datorită folosirii intonaţiei în rostire.
k=ND

115
Cap. 4. Analiza semnalului vocal
Algoritmul pentru determinarea maximelor de perioadă este descris în cele ce urmează:
Algoritmul Determina_Maxime_Perioade:
(1) Se iniţializează intervalele de căutare pentru un maxim de perioadă : Dmin =
Per0(1-Δ); DMax = Per0(1+Δ), unde Per0 este perioada estimată iniţial cu algoritmul
EstimarePerioadă ;
(2) Se iniţializează amplitudinea maximului curent cu 0: MaxCrt = 0, respectiv a
maximului anterior cu valoarea (ca amplitudine) a pivotului : MaxAnter = PIV ;
(3) Pentru fiecare punct Mk(i) de tip maxim local (MAX) situat între poziţia pivotului şi
capătul din stânga, respectiv dreapta al segmentului, se execută paşii (4) – (13)
(4) Se calculează distanţa Dk dintre punctul maxim curent Mk(i) şi punctul maxim
anterior Mk-1(j) (primul maxim este pivotul): Dk = d( Mk(i), Mk-1(j) ) ;
(5) Dacă Dk < Dmin, se merge la pasul (3) cu următoarea iteraţie ;
(6) Dacă Dk < Dmax : dacă Mk(i) > MaxCrt, atunci MaxCrt = Mk(i) şi se merge la pasul
(3) cu următoarea iteraţie
(7) Dacă Dk > Dmax, verificăm dacă am găsit următorul maxim de perioadă ; se
execută paşii (8) – (13) ;
(8) Dacă MaxCrt == 0, înseamnă că n-am găsit nici un maxim în intervalul preconizat
de o perioadă ; în acest caz maximul următor se marchează ca fiind un punct de hiatus de
perioadă : Mk(i) = HIAT_PERIOD ; se iese din program cu valoarea False, indicându-se
faptul că algoritmul s-a oprit la un punct de hiatus.
(9) Dacă MaxCrt Prag_Linişte, atunci am găsit următorul maxim de perioadă; se
marchează maximul curent ca un maxim de perioadă : Mk(i) = MAX_PERIOD şi se execută
paşii (11) - (13).
(11) Se actualizează perioada curentă : Per 4Per
D
) / 5.
k
( k 1 k
(12) Se refac iniţializările pentru găsirea următorului maxim de perioadă : MaxCrt =0 ;
Dmin = Perk(1-Δ) ; DMax = Perk(1+Δ).
(13) Se merge la pasul (3) cu următoarea iteraţie.
(14) În finalul iteraţiilor, am ajuns la capătul segmentului cu toate punctele de maxim de
perioadă determinate ; se returnează valoarea True.
Un exemplu de determinare automată a maximelor de perioadă, în care s-a identificat de
asemeni şi un punct de hiatus, este ilustrat în figura 4.46.
Figura 4.46. Detectarea automată a maximelor de perioadă

116
Cap. 4. Analiza semnalului vocal
În figura 4.46, toate punctele 1 – 22 fac parte din aceeaşi regiune vocalică. Algoritmul a
identificat punctul 9 ca fiind punctul pivot, apoi a determinat maximele de perioadă mai întâi spre
stânga (punctele 8 – 1) şi apoi spre dreapta (punctele 10 – 13). După punctul 13 nu s-a mai putut
identifica un maxim situat la distanţa estimată de perioadă, deci punctul s-a marcat ca un hiatus,
şi algoritmul se reia începând cu acest punct până la capătul segmentului. Din nou s-a determinat
punctul pivot (19), s -a estimat o nouă perioadă, şi s-au determinat toate celelalte maxime de
perioadă.
4.6.1.4. Marcarea intervalelor de perioadă
După determinarea tuturor punctelor de maxim de perioadă, se calculează punctele de
capăt ale intervalelor de perioadă. Punctul de start al fiecărui interval se ia ca fiind primul punct
de zero care precede maximul de perioadă corespunzător. Astfel fiecare interval de perioadă
începe la punctul său de zero iniţial şi durează până la punctul iniţial al intervalului următor.
Mk(i) Mk+1(j)
Zk(m) Zk+1(n)
PERk
Figura 4.47. Determinarea intervalelor de perioadă
Intervalul de perioadă PERk corespunzător punctului de maxim Mk(i) se calculează
conform relaţiei :
PERk d(
Z k ( m),
Z k 1
( n))
(4.70)
unde:
- Zk(m) este primul punct de zero anterior lui Mk(i)
- Zk+1(n) este primul punct de zero anterior lui Mk+1(j)
Calculată în număr de eşantioane, PERk = n-m , iar pe axa timpului :
PERk(t) = (n-m)/Fes , unde Fes este frecvenţa de eşantionare.
Algoritmul care realizează marcarea intervalelor de perioadă este următorul :
Algoritmul Marcare_Perioade:
(0) Se iniţializează începutul primului interval de perioadă: k = 0 şi Start0 = Start_Segment;
(1) Pentru fiecare punct P(i) din interiorul segmentului considerat, se execută paşii (2) – (6)
(2) Dacă P(i) este un punct de tip ZERO, se reţine poziţia lui : Zk(m)=P(i).
(3) Dacă P(i) este un punct de tip maxim de perioadă (MAX_PERIOD), se execută paşii (4)
– (6) ; dacă nu, se merge la pasul (6).
(4) Pentru k >= 1, se reţine poziţia de început a perioadei curente : Startk = m, unde m este
indicele ultimului punct de zero detectat la pasul (2).

117
Cap. 4. Analiza semnalului vocal
(5) Pentru k >= 1, se marchează începutul şi sfârşitul intervalului de perioadă anterior:
PERk-1.start = Startk-1 ; PERk-1.end = Startk ; k = k+1.
(6) Se merge la pasul (1) cu iteraţia următoare.
(7) La sfârşit, se marchează şi ultimul interval de perioadă : PERk-1.start = Startk-1 ;
PERk-1.end = End_Segment.
4.6.1.5. Rezultate obţinute cu algoritmul propriu de determinare a intervalelor de
perioadă
Algoritmul funcţionează cu rezultate bune atât în cazul vocii masculine, cât şi în cazul
celei feminine. În cazul vocilor cu timbru normal, rezultatele sunt exacte. Dacă timbrul vocii este
foarte bogat în armonici, din cauză că semnalul baleiază foarte rapid peste linia de zero, uneori
pot exista variaţii de 1-5% în determinarea punctelor de capăt pentru unele perioade, dar aceste
variaţii sunt compensate la perioadele vecine.
Algoritmul propus aici este mult mai precis decât metodele care implică analiza
semnalului în domeniul frecvenţă, dat fiind faptul că aici (în metoda propusă) se analizează
direct eşantioanele de semnal, fără a fi necesară ferestruirea – ce conduce întotdeauna la
aproximaţii.
În figura 4.48 se arată rezultatul final al determinării intervalelor de perioadă pentru o
vocală rostită de un vorbitor masculin:
Figura 4.48. Rezultatul final al determinării intervalelor de perioadă
Tabelul 4.6 indică lungimea intervalelor de perioadă pentru segmentul vocal de mai sus.
Tabelul 4.6. Lungimea intervalelor de perioadă pentru segmentul vocal exemplificat
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 Pmed
Nw 271 240 261 287 323 350 354 353 355 366 323 507 387 337
Tw
(ms)
6.12 5.42 5.89 6.48 7.30 7.91 8.00 7.98 8.02 8.27 7.30 11.4 8.75 7.60
În tabelul 4.6, NW indică lungimea celor 13 intervale de perioadă în număr de eşantioane, iar
Tw în milisecunde. Pe ultima coloană s-a calculat perioada medie.

118
Cap. 4. Analiza semnalului vocal
4.6.1.6. Concluzii cu privire la algoritmul propriu de determinare a intervalelor de
perioadă
În acest capitol s-a prezentat un algoritm propriu de determinare a intervalelor de
perioadă pentru un semnal vocal. Algoritmul este deosebit de exact, lucrând exclusiv în
domeniul timp al analizei. Spre deosebire de alte metode de calcul în domeniul frecvenţă, el nu
necesită ferestruire şi nici calcule complexe, fiind foarte rapid.
Metoda comportă patru paşi succesivi :
a. Determinarea punctului de plecare (punctul pivot);
b. Determinarea unei estimări a perioadei de semnal;
c. Detecţia punctelor de maxim şi de hiatus pentru fiecare perioadă;
d. Marcarea intervalelor de perioadă prin detectarea punctelor de capăt.
Fiecare etapă a necesitat elaborarea a câte unui algoritm distinct, care a fost prezentat
împreună cu rezultatele obţinute.
Au fost proiectaţi astfel 4 algoritmi :
- un algoritm în domeniul timp pentru determinarea punctului pivot, primul maxim de perioadă
în funcţie de care se calculează toate celelalte puncte de maxim ;
- un algoritm în domeniul timp pentru determinarea unei estimări a perioadei de semnal în jurul
punctului pivot ;
- un algoritm în domeniul timp pentru determinarea maximelor de perioadă, pornind de la
punctul pivot către stânga, respectiv către dreapta, în segmentul considerat ; algoritmul este de
asemenea capabil să detecteze punctele de hiatus care apar în segmentul vocal, şi le clasifică
în hiatus de perioadă, respectiv hiatus de amplitudine ;
- un algoritm în domeniul timp pentru determinarea punctelor de capăt ale intervalelor de
perioadă, puncte ce sunt strâns legate de maximele de perioadă.

4.7. Segmentarea fonematică
119
Cap. 4. Analiza semnalului vocal
În ultimii ani, sinteza vorbirii realizată prin concatenare a devenit din ce în ce mai
populară pentru înalta calitate a vocii sintetice pe care o oferă. Prin selectarea şi concatenarea
unităţilor de vorbire stocate într-o bază de date, astfel de sintetizatoare pot selecta o secvenţă de
unităţi ce corespunde foarte precis contextului de la intrare. Prin acest proces, modificarea
semnalului este minimă, păstrându-se astfel caracterul natural al discursului original.
Cu toate acestea, calitatea semnalului de vorbire obţinut la ieşire este extrem de
dependentă de corpusul din baza de date şi de prelucrările operate pe acest corpus. Rezultă de
aici importanţa etichetării şi adnotării corecte a corpusului existent, proces în care transcrierea
fonetică şi segmentarea fonematică sunt sarcini de primă importanţă.
Segmentarea fonematică reprezintă procesul de asociere a unor simboluri fonematice
prezente în textul de la intrare cu semnalul vorbit. În urma segmentării, din semnalul vorbit se
vor extrage unităţile acustice, care vor fi înregistrate apoi în baza de date.
Dacă transcrierea fonetică a textului nu implică dificultăţi deosebite, cea mai grea sarcină
în procesul de prelucrare a corpusului şi de creare a bazei de date vocale este cea de segmentare.
Acest lucru se datorează faptului că metodele de segmentare automată nu sunt suficient de fiabile
la ora actuală, şi astfel verificarea manuală a segmentării rămâne obligatorie, proces extrem de
costisitor atât în termeni de timp cât şi în costuri de dezvoltare.
Această nevoie de intervenţie manuală este considerată ca un factor de limitare pentru
construirea de noi corpusuri utilizate în sinteză. Având în vedere creşterea cererii înspre
diversificarea vocilor de sinteză, se impune îmbunătăţirea preciziei şi gradului de automatizare a
segmentării şi adnotării corpusurilor utilizate în aplicaţii de tip text-to-speech.
Pe plan internaţional au fost dezvoltate mai multe metode în vederea segmentării
automate sau semiautomate a semnalului vocal: metode iterative bazate pe antrenare, metode
bazate pe reguli de asociere, metode bazate pe calcule statistice, etc. Prezentăm în continuare pe
scurt trei dintre acestea, pe care le considerăm generice pentru rezolvarea acestui tip de
problemă.
Cele trei metode sunt: segmentarea cu modele Markov ascunse (Hidden Markov Models -
HMM), rafinarea frontierelor de regiuni, segmentarea bazată pe probabilităţi generalizate
(Generalized Likelihood Ratio - GLR).
4.7.1. Segmentarea fonematică folosind modele Markov ascunse
Această abordare este considerată o abordare standard pentru segmentarea semnalului
vocal. Algoritmul constă din doi paşi. Primul pas este o fază de antrenare care are ca scop
estimarea modelelor acustice. În al doilea pas se utilizează aceste modele, generându-se
clasificări ale segmentelor vocale prin intermediul algoritmului Viterbi, făcându-se o aliniere
între modelele asociate secvenţei cunoscute de foneme şi semnalul vorbit.
Faza de antrenare e importantă pentru că acurateţea segmentării prin modele Markov
HMM depinde de calitatea estimării modelelor. Există câteva metode pentru determinarea
acestor modele.

120
Cap. 4. Analiza semnalului vocal
O primă metodă (HMM standard) utilizează antrenarea iterativă [You02] pe întreg
corpus-ul. Frontierele de regiuni rezultate dintr-o parcurgere manuală a corpus-ului sunt utilizate
pentru iniţializarea şi re-estimarea modelelor prin algoritmul Baum-Welch. După câteva iteraţii
ale procesului de antrenare, diferenţele dintre frontierele obţinute manual şi cele obţinute prin
metoda HMM se reduc semnificativ.
O altă metodă (HMMSeg) este cea ilustrată în figura 4.49. Ea utilizează o bază de date de
mici dimensiuni segmentată şi etichetată manual pentru estimarea modelelor [Mat03]. În faza
următoare întreg corpus-ul va fi segmentat folosind aceste modele. Dacă baza de date iniţială
folosită la antrenare conţine câteva variante ale fiecărei foneme, atunci procesul de iniţializare a
modelelor este bun şi metoda va genera rezultate bune la segmentare [Jar06].
Estimare
Baum-Welch
Figura 4.49. Segmentarea HMM bazată pe un corpus segmentat manual [Jar08]
4.7.2. Segmentarea bazată pe rafinarea frontierelor
Ideea principală a acestei metode este de a antrena un set de modele de segmentare
folosind o bază de date de mici dimensiuni segmentată şi etichetată manual. Apoi, aceste modele
vor servi la rafinarea frontierelor segmentării iniţiale pe corpusul dorit [Wan04]. Mai exact,
această metodă este realizată în doi paşi, aşa cum se arată în figura 4.50.
Segmentare
iniţială
Rafinarea
frontierelor din
segmentare
Segmentare
finală
Iniţializare
Modele
Potrivire
Viterbi
Segmentare
Corpus de
antrenare
segmentat manual
Modele GMM
Figura 4.50. Paşii algoritmului de segmentare bazat pe rafinarea frontierelor [Jar08]
Pentru fiecare frontieră din corpusul de antrenare, se creează un supervector prin
concatenarea vectorilor acustici a (2N+1) cadre din jurul frontierei stabilită manual. Fiecare
frontieră B depinde de fonema din stânga X şi de fonema din dreapta Y, grupul (X,B,Y)

Pasul
Frontiera Mărimea
cadrului
121
Cap. 4. Analiza semnalului vocal
alcătuind o aşa-numită pseudo-trifonă [Wan04]. Mai întâi pseudo-trifonele sunt grupate în clase
folosind un arbore de regresie şi clasificare ( Classification and Regression Tree - CART)
[Ode95], apoi se estimează un model Gaussian GMM (Gaussian Mixture Model) pentru fiecare
clasă.
Figura 4.51. Modul de construcţie a unui supervector [Jar08]
Al doilea pas urmăreşte rafinarea frontierelor de segment pentru o segmentare iniţială
dată. Având la intrare un corpus vorbit şi segmentarea lui iniţială, se caută în vecinătatea fiecărei
frontiere de segment punctul care maximizează o funcţie de potrivire pentru supervectorul
corespunzător acelui punct. Funcţia de potrivire se calculează astfel: pentru fiecare punct din
vecinătatea frontierei considerate, se construieşte un supervector centrat pe cadrul curent, la fel
ca în faza de antrenare; cum acest supervector reprezintă o pseudo-trifonă, se utilizează arborele
de regresie CART [Ode95] pentru a determina clasa ce corespunde cu acea pseudo-trifonă.
Funcţia de potrivire se calculează între clasa psedo-trifonei şi supervectorul curent folosind
mixturi gaussiene GMM.
Algoritmul foloseşte constrângerea lingvistică prin faptul că necesită cunoaşterea iniţială
a secvenţei de foneme asociate corpusului pentru a crea modelele de segmentare.
Figura 4.52. Pseudo-trifonele din propoziţia în limba franceză “On comptait deux projets
d’entreprise distincts” [Jar08]

4.7.3. Segmentarea bazată pe probabilităţi generalizate
4.7.3.1. Algoritmul de bază
122
Cap. 4. Analiza semnalului vocal
Scopul metodei utilizată de Brandt [Bra83] este de a detecta discontinuităţile din
semnalul vocal. Semnalul vocal este constituit dintr-o suma de segmente omogene. Fiecare
segment w este o secvenţă finită w=(yn) de eşantioane care respectă următorul model
autoregresiv:
(4.71)
În ecuaţia (4.71 ), p este ordinul modelului, acelaşi pentru toate segmentele, en este un
zgomot alb Gaussian de medie nulă cu varianţa σ 2 .
Un astfel de segment w este caracterizat de un vector Θ = (a1, … , ap, σ). Fie w0 un
segment având N eşantioane, Θ0 fiind vectorul corespondent. Se urmăreşte să se decidă dacă w0
trebuie împărţit în două subsegmente w1 şi w2 sau nu. Segmentul iniţial se va împărţi în două
dacă există un salt între vectorii Θ1 şi Θ2 corespunzători celor două subsegmente. Pentru a lua
această decizie, se utilizează raţia de probabilitate generalizată ( Generalized Likelihood Ratio
GLR) [Bra83] (presupunând că y1, … , yn sunt gaussiene):
(4.72)
unde:
- r este numărul de eşantioane corespunzător subsegmentului w1,
- şi sunt estimările deviaţiilor standard ale zgomotului pentru modelele caracterizate
de vectorii Θ1 şi Θ2.
Metoda decide dacă apare un salt între vectorii Θ1 şi Θ2 corespunzători subsegmentelor
w1 şi w2 prin compararea valorii maxime a lui DN(r) cu o valoare de prag [And88].
4.7.3.2. Algoritmul ce foloseşte o segmentare iniţială după secvenţa de foneme
Metoda de bază, care are ca scop detectarea discontinuităţilor din semnalul vocal, se
poate adapta pentru cazul în care secvenţa de foneme asociată semnalului este cunoscută. În
acest caz, se obţine mai întâi o segmentare iniţială folosind metoda bazată pe modele Markov
HMM. Pentru fiecare frontieră de segment, se ia un interval pe care se aplică metoda GLR, care
va produce o segmentare mai precisă a regiunilor separate de acea frontieră.
Astfel, presupunem că (U0, U1, … , UL) sunt frontierele segmentării iniţiale. În continuare
U i 1 U
i
se caută o discontinuitate a semnalului între punctele Vi
2
U i U
i1
şi V i1
, cu i în
2
intervalul (1, … , L − 1), prin determinarea punctului care maximizează raţia GLR.
În acest mod se produce o redistribuţie mult mai precisă a frontierelor de segment.

123
Cap. 4. Analiza semnalului vocal
4.7.4. Rezultate obţinute prin cele trei metode de segmentare fonematică
Pentru evaluarea celor trei metode de segmentare, s-a calculat eroarea de segmentare a
metodei automate faţă de metoda manuală, cu o toleranţă de 20 ms. Eroarea s-a calculat pe 2
corpusuri diferite segmentate manual, pentru limba franceză şi engleză. S-au luat în considerare
mai întâi 100 de propoziţii, apoi 300 şi în final 700.
Rezultatele testului sunt prezentate în tabelul 4.7.
Tabelul 4.7. Acurateţea segmentării pentru cele trei metode de segmentare [Jar08]
AlgSize HMMSeg (%) RefinedHMMSeg (%) BrandtSeg (%)
FRcorpus 100 91.71 91.08 83.22
ENcorpus 91.98 89.58 86.78
FRcorpus 300 92.51 93.26 83.39
ENcorpus 92.95 92.46 87.10
FRcorpus 700 92.47 94.00 83.38
ENcorpus 93.00 93.50 87.09

124
Cap. 4. Analiza semnalului vocal
4.8. Contribuţii ale autorului în problematica segmentării fonematice
automate a semnalului vocal
Aşa cum am văzut, segmentarea fonematică reprezintă procesul de asociere a
simbolurilor fonematice prezente în textul de la intrare cu semnalul vorbit. Scopul acestei
asocieri este de a realiza o decupare automată a semnalului în segmentele acustice
corespunzătoare unităţilor lingvistice de la intrare care trebuie sintetizate (figura 4.53).
EVIDENŢIEREA UNUI CADRU GENERAL ...
Figura 4.53. Evidenţierea segmentelor corespunzătoare unităţilor lingvistice
Aceste unităţi lingvistice pot fi litere (foneme), silabe, grupuri d e litere sau cuvinte
întregi, în funcţie de metoda abordată. După separarea segmentelor din semnalul înregistrat,
unităţile acustice sunt parametrizate, etichetate şi integrate în baza de date folosită în sinteză.
Metoda de segmentare propusă de autor este o metodă bazată pe reguli de asociere, ce
realizează o corespondenţă între grupuri de litere prezente la intrare şi regiunile distincte ale
semnalului vocal. Algoritmul de segmentare urmăreşte textul de la intrare, şi încearcă să
găsească cea mai bună potrivire pentru fiecare grup de litere prezentat cu una sau mai multe
regiuni din semnalul vocal (vezi figura 4.54).
În figura 4.54 se observă că textul de la intrare este mai întâi rescris într-o anumită
transcripţie fonetică, folosind un tabel simplu de corespondenţe. Textul transcris se desparte apoi
într-o secvenţă de grupuri fonetice Gi. Pe baza regulilor de asociere Ri se stabileşte o
corespondenţă cu regiunile segmentate din semnalul vocal REGj.
Aşadar metoda prezentată comportă trei paşi distincţi :
1. Transcrierea fonetică a textului de la intrare ;
2. Segmentarea semnalului vocal în regiuni ;
3. Scrierea regulilor de asociere pentru fiecare grup fonetic.
În capitolele anterioare a fost descrisă deja etapa B, de segmentare a semnalului vocal în
regiuni. În cele ce urmează vor fi prezentate celelalte două etape: A, transcrierea fonetică şi C,
scrierea regulilor de asociere.

TEXT
Text
Transcris
Regiuni
Dsitincte
SEMNAL
VOCAL
GL1 GL2 GLn
REG1
Stream FONEME
R1 R2 Rn
REG2
Stream REGIUNI
Figura 4.54. Metoda de segmentare fonematică propusă de autor
4.8.1. Transcrierea fonetică a textului de la intrare
125
Cap. 4. Analiza semnalului vocal
Transcrierea fonetică a textului este necesară pentru a diferenţia rostirile diferite ale
aceleiaşi foneme în funcţie de contextul în care ea apare (de exemplu pentru fonema /C/, avem
rostirile « Ca-să », respectiv « Ce-ta-te »), dar şi pentru a îngloba caracterele speciale din text
care implică separarea cuvintelor ( cum ar fi , , virgula, punctul, etc.). De
asemenea a fost luată în considerare şi pauza de rostire care apare uneori între două foneme
succesive (de exemplu în cazul grupului vocală+consoană : {VOC}{C}, unde {C} este o
consoană plozivă precum /C/ , /G/ sau /P/).
Transcrierea fonetică se face conform următorului tabel de corespondenţe:
Tabelul 4.8. Tabel de corespondenţe pentru transcrierea fonetică
REGm
Caracter din text Transcriere fonetică
început de fişier B
Vocală {VOC} {VOC} în lowercase
l, r, m, n l, r, m, n
ce, ci, ge, gi TCe, TCi, TGe, TGi
che, chi, ghe, ghi Tce, Tci, Tge, Tgi
ş, ţ TS, Tþ
orice altă consoană {CONS} T{CONS}
cratima se omite
spaţiu, tab, virgulă Z
alte caractere speciale Z
Se observă că în transcripţia fonetică se face distincţia dintre caractere mici (lowercase)
şi majuscule ( uppercase). Vocalele, precum şi consoanele /l/, /r/, /m/, /n/ rămân neschimbate.
…
…

126
Cap. 4. Analiza semnalului vocal
Pentru celelalte consoane observăm inserarea unui caracter suplimentar ca şi prefix: /T/. Acesta
semnifică o pauză care poate apărea înaintea rostirii acelei consoane. Caracterele speciale şi
caracterele despărţitoare , , virgula, punctul, etc., se notează cu /Z /,
semnificând o pauză mai mare în rostire.
Ca un exemplu, secvenţa:
se transcrie fonetic astfel:
.
4.8.2. Proiectarea regulilor de asociere pentru fiecare grup fonetic
După etapele de transcriere fonetică a textului de la intrare şi segmentare a semnalului
vocal în regiuni, urmează etapa de asociere între diferitele grupuri de caractere fonetice şi
regiunile din semnal (figura 4.55).
ik k
Figura 4.55. Asocierea grupurilor fonetice cu regiunile
În figura 4.55, fiecare grup Gi se asociază cu o serie de regiuni REGik, unde
1 i
1
, k 1
.. m , şi card({ ik
, k 1 .. m})
1
, adică fiecare grup Gi se va asocia cu una sau mai
multe regiuni succesive din semnalul vocal.
Fie un grup fonetic notat cu Gi. Acesta va fi asociat cu o secvenţă de caractere fonetice
astfel :
i
G1
Gn
Gi
i
i i
F F F
G ,...,
(4.73)
1 , 2
unde Fp i este un caracter din transcrierea fonetică, cu p = 1, ..., ki.
ki
REGi1
REGim
REGik

În mod analog, grupul Gi+1 este asociat cu secvenţa:
1 i
1
i1
i1
i
F , F ,..., F
G (4.74)
1
2
k ( i1
)
127
Cap. 4. Analiza semnalului vocal
unde ind(F1 i+1 ) = ind(Fki i ) + 1, notându-se prin ind(Fp i ) indicele caracterului Fp i din
transcrierea fonetică.
Se urmăreşte asocierea grupurilor fonetice succesive cu două secvenţe de regiuni care să
fie de asemenea succesive, astfel :
Gi
REG(
i,
1)
... REG(
i,
Ni
) }
G REG i 1
, 1)
... REG(
i 1
, N ) } (4.75)
i1
( i1
unde:
- REG(i,p)) este regiunea cu numărul de ordine p din secvenţa asociată grupului Gi .
Dacă notăm cu ind(REG(i,p)) indicele global al regiunii REG(i,p)) în secvenţa totală de
regiuni,
atunci avem îndeplinite condiţiile:
ind(REG(i, p+1)) = ind(REG(i, p)) + 1
ind(REG(i+1, 1)) = ind(REG(i, Ni)) + 1 (4.76)
Prima relaţie din (4.76) semnifică faptul că regiunile cu care se asociază fiecare grup Gi
sunt succesive, iar cea de-a doua relaţie semnifică faptul că secvenţele de regiuni cu care sunt
asociate cele două grupuri Gi şi Gi+1 trebuie să fie şi ele succesive.
În continuare mai rămâne să explicităm grupurile fonetice, respectiv caracterele care pot
intra în componenţa fiecărui grup, precum şi regulile de asociere grupuri-regiuni, care trebuie să
respecte condiţiile (4.73) – (4.76).
Pentru asocierea grupurilor fonetice cu secvenţele de regiuni corespunzătoare, s-a folosit
generatorul automat de analizoare pentru intrări de tip şiruri de caractere ( text stream parser)
numit LEX [Fre05]. LEX-ul generează un analizor lexical (scanner) de text conform cu un set de
reguli furnizate în notaţia Bachus-Naur Form (vezi Anexa 1).
Fiecare regulă din setul de reguli conţine specificarea unui pattern de caractere, care
trebuie potrivit cu şirul curent de la intrare, şi o acţiune care se execută. În cazul nostru acţiunea
care se execută este verificarea unei condiţii pentru secvenţa de regiuni care poate corespunde cu
pattern-ul fonetic.
Scanner-ul generat are la intrare şirul de caractere rezultat din transcripţia fonetică, şi pe
baza regulilor înmagazinate realizează următoarele acţiuni :
1) preia secvenţa curentă de caractere din şirul de intrare ;
2) identifică regula corespunzătoare prin pattern-matching;
3) încearcă să găsească o secvenţă de regiuni din tabela de regiuni care să se potrivească
cu condiţia specificată de regulă.

128
Cap. 4. Analiza semnalului vocal
Figura 4.56 prezintă un exemplu de asociere între secvenţa de foneme i
i i
G i F1
, F2
,..., Fk
şi secvenţa de regiuni i
i i
SR N ) REG , REG ,..., REG , prin identificarea unei reguli de
( 1 2
corespondenţă [ Ri : Gi Cond_Regi ] :
Input
Scanner
Output
…
…
…
i
REG1
i
F1
Figura 4.56. Scanner-ul generat şi asocierea de regiuni
Algoritmul de căutare a unei asocieri între secvenţa curentă (grupul) de caractere şi o
secvenţă de regiuni este următorul:
Algoritmul Grupuri--Regiuni :
i i
F2 … Fk … …
R1: G1 Cond_Reg1
Ri: Gi Cond_Regi
Rn: Gn Cond_Regn
SR
i
REG2
P1. Se preia secvenţa maximă de caractere i
i i
G F F ,..., F
Gi
…
i
N
i
REGN
astfel încât să existe o
1 , 2
regulă [ Rj : Gj Cond_Regj ] pentru care există corespondenţa : Gi Gj.
P2. Se caută un indice N pentru care secvenţa curentă de regiuni SR(N) = {REG1,
REG2,...REGN } verifică condiţia Cond_Regj ; dacă există, se face asocierea Gi SR(N) şi
se returnează True.
P3. Dacă nu se găseşte SR(N) în tabela de regiuni, atunci regula Rj se abandonează şi
se merge la pasul următor P4.
P4. Se caută o nouă regulă subsecventă [ Rj+k : Gj+k Cond_Regj+k ] astfel încât să existe
corespondenţa Gi Gj+k. Dacă există, se merge la pasul P2 ; dacă nu, se continuă cu
pasul P5.
P5. Se reduce secvenţa de caractere cu unu (k=k-1) ; dacă avem k>=1, se reia algoritmul
de la pasul P1 pentru a căuta o asociere pentru noul pattern Gi.
P6. Dacă avem k

129
Cap. 4. Analiza semnalului vocal
La început sunt definite macro-urile care specifică fonemele urmărite la intrare, apoi
urmează regulile propriu-zise. Au fost definite următoarele macro-uri :
CONS [bpsþGCSzx]
VOC1 [aeiouãîâ]
VOC ([aeiouãîâ]|[mnl])
LIT [a-zþãîâ]
Unei acţiuni corespunzătoare unei reguli i s-a asociat o serie de funcţii primitive, unde
fiecare funcţie are rolul de a testa o condiţie pentru validarea acelei reguli, şi anume:
rule.action.CheckRule(n) verifică dacă analizorul a trecut sau nu de regula curentă
într-o fază anterioară de căutare a secvenţei fonetice; se
aplică pentru o singură regiune
rule.action.CheckFirstRule(n) verifică dacă analizorul a trecut sau nu de regula
curentă într-o fază precedentă de căutare; se aplică pentru o
sumă de regiuni
rule.action.CheckRegion(type) verifică dacă regiunea curentă din tabela de regiuni
este de tipul
rule.action.CheckSumReg(type) verifică dacă o sumă (serie) de regiuni este de tipul
specificat
rule.action.SetLen(len1,len2) setează lungimea minimă, respectiv maximă pentru
o regiune
rule.action.SetGrupLen() setează lungimea minimă, respectiv maximă pentru o
secvenţă de regiuni, în funcţie de fonemele găsite la intrare
rule.action.TestReject() verifică dacă secvenţa de regiuni din tabela de regiuni
respectă condiţiile impuse; dacă da, atunci se face o asociere
între secvenţa de foneme de la intrare şi secvenţa de regiuni;
dacă nu, regula curentă e abandonată şi se trece la următoarea
regulă, pentru aceeaşi secvenţă fonetică de la intrare
rule.action.TestUnput() verifică dacă secvenţa de regiuni din tabela de regiuni
respectă condiţiile impuse, şi dacă da, atunci se face o
asociere între secvenţa de foneme de la intrare şi secvenţa de
regiuni; dacă nu, secvenţa fonetică curentă e abandonată (nu i
s-a găsit nici o potrivire) şi se încearcă o nouă potrivire
pentru secvenţa fonetică anterioară.

130
Cap. 4. Analiza semnalului vocal
Astfel, pentru fiecare grup fonetic care a fost potrivit cu o regulă prin pattern matching,
se încearcă asocierea cu o regiune sau o serie de regiuni consecutive care respectă condiţiile
specificate de acea regulă. Aceste condiţii se referă la lungimea minimă şi maximă pe care
trebuie să o aibă regiunea sau secvenţa de regiuni, precum şi la tipul regiunilor.
Fiecare vorbitor prezintă anumite tipare în care se incadrează rostirea lui. Astfel, fiecare
fonemă, vocală sau consoană, va avea propriile caracteristici în ceea ce priveşte: (1) durata
rostirii şi (2) forma semnalului, aflată în concordanţă cu un anumit tip de regiune detectată din
semnalul vorbit.
Toate aceste caracteristici trebuie evidenţiate în setul de reguli care va fi proiectat, astfel
încât să se respecte anumite limite în ceea ce priveşte durata, respectiv anumite tipuri generice de
regiuni în ceea ce priveşte forma de semnal.
Uneori pentru o anumită fonemă sau un acelaşi grup de foneme trebuie scrise mai multe
reguli (rareori mai mult de două sau trei), care să specifice toate instanţele (formele concrete)
care se caută în semnal. La sfârşitul fiecărui grup de reguli trebuie invocată primitiva
TestUnput() pentru a indica faptul că au fost efectuate toate încercările de potrivire pentru
grupul fonetic curent. Dacă analizorul ajunge la această regulă şi nu o validează (nu găseşte nici
o potrivire pentru grupul fonetic curent), atunci se revine la secvenţa fonetică anterioară pentru a
încerca o nouă potrivire.
Avantajul acestei abordări cu privire la asocierea foneme-regiuni, abordare bazată pe
reguli de asociere, este următoarea: odată scris un set de reguli pentru un vorbitor, el va putea fi
adaptat cu uşurinţă pentru un altul rescriind doar condiţiile de validare pentru grupurile
fonematice; în general, vor trebui modificate duratele fonemelor, precum şi unele caracteristici
pentru regiuni.
Setul de reguli prezentat a fost proiectat iniţial pentru un vorbitor masculin şi apoi a fost
extins şi pentru un vorbitor feminin.
A. Pentru duratele fonemelor s-a folosit următoarea notaţie:
L_ ,
unde: specifică fonema sau categoria fonematică respectivă,
de exemplu: VOC vocală, CONS consoană, D fonema /d/
specifică durata minimă (n=1), respectiv maximă (n=2) a fonemei
În tabelul 4.9 se prezintă duratele rostirii pentru diferite grupuri de foneme :
B. Pentru tipurile de regiuni avem următoarele notaţii:
- R_LIN - Regiune de linişte sau linişte nesonoră
- R_VOC - Regiune de tip vocală sonoră
- R_CONS - Regiune de tip consoană nesonoră
- R_ZT – Zonă tranzitorie: poate fi o regiune de tip tranzitorie, tranzitorie
densă, de tip salt, sau o regiune neregulată scurtă
- R_ANY – orice tip de regiune

Tabelul 4.9. Duratele rostirii pentru diferite grupuri de foneme
Notaţie
Durată
minimă
(ms)
Notaţie
131
Durată
maximă
(ms)
Tip fonemă
L_BEGIN1 0. L_BEGIN2 1500. Început fişier
L_VOC1_SING 21. L_VOC2_SING 230. Vocală singulară
L_VOC1 42. L_VOC2 150. Vocală
L_CONS1 18. L_CONS2 220. Consoană
Cap. 4. Analiza semnalului vocal
L_LMN1 0. L_LMN2 40. Consoane glide: /l/, /m/, /n/
L_C1 2.5 L_C2 45. /c/
L_G1 2.5 L_G2 45. /g/
L_V1 10. L_V2 80. /v/
L_D1 5. L_D2 70. /d/
L_P1 1.3 L_P2 33. /p/
L_B1 1.1 L_B2 22. /b/
L_R1 5. L_R2 50. /r/ scurt
L_REND1 17. L_REND2 70. /r/ lung
L_PBI1 20. L_PBI2 70. /pi/, /bi/
L_DR1 20. L_DR2 100. /dr/
L_PR1 10. L_PR2 80. /pr/
L_T1 7. L_T2 150. /t/
L_TR1 22. L_TR2 120. /tr/
L_F1 20. L_F2 135. /f/
L_TRANZ_FON1 0. L_TRANZ_FON2 143. Tranziţie între foneme
L_TRANZ_CUV1 0. L_TRANZ_CUV2 650. Tranziţie între cuvinte
Aşa cum aminteam anterior, fiecare regulă se termină cu una din primitivele
TestReject() sau TestUnput(). Dacă regiunile din tabelul de regiuni respectă condiţiile
de formă şi durată impuse de fiecare regulă, atunci regula se validează şi se face asocierea
grupului de foneme curent cu setul de regiuni. Dacă nu se respectă condiţiile impuse, atunci se
trece la regula următoare.
În continuare se prezintă câteva exemple din setul de reguli de asociere foneme-regiuni.

132
Cap. 4. Analiza semnalului vocal
SETUL DE REGULI PENTRU ASOCIEREA FONEME-REGIUNI (extras)
{VOC}+(r|Zr|T[cgbdvp])+{VOC}+ {
// sir de vocale continind mai multe consoane
// consecutive precum ‘r’,’c’,’g’,’b’,’d’,’v’,’p’
//ex: ‘s-eCVen-ţiali’
SetGrupLen();
if(ok=CheckRegion(R_VOC))
ok=CheckRule(3);
TestReject();
}
{VOC}+r{VOC}+(r{VOC}*)?Z{VOC}+ {
/*sir de vocale inglobind 'r' si 'Z' (terminator de cuvint)
*/
nrvoc=yyleng-1;
SetLen(nrvoc*L_VOC1,nrvoc*L_VOC2);
ll1+=L_R1; ll2+=L_R2;
if(ok=CheckRegion(R_VOC))
ok=CheckRule(10);
TestReject();
}
{VOC}+iZ/{VOC}+ {
/*sir de vocale cu ‘i’ la sfirsit */
nrvoc=yyleng-1;
SetLen(nrvoc*L_VOC1,nrvoc*L_VOC2);
if(ok=CheckRegion(R_VOC))
ok=CheckRule(15);
TestReject();
}
{VOC}+Z{VOC}+ {
/*sir de vocale inglobind 'Z' */
nrvoc=yyleng-1;
SetLen(nrvoc*L_VOC1,nrvoc*L_VOC2);
if(ok=CheckRegion(R_VOC))
ok=CheckRule(15);
TestReject();
}
{VOC}+ { // sir de mai multe vocale
nrvoc=yyleng;
if(nrvoc==1)
SetLen(nrvoc*L_VOC1_SING,nrvoc*L_VOC2_SING);
else
SetLen(nrvoc*L_VOC1,nrvoc*L_VOC2);
if(ok=CheckRegion(R_VOC))
ok=CheckRule(25);
TestUnput();
}
sTt { /* grupul ‘st’ */
SetLen(L_CONS1+L_T1,L_CONS2+L_T2);
if(ok=CheckRegion(R_CONS))
ok=CheckRule(34);

TestReject();
}
{CONS} { /* CONSOANA SINGULARA */
SetLen(L_CONS1,L_CONS2);
if(ok=CheckRegion(R_CONS))
ok=CheckRule(35);
TestReject();
}
r/Z { // ‘r’ la sfirsitul cuvintului
CheckFirstRule(49);
SetLen(L_REND11,L_REND2);
ok=CheckSumReg(R_ANY);
if(!ok) ilexreg=ilexreg1;
TestReject();
}
r { // ‘r’ la mijlocul cuvintului
CheckFirstRule(51);
SetLen(L_R1,L_R2);
ok=CheckSumReg(R_ANY);
TestUnput();
}
c { //’c’: suma de regiuni
CheckFirstRule(73);
SetLen(L_C1,L_C2);
ok=CheckSumReg(R_ANY);
TestUnput();
}
tr { // grupul ‘tr’
CheckFirstRule(95);
MarkLenGrup(); // mai multe caractere
SetLen(L_TR1,L_TR2);
r=R_ANY;
ok=CheckSumReg(r);
TestReject();
}
T { /* TRANZITIE INTRE FONEME */
// se consuma o SUMA de regiuni
CheckFirstRule(151);
SetLen(L_TRANZ_FON1,L_TRANZ_FON2);
ok=CheckSumReg(R_ANY);
TestUnput();
}
Z { /* TRANZITIE INTRE CUVINTE */
// se consuma o SUMA de regiuni
CheckFirstRule(161);
SetLen(L_TRANZ_CUV1,L_TRANZ_CUV2);
r=R_ANY; //& ~R_VOC;
ok=CheckSumReg(r);
TestUnput();
}
133
Cap. 4. Analiza semnalului vocal

134
Cap. 4. Analiza semnalului vocal
4.8.3. Rezultate obţinute în urma aplicării metodei propuse de asociere
foneme-regiuni
Pentru un anumit vorbitor, rezultatele asocierii dintre şirul de foneme de la intrare şi setul
de regiuni din semnalul vocal depind de doi factori:
1. Modul de segmentare al semnalului vocal.
2. Setul de reguli de asociere corespunzător acelui vorbitor.
Am văzut că segmentarea semnalului vocal cu metoda propusă de autor împarte semnalul
în 10 clase de regiuni distincte, frontierele dintre regiuni fiind bine delimitate. Problema cea mai
delicată o constituie construirea setului de reguli de asociere pentru vorbitorul considerat.
Proiectarea setului de reguli se face folosind un corpus de înregistrări ale vorbitorului, pe baza
căruia se scriu regulile pentru fiecare grup de foneme care prezintă o rostire distinctă.
Odată ce a fost scris un set de reguli pentru un vorbitor, transcrierea sa pentru un altul se
face mai uşor, modificând doar elementele de durată şi eventual tipul de regiuni asociate pentru
fiecare grup de foneme. Autorul a proiectat mai întâi un set de reguli pentru un vorbitor
masculin, ce a fost apoi uşor adaptat şi pentru un vorbitor feminin.
În urma aplicării metodei proprii de asociere foneme-regiuni, problemă întrucâtva mai
simplă decât recunoaşterea fonemelor direct din semnalul vocal, s-a constatat că aceste
constrângeri de durată şi formă de semnal sunt suficiente pentru a face o asociere corectă.
Desigur că este necesară o proiectare atentă a regulilor.
S-a constatat că setul de reguli proiectat asigură o asociere corectă dintre foneme şi
regiuni, cu erori mici care apar doar în cazul când în semnal apar regiuni tranzitorii succesive de
durată scurtă. Unele dintre aceste regiuni pot fi puse în corespondenţă cu grupul de foneme
considerat (dacă respectă condiţiile de durată), sau pot fi incluse în tranziţiile intrafonematice,
fapt care nu are o importanţă deosebită, ţinând cont că de obicei procesul de asociere foneme-
regiuni se face pentru detectarea unor unităţi fonetice de tip grup de foneme, şi nu pentru foneme
singulare. Acesta este şi cazul lucrării de faţă, în care s-a utilizat o abordare bazată pe silabe.
Ca un fapt interesant care s-a constatat pe măsura proiectării setului de reguli, dacă o
anumită regulă de asociere lipsea din set, procesul de asociere automată se oprea exact la grupul
de foneme care nu avea regula corectă, şi nu avansa cu o asociere greşită. Acest fapt a constituit
un avantaj în procesul proiectării regulilor, şi demonstrează că aceste constrângeri bazate pe
durată şi tip de regiune sunt valide.
În continuare se prezintă comparativ rezultatele aplicării metodei de asociere foneme-
regiuni asupra unei fraze rostite de un vorbitor masculin (figura 4.57), respectiv asupra unei fraze
rostite de un vorbitor feminin (figura 4.58).

135
Cap. 4. Analiza semnalului vocal
Figura 4.57. Asocierea foneme – regiuni pentru sintagma : rostită de un vorbitor masculin

136
Cap. 4. Analiza semnalului vocal
Figura 4.58. Asocierea foneme – regiuni pentru sintagma : rostită de un vorbitor feminin

4.8.4. Experimente privind segmentarea în subregiuni fonematice
137
Cap. 4. Analiza semnalului vocal
În urma procesului de asociere a grupurilor de foneme cu regiunile din semnalul vocal,
vor exista două situaţii distincte de asociere:
1) o anumită fonemă este asociată în mod unic cu o regiune sau un set de regiuni;
2) un grup de mai multe foneme va fi asociat cu o regiune sau un set de regiuni.
Primul caz apare de regulă atunci când e vorba de o consoană nesonoră (/s/, /ş/, /t/, /ţ/, /j/,
/f/, /č/, /ğ/) sau de o vocală singulară (ce nu apare într -un grup de vocale). În acest caz
segmentarea este în mod precis determinată.
Al doilea caz apare atunci când se întâlneşte un grup de foneme alcătuit din vocale,
consoane glide (/l/, /m/, /n/) sau /r/. De cele mai multe ori, un astfel de grup va fi asociat cu o
singură regiune de tip sonor-vocalic (vezi figura 4.59).
a) b)
Figura 4.59. Asocierea unui grup de mai multe foneme cu o singură regiune
a) grupul /milor/ din cuvântul
b) grupul /area/ din cuvântul
Aşa cum am subliniat în subcapitolul precedent, acest caz particular nu împietează asupra
procesului de detectare a unităţilor lingvistice folosit în construirea corpusului vocal adnotat, mai
ales atunci când unităţile lingvistice sunt alcătuite din grupuri de foneme, precum silabele.
Totuşi, dacă se doreşte separarea fonemelor dintr-o astfel de regiune corespunzătoare
unui grup de foneme, vor trebui utilizate anumite metode bazate pe detectarea caracteristicile
intrinseci ale fiecărei foneme.
Autorul a experimentat două metode:
M1. O metodă bazată pe determinarea translaţiilor bruşte din regiune;
M2. O metodă bazată pe modelare fonematică.
Ambele metode presupun calcularea coeficienţilor de semnal caracteristici fiecărei
foneme (s-au folosit coeficienţii Fourier), precum şi calculul unei distanţe între două seturi de
coeficienţi de comparat.

4.8.4.1. Calculul distanţei dintre două seturi de coeficienţi fonematici
138
Cap. 4. Analiza semnalului vocal
Există mai multe metode de calcul a distanţei dintre două seturi de coeficienţi asociaţi
unor cadre de semnal. Astfel, pentru două seturi de vectori X={x1, x2, …, xp} şi Y={y1, y2, …, yp},
putem calcula distanţele [Web02]:
Distanţa Euclidiană: (4.77)
Distanţa Manhattan: (4.78)
Distanţa Cebîşev: (4.79)
Distanţa Minkovski: (4.80)
Toate aceste distanţe se calculează pe baza diferenţei coeficienţilor corespunzători din cei
doi vectori. Totuşi, pentru două seturi de coeficienţi Fourier este mult mai adecvat calculul pe
baza rapoartelor de coeficienţi decât pe baza diferenţelor.
Acest fapt este simplu de observat în cazul a două cadre de semnal de aceeaşi formă dar
de amplitudine diferită (de exemplu o aceeaşi vocală rostită cu intensităţi diferite). În acest caz
cele două seturi de coeficienţi Fourier sunt asemenea şi se obţin unul din altul prin aplicarea unui
factor de multiplicare proporţional cu raportul intensităţilor celor două forme de semnal.
Ca urmare, s-a urmărit calcularea unei distanţe între două seturi de coeficienţi Fourier
a={a1, a2, …,an} şi b={b1, b2, …,bn} între care se calculează un raport r, distanţă notată cu
E(a,b,r). Acestă distanţă are rol de eroare pătratică minimă şi respectă proprietăţile:
P1. E(a,b,r)= E(b,a,1/r)
P2. E(a,a,1)=0 (4.81)
P3. E(a,ra,r)=0
P4. E(a,b,r)= E(na,mb,(m/n)r)
Proprietatea P1 reprezintă proprietatea de comutativitate a distanţei. Proprietatea P2
statuează faptul că distanţa E calculată asupra aceluiaşi vector este nulă. P3 este proprietatea de
scalare a unui vector: distanţa dintre un vector şi vectorul scalat cu un raport r este nulă. P4 este
proprietatea de scalare generalizată: distanţa dintre doi vectori având raportul r este aceeaşi cu
distanţa dintre vectorii scalaţi cu factorii n, respectiv m, raportul modificându-se proporţional cu
factorii de scalare.
S-a luat următoarea formulă de calcul pentru distanţa E bazată pe raportul r dintre
vectorii a şi b :
2
a
i bi
1
E(
a,
b,
r)
r
(4.82)
i1 , nb
i ai
r
Se observă că distanţa definită de relaţia (4.82) respectă condiţiile P1 ... P4 din (4.81).
În continuare se urmăreşte calculul raportului r astfel încât distanţa E (cu rol de eroare
pătratică) să fie minimă.

Dacă notăm
sau, explicitând suma:
a
a
a
1
2
n
p1 , p 2 , …, p n , atunci relaţia (4.82) devine:
b1
b2
bn
139
2
Cap. 4. Analiza semnalului vocal
1
E(
a,
b,
r)
p
ir
(4.83)
i1 , n
pi
r
2 2
2 2 1 1 1 1
E(
a,
b,
r)
( p1
p
2 ...
p
n ) r (
...
) 2
n (4.84)
2 2
2 2
p p p r
dE
Punând condiţia ca E să fie minimă, avem 0
, adică:
dr
2 2
2 1 1 1 1
2( p1
p
2 ...
p
n ) r 2
( ...
) 0
2 2
2 3
p p p r
Rezultă valoarea lui r care minimizează distanţa E:
Sau dacă notăm
r
4
2
1
2
1
2
2
2
2
1
2
1
2
n
2
n
2
n
n
(4.85)
1 1 1
...
p p p
(4.86)
p p
...
p
1 1 1
I ...
şi
p p p
2
1
2
2
r
I
S
2
n
S p p
p
, atunci:
2 2
2
1 2 ... n
2 (4.87)
Din (4.87), expresia lui E devine:
2 1
E ( a , b,
r ) Sr I
2
n
(4.88)
2
r
Înlocuind pe (4.87) în (4.88), obţinem distanţa minimă dintre a şi b în funcţie de r:
E r ( a , b ) 2 ( IS n
)
(4.89)
min,
Astfel putem alege expresia distanţei dintre a şi b:
E ( a,
b)
IS n
1
expresie ce are proprietatea: ( E ( a,
b))
0
, sau:
min 1
a,
b
(4.90)
E2 ( a,
b)
IS , cu min( E2
( a,
b))
n
. (4.91)
a,
b
De aici obţinem valoarea distanţei pătratice minime în raport cu r dintre vectorii a şi b:
2
IS , unde min(
E(
a,
b))
0
a,
b
E ( a , b ) n
. (4.92)

F(C1)
C1 C2
Np
E(a,b)
140
Dp
Cap. 4. Analiza semnalului vocal
Valoarea distanţei pătratice minime dată de formula ( 4.92) a fost folosită pentru
determinarea gradului de asemănare dintre două seturi de coeficienţi corespunzătoare a două
forme de undă.
În continuare vom explicita cele două metode de segmentare în subregiuni fonematice
prezentate la începutul lui 4.8.4, metode ce se bazează pe calculul distanţei pătratice minime
E(a,b).
4.8.4.2. Metoda de segmentare în subregiuni fonematice bazată pe determinarea
tranziţiilor bruşte din regiune
Această metodă de segmentare presupune calculul coeficienţilor Fourier pentru două
cadre succesive sau apropiate din semnal şi compararea acestora folosind distanţa pătratică
minimă (paragraful 4.8.4.1) în scopul detectării tranziţiilor bruşte care apar în regiunea studiată.
Aceste tranziţii bruşte reprezintă tranziţiile de la o fonemă la alta şi corespund cu frontierele de
subregiuni.
Cadrele de semnal se iau sincron cu frecvenţa, şi cuprind un număr de Np perioade (de
obicei Np = 1, 2 sau 3). Distanţa dintre cele două cadre de referinţă va fi Dp (se ia la fel Dp = 1,
2 sau 3 perioade). Apoi se extrag cei doi vectori ce cuprind primii n coeficienţi Fourier pentru
cele două cadre, şi se calculează E(a,b) – figura 4.60.
a1
a2
a3
...
...
an
F(C2)
Figura 4.60. Metoda de segmentare bazată pe determinarea tranziţiilor bruşte din regiune
b1
b2
b3
...
...
bn

141
Cap. 4. Analiza semnalului vocal
Algoritmul de stabilire a frontierelor de subregiuni prin metoda tranziţiilor este următorul:
Algoritmul Subregiuni – Metoda Tranziţiilor
P1. Pentru fiecare regiune REG de tip sonor-vocalică se execută paşii P2 – P8.
P2. Se iniţializează indicele de perioadă curent Ip = 0.
P3. Cât timp indicele de perioadă curent Ip este în interiorul regiunii curente REG, se execută
paşii P4 – P8.
P4. Se găseşte cadrul C2(Ip, Np) de lungime Np perioade, care începe la indicele de perioadă
Ip.
P5. Se calculează vectorul coeficienţilor Fourier pentru cadrul C2, b = F(C2) .
P6. Dacă s-a găsit cadrul anterior C1(Ip - Dp, Np) de lungime Np perioade, care începe la
indicele de perioadă Ip – Dp, se ia vectorul coeficienţilor Fourier pentru cadrul C1, a =
F(C1) şi se calculează distanţa pătratică minimă E(a,b).
P7. Dacă distanţa E(a,b) este mai mare decât un prag dat Ptb, atunci înseamnă că între cele
două cadre C1 şi C2 a apărut o tranziţie bruscă, şi se marchează o frontieră de
subregiune la perioada de indice Ip-Dp/2.
P8. Se incrementează indicele de perioadă: Ip = Ip +1, şi se reiau paşii P3, P4 cu următorul
cadru C2(Ip, Np).
4.8.4.3. Rezultate obţinute prin metoda de segmentare bazată pe determinarea
tranziţiilor bruşte din regiune
S-au făcut experimente pentru diferite valori ale parametrilor Np şi Dp, pentru regiuni de
tip sonor-vocalic la care s-a aplicat metoda curentă de segmentare în subregiuni.
În continuare se ilustrează câteva exemple de segmentare în subregiuni pentru diferite
cadre de semnal preluate de la un vorbitor masculin şi unul feminin.
1) Vorbitor masculin:
Figura 4.61. Segment vocalic pentru un vorbitor masculin - secvenţa
În figura 4.61 avem un segment vocalic compus din 3 subregiuni fonematice,
corespunzând cu fonemele /E/, /L/, /O/. Tabelul 4.10 prezintă rezultatul comparării perioadelor
de semnal folosind parametrii Np=2, Dp=1, Prag=30, respectiv Np=2, Dp=2, Prag=50. În primul
caz frontierele sunt situate la perioadele 5/6, respectiv 14/15; în al doilea caz, la 15/16.

Tabelul 4.10. Stabilirea frontierelor pentru segmentul
Np=2, Dp=1, Prag=30 Np=2, Dp=2, Prag=50
142
Cap. 4. Analiza semnalului vocal
Perioade E(a,b) Front. Perioada a - b E(a,b) Front
Period 1 - 2 13 0 Period 1 - 3 16 0
Period 2 - 3 1 0 Period 2 - 4 6 0
Period 3 - 4 4 0 Period 3 - 5 3 0
Period 4 - 5 5 0 Period 4 - 6 386 1
Period 5 - 6 191 1 Period 5 - 7 342 1
Period 6 - 7 9 0 Period 6 - 8 29 0
Period 7 - 8 6 0 Period 7 - 9 13 0
Period 8 - 9 3 0 Period 8 - 10 1 0
Period 9 - 10 3 0 Period 9 - 11 7 0
Period 10 - 11 6 0 Period 10 - 12 9 0
Period 11 - 12 4 0 Period 11 - 13 9 0
Period 12 - 13 3 0 Period 12 - 14 38 0
Period 13 - 14 56 1 Period 13 - 15 32 0
Period 14 - 15 42 1 Period 14 - 16 165 1
Period 15 - 16 49 1 Period 15 - 17 74 1
Period 16 - 17 8 0 Period 16 - 18 9 0
Period 17 - 18 1 0 Period 17 - 19 1 0
Period 18 - 19 1 0 Period 18 - 20 2 0
Period 19 - 20 0 0 Period 19 - 21 1 0
Period 20 - 21 0 0 Period 20 - 22 1 0
Period 21 - 22 0 0 Period 21 - 23 1 0
Period 22 - 23 0 0 Period 22 - 24 1 0
Period 23 - 24 1 0 Period 23 - 25 2 0
Period 24 - 25 0 0 Period 24 - 26 1 0
Period 25 - 26 0 0 Period 25 - 27 1 0
Period 26 - 27 1 0 Period 26 - 28 3 0
Period 27 - 28 0 0 Period 27 - 29 5 0
Period 28 - 29 7 0 Period 28 - 30 1 0
Period 29 - 30 3 0
În figura 4.62 avem un segment vocalic compus din subregiunile corespunzătoare
fonemelor /A/, /R/, /EA/. Tabelul 4.11 prezintă rezultatul comparării perioadelor de semnal
folosind parametrii Np=2, Dp=1, Prag=30, respectiv Np=2, Dp=2, Prag=50. În primul caz avem
o frontieră situată la intervalul de perioadă 17/18, delimitând segmentul în două regiuni /AR/ şi
/EA/; în al doilea caz, avem două frontiere apropiate, la indicii 16, respectiv 18, delimitând
segmentul în trei regiuni: /A/, /R/ şi /EA/.
Figura 4.62. Segment vocalic pentru un vorbitor masculin - secvenţa

Tabelul 4.11. Stabilirea frontierelor pentru segmentul
2) Vorbitor feminin:
Np=2, Dp=1, Prag=30 Np=2, Dp=2, Prag=50
143
Cap. 4. Analiza semnalului vocal
Perioade E(a,b) Front. Perioada a - b E(a,b) Front
Period 1 - 2 4 0 Period 1 - 3 8 0
Period 2 - 3 2 0 Period 2 - 4 5 0
Period 3 - 4 1 0 Period 3 - 5 2 0
Period 4 - 5 0 0 Period 4 - 6 0 0
Period 5 - 6 0 0 Period 5 - 7 1 0
Period 6 - 7 0 0 Period 6 - 8 1 0
Period 7 - 8 0 0 Period 7 - 9 1 0
Period 8 - 9 0 0 Period 8 - 10 1 0
Period 9 - 10 0 0 Period 9 - 11 1 0
Period 10 - 11 1 0 Period 10 - 12 5 0
Period 11 - 12 2 0 Period 11 - 13 11 0
Period 12 - 13 3 0 Period 12 - 14 8 0
Period 13 - 14 1 0 Period 13 - 15 6 0
Period 14 - 15 2 0 Period 14 - 16 12 0
Period 15 - 16 4 0 Period 15 - 17 70 1
Period 16 - 17 28 0 Period 16 - 18 9 0
Period 17 - 18 30 1 Period 17 - 19 63 1
Period 18 - 19 12 0 Period 18 - 20 31 0
Period 19 - 20 3 0 Period 19 - 21 5 0
Period 20 - 21 1 0 Period 20 - 22 4 0
Period 21 - 22 2 0 Period 21 - 23 4 0
Period 22 - 23 1 0 Period 22 - 24 1 0
Period 23 - 24 0 0 Period 23 - 25 1 0
Period 24 - 25 0 0 Period 24 - 26 0 0
Period 25 - 26 0 0 Period 25 - 27 2 0
Period 26 - 27 1 0 Period 26 - 28 5000 1
Period 27 - 28 5000 0 Period 27 - 29 8 0
Figura 4.63. Segment vocalic pentru un vorbitor feminin - secvenţa

144
Cap. 4. Analiza semnalului vocal
În figura 4.63 avem un segment vocalic compus din subregiunile corespunzătoare
fonemelor /E/, /N/, /E/, /R/, /A/, /L/. Tabelul 4.12 prezintă rezultatul comparării perioadelor de
semnal folosind parametrii Np=2, Dp=2, Prag=50, respectiv Np=2, Dp=3, Prag=50. Rezultatele
delimitării frontierelor de subregiuni sunt arătate în tabelul 4.13.
Tabelul 4.12. Compararea perioadelor pentru secvenţa
Np=2, Dp=2, Prag=50 Np=2, Dp=3, Prag=50
Perioade E(a,b) Front. Perioade E(a,b) Front.
Period 1 - 3 323 1 Period 1 - 4 469 1
Period 2 - 4 27 0 Period 2 - 5 46 0
Period 3 - 5 36 0 Period 3 - 6 36 0
Period 4 - 6 3 0 Period 4 - 7 8 0
Period 5 - 7 3 0 Period 5 - 8 17 0
Period 6 - 8 13 0 Period 6 - 9 30 0
Period 7 - 9 16 0 Period 7 - 10 47 0
Period 8 - 10 15 0 Period 8 - 11 36 0
Period 9 - 11 16 0 Period 9 - 12 21 0
Period 10 - 12 10 0 Period 10 - 13 17 0
Period 11 - 13 5 0 Period 11 - 14 8 0
Period 12 - 14 2 0 Period 12 - 15 4 0
Period 13 - 15 5 0 Period 13 - 16 105 1
Period 14 - 16 96 1 Period 14 - 17 170 1
Period 15 - 17 117 1 Period 15 - 18 179 1
Period 16 - 18 39 0 Period 16 - 19 216 1
Period 17 - 19 369 1 Period 17 - 20 631 1
Period 18 - 20 47 0 Period 18 - 21 34 0
Period 19 - 21 6 0 Period 19 - 22 14 0
Period 20 - 22 9 0 Period 20 - 23 20 0
Period 21 - 23 6 0 Period 21 - 24 7 0
Period 22 - 24 7 0 Period 22 - 25 31 0
Period 23 - 25 26 0 Period 23 - 26 171 1
Period 24 - 26 173 1 Period 24 - 27 258 1
Period 25 - 27 519 1 Period 25 - 28 619 1
Period 26 - 28 42 0 Period 26 - 29 114 1
Period 27 - 29 26 0 Period 27 - 30 37 0
Period 28 - 30 17 0 Period 28 - 31 27 0
Period 29 - 31 6 0 Period 29 - 32 7 0
Period 30 - 32 2 0 Period 30 - 33 3 0
Period 31 - 33 3 0 Period 31 - 34 3 0
Period 32 - 34 1 0 Period 32 - 35 2 0
Period 33 - 35 1 0 Period 33 - 36 6 0
Period 34 - 36 10 0 Period 34 - 37 8 0
Period 35 - 37 7 0 Period 35 - 38 2 0
Period 36 - 38 7 0 Period 36 - 39 12 0
Period 37 - 39 8 0 Period 37 - 40 9 0
Period 38 - 40 1 0 Period 38 - 41 2 0
Period 39 - 41 1 0 Period 39 - 42 1 0
Period 40 - 42 0 0 Period 40 - 43 1 0
Period 41 - 43 0 0 Period 41 - 44 2 0
Period 42 - 44 1 0 Period 42 - 45 0 0
Period 43 - 45 0 0 Period 43 - 46 2 0
Period 44 - 46 7 0 Period 44 - 47 1 0
Period 45 - 47 1 0 Period 45 - 48 2 0
Period 46 - 48 3 0 Period 46 - 49 6 0
Period 47 - 49 3 0 Period 47 - 50 16 0
Period 48 - 50 10 0 Period 48 - 51 5000 1

145
Cap. 4. Analiza semnalului vocal
Period 49 - 51 5000 1 Period 49 - 52 5000 1
Period 50 - 52 5000 1 Period 50 - 53 5000 1
Period 51 - 53 5000 1 Period 51 - 54 5000 1
Period 52 - 54 5000 1 Period 52 - 55 5000 1
Period 53 - 55 5000 1 Period 53 - 56 5000 1
Period 54 - 56 5000 1 Period 54 - 57 5000 1
Period 55 - 57 5000 1 Period 55 - 58 5000 1
Period 56 - 58 37 0 Period 56 - 59 76 1
Period 57 - 59 5000 1 Period 57 - 60 5000 1
Period 58 - 60 13 0 Period 58 - 61 17 0
Period 59 - 61 23 0 Period 59 - 62 36 0
Period 60 - 62 5 0 Period 60 - 63 19 0
Period 61 - 63 13 0 Period 61 - 64 28 0
Period 62 - 64 12 0 Period 62 - 65 21 0
Period 63 - 65 6 0 Period 63 - 66 21 0
Period 64 - 66 10 0 Period 64 - 67 13 0
Period 65 - 67 17 0 Period 65 - 68 29 0
Period 66 - 68 5 0 Period 66 - 69 2 0
Period 67 - 69 4 0 Period 67 - 70 5 0
Period 68 - 70 1 0 Period 68 - 71 2 0
Period 69 - 71 3 0 Period 69 - 72 6 0
Period 70 - 72 3 0 Period 70 - 73 6 0
Period 71 - 73 3 0 Period 71 - 74 3 0
Period 72 - 74 1 0 Period 72 - 75 1 0
Period 73 - 75 0 0 Period 73 - 76 1 0
Period 74 - 76 0 0 Period 74 - 77 0 0
Period 75 - 77 0 0 Period 75 - 78 0 0
Period 76 - 78 0 0 Period 76 - 79 0 0
Period 77 - 79 1 0 Period 77 - 80 1 0
Period 78 - 80 1 0 Period 78 - 81 2 0
Period 79 - 81 1 0 Period 79 - 82 3 0
Period 80 - 82 2 0 Period 80 - 83 39 0
Period 81 - 83 29 0 Period 81 - 84 49 0
Period 82 - 84 35 0 Period 82 - 85 13 0
Period 83 - 85 6 0 Period 83 - 86 4 0
Period 84 - 86 4 0 Period 84 - 87 2 0
Period 85 - 87 10 0 Period 85 - 88 31 0
Period 86 - 88 19 0 Period 86 - 89 76 1
Period 87 - 89 37 0 Period 87 - 90 189 1
Period 88 - 90 78 1 Period 88 - 91 205 1
Period 89 - 91 72 1 Period 89 - 92 115 1
Period 90 - 92 18 0 Period 90 - 93 31 0
Period 91 - 93 10 0 Period 91 - 94 13 0
Period 92 - 94 7 0 Period 92 - 95 25 0
Period 93 - 95 8 0 Period 93 - 96 24 0
Period 94 - 96 15 0 Period 94 - 97 13 0
Period 95 - 97 4 0 Period 95 - 98 14 0
Period 96 - 98 10 0 Period 96 - 99 5 0
Period 97 - 99 3 0 Period 97 - 100 5 0
Period 98 - 100 3 0 Period 98 - 101 2 0
Period 99 - 101 1 0 Period 99 - 102 2 0
Period 100 - 102 2 0 Period 100 - 103 5 0
Period 101 - 103 3 0 Period 101 - 104 8 0
Period 102 - 104 6 0 Period 102 - 105 68 1
Period 103 - 105 86 1 Period 103 - 106 50 1
Period 104 - 106 50 1 Period 104 - 107 59 1
Period 105 - 107 67 1 Period 105 - 108 57 1
Period 106 - 108 16 0 Period 106 - 109 82 1
Period 107 - 109 68 1 Period 107 - 110 186 1
Period 108 - 110 154 1

Tabelul 4.13. Stabilirea frontierelor pentru secvenţa
146
Cap. 4. Analiza semnalului vocal
Np=2, Dp=2, Prag=50 Np=2, Dp=3, Prag=50
Indice Front. Perioade Front. Frontiera Perioade Front. Frontiera
F1 14 - 19 16/17 13- 20 16/17
F2 24 – 27 25/26 23 – 29 26
F3 49 -51 50 48 – 51 49/50
F4 57 - 59 58 57 – 60 58/59
F5 88 - 91 89/90 86 – 92 89
F6 103 - 110 106/107 102 - 110 106
Din tabelul 4.12 se observă că subregiunea delimitată de frontierele F3 şi F4 este
neperiodică, ea va fi asociată cu consoana glidă /R/. Asocierea foneme-subregiuni va fi
următoarea:
E
Figura 4.64. Determinarea subregiunilor vocalice pentru secvenţa
Din experimentele prezentate se vede că rezultatele sunt convergente atât în cazul
vorbitorului masculin, cât şi în cazul vorbitorului feminin, chiar folosind diferite seturi de
parametri. Avantajul metodei derivă din simplitatea şi cantitatea redusă de calcule necesară.
Ca o observaţie care trebuie să fie făcută relativ la acestă metodă, dacă numărul de
frontiere detectate este mai mare decât N-1, unde N este numărul de subregiuni fonematice în
care se împarte regiunea, atunci vor trebui luate în consideraţie şi tranziţiile fonematice
(difonemele). Astfel, pentru cazul vorbitorului feminin prezentat anterior, a fost considerată şi
tranziţia /A/ - /L/ (difonema /AL/).
N E R A AL L
Fstart F1 F2 F3 F4 F5 F6 Fend
Pentru a asocia în mod corect fonemele şi tranziţiile fonematice cu subregiunile detectate,
va trebui folosită o metodă de recunoaştere a fonemelor pe baza caracteristicilor spectrale, aşa
cum este metoda prezentată în cele ce urmează.

147
Cap. 4. Analiza semnalului vocal
4.8.4.4. Metoda de segmentare în subregiuni fonematice bazată pe modelarea
caracteristicilor spectrale
Această metodă de segmentare în subregiuni fonematice se bazează tot pe calculul
coeficienţilor Fourier, şi se aplică asupra regiunilor sonor-vocalice din semnalul vocal, la fel ca
şi metoda bazată pe detectarea tranziţiilor bruşte. Metoda presupune modelarea caracteristicilor
spectrale ale fiecărei foneme de tip vocală sau consoană glidă şi detectarea fonemelor din
regiunea ţintă prin compararea cu modelul.
Metoda cuprinde 4 faze: (1) faza de modelare; (2) compararea vectorilor regiunii ţintă cu
modelul; (3) regăsirea modelului fonematic şi etichetarea regiunilor; (4) gruparea fonemelor şi
determinarea subregiunilor.
1) Faza de modelare
Faza de modelare cuprinde realizarea în regim manual a mai multor modele pentru
fiecare fonemă în parte. Această fază corespunde cu faza de antrenare caracteristică oricărui
proces de recunoaştere bazată pe model. Modelarea se face pentru un singur vorbitor (se
construieşte câte un fişier model pentru fiecare vorbitor). Fonemele pentru care se realizează
modelarea sunt: vocalele /a/, /e/, /i/, /o/, /u/, /ă/, /î/, şi respectiv consoanele glide /l/, /m/, /n/.
Crearea unui model implică:
a) Alegerea unui cadru din semnal ce corespunde cu fonema dorită. Cadrele se aleg
sincron cu frecvenţa şi pot avea o lungime de 1,2, 3 sau 4 perioade. Fiecare fişier model se va
crea utilizând o lungime prestabilită a cadrelor.
b) Calculul coeficienţilor Fourier corespunzători. În metoda prezentată s-a ales utilizarea
primilor N= 10 .. 12 coeficienţi ce corespund primelor N= 10..12 maxime din spectrul Fourier.
c) Memorarea în fişierul model.
În figura 4.65 se prezintă un exemplu de modelare pentru fonemele /A/ şi /E/ preluate de
la un vorbitor masculin. Cadrele au o lungime de două perioade, iar în fişierul model se vor
introduce primele 12 maxime (corespunzătoare formanţilor) din spectrul Fourier.
(1) (2)
Figura 4.65. Modelarea fonemelor (1) /E/, (2) /A/; sus: cadrul de semnal, jos: spectrul Fourier

2) Compararea vectorilor din regiunea ţintă cu modelul
148
Cap. 4. Analiza semnalului vocal
Această fază presupune detectarea cadrelor din regiunea ţintă de lungime egală cu
lungimea cadrelor aleasă pentru modelare, calculul coeficienţilor Fourier de aceeaşi manieră ca
şi în faza precedentă, construirea vectorilor de caracteristici, şi compararea vectorilor cu
modelele din fişierul model. Compararea se face pe baza distanţei minime pătratice E(a,b)
expusă în paragraful 4..8.4.1.
Compararea vectorilor din regiunea ţintă cu modelul este ilustrată în figura 4.66. C este
cadrul curent, F(C) este vectorul coeficienţilor Fourier asociat cadrului C, MF este modelul
asociat fonemei F.
F(C)
Model
Figura 4.66. Compararea vectorilor din regiunea ţintă cu modelul
În urma fazei de comparare a vectorilor din regiunea ţintă cu modelele din fişierul model
rezultă câte un set de modele corespondente pentru fiecare cadru C:
C
M M M
SM ,..., , (4.93)
f 1,
f 2
unde Mfi sunt instanţe ale modelelor fonematice, având:
fi
C
F1 F2 F3 F4 … Fn-1 Fn
MA ME MI
MO MU ML
f
fn
E( M , F(
C))
P
, i 1..
n , (4.94)
unde Pf este un prag fixat, iar F(C) este vectorul de caracteristici al cadrului C.

3) Regăsirea modelului fonematic şi etichetarea regiunilor
149
Cap. 4. Analiza semnalului vocal
Această fază presupune găsirea modelului fonematic cel mai probabil de asociat cu cadrul
curent din regiunea ţintă. Etichetarea cu foneme poate fi făcută pentru fiecare cadru independent
sau în corelaţie cu cadrele învecinate.
minimă :
În primul caz modelul asociat MC este cel pentru care distanţa pătratică E(MC,F(C)) este
E( M C , F(
C))
min E(
M fi , F(
C))
, (4.95)
unde M fi SM C .
i1
.. n
În al doilea caz, în care etichetarea se face în corelaţie cu cadrele învecinate, dacă aceste
cadre vecine fac parte dintr-un şir etichetat cu o aceeaşi fonemă fk, şi dacă Mfk face parte din setul
SMC, atunci Mfk se va asocia cu cadrul C chiar dacă nu respectă condiţia (4.95).
4) Gruparea fonemelor şi determinarea subregiunilor
În această ultimă fază subregiunile sunt determinate prin găsirea şi extinderea secvenţelor
de cadre vecine etichetate cu aceeaşi fonemă. Dacă o secvenţă {Fi} este întreruptă de o fonemă
singulară diferită Fp, secvenţa va fi extinsă şi peste cadrul respectiv:
Fi Fi … Fi Fp Fi -> Fi Fi … Fi Fi Fi
Figura 4.67. Extinderea secvenţelor fonematice
În finalul procesului de extindere a secvenţelor fonematice, Ure se marchează graniţele de
subregiuni ca fiind graniţele secvenţelor fonematice.
În concluzie, metoda de segmentare în subregiuni fonematice bazată pe modelarea
caracteristicilor spectrale are o mare aplicabilitate practică. Dacă se foloseşte în corelaţie cu
metoda de segmentare fonematică prezentată în secţiunea 4.8, atunci cunoscându-se secvenţa
fonematică asociată cu fiecare regiune, se va putea determina corespondenţa exactă dintre fiecare
fonemă şi cadrele din acea regiune.
1 2 k-1 k k+1 1 2 k-1 k k+1
Pe de altă parte metoda de segmentare în subregiuni bazată pe model poate fi folosită şi
în recunoaşterea vorbirii. În acest caz vor trebui luate în consideraţie toate combinaţiile de
foneme care rezultă din setul SMC ( 4.93), iar combinaţia exactă va trebui determinată prin
utilizarea unei predicţii lingvistice bazată pe vocabular.
che
a
me
die

150
Cap. 4. Analiza semnalului vocal
4.8.4.5. Rezultate obţinute prin metoda de segmentare în subregiuni fonematice
bazată pe modelarea caracteristicilor spectrale
S-au făcut experimente pentru diferite lungimi de cadre, pentru regiuni de tip sonorvocalic
la care s-a aplicat metoda curentă de segmentare în subregiuni. S-a constatat o bună
funcţionalitate a metodei chiar pentru fişiere model de mici dimensiuni, de aproximativ 15-20 de
modele pentru o fonemă. Erorile care apar sunt mici şi ele derivă din cazurile de coarticulare
nemodelate, când o anumită fonemă este rostită în mod asemănător cu o alta.
În continuare se ilustrează un exemplu de segmentare în subregiuni pentru o regiune
vocalică preluată de la un vorbitor masculin.
Exemplu: Vorbitor masculin; regiune sonor-vocalică; lungime cadru: două perioade
Figura 4.68. Regiune sonor-vocalică corespunzând cu secvenţa /E/, /N/, /E/
a) În faza de modelare s-au introdus în baza de modele următoarele foneme :
/A / : 9 instanţe
/E/ : 20 instanţe
/I/ : 3 instanţe
/L/ : 6 instanţe
/M/ : 3 instanţe
/N/ : 6 instanţe
/O/ : 10 instanţe
/U/ : 3 instanţe
Total : 60 modele
b) În faza de comparare s-au obţinut următoarele valori pentru distanţa pătratică E(a,b)
(s-au prezentat doar valorile corespunzătoare primelor 9 cadre) :
Tabelul 4.14. Compararea cadrelor cu modelele
Per 2 Per 3 Per 4 Per 5 Per 6 Per 7 Per 8 Per 9 Per 10
A 141.8 288.4 150.5 73.3 59.9 68.1 168.5 8034.4 3444.8
A 173.7 334.2 188.2 97.7 73.7 79.4 230.4 9487.5 3966.5
A 280.2 521.1 288.6 151.1 115.9 117.8 353.0 13643.1 5778.5
A 265.1 566.4 299.8 146.1 135.6 164.6 399.8 18084.1 7620.7
A 167.0 341.1 180.5 87.0 84.8 135.7 324.5 10683.3 4439.0
A 221.1 361.3 206.0 112.3 75.4 71.1 243.0 8073.2 3327.2

151
Cap. 4. Analiza semnalului vocal
A 45.8 93.2 41.3 15.4 15.7 48.9 91.6 2463.0 1071.3
A 25.1 65.2 42.6 27.5 20.7 28.5 36.2 2331.5 993.5
A 31.6 70.9 49.0 32.7 19.5 19.6 32.0 2314.3 973.5
E 575.1 297.4 559.1 887.6 420.3 198.1 119.9 232.6 113.0
E 294.5 117.1 227.4 467.7 489.0 780.5 302.8 8.3 9.8
E 175.6 96.2 140.7 254.5 315.4 708.6 329.4 148.7 109.6
E 22.7 12.4 17.6 31.6 20.3 38.7 20.5 182.3 73.7
E 2.3 5.9 0.8 3.6 7.8 45.8 26.1 358.4 159.3
E 4.0 2.1 1.3 8.9 10.7 41.7 15.0 236.2 102.0
E 42.3 44.6 30.2 25.6 5.7 3.1 20.6 721.2 288.4
E 7.2 15.1 4.3 5.2 17.5 85.7 47.4 429.8 213.2
E 14.4 28.6 8.4 1.7 9.9 65.8 58.1 759.5 342.8
E 16.3 40.2 13.6 2.5 10.7 66.6 69.2 1155.5 522.7
E 13.9 34.1 10.8 1.6 8.3 58.4 60.8 986.1 446.1
E 52.0 32.7 31.1 53.6 77.1 238.1 117.4 149.5 92.9
E 3.2 4.6 0.8 3.9 8.5 48.4 24.4 303.9 134.6
E 65.1 114.7 71.2 41.4 20.1 16.7 60.9 2976.8 1228.8
E 14.9 23.1 7.9 4.2 9.8 55.7 46.3 626.2 268.9
E 7.2 19.5 4.8 0.6 4.3 40.1 34.8 675.9 302.3
E 59.6 116.2 49.9 18.8 24.0 78.2 129.7 2677.3 1198.0
E 32.2 67.6 26.4 8.8 15.6 69.0 87.5 1565.3 726.0
E 141.4 260.4 133.0 63.8 52.7 76.1 209.9 6465.2 2757.5
E 24.0 59.3 23.4 6.9 14.2 66.1 77.4 1729.3 779.6
I 231.2 98.5 198.8 391.9 373.3 488.8 166.5 11.1 11.1
I 184.5 100.3 204.9 395.2 419.1 520.5 141.3 36.8 38.3
I 67.7 28.8 56.7 102.7 62.2 44.7 8.3 141.2 52.2
L 169.1 83.7 171.0 302.6 219.5 214.4 74.3 56.5 27.8
L 34.9 21.1 42.2 71.5 45.8 47.5 13.7 205.2 84.3
L 309.9 146.7 284.4 479.4 268.3 169.0 73.4 107.3 48.2
L 97.8 36.2 82.3 171.1 152.7 173.8 47.2 29.1 11.2
L 61.2 36.7 54.0 104.4 169.1 480.9 168.5 83.1 74.0
L 46.1 24.3 55.5 111.7 114.7 145.4 30.9 109.9 56.5
M 111.1 59.5 129.0 250.4 236.5 227.3 50.7 110.9 64.1
M 812.4 314.9 554.0 1128.1 1226.1 2164.0 821.9 8.5 33.4
M 158.7 71.7 147.6 302.7 339.8 515.3 155.4 14.6 19.6
N 231.3 79.1 149.3 312.5 301.2 454.6 181.3 7.2 1.2
N 177.4 76.8 150.4 291.9 253.9 233.6 75.4 79.4 37.2
N 77.5 32.4 74.7 157.8 164.1 219.6 55.8 37.0 21.2
N 134.5 66.9 136.6 270.1 255.7 239.6 55.9 113.0 64.8
N 44.1 22.3 39.3 66.9 35.8 23.1 1.8 244.5 93.6
N 97.2 48.8 85.2 148.0 107.5 78.6 23.9 249.6 95.8
O 23.1 53.9 21.0 8.9 26.1 118.8 99.9 1235.9 609.4
O 23.4 52.2 18.8 4.7 14.6 79.5 85.3 1327.1 609.0
O 17.2 29.0 10.2 5.0 8.5 51.8 54.3 604.8 280.3
O 18.4 35.4 13.7 7.1 15.7 78.4 75.0 721.7 347.6
O 33.7 68.7 28.2 10.6 16.2 68.2 94.1 1539.9 709.1
O 34.6 71.1 30.1 11.2 13.6 53.6 84.3 1718.0 774.1
O 31.8 65.4 26.5 9.6 14.6 63.5 87.3 1491.9 685.4
O 63.8 124.1 55.3 22.6 22.4 56.1 106.3 2885.4 1298.5
O 312.2 501.0 346.1 217.9 117.6 60.8 208.6 10500.7 4278.5
O 66.5 147.1 66.3 27.2 36.9 105.6 155.5 3922.2 1780.5
U 11.4 4.0 12.8 33.5 38.3 73.5 15.6 168.4 74.9
U 85.0 95.4 90.2 85.9 33.0 4.1 18.8 1588.2 624.6
U 53.4 30.9 47.3 72.7 33.9 15.3 2.7 339.8 127.9

c) În faza de etichetare s-a mers pe regăsirea modelului cu distanţa E(a,b) minimă.
S-au obţinut următoarele asocieri (vezi figura 4.69):
C7
C8
Figura 4.69. Etichetarea perioadelor din regiune
152
Cap. 4. Analiza semnalului vocal
d) În faza de determinare a subregiunilor fonematice, se verifică dacă există secvenţe de cadre
de lungime redusă (unul sau două cadre). Aceste secvenţe reprezintă :
(1) cadre de tranziţie, dacă despart două secvenţe fonematice diferite, sau
(2) artefacte, dacă sunt incluse într-o secvenţă corespunzătoare unei singure foneme.
În exemplul nostru cadrele 14-17 sunt cadre de tranziţie, iar cadrul 23 e un artefact.
De asemeni, aici trebuie ţinut cont de faptul că s-au considerat cadre de lungime egală
cu două perioade. Astfel, cadrul 7, compus din perioadele 7 şi 8, este asociat cu fonema /E/, iar
cadrul 8, compus din perioadele 8 şi 9, cu fonema /N/. Ca urmare va trebui luat în considerare un
cadru intermediar, de tranziţie, la nivelul perioadei 8. Dacă însă există o succesiune de tip
secvenţă fonematică – cadru de tranziţie, atunci nu se mai ia în considerare cadrul intermediar.
În urma procesului de grupare a fonemelor şi extindere a secvenţelor fonematice, s-au
obţinut următoarele subregiuni (cadrele figurate cu galben sunt cadre de tranziţie):
t t
Figura 4.70. Determinarea subregiunilor fonematice prin metoda modelării

153
Cap. 4. Analiza semnalului vocal
4.8.5. Aplicaţii ale segmentării fonematice în realizarea bazelor de date
acustice
Metodele de segmentare fonematică descrise anterior au fost proiectate în vederea
adnotării şi segmentării corpusului vorbit pentru realizarea bazei de date cu unităţi acustice. Baza
de date vocală este constituită din acel set de sunete elementare prin concatenarea cărora se poate
genera un semnal sonor corespunzător unui text oarecare.
Aceste unităţi de bază pot fi alese dintre: cuvinte, propoziţii, morfeme, silabe, foneme,
difoneme etc., în funcţie de cerinţele aplicaţiei. Folosirea cuvintelor şi propoziţiilor (înregistrarea
lor ca forme de undă, inclusiv intonaţie, articulare etc.) duce la obţinerea unei vorbiri de bună
calitate, dar pentru un domeniu lingvistic restrâns.
Autorul a ales pentru implementare varianta folosirii silabelor ca unităţi de bază. Această
alegere are avantajul utilizării unor segmente de vorbire suficient de mari ca să păstreze
elmentele de prozodie intrasegmentală (cum ar fi accentele), dar suficient de mici ca să asigure o
dimensiune rezonabilă a bazei de date. Un alt avantaj al folosirii silabelor este faptul că prin
concatenare nu rezultă artefacte acustice, cum este cazul difonemelor de exemplu, caz în care
este necesar să se realizeze un proces de interpolare în punctele de concatenare.
Corpusul vorbit folosit pentru extragerea unităţilor acustice a fost alcătuit atât din
propoziţii obişnuite şi cuvinte care conţin grupurile fonematice dorite (silabele în cazul nostru),
precum şi din cuvinte artificiale folosite pentru a evidenţia mai bine un anumit grup de foneme.
Realizarea bazei de date presupune separarea unităţilor acustice din semnalul vocal
printr-o metodă manuală sau automată, şi apoi stocarea acestora în structura ierarhică a bazei de
date. Aşa cum se va prezenta în capitolul dedicat metodei proprii de sinteză, autorul a folosit o
metodă semiautomată, în care unităţile acustice sunt determinate pe baza aplicării metodei de
segmentare fonematică asupra unui corpus paralel text-voce.
Un exemplu de extragere a unităţilor acustice din cuvinte artificiale este ilustrat în figura
următoare:
T A T I T A T A D E T A
BD vocală
Figura 4.71. Extragerea unităţilor acustice din semnalul vocal

154
Cap. 4. Analiza semnalului vocal
4.8.6. Concluzii privitoare la contribuţiile autorului în segmentarea
fonematică a semnalului vocal
Metodele de segmentare fonematică a semnalului vocal sunt foarte utile în procesul de
creare a bazei de date acustice, când avem de-a face cu un corpus de dimensiuni mari care
trebuie segmentat şi adnotat. Cu cât aceste metode sunt mai automatizate, cu atât munca depusă
de operatorul uman este mult uşurată. Metodele propuse de autor vin în întâmpinarea acestui
deziderat şi aduc o contribuţie importantă în acest domeniu al analizei şi prelucrării corpusului
vocal.
O altă aplicaţie foarte importantă a acestor metode de detectare a unităţilor fonematice
din semnalul vocal este în domeniul recunoaşterii vorbirii. Dezvoltarea şi aprofundarea
metodelor de segmentare fonematică va duce implicit şi la soluţionarea problemei recunoaşterii,
arătând astfel domeniul vast de aplicabilitate şi operabilitate al acestor metode.
S-au propus în acest capitol trei metode pentru segmentarea fonematică, metode ce pot fi
utilizate individual sau coroborat. Prima metodă detectează grupurile de foneme din semnalul
vocal pe baza textului cunoscut de la intrare, folosind segmentarea prealabilă în regiuni. A doua
metodă realizează împărţirea regiunilor în subregiuni fonematice, calculând tranziţiile dintre
cadrele fiecărei regiuni. A treia metodă detectează separat fonemele din regiunile
multifonematice şi funcţionează pe bază de model.
Avantajul acestor metode derivă din modul de abordare sincron cu frecvenţa, ceea ce le
dă o notă de precizie în plus faţă de alte abordări.
În acestă fază s-au realizat:
a) o metodă de segmentare în grupuri de foneme a semnalului vocal pe baza textului cunoscut de
la intrare; pentru aceasta s-a proiectat:
- un set de reguli care impun anumite constrângeri de formă şi durată pentru fiecare grup
fonematic;
- un algoritm de asociere între un grup fonematic şi o secvenţă de regiuni;
b) o metodă ce realizează împărţirea regiunilor în subregiuni fonematice, calculând tranziţiile
dintre cadrele fiecărei regiuni; pentru aceasta s-a proiectat:
- un mod de calcul a distanţei minime pătratice dintre două cadre de semnal, distanţă ce
se aplică vectorilor de caracteristici bazaţi pe coeficienţi Fourier;
- un algoritm de detectare a frontierelor de subregiuni pe baza tranziţiilor bruşte dintre
cadre;
c) o metodă ce separă fonemele din regiunile multifonematice, funcţionând pe bază de model;
pentru aceasta s-au proiectat 4 algoritmi şi metode:
- o metodă de modelare semiautomată a fonemelor;
- un algoritm de comparare a vectorilor regiunii ţintă cu modelul;
- un algoritm de regăsire a modelului fonematic şi de etichetare a regiunilor;
- un algoritm de grupare a fonemelor şi segmentare în subregiuni.

5. Sinteza de voce
5.1. Modelul general al sintezei vorbirii
Sinteza vorbirii presupune generarea automată a vorbirii de către un sistem automat. Din
punct de vedere al realizării fizice, sinteza de voce poate fi implementată atât pe un calculator cât
şi pe diverse dispozitive electronice sau de telecomunicaţii prin componente dedicate (circuite
integrate, circuite programabile, microcontroler, etc.).
Există două concepte de bază ce definesc sistemele de sinteză a vocii: conversia textrostire
(sistemele text-to-speech), şi sinteza propriu-zisă a vorbirii. Sistemele text-to-speech
(figura 5.1) pornesc de la un text de sintetizat, parcurg o fază de analiză lexicală în care sunt
determinate unităţile lexicale componente (prop oziţii, cuvinte, silabe, foneme), apoi pe baza
acestor unităţi lexicale vor fi generaţi anumiţi parametri acustici care vor fi utilizaţi în generarea
vorbirii [Bur96].
Analiză
Generare
Text Rostire
lexicală
parametri
Figura 5.1. Sistem de sinteză a vorbirii pornind de la text
Ultima etapă procesuală din cadrul sistemului text-to-speech, şi anume generarea rostirii
pe baza parametrilor acustici, reprezintă sinteza de voce propriu-zisă. Sistemele sintetizatoare de
voce diferă deci de sistemele text-to-speech prin faptul că primele utilizează la intrare nu direct
textul de sintetizat, ci parametrii acustici pe baza cărora va fi posibilă generarea rostirii.
Există două faze principale în cadrul procesului de sinteză a vorbirii:
1. Faza de analiză, ce presupune înregistrarea, codificarea şi parametrizarea unor unităţi
acustice într-o bază de date vocală. Unităţile acustice pe baza cărora se va realiza sinteza unui
text sau a unei rostiri se preiau în general dintr-o rostire preliminară a unui vorbitor.
2. Faza de sinteză reprezintă sinteza propriu-zisă a vorbirii: se porneşte de la un text care
se prelucrează şi apoi se generează semnalul vocal pe baza cunoştinţelor înmagazinate a-priori în
baza de date vocală.
Aceste două faze din cadrul procesului de sinteză a vorbirii sunt ilustrate în figurile
următoare. Prima fază – faza de analiză – este ilustrată în figura 5.2:
Rostire
Segmentare
Unităţi
acustice
Codificare -
Parametrizare
Figura 5.2. Faza de analiză din cadrul sintezei vorbirii
155
Unităţi acustice
codificate sau
parametrizate
Înregistrare
date
Baza de
date vocală

156
Cap. 5. Sinteza de voce
Aşa cum se observă din figura 5.2, faza de analiză presupune ca dintr-o rostire
preliminară a unui vorbitor să se determine anumite unităţi acustice ce vor fi folosite ulterior în
procesul de sinteză. Unităţile acustice se generează în cadrul unui proces de segmentare ce
presupune separarea rostirii iniţiale în componente: cuvinte, silabe, foneme sau difoneme
(jumătăţi de foneme). Segmentarea rostirii este realizată în general printr-un proces manual sau
semiautomat [Bur96].
Unităţile acustice obţinute în urma procesului de segmentare vor fi apoi codificate şi
parametrizate în vederea stocării pe suport magnetic digital într-o bază de date. Codificarea este
necesară pentru a reduce dimensiunea înregistrărilor din baza de date, ţinând cont că unităţile
acustice iniţiale conţin eşantioane vocale digitizate reprezentând un mare volum de informaţie.
Suplimentar, unităţile acustice vor fi parametrizate în vederea reconstrucţiei ulterioare a
semnalului vocal. În final, unităţile acustice codificare şi parametrii obţinuţi se vor introduce în
baza de date vocală.
Urmează faza de sinteză propriu-zisă pornind de la un text de intrare:
Text
Analiză
lingvistică
Unităţi
lexicale
Figura 5.3. Faza de sinteză din cadrul sintezei vorbirii
În cadrul acestei faze, printr-un proces de analiză lingvistică, textul de sintetizat este
descompus mai întâi în unităţi lexicale de tip propoziţie, cuvânt, fonemă. Pentru fiecare unitate
lexicală se caută apoi punerea în corespondenţă cu unităţile acustice stocate în baza de date
vocală. După găsirea celei mai bune potriviri cu o unitate acustică, se regăsesc parametrii
acustici corespunzători stocaţi în baza de date. Pe baza unităţilor acustice parametrizate se
generează formele de undă necesare printr-un proces de sinteză de semnal vocal. Rostirea
propriu-zisă se produce prin concatenarea formelor de undă ce vor fi trimise apoi către un
dispozitiv fizic generator de semnal.
Baza de
date vocală
Regăsire
parametrii
Unităţi acustice
parametrizate
Sinteza
semnalului
vocal
Rostire
Generare forme
de undă

5.2. Sistemul de sinteză text-to-speech
157
Cap. 5. Sinteza de voce
5.2.1. Caracteristicile unui sistem text-to-speech. Metode de bază folosite
Sistemul text-to-speech este sistemul care asigură realizarea unui proces complet de
conversie a unui text în vorbire continuă. În cadrul acestui proces sunt prezente două faze
distincte: faza de analiză lingvistică şi faza de generare a parametrilor acustici, aşa cum se
prezintă în figură:
Text
Tex
tto-
Spe
Analiză
lingvistică
Generare
parametrii
acustici
Figura 5.4. Sistemul text-to-speech
Analiza lingvistică are ca scop determinarea unităţilor lingvistice din cadrul textului, cum
ar fi: propoziţii, ech cuvinte, silabe, foneme. Generarea parametrilor acustici urmăreşte identificarea
şi extragerea dintr-o Text bază de date vocală a parametrilor corespunzători unităţilor lingvistice. Pe
baza acestor parametrii, un sintetizor vocal va genera rostirea propriu-zisă.
Există trei metode de bază în sinteza text-to-speech: metoda bazată pe concatenarea
formelor de undă, metoda bazată pe analiză-sinteză, şi metoda bazată pe reguli [Bur97].
1. Metoda directă, bazată pe concatenarea formelor de undă, este cea mai simplă şi
presupune înregistrarea în baza de date vocală a sunetelor înregistrate ca atare (codificate sau
nu). Rostirea este generată prin alăturarea înregistrărilor ce corespund unităţilor lingvistice al
textului de sintetizat. Metoda este schematizată în figura 5.5.
Forme de
undă
Codificare
Memorare
Compunerea
formelor de
undă
Rostire
Figura 5.5. Metoda bazată pe concatenarea formelor de undă [Bur97]
Rostire
Metoda directă are avantajul unei calităţi ridicate a vorbirii sintetizate, având rata
debitului de date de 64-128 kbit/s (fără codificare). Calitatea rostirii depinde de calitatea
unităţilor acustice stocate în baza de date vocală, precum şi de modul de conectare al unităţilor
acustice. În schimb este dificilă schimbarea trăsăturilor prozodice ale vorbirii: ritm, intonaţie,
accent şi timbru. Pentru reducerea dimensiunilor bazei de date, de obicei formele de undă se
codifică folosind metodele PCM sau ADPCM, rezultând astfel o rată de date de 16-32 kbit/s
2. În cadrul metodei bazată pe analiză-sinteză, formele de undă preînregistrate sunt
transformate în secvenţe de parametrii care se memorează în baza de date vocală. Metoda
presupune două faze distincte: faza de analiză, în care sunt generaţi parametrii din formele de
undă iniţiale, şi faza de sinteză, în care se generează rostirea prin concatenarea secvenţelor de
parametrii şi trimiterea secvenţei rezultate către sintetizatorul de voce.

158
Cap. 5. Sinteza de voce
Metodele clasice care ilustrează această categorie sunt metoda formantică şi metoda
predicţiei liniare LPC.
În primă fază, se înregistrează unităţile acustice dintr-o rostire preliminară. Apoi se va
genera secvenţa de parametri corespunzătoare unităţilor acustice. În cadrul metodei formantice,
secvenţa de parametri este constituită pe baza frecvenţelor şi lăţimilor de bandă ale formanţilor.
Metoda LPC furnizează ca secvenţă de parametri de sinteză un set de coeficienţi de predicţie,
care aproximează forma spectrală a undei sonore. În a treia fază se concatenează secvenţele de
parametri şi se generează rostirea propriu-zisă [Bur97].
Metoda este ilustrată în figura 5.6.
Secvenţă de
parametri
Codificare
Memorare
Figura 5.6. Metoda bazată pe analiză-sinteză [Bur97]
Analiza se bazează de obicei pe un model de producţie vocală, care este specific metodei
folosite. Astfel, unităţile sonore preînregistrate sunt analizate în conformitate cu acest model de
producţie vocală, se parametrizează şi se înregistrează în baza de date secvenţa de parametri
corespunzătoare unităţilor acustice. Sinteza va rezulta în urma compunerii secvenţelor de
parametri caracteristice fiecărei unităţi.
Metoda formantică utilizează ca model de producţie vocală o secvenţă de circuite de
rezonanţă acordate pe frecvenţele formanţilor. Metoda LPC foloseşte ca model un filtru liniar ce
are la intrare un semnal de excitaţie sonor sau nesonor.
Rata debitului de date în cazul metodei bazată pe analiză-sinteză este mult mai redusă
datorită avantajului parametrizării, şi anume de 2,5-9 kbit/s.
3. Metoda bazată pe reguli are la intrare o secvenţă de litere sau simboluri fonematice,
un set de parametri care modelează trăsăturile prozodice ale secvenţei (cum ar fi frecvenţa
fundamentală, amplitudinea, durata), şi un set de reguli de sinteză fonetice şi lingvistice care
specifică modalităţile de recompunere a unităţilor acustice pentru a genera rostirea [Bur97].
Metoda este ilustrată în figura 5.7.
Secvenţă de
simboluri
Trăsături
prozodice
Set de
reguli
Codificare
Memorare
Codificare
Memorare
Codificare
Memorare
Figura 5.7. Metoda bazată pe reguli [Bur97]
Compunerea
secvenţelor de
parametri
Generare
parametri
Rostire
Rostire

159
Cap. 5. Sinteza de voce
În baza de date se memorează parametrii caracteristici pentru unităţile elementare cu care
se lucrează (foneme, difoneme, silabe). În faza de sinteză, unităţile se vor concatena pe baza unor
reguli de concatenare. Trăsăturile prozodice (amplitudine, tonalitate, durată) se controlează
printr-un set de reguli prozodice ce se aplică pentru fiecare unitate în parte.
Calitatea sintezei depinde în acest caz atât de calitatea unităţilor elementare înregistrate în
baza de date, cât şi de modul de realizare şi performanţa regulilor prozodice şi de concatenare
[Bur97].
5.2.2. Etape în sinteza de voce pornind de la text
Etapele procesuale ale sintezei text-to-speech se împart în două categorii de bază
[Bur97]:
1) Analiza textului de la intrare în scopul obţinerii unei reprezentări fonetice şi prozodice
a textului;
2) Transformarea reprezentării fonetice-prozodice în semnal vocal, pe baza folosirii unor
reguli de sinteză.
Analiza textului cuprinde: preprocesarea lingvistică, analiza sintactică şi lexicală,
transcrierea fonetică şi determinarea prozodiei.
Sinteza presupune generarea secvenţei de parametri corespunzătoare textului şi sinteza
propriu-zisă a vorbirii.
Preprocesarea lingvistică este prima etapă în analiza textului de la intrare, în care se
urmăreşte aducerea textului la o formă normalizată. Aici se refac abrevierile (de exemplu „Dr.”
devine „doctor”), se transformă numerele care apar ca cifre în numere exprimate literar („1000”
devine „o mie”), şi de asemenea tot în acestă fază se detectează terminatorii de propoziţie, care
vor da primele informaţii despre tipul propoziţiei (` . ` ` ? ` `! ` , ce corespund cu o propoziţie
afirmativă, interogativă, respectiv imperativă).
Analiza sintactică este necesară pentru a aduce textul la o formă corectă din punct de
vedere gramatical, ştiut fiind faptul că orice greşeală de scriere a unui cuvânt îl poate face greu
inteligibil în urma sintezei vocale. Astfel, cuvintele sunt confruntate cu modul corect de scriere
aşa cum apare de exemplu într-un dicţionar, şi de asemenea, în cazul limbii române, se verifică şi
corectitudinea inserării diacriticelor (`ă` `î` `ş` `ţ`).
Urmează etapa de determinare a unităţilor lexicale, efectuată prin intermediul unui
parser sau analizor lexical. Aici se determină unităţile textuale dorite, cum ar fi: propoziţii,
cuvinte, silabe, foneme. Dacă de exemplu se doreşte regăsirea silabelor din cadrul cuvintelor,
analizorul va trebui să fie ghidat de un set de reguli sintactice şi de despărţire a cuvintelor în
silabe, reguli specifice limbii pentru care se va realiza sinteza.
Etapa de transcriere fonetică are ca scop realizarea unei transcrieri standardizate a
fonemelor din text (grafeme), folosind un set de simboluri fonetice standardizate ( de exemplu
grupul `che` va avea transcrierea fonetică [ce], iar `ce` va avea transcrierea fonetică [c~e]; astfel
sintetizatorul va şti că va trebui să folosească seturi diferite de parametrii pentru a genera două
tipuri distincte de rostire).

160
Cap. 5. Sinteza de voce
Urmează apoi etapa de determinare a prozodiei pentru segmentele vocale analizate. Pe
baza unor reguli prozodice specifice limbii, se va determina accentul, intonaţia şi ritmul corect
pentru fiecare unitate fonematică. Regulile prozodice se aplică atât la nivelul suprasegmental al
propoziţiilor, realizându-se un contur prozodic al propoziţiei, cât şi la nivel segmental, în
interiorul cuvintelor.
Regulile aplicate dau pentru fiecare unitate de sintetizat o anumită corecţie la nivelul
parametrilor: frecvenţă fundamentală, amplitudine şi durată, în funcţie de tipul popoziţiei
determinat în etapa de procesare lingvistică, de locul cuvântului în propoziţie, precum şi de locul
silabei sau fonemei în cadrul cuvântului.
Pe lângă prozodia lingvistică, care se determină pe baza analizei lingvistice a textului, în
ultimii ani se ţine cont tot mai mult şi de prozodia emoţională, pentru a simula stările emoţionale
pe care le poate avea un vorbitor (bucurie, teamă, linişte, etc.).
După aceste etape de analiză a textului, urmează etapele încadrate în faza de sinteză.
Prima dintre ele este etapa de generare a parametrilor acustici pentru sinteză. Pe baza
simbolurilor fonematice care provin din etapa de transcriere fonetică şi a modificărilor prozodice
determinate pe baza regulilor privind intonaţia şi ritmul, se generează secvenţa de parametrii
corespunzătoare textului de sintetizat.
Text
Simboluri fonetice
( a b c ...)
Prozodie Cunoştinţe
Secvenţă de parametri
( a1 a2 a3 ...)
Figura 5.8. Etapa de generare a parmetrilor acustici [Bur97]
Baza de
date
vocală
În această etapă se folosesc cunoştinţele înmagazinate în baza de date vocală, de unde se
regăsesc parametrii de bază pentru fiecare unitate fonetică. Parametrii de bază se vor modifica în
urma alterărilor prozodice, şi apoi se vor concatena pentru a genera secvenţa parametrică pentru
întregul context propoziţional.
În continuare urmează faza de sinteză propriu-zisă, în care secvenţele de parametri se
transformă în forme de undă care pot fi redate sonor prin intermediul unui dispozitiv audio.
Constituirea formelor de undă din secvenţa de parametri se realizează pe baza unor reguli de
sinteză bine determinate.

Etapele procesuale ale sintezei TTS sunt ilustrate în figura 5.9:
Text
Preprocesare lingvistică Text în formă normalizată
Analiză sintactică Text corect gramatical
Determinare unităţi
lexicale
Figura 5.9. Etapele procesuale ale sintezei TTS [Bur97]
161
Propoziţii, cuvinte, foneme
Transcriere fonetică Simboluri fonetice
Determinarea prozodiei Parametrii prozodici
Generare parametri
acustici
Parametrii de sinteză
Sinteza Forme de undă
Rostire
Cap. 5. Sinteza de voce

6. Metode de sinteză de voce
6.1. Clasificarea metodelor de sinteză de voce
Sinteza vorbirii poate fi realizată prin mai multe metode, care diferă în funcţie de nivelul
abordării, modelul de producere a vorbirii şi domeniul de analiză şi prelucrare a semnalului
vocal.
A. În funcţie de nivelul abordării, metodele de sinteză se grupează în două categorii:
metode care abordează sinteza de nivel jos, respectiv sinteza de nivel înalt.
Metodele care abordează sinteza de nivel jos pornesc de la specificarea unor parametri
acustici şi generează vorbirea sintetică prin re-crearea formei de undă a semnalului vocal
[Bur96].
Această categorie cuprinde:
- metode bazate pe codificarea şi recompunerea vorbirii, metode implementate în sistemele
de tip vocoder;
- metode de sinteză formantică, ce utilizează specificarea parametrilor formantici din
spectrul acustic pentru generarea vorbirii;
- metode de sinteză bazate pe predicţie liniară, ce urmăresc prezicerea eşantioanelor de
semnal pe baza eşantioanelor precedente;
- metode de sinteză prin concatenarea formelor de undă, ce implică preînregistrarea şi apoi
recompunerea formelor de undă corespunzătoare unităţilor acustice;
- sinteza articulativă, ce implică utilizarea unor parametri generaţi pe baza unui model
articulator de producere a vorbirii.
Sintetizatoarele de vorbire care implementează metodele de nivel jos generează semnalul
vocal de la ieşirea unui sistem de sinteză vocală. Exemple de astfel de sintetizatoare sunt:
sistemul Holmes de sinteză formantică cu rezonatori în paralel, sistemul Klatt ce foloseşte o
metodă formantică hibridă serie-paralel, sistemul PSOLA bazat pe concatenarea formelor de
undă. Toate aceste sisteme nu pot genera semnal vocal cât timp ele nu sunt controlate de către un
software de sinteză de nivel înalt.
Metodele de sinteză de nivel înalt sunt de tipul text-to-speech sau concept-to-speech.
Sistemele text-to-speech generează vorbirea pe baza textului de la intrare, iar sistemele conceptto-speech
sunt sisteme de dialog vocal în care vorbirea se generează pe baza unei descrieri
lingvistice ce rezultă în urma dialogului cu utilizatorul. Caracteristic acestor metode este faptul
că ele includ o abordare lingvistică, prin aceasta diferenţiându-se de metodele de nivel jos
[Bur96].
Problemele specifice abordate de către aceste metode de nivel înalt sunt: conversia
ortografie-foneme, descompunerea cuvintelor în morfeme, crearea de dicţionare cu informaţie
sintactică şi fonetică, crearea regulilor de pronunţie, determinarea prozodiei (intonaţiei) din
cadrul elementelor fonetice – propoziţii şi cuvinte.
Sintetizatoarele de nivel înalt sunt responsabile pentru generarea intrării către
sintetizatoarele de nivel jos. Intrarea într-un sistem de sinteză de nivel înalt este constituită din
textul de sintetizat, în timp ce ieşirea furnizează parametrii acustici necesari sintezei vocale.
162

163
Cap. 6. Metode de sinteză de voce
Exemple de sintetizatore de nivel înalt sunt: INFOVOX, DECTalk, SPRUCE. Primele
două sunt conectate la generatoare de semnal vocal dedicate, pe când al treilea poate controla
orice tip de sintetizator de nivel jos.
B. În funcţie de domeniul de analiză abordat, metodele de sinteză a vorbirii se împart
în două categorii: metode de sinteză în domeniul timp şi metode de sinteză în domeniul frecvenţă
[Bur96].
Metodele de sinteză în domeniul timp realizează concatenarea directă a formelor de undă
stocate în prealabil în baza de date vocală. Cele mai simple sintetizatoare bazate pe aceste
metode nu utilizează parametrizarea unităţilor acustice, utilizând direct forma de undă a
semnalului în domeniul timp.
Modelul general al acestui tip de sinteză este ilustrat în figura 6.1.
Rostire
CODIFICARE
Text
SINTEZA
Unităţi
acustice
Unităţi
lexicale
Formă de undă
codificată
Secvenţe de
forme de undă
Figura 6.1. Modelul sintezei în domeniul timp
Baza de date
vocală
Rostire
În cadrul acestui model, într-o primă fază de codificare şi înregistrare a formelor de undă,
unităţile acustice de tipul silabelor, fonemelor, demifonemelor, se înregistrează dintr-o rostire
preliminară a unui vorbitor. Ele se vor înregistra ca forme de undă cu o anumită codificare (de
exemplu PCM) într-o bază de date vocală.
În faza de sinteză propriu-zisă, după separarea unităţilor lexicale din textul de sintetizat
(unităţi lexicale care trebuie să fie de acelaşi tip cu unităţile acustice preînregistrate), se va
urmări punerea în corespondenţă cu unităţile acustice din baza de date vocală şi reconstituirea
secvenţelor de undă asociate. Apoi printr-un proces de concatenare a secvenţelor de undă se va
genera rostirea propriu-zisă.
Avantajul major al acestor metode de sinteză prin concatenare în domeniul timp este
reprezentat de calitatea aproape naturală a vocii sintetizate. Dintre dezavantaje se pot aminti o
cantitate importantă de resurse folosite în procesul memorării formelor de undă, dar şi
dificultăţile legate de modificarea prozodiei vorbirii.

164
Cap. 6. Metode de sinteză de voce
Metodele de sinteză în domeniul frecvenţă realizează sinteza vocală pe baza unor
parametri acustici generaţi în urma aproximării unor caracteristici spectrale din domeniul
frecvenţă. Astfel, pentru a realiza sinteza unui text, mai întâi se generează parametrii acustici
corespunzători rostirii, şi apoi sunt generate formele de undă ale semnalului vocal [Bur96].
Modelul general al sintezei vorbirii în domeniul frecvenţă este ilustrat în figura 6.2:
Rostire
ANALIZA
Text
SINTEZA
Unităţi
acustice
Unităţi
lexicale
Generare
parametri
Secvenţe de
parametri
Figura 6.2. Modelul sintezei în domeniul frecvenţă
Baza de date
parametrizată
Generare forme
de undă
Rostire
În faza de analiză a sintezei din domeniul frecvenţă, unităţile acustice separate din
rostirea preliminară sunt parametrizate în funcţie de caracteristicile spectrale ale semnalului
vocal. Parametrii sunt apoi înregistraţi în baza de date şi indexaţi în scopul unei regăsiri facile.
În faza de sinteză, unităţile lexicale (cuvinte, silabe, foneme) din textul de sintetizat sunt
transformate în secvenţe de parametri regăsiţi din baza de date parametrizată. Parametrii acustici
sunt ajustaţi în funcţie de prozodia cerută, iar pe baza lor vor fi generate formele de undă
corespondente.
Avantajul metodelor bazate pe sinteza în domeniul frecvenţă constă în primul rând din
posibilitatea realizării facile a aspectelor de prozodie (ritm, accent, intonaţie) prin calculul şi
generarea corespunzătoare a parametrilor acustici şi spectrali. Un alt avantaj rezultă din faptul că
în baza de date se păstrează nu formele de undă, ca în cazul metodelor din domeniul timp, ci
parametrii acustici, ceea ce duce la o mare economie de resurse de memorie şi computaţionale.
Ca dezavantaj se poate aminti faptul că parametrizarea rostirii de la intrare în faza de
analiză duce la aproximarea semnalului vocal şi ca urmare în faza de reconstrucţie a semnalului
de la ieşire vorbirea rezultată va avea o calitate ‚sintetică’, depărtându-se de vorbirea naturală.
În continuare se prezintă câteva metode uzuale ce generează rezultate bune în sinteză, atât
pentru domeniul frecvenţă cât şi pentru domeniul timp.

6.2. Metode de sinteză în domeniul frecvenţă
165
Cap. 6. Metode de sinteză de voce
Ca exemple de metode ce utilizează analiza semnalului vocal în domeniul frecvenţă
putem aminti:
- metoda de sinteză prin predicţie liniară, ce utilizează pentru generarea semnalului vocal
o serie de parametri numiţi coeficienţi de predicţie;
- metoda de sinteză formantică, ce utilizează informaţiile despre formanţii spectrali în
procesul generării unităţilor acustice.
6.2.1. Sinteza bazată pe predicţie liniară
Termenul de predicţie liniară a fost introdus prima dată de către N. Wiener în 1949
([Wie49], [Har01]), această tehnică fiind folosită într-o gamă largă de aplicaţii. În domeniul
cercetării semnalului vocal, această tehnică a fost folosită prima dată de către Itakura şi Saito (în
1968) şi Atal şi Schroeder (în 1968), pentru analiza şi sinteza semnalului vocal [Ave04].
Importanţa predicţiei liniare constă în faptul că sursa de semnal vocal şi caracteristicile ei
spectrale pot fi reprezentate în mod exact şi eficient de un număr mic de parametri. În plus, aceşti
parametri se obţin prin calcule relativ simple [Tod05].
La început această tehnică a fost dezvoltată cu scopul de a coda semnalul vocal, iar mai
apoi a devenit foarte importantă în analiza şi sinteza acestuia [Hu93].
Această metodă de sinteză este cunoscută sub denumirea de sinteză LPC ( Linear
Predictive Coding synthesis) şi face parte din categoria sistemelor de analiză-sinteză a
semnalului vocal (analysis by synthesis systems).
Într-un sistem de analiză-sinteză, unda vocală este sintetizată folosind o sursă de excitaţie
şi parametri de articulaţie, care au fost în prealabil extraşi cu ajutorul unui circuit care modelează
mecanismul de producere al vorbirii. Modelul sistemului fonator pe care se bazează metoda
analizei şi sintezei prin predicţie liniară este modelul ‘sursă-filtru’, model prezentat în figura
următoare:
F0
Sursă
G
Filtru variabil
H(z)
Parametrii
tractului vocal
Figura 6.3. Modelul producerii vorbirii prin metoda LPC
Modelul LPC al producerii vorbirii este generat în concordanţă cu producerea sunetului
de către sistemul fonator uman. Astfel, energia sonoră de bază este furnizată de către un semnal
de excitaţie, care poate să fie periodic sau neperiodic, în funcţie de sunetul produs (tren de
impulsuri periodice pentru cazul vocalelor sau zgomot alb în cazul consoanelor). Pentru un
semnal de excitaţie periodic, se furnizează frecvenţa fundamentală F0 ca parametru de intrare în
generator.
s(n)

166
Cap. 6. Metode de sinteză de voce
Semnalul de excitaţie este apoi amplificat cu un factor G (numit câştigul modelului) şi
trecut printr-un filtru variabil având funcţia de transfer H(z). Filtrul variabil modelează
comportamentul tractului vocal din cadrul sistemului fonator, şi va produce la ieşire semnalul
scontat s(n). Filtrul este controlat pe baza unor parametri care sunt coeficienţii LPC {ak}.
Parametrii sunt calculaţi pentru fiecare segment de vorbire de aproximativ 10-30 ms.
Funcţia de transfer a filtrului are expresia [Tod05]:
G
H ( z)
p
1
k 1
a
k
z
k
G
A(
z)
unde: G este câştigul filtrului, iar
ak sunt coeficienţii de predicţie LPC.
(6.1)
Câştigul se poate determina pe baza erorii de predicţie dintre semnalul calculat cu
ajutorul filtrului recursiv şi semnalul original. Pentru calculul parametrilor ak există mai multe
metode, dintre care cele mai cunoscute sunt metoda autocorelaţiei (prin algoritmul Levinson -
Durbin) şi metoda covarianţei.
Astfel, metoda de sinteză LPC are ca obiectiv estimarea parametrilor unui sistem
susceptibil de a genera un semnal artificial cât mai apropiat de semnalul original. În cazul acestei
metode de sinteză, semnalul sintetizat poate fi văzut ca şi o combinaţie liniară a p eşantioane
precedente la care se adaugă şi efectul semnalului de excitaţie.
Un aspect important în analiza prin predicţie liniară este alegerea numărului de
coeficienţi de predicţie p. Acesta depinde de frecvenţa de eşantionare a semnalului: de exemplu
la o frecvenţă de eşantionare de 8 kHz se vor lua în calcul 10 –12 poli. De asemenea numărul
coeficienţilor utilizaţi este în strânsă corelare cu eroarea de predicţie. Astfel s-a observat că
eroarea de predicţie scade o dată cu creşterea numărului de coeficienţi de predicţie luaţi în calcul.
Cu ajutorul sintezei prin predicţie liniară se poate obţine o voce sintetizată de calitate
destul se bună. Totuşi, datorită modelului numai poli folosit în această metodă de sinteză, în
cazul sunetelor nazalizate de exemplu, modelarea spectrală a formanţilor este de o calitate mai
slabă. În astfel de situaţii, sintetizorul LPC produce frecvent vârfuri spectrale (spectral peaks ) a
căror lăţime de bandă este prea mare, acest lucru concretizându-se în vocea sintetizată prin
apariţia unui bâzâit (‘buzzines’ ).
Pentru îmbunătăţirea determinării funcţiei de transfer a tractului vocal se pot calcula şi
zerourile pe lângă polii spectrali. Astfel, este posibilă transformarea unui pol în zerou, printr-o
dezvoltare în serie şi de asemenea, în mod asemănător se poate elimina un zerou spectral.
Această soluţie este însă incompatibilă cu cerinţa de compresie a datelor, respectiv cu cerinţa de
reducere a debitului de informaţie.

6.2.2. Sinteza formantică
167
Cap. 6. Metode de sinteză de voce
Sinteza formantică a apărut prin anii ’50 prin contribuţia specialiştilor Lawrence şi Fant.
La baza metodei stă faptul că în timp ce sunetul vocal parcurge distanţa de la glotă până la buze,
spectrul larg al sursei de excitaţie este modulat datorită selectivităţii în frecvenţă a tractului
vocal, rezultând formaţii. Ideea sintezei formantice este generarea unui spectru vocal în jurul
acestor formanţi şi cu lărgimea benzii corespunzătoare ([Bod02], [Tod09]).
Fiecare formant, caracterizat prin frecvenţa de rezonanţă Fk şi banda de trecere Bk, este
realizat printr-un rezonator de ordinul doi. În general sunt utilizaţi trei-patru formanţi, eventual şi
alţi formanţi de ordin superior. Rezonatorii pot fi conectaţi în serie (ca scadă) sau în paralel
rezultând două structuri specifice [Fer97]:
Configuraţia în serie se bazează numai pe polii funcţiei de transfer a tractului vocal, ceea
ce este insuficient pentru reprezentarea tuturor sunetelor vocale. Mai mult decât atât s-a
observat în spectrul vorbirii reale că amplitudinea formanţilor superiori este funcţie a
formanţilor inferiori, deoarece aceştia din urmă introduc în spectru o pantă de 12
db/octavă. Acest fenomen nu se poate simula prin serializarea filtrelor.
Configuraţia paralelă a filtrelor cu doi poli complex conjugaţi este mai generală. Aceasta
permite obţinerea unei funcţii de transfer cu poli şi zerouri dorite, motiv pentru care
această metodă este convenabilă pentru generarea sunetelor care conţin zerouri (de
exemplu sunetele nazale).
Avantajele metodei de sinteză formantică sunt [Fer97]:
Parametrii de sinteză sunt în relaţie strânsă cu producerea şi propagarea sunetului prin
tractul vocal. Dacă se respectă condiţia continuităţii în evoluţia parametrilor,
sintetizoarele formantice pot genera sunete sintetice cu sonoritate plăcută.
Pe lângă tipurile de excitaţie uzuale (sonor, nesonor) sintetizoarele formantice permit
utilizarea excitaţiei mixte adică generarea unui semnal de excitaţie care conţine atât o
componentă periodică cât şi o componentă aleatoare de tip zgomot.
Dintre dezavantaje amintim [Fer97]:
Problema majoră a sintetizoarelor formantice este obţinerea datelor cu care se va opera.
Urmărirea traiectoriei formanţilor este o sarcină foarte dificilă datorită faptului că această
analiză nu poate fi automatizată complet, iar determinarea lăţimilor de bandă aferente
este şi mai problematică.
Alt dezavantaj provine din sonoritatea prea netedă realizată. În vorbirea reală există şi
tranziţii rapide, iar anumiţi formanţi pot să dispară pe durata acestora. Modelarea acestor
efecte necesită reguli precise şi numeroase, dar care duc la creşterea corespunzătoare a
calităţii vocii sintetizate.
Sinteza formantică permite generarea unei voci sintetice de calitate foarte bună, dar faza
de analiză şi pregătirea datelor poate fi greoaie, iar valoarea parametrilor finali trebuie
determinată prin încercări succesive sau utilizând metode de optimizare pe baza unor criterii
specifice.

168
Cap. 6. Metode de sinteză de voce
O altă variantă a sintezei formantice, şi anume metoda sintezei formantice în domeniul
timp, se utilizează pentru sinteza vocii cântate [Fer97]. Această metodă se bazează pe
superpoziţia şi concatenarea formelor aferente diferiţilor formanţi.
Metoda permite stabilirea exactă a timpului de atac şi a perioadei de cădere (amortizare),
factorii având importanţă deosebită în cazul sunetelor muzicale, permiţând obţinerea unor
rezultate de o calitate remarcabilă. Achiziţia şi pregătirea datelor este însă la fel de anevoioasă ca
şi în cazul sintezei formantice în domeniul frecvenţă.
6.2.2.1. Realizarea excitaţiei
În cazul sistemului fonator, funcţionarea sursei (corzi vocale) şi a filtrului (tractul vocal)
poate fi considerată independentă. Acest fapt prezintă avantaj în cadrul sintezei. Plecând de la
observarea directă a mişcării corzilor vocale, Flanagan a determinat pe bază de calcule forma
undei glotice. Aceasta variază numai puţin în funcţie de sunetele emise.
Deschiderea glotei se produce lent, după care urmează închiderea bruscă a acesteia.
spectrul aferent prezintă o pantă asimptotică de -40 db/decadă.
Practic se încearcă reproducerea acestui spectru cu diferite aproximaţii. A fost
experimentată, de exemplu, aproximaţia triunghiulară. Aceasta este foarte simplă, dar spectrul
său poate să prezinte un zero, ceea ce ar perturba primul formant.
Cea mai bună aproximare se poate obţine cu aproximaţia polinomială, dar şi aceasta
prezintă discontinuităţi ale derivatei sale. De obicei această undă se interpolează în funcţie de
variaţia perioadei fundamentale.
O altă metodă utilizată constă în excitarea unui filtru trece jos de ordinul doi printr-un
tren de impulsuri.
Se poate observa că, faţă de unda glotică naturală, aceasta este inversată în timp, motiv
pentru care se modifică faza spectrului, nu însă şi amplitudinea. Frecvenţa de tăiere a filtrului
trece-jos utilizat este de ordinul a 50 Hz.
Acestea au fost metodele de excitare pentru sunetele sonore.
Cele nesonore se obţin prin excitarea cu secvenţe pseudoaleatoare a căror caracter
periodic este insesizabil, dacă perioada depăşeşte 5 secunde.
6.2.2.2. Sinteza în cascadă
Acest tip de sinteză constă în înscrierea a 3 sau 4 rezonatori de ordinul doi, care
realizează fiecare câte un formant de frecvenţa Fk şi banda de trecere Bk. Transmitanţa se
normează pentru a obţine câştig nul la frecvenţă zero.
Transmitanţa are expresia [Fer97]:
unde :
T
B
k
k z 1 2
1b
1 z b
2 z
k
k
(6.2)

2k k
b1k 2
b2
cos k
Bk 1
b
1 b
k 2k
1
2
B
/ f
169
es
2 F
/ f
(6.3)
k
es
Cap. 6. Metode de sinteză de voce
Dacă transmitanţa canalului vocal se consideră a poseda numai poli, transmitanţa globală
va fi [Fer97]:
T
K
z
k1
1b
1k
B
z
k
1 b
2k
Pentru sunete nazale sinteza în cascadă necesită câteva celule antirezonante, realizând
astfel câte un antiformant. Aceste celule au o pereche de zerouri conjugate şi sunt caracterizate
printr-o frecvenţă de rezonanţă F şi o bandă de trecere B.
Transmitanţa unei asemenea celule este [Fer97]:
unde
şi
z
z
2
(6.4)
1 2
T a 0 a
1z
a
2z
(6.5)
a
a
0
12
B / f
(6.6)
2
es
2 F
f
a a
cos /
(6.7)
1
2 2
Alura curbei de câştig este aceeaşi ca şi în cazul anterior, dar cu vârful întors spre jos.
În principiu ordinea conectării acestor celule este arbitrară, dar pentru asigurarea unei
repartiţii uniforme a energiei la diferitele nivele ale cascadei, se alege ordinea F3, F1, F2 pentru
sintetizoare cu trei formanţi.
Schema bloc a unui sintetizor în cascadă este dată în figura 6.4. Ramura sunetelor sonore
conţine trei rezonatori şi o celulă bipătratică (pentru sunete nazale). Cealaltă ramură, a sunetelor
nesonore, conţine doi rezonatori şi o celulă antirezonantă.
generator periodic
generator periodic
A
A
es
rezonator
F1 F2 3
rezonator
F1
Figura 6.4. Sintetizor în cascadă [Fer97]
B - Q
F F z,
n F p,
n
B - Q
F F
2
z
s
n
Parametrii de comandă sunt indicaţi în figură. Aceştia se obţin prin analiza automată sau
pot fi extraşi manual dintr-o bază de date. Parametrii Fz,n corespund cu sunetele sonore, Fp,n - cu
sunete nazale, iar Fz - cu sunetele fricative.
În urma încercărilor practice se recomandă ca rapoartele Fk/Bk ce caracterizează
selectivitatea rezonatorilor să fie menţinute fixe.

170
Cap. 6. Metode de sinteză de voce
Tabelul 6.1 indică domeniile de frecvenţă ale parametrilor Fk şi Bk (sunete sonore), Fz,n şi
Fp,n (sunete nazale), respectiv F1 + , F2 - , Fz (sunete fricative), valori determinate statistic [Fer97].
Tabelul 6.1. Domeniile de frecvenţă ale parametrilor Fk şi Bk
Sunete sonore
Primul formant (F1)
Al doilea formant (F2)
Al treilea formant (F3)
Rezonanţă nazală (Fp,n)
Antirezonanţa (Fz,n)
Sunete nesonore
Primul formant (F1 + )
Al doilea formant (F2 - )
Antiformant (Fz)
6.2.2.3. Sinteza în paralel
F (Hz) B (Hz)
100 – 1100
500 – 2500
1500 – 3500
200 – 1000
200 – 1000
200 – 500
1500 – 3500
800 – 2000
45 – 130
5 – 190
70 – 260
100
60 – 300
60 – 200
Structura în paralel a rezonatoarelor determină o situaţie mai delicată decât în cazul
sintezei în cascadă, deoarece în acest caz este necesară cunoaşterea câştigului asociat fiecărui
formant. Aceste câştiguri corespund reziduurilor polilor rezultaţi din descompunerea
transmitanţei T(z) în fracţii simple. Calcularea şi realizarea lor trebuie să se facă cu mare
precizie, fără a introduce zerouri în transmitanţa globală, care are expresia [Fer97]:
T
K
z
k1
1b
1
k
h
z
k
1 b
2
k
z
2
Prin procedee delicate, acest efect poate fi folosit pentru generarea sunetelor nazale. Se
obţine o calitate superioară a semnalul generat, motiv pentru care sinteza în paralel este
preferată, mai ales datorită progresului actual al tehnologiei.
6.3. Metode de sinteză în domeniul timp
În continuare se vor prezenta două dintre cele mai cunoscute metode de sinteză în
domeniul timp, care asigură totodată o calitate înaltă semnalului sintetizat:
- metoda TD-PSOLA, ce foloseşte principiul compunerii de segmente vocale care se
întrepătrund, şi
- metoda bazată pe corpus, ce foloseşte o bază de date (corpus vocal) de dimensiuni mari
în scopul producerii unei vorbiri de calitate cât mai naturală.
(6.8)

6.3.1. Metoda TD-PSOLA
171
Cap. 6. Metode de sinteză de voce
Numele metodei constituie un acronim pentru Time Domain - Pitch Synchronous
Overlapp and Add, adică metoda în domeniul timp ce foloseşte suprapunerea şi compunerea
formelor de undă sincron cu frecvenţa ([Dut93], [Ver93]).
Metoda comportă două faze principale, care sunt comune şi altor metode: faza de analiză
şi faza de sinteză.
În faza de analiză se împarte semnalul original în segmente de durată mică (de obicei
având ca durată dublul perioadei fundamentale a semnalului 2T0), segmente care nu sunt
separate, ci se suprapun. Aceste segmente se aleg sincron cu frecvenţa (numită pitch). Pentru
aceasta, aici în faza de analiză se aleg nişte indicatori de fecvenţă numiţi pitch marks, ce vor
indica centrul segmentului corespunzător din cadrul semnalului vocal.
În faza de sinteză se calculează durata şi frecvenţa de bază a semnalului din cadrul
segmentului considerat. În funcţie de aceşti parametrii, ţinând cont şi de indicatorii pitch markers
stabiliţi în faza de analiză, segmentul vocal se rearanjează pe axa timpului, modificându-şi
frecvenţa fundamentală, dilatându-se sau contractându-se temporal dacă cum este necesar.
În final semnalul sintetizat rezultă prin compunerea segmentelor vocale ce se suprapun
(Overlap and Add). Aici va trebui avut grijă la îmbinarea segmentelor, pentru a nu apărea
discontinuităţi spectrale deranjante în vorbirea sintetizată.
6.3.1.1. Modelare matematică
Modelul metodei de sinteză TD-PSOLA este ilustrat în figura 6.5.
(x1, p1)
(X1, P1)
(x2, p2)
(X2, P2)
x(n) Extragerea
segmentelor
.
.
.
Mapare
.
.
.
Overlap
X(n)
.
.
(xn, pn)
(Xm, Pm)
ANALIZA
SINTEZA
Segmente suprapuse Segmente mapate
Figura 6.5. Metoda de sinteză TD-PSOLA
Faza de analiză porneşte de la semnalul original x(n), şi printr-un procedeu special de
segmentare, se vor obţine segmentele suprapuse (adică segmente care se intersectează pe axa
timpului): x1, x2, ... xn . Corespunzător fiecărui segment se aleg indicatorii de frecvenţă ( pitch
marks): p1, p2, ... , pn . Indicatorii de frecvenţă se pot alege la mijlocul segmentului sau la
valoarea maximă a intensităţii de semnal.

172
Cap. 6. Metode de sinteză de voce
Segmentele suprapuse xi(n) (overlapping segments) vor fi extrase prin aplicarea unei
funcţii fereastră segmentului original [Bur97]:
xi(n) = x(n) h(n-pi) , (6.9)
unde: h(n) este funcţia fereastră, iar
pi este indicatorul de frecvenţă pentru segmentul i.
Semnalul original va fi atunci regăsit ca o sumă de segmente vocale suprapuse:
x(n) = xi(n) (6.10)
unde simbolul reprezintă o sumă de intervale care se suprapun (overlapping sum).
În faza de sinteză va avea loc un proces de mapare a setului de segmente s={xi(n)}
determinate anterior într-un alt set de segmente S={Xi(n)}. Segmentele Xi(n) se numesc
segmente mapate sau repoziţionate, setul S fiind un subset sau supraset al lui s, fiind constituit
din segmentele iniţiale xi(n) repoziţionate pe axa timpului.
S este un subset al lui s dacă există elemente xi(n) din semnalul original care nu vor fi
utilizate în compunerea semnalului sintetizat. Dacă, dimpotrivă, în faza de sinteză se vor utiliza
dubluri ale segmentelor originale, atunci S se va constitui într-un set extins (supraset) al lui s.
Maparea segmentelor se va face în următorul mod:
x
i ( n)
X i ( n)
A S
Fi
Fi
A S
Di
Di
unde: - xi(n) sunt segmentele suprapuse iniţiale,
- Xi(n) sunt segmentele mapate sau repoziţionate,
-
-
A
i
S
i
(6.11)
F , F reprezintă frecvenţele de bază ale segmentului cu indicele i în faza de analiză,
respectiv sinteză, iar
D , reprezintă durata segmentului i în faza de analiză, respectiv sinteză.
A S
i Di
i
Ultima fază reprezintă sinteza propriu-zisă, în care are loc compunerea segmentelor
mapate Xi(n) printr-un proces de suprapunere (overlapping):
X(n) = Xi(n) , (6.12)
i
unde: X(n) reprezintă semnalul sintetizat de la ieşire, iar
Xi(n) reprezintă segmentele repoziţionate în urma fazei de mapare.
În figura 6.6 se arată modul de segmentare a unui semnal şi de repoziţionare pe axa
timpului a segmentelor extrase. Să presupunem că avem un semnal x(t) care prezintă vârfuri de
intensitate la perioada T0.

173
Cap. 6. Metode de sinteză de voce
În faza de analiză, se vor extrage două segmente x1(t) şi x2(t) de perioadă 2T0 centrate în
vârfurile de intensitate, aşa cum se observă din figură. Cele două segmente se suprapun pe axa
timpului de-a lungul unei perioade de semnal T0, şi corespund cu două maxime succesive de
intensitate ale semnalului original.
Fiecare segment va avea un indicator de frecvenţă pitch mark ales ca un punct de
referinţă pe axa timpului al segmentului respectiv. Acesta se poate alege în orice poziţie în
interiorul segmentului. În cazul nostru, vom alege poziţia sa la mijlocul segmentului,
corespunzând chiar maximului de intensitate al semnalului.
După extragerea segmentelor din semnalul iniţial, acestea vor fi ponderate prin
intermediul unei funcţii fereastră special alese (de obicei se aleg funcţiile Blackman, Hanning
sau Hamming). Ponderarea cu funcţia fereastră are ca scop aplatizarea formei de undă la capetele
segmentului pentru a nu denatura semnalul original, care trebuie să se regăsească prin
compunerea segmentelor extrase, conform relaţiei (6.10).
Urmează faza de sinteză, în care va avea loc procesul de mapare al segmentelor. Maparea
reprezintă o repoziţionare pe axa timpului a segmentelor extrase, în funcţie de modificările
parametrilor prozodici, şi anume a frecvenţei şi duratei semnalului.
În cazul în care se doreşte modificarea frecvenţei semnalului pentru a schimba tonalitatea
(înălţimea) vocii, segmentele iniţiale trebuie deplasate pe axa timpului. Deplasarea în avans
determină mărirea frecvenţei (T1 < T0 , unde T1 este noua perioadă ), iar întârzierea segmentului
determină micşorarea frecvenţei (T1 > T0 ), situaţie care este ilustrată în figura 6.6.
Dacă se doreşte modificarea duratei semnalului sintetizat pentru a schimba ritmul
vorbirii, frecvenţa va trebui să rămână aceeaşi pentru a nu altera tonalitatea vocii. De asemenea,
în acest caz nu trebuie modificată lungimea segmentului considerat, pentru că aceasta ar duce
implicit la modificarea frecvenţei semnalului. Schimbarea duratei se va face doar prin adăugarea,
respectiv omiterea unor perioade întregi ale formei de undă, cu alte cuvinte unele segmente vor fi
dublate, iar altele omise în cadrul semnalului sintetizat.
Maparea, adică repoziţionarea segmentelor pe axa timpului, se va face astfel: mai întâi se
determină noua frecvenţa şi durată a semnalului. Cunoscând noua durată se determină
segmentele care vor intra în compunerea semnalului sintetizat. Pentru aceste segmente, pe baza
noilor frecvenţe, se calculează poziţiile indicatorilor de frecvenţă pitch marks de-a lungul axei
timpului. Apoi eşantioanele de semnal se deplasează în poziţia indicată de fiecare dintre aceste
referinţe.
În final, segmentele repoziţionate vor fi îmbinate pentru a recompune semnalul sintetizat.
Pe porţiunile comune ale segmentelor, semnalul va trebui normat. Normarea se face prin
medierea pătratică a amplitudinilor celor două segmente:
x1(
n)
x
2 ( n)
x(
n)
(6.13)
2 2
x ( n)
x
( n)
1
2

x(t)
x1(t)
x2(t)
x1(t)
x2(t)
X1(t)
X2(t)
p1(t)
p1(t)
p1(t)
T0
T0
T1 > T0
Figura 6.6. Extragerea şi maparea segmentelor în sinteza TD-PSOLA
174
p2(t)
p2(t)
p2(t)
Cap. 6. Metode de sinteză de voce
SEMNALUL
ORIGINAL
SEGMENTELE
EXTRASE
SEGMENTELE
PONDERATE
SEGMENTELE
MAPATE

6.3.1.2. Avantajele şi dezavantajele metodei TD-PSOLA
175
Cap. 6. Metode de sinteză de voce
Metoda asigură o calitate superioară a sintezei rezultată în urma utilizării segmentelor de
vorbire extrase direct din vorbirea umană reală. Modul de alegere a segmentelor centrate pe
maximul de intensitate sonoră asigură erori minime datorate compunerii segmentelor suprapuse.
Astfel, erorile vor putea apare doar la capetele intervalelor, unde semnalul sonor are energie
mică [Dut93], [Edg96].
De asemenea, un alt avantaj major al metodei constă în posibilitatea modificării facile a
frecvenţei şi duratei de semnal, ceea ce asigură schimbarea prozodiei semnalului vocal sintetizat
şi implicit creşterea calităţii sintezei.
Ca dezavantaje, trebuie totuşi menţionate zgomotele care pot apărea la capetele
intervalelor de segment, datorită erorilor introduse de mediere. De asemenea, în interiorul
tranziţiilor pot apărea distorsiuni cauzate de erorile de fază, unele porţiuni nesonore putând
deveni sonore în urma compunerii segmentelor suprapuse.
6.3.1.3. Îmbunătăţiri ale metodei
Pentru a elimina o parte din neajunsurile metodei, au fost încercate diferite abordări sau
îmbunătăţiri. Cele mai cunoscute sunt LP-PSOLA şi MBROLA.
Tehnica LP-PSOLA (Linear Prediction PSOLA) este o combinaţie între alogoritmul de
sinteză LPC şi algoritmul PSOLA. Metoda separă excitaţia de semnalul corespunzător tractului
vocal într-un mod asemănător metodei prin predicţie liniară LPC, folosind minimizarea erorii
e(t) a semnalului de predicţie (eroare ce se mai numeşte semnal rezidual). Ap oi algoritmul
PSOLA se aplică doar pe acest semnal rezidual, care are proprietatea de a fi decorelat în
interiorul fiecărui segment considerat [Edg96].
Avantajul care apare din această abordare constă în controlul mult mai bun asupra
structurii spectrale a semnalului, precum şi în calitatea mult îmbunătăţită a tranziţiilor dintre
segmente.
Metoda MBROLA ( Multiband Resynthesis Overlap and Add), proiectată în cadrul
Facultăţii politehnice din Mons, Belgia, are avantajul de a netezi discontinuităţile spectrale ce
apar în TD-PSOLA. Metoda lucrează şi ea în domeniul timp, folosind o bază de date vocală
normalizată şi interpolări la capetele intervalelor de sinteză. Metoda este implementată în cadrul
unui sintetizor de voce care primeşte la intrare un fişier cu parametrii prozodici şi produce
vorbirea sintetizată pe baza concatenării difonemelor din baza de date vocală [Dut93].

6.3.2. Metoda bazată pe corpus
176
Cap. 6. Metode de sinteză de voce
Metoda bazată pe corpus este o metodă relativ nouă (bazele teoretice ale metodei s -au
dezvoltat în anii 1996-1997), ce elimină unele deficienţe ale sistemelor de concatenare ce
folosesc unităţi lexicale fixe (foneme, difoneme). Metoda îmbunătăţeşte calitatea semnalului
sintetizat prin utilizarea unor segmente fonetice cât mai lungi, ştiut fiind faptul că sistemele care
folosesc îmbinări frecvente ale unităţilor lexicale pierd mult din naturaleţea vorbirii [Hun96],
[Mob00].
Metoda utilizează un corpus vorbit (o bază de date cu înregistrări din vorbirea naturală)
de dimensiuni relativ mari. În timpul sintezei se vor selecta cele mai lungi unităţi (segmente)
fonetice din acel corpus pentru generarea vorbirii. Aceasta va duce pe de o parte la reducerea
numărului de concatenări şi implicit la creşterea calităţii vorbirii, iar pe de altă parte la reducerea
necesităţilor de prelucrare a semnalului vocal prin utilizarea tehnicilor DSP (de prelucrare
digitală a semnalului).
Problemele care trebuie rezolvate aici sunt ([Mob00], [Lee01]):
1. Măsurarea distanţelor acustice între unităţi pentru alegerea segmentelor fonetice celor
mai potrivite. Baza de date va conţine mai multe unităţi fonetice corespunzătoare unui anumit
segment lingvistic (de exemplu o mulţime de foneme „a”, o mulţime de silabe „ma”, etc.), iar
dintre acestea va trebui selectată doar o singură unitate, ce se potriveşte cel mai bine contextului
vorbirii.
2. Construirea optimă a bazei de date vocale în raport cu domeniul lingvistic, din punct
de vedere al vocabularului şi limbajului folosit.
De obicei se folosesc baze de date vocale ce conţin mai multe ore de vorbire înregistrată.
Baza de date este marcată pentru a ţine cont de caracteristicile prozodice.
3. Acordarea trăsăturilor unităţilor ce se concatenează. Aici se folosesc două tipuri de
trăsături: segmentale şi prozodice.
Trăsăturile segmentale se referă la concatenarea a două segmente din context lingvistic
apropiat. Astfel, este de urmărit să se concateneze două segmente cu trăsături spectrale cât mai
apropiate pentru a asigura o tranziţie cât mai fină între unităţi.
Trăsăturile prozodice se referă la concatenarea a două unităţi integrate pe aceeaşi linie
prozodică, pentru a nu apărea salturi în intonaţia şi melodicitatea vorbirii.
6.3.2.1. Algoritmul de selecţie a unităţilor acustice
În vederea selectării unităţilor fonetice din baza de date vocală se va lua în considerare
minimizarea a două tipuri de costuri: costul pentru distorsiunea unităţilor (Target Cost) şi costul
pentru distorsiunea concatenării (Concatenation Cost).

177
Cap. 6. Metode de sinteză de voce
Costul pentru distorsiunea unităţilor (Target Cost) calculează distanţele acustice dintre
unităţile candidat din baza de date vocală şi unităţile ţintă care apar în textul de sintetizat
[Mob00]:
TC = d( UC , UT ) (6.14)
unde:
- TC = Target Cost,
- UC reprezintă unitatea candidat,
- UT este unitatea ţintă.
Costul pentru distorsiunea concatenării ( Concatenation Cost) calculează distanţele
spectrale dintre cele două unităţi care se concatenează. Distanţele spectrale se calculează în
punctul de concatenare [Mob00]:
CC = d( UN , UN+1 ) (6.15)
unde:
- CC = Concatenation Cost,
- UN şi UN+1 reprezintă două unităţi fonetice succesive din semnalul sintetizat.
6.3.2.2. Adnotarea bazei de date vocală
Unităţile acustice din baza de date vocală se adnotează prin vectori de trăsături
multidimensionali, ce conţin proprietăţile segmentale şi prozodice ale semnalului vocal.
Proprietăţile segmentale (din interiorul unităţilor fonetice) se referă la parametrii
lingvistici şi de semnal din segmentul considerat.
Parametrii lingvistici pot fi:
- fonemele asociate unităţii acustice L[i],
- contextul lingvistic al unităţii fonematice C[i].
Parametrii de semnal se referă la:
- frecvenţa fundamentală F0,
- durata D,
- amplitudinea de semnal A(n),
- coeficienţii spectrali X(n).
Proprietăţile prozodice ţin cont de prozodia segmentală, care este legată de accentuarea
silabelor din interiorul unui cuvânt, precum şi de prozodia suprasegmentală, legată de intonaţia
şi modul de rostire al propoziţiilor. Proprietăţile prozodice sunt:
- conturul frecvenţei fundamentale ΔF(n),
- conturul amplitudinii de semnal ΔA(n),
- modificarea duratei segmentului ΔD.
Astfel, vectorul de trăsături corespunzător unităţii fonetice este de forma:
VT = [ L[i], C[i] ; F0, A(n), D, X(n) ; ΔF(n), ΔA(n), ΔD ] (6.16)
unde:

178
Cap. 6. Metode de sinteză de voce
- VT reprezintă vectorul de trăsături al unităţii fonetice,
- L[i], C[i] reprezintă parametrii lingvistici ai unităţii,
- F0, A(n), D, X(n) reprezintă parametrii de semnal,
- ΔF(n), ΔA(n), ΔD reprezintă parametrii prozodici ai segmentului considerat, toţi
parametrii având semnificaţia indicată mai sus.
6.3.2.3. Potrivirea unităţilor candidat cu unităţile ţintă
Paragraful curent se bazează pe lucrările [Hun96] şi [Mob00].
Potrivirea unităţilor candidat cu unităţile ţintă se face în timpul rulării (run-time), după
cum urmează:
Pentru distorsiunea unităţilor (Target Cost) se compară trăsăturile ce derivă din textul de
sintetizat cu trăsăturile unităţilor din baza de date vocală. Nu se iau în calcul toate trăsăturile care
apar în vectorul de trăsături ( 6.16), ci doar cele care se pot determina în timpul rulării. De
exemplu, pentru unităţile ţintă, ce derivă din textul de intrare, nu se pot determina parametrii de
semnal.
Text
[VT-ţintă] [VT-candidat]
Figura 6.7. Potrivirea unităţii fonetice cu unităţile candidate
Pentru distorsiunea de concatenare ( Concatenation Cost) se iau în considerare toate
trăsăturile unităţilor candidate. Acestea sunt integrate în baza de date, fiind calculate în cadrul
unui proces off-line.
ma
ma
ma
ma
ma
[VT (`ma`)] [VT (`şi`)] [VT (`na`)]
ma
ma
ma
ma
Figura 6.8. Potrivirea unităţilor de concatenat
şi
şi
şi
şi
na
na
na
na
Baza de date
vocală

179
Cap. 6. Metode de sinteză de voce
În vederea calculării costurilor, fiecare unitate din baza de date va fi asociată cu o stare
într-un graf. Fiecare stare are asociat un Target Cost, iar fiecare tranziţie în graf are asociat un
Concatenation Cost. În figura 6.9, Tij reprezintă costul unităţii ( Target Cost), iar
reprezintă costul concatenării (Concatenation Cost).
Figura 6.9. Calculul costurilor pentru selecţia unităţilor
i k
C ij
) 1 (
De exemplu, în cazul folosirii silabelor ca unităţi fonetice de bază, nodurile grafului
conţin toate variantele de silabe din baza de date care sunt asociate cuvântului căutat. Astfel,
pentru cuvântul maşină, prima coloană a grafului conţine toate variantele din baza de date pentru
silaba ma, a doua coloană conţine variantele silabice pentru şi, iar a treia coloană – silabele nă .
Fiecare silabă sau nod în graf are asociat un cost de unitate care exprimă calitatea şi proprietăţile
prozodice ale unităţii (silabei), iar tr anziţiile în graf au asociate un cost de tranziţie sau
concatenare, care exprimă calitatea îmbinării dintre două silabe.
Selecţia optimă a unităţilor pentru sinteza textului dorit va fi echivalentă cu găsirea căii
care minimizează costul total al parcurgerii grafului. Costul total are expresia :
COST
N
i1
( T C
) , j 1 , ni;
k 1 , ni1
(6.17)
ij
( i1
) k
ij
unde :
- COST este costul total al parcurgerii grafului,
- i este indicele de nivel al grafului,
- N este numărul total de nivele,
- j exprimă indicele unităţii curente alese de pe nivelul i,
- k exprimă indicele unităţii alese de pe nivelul următor (i+1),
- ni este numărul de noduri de pe nivelul i,
- Tij este costul unităţii curente de pe nivelul i,
-
S
T11
T12
21
C13
T13
22
C12
22
C11
22
C13
21
C11
23
C13
21
C12
23
C12
i k
C ij
) 1 ( este costul de tranziţie dintre unitatea curentă şi unitatea următoare.
Aşadar algoritmul de găsire a căii din graf care minimizează acest cost va duce la selecţia
optimă a unităţilor (numită în literatură unit selection).
23
C11
T21
T22
T23
F

Cost
180
Cap. 6. Metode de sinteză de voce
6.3.2.4. Calculul costurilor şi măsurile distanţelor dintre unităţi [Mob00]
Există două metode pentru calculul costurilor (Target Cost Tij , respectiv Concatenation
i k
C ij
) 1 ( ) din graful stărilor: metoda de căutare în spaţiul stărilor ( Weight Space Search) şi
metoda de grupare a unităţilor în funcţie de context (Context Clustering).
6.3.2.4.1. Metoda de căutare în spaţiul stărilor (Weight Space Search)
Această metodă calculează spaţiul total de ponderi (costuri) din graf prin intermediul unei
abordări de tip analiză-sinteză. Astfel, se iau diferite texte de intrare care se sintetizează prin
toate posibilităţile de combinare a unităţilor din baza de date. Apoi textul se rosteşte propriu-zis
de către un vorbitor uman şi apoi se calculează distanţele dintre rostirea sintetizată şi rostirea
naturală.
Distanţele calculate în interiorul unităţilor dau costul unităţii (Target Cost), iar distanţele
calculate în vecinătatea punctelor de concatenare dau costurile de tranziţie (Concatenation Cost).
Pentru calculul distanţelor se poate folosi distanţa euclidiană cepstrală, calculată pe baza
parametrilor de semnal ai unităţilor acustice.
i
( c ')
D
i c i
2
(6.18)
unde:
- D este distanţa euclidiană cepstrală;
- Ci, respectiv Ci’ sunt coeficienţii cepstrali ai segmentelor acustice comparate.
Pe lângă distanţele cepstrale se pot folosi diferenţe perceptuale între semnalul sintetizat şi
rostirea naturală. Se pot calcula şi predictorii perceptuali care să cuantifice calitatea rostirii
sintetizate prin concatenarea a două unităţi.
Metoda de căutare în spaţiul stărilor este o metodă care dă rezultate bune, dar are
dezavantajul că necesită un număr mare de rostiri pentru calculul ponderilor. Metoda pe care o
vom prezenta în paragraful următor nu necesită rostiri suplimentare pentru determinarea acestor
ponderi, folosind distanţe bazate pe similarităţi acustice.
6.3.2.4.2. Metoda de grupare a unităţilor în funcţie de context (Context Clustering)
Metoda aceasta se bazează pe construirea unor arbori de decizie (decision tree clustering)
care grupează în clase de echivalenţă toate apariţiile fonematice din baza de date. O clasă de
echivalenţă conţine toate apariţiile unei foneme din baza de date care se referă la acelaşi context
lexical.
În exemplul următor, pentru fonema « a », celor trei contexte lexicale diferite le sunt
asociate trei clase de echivalenţă, fiecare clasă conţinând costuri asociate fiecărei apariţii ale
fonemei în contextul respectiv din baza de date :
[a] : Clasa 1. « masă » : Ctx=[ms] ; Costuri: [T11, CC11], ..., [T1n , CC1n];
Clasa 1. « casă » : Ctx=[cs] ; Costuri: [T21, CC21], ..., [T2n , CC2n];
Clasa 2. « fată » : Ctx=[ft] ; Costuri: [T31, CC31], ..., [T3n , CC3n];
. . . . .

181
Cap. 6. Metode de sinteză de voce
În exemplul de mai sus, parametrul Ctx indică apariţia contextuală a fonemei, Tij este
costul unităţii ( Target Cost), CCij este costul de concatenare ( Concatenation Cost), aici fiind
luate în considerare ponderile asociate contextului stânga, respectiv dreapta al fonemei. Arborele
de decizie asociat acestui exemplu cu trei clase de echivalenţă este dat în figura 6.10:
Figura 6.10. Arborele de decizie pentru fonema “a”
În interiorul clasei de echivalenţă pentru o anumită fonemă, costurile se păstrează ca nişte
măsuri de similaritate acustică. Astfel, pentru costul unităţii Target Cost se calculează o distanţă
spectrală a segmentului faţă de un segment de referinţă ales din interiorul clasei, iar pentru costul
de concatenare Concatenation Cost - o distanţă spectrală calculată în punctele de concatenare,
relativă la acelaşi segment de referinţă.
Dacă în cadrul unui cuvânt de sintetizat, pentru o anumită fonemă nu se găseşte o clasă de
echivalenţă corespunzătoare contextului dorit, se va folosi aceeaşi fonemă dar dintr-o altă clasă
de echivalenţă (dintr-un alt context), iar costurile se vor interpola pe baza ponderilor existente.
La fel se va proceda şi în cazul în care nu este disponibilă o fonemă cu caracteristicile prozodice
de tipul dorit.
Selecţia unităţilor de concatenat se face pe baza arborilor de decizie fonematici, folosind
costurile de unitate şi de concatenare pentru fonemele componente. Funcţiile de cost TC (Target
Cost) şi CC (Concatenation Cost) sunt minimizate folosind un algoritm de programare dinamică.
Secvenţa de foneme care minimizează costul global pe toată propoziţia va fi secvenţa optimă de
concatenat.
T11, CC11
Avantajul metodei Context Clustering este acela că baza de date cu unităţile acustice e
organizată off-line, reducându-se astfel timpul de calcul al sintezei.
a
Ctx=[ms] Ctx=[cs] Ctx=[ft]
T1n , CC1n
T21, CC21
T2n , CC2n
T31, CC31
T3n , CC3n

6.3.2.5. Algoritmul metodei de sinteză bazată pe corpus vocal
182
Cap. 6. Metode de sinteză de voce
Paşii algoritmului metodei bazată pe corpus vocal sunt prezentaţi în cele ce urmează
(pentru abordarea Context Clustering) :
A. Faza de analiză :
1. Se înregistrează baza de date vocală.
2. Baza de date este segmentată în unităţi acustice de diferite lungimi.
3. Baza de date se adnotează cu informaţiile contextuale, prozodice şi de semnal,
calculându-se vectorii de trăsături ai unităţi acustice.
4. Se construiesc arborii de decizie bazaţi pe clasele de echivalenţă.
5. Se calculează costurile Target Cost, Concatenation Cost şi se introduc în arborii de
decizie.
B. Faza de sinteză :
1. Se preia textul de la intrare şi se determină unităţile lexicale (propoziţii, cuvinte,
silabe şi foneme).
2. Se determină toate posibilităţile de construire a propoziţiilor pe baza unităţilor
lexicale componente.
3. Pentru fiecare secvenţă de unităţi lexicale se determină informaţia de context şi
caracteristicile prozodice.
4. Se caută în arborii de decizie secvenţa optimă de unităţi acustice corespun-
zătoare contextului lexical.
5. Se sintetizează rostirea prin concatenarea unităţilor acustice din baza de date.
6.3.2.6. Avantajele şi dezavantajele metodei bazate pe corpus
Metoda bazată pe corpus este o metodă performantă de sinteză a vorbirii, ce utilizează
concatenarea unităţilor acustice maximale care se găsesc înregistrate într-un corpus vocal.
Calculul vectorilor de trăsături ale unităţilor în faza de analiză ce se realizează off-line, definirea
unor ponderi care să asigure concatenarea unităţilor optime, includerea trăsăturilor prozodice în
calculul costurilor, reducerea sau chiar anularea nevoii de procesare a semnalului vocal, toate
acestea reprezintă caracteristicile şi totodată avantajele cele mai importante ale metodei.
Ca dezavantaje sunt de menţionat necesitatea înregistrării şi întreţinerii unui corpus vocal
de dimensiuni mari, precum şi faza de analiză laborioasă necesară adnotării bazei de date cu
caracteristici prozodice şi segmentale. Aceste aspecte pot reprezenta provocări majore pentru cei
care vor să abordeze metoda bazată pe corpus.

6.4. Contribuţii în proiectarea metodelor de sinteză de voce
6.4.1. Metoda de sinteză bazată pe silabe pentru limba română
183
Cap. 6. Metode de sinteză de voce
Ca o dezvoltare specifică metodelor de sinteză prin concatenare, autorul a proiectat şi
implementat o metodă de sinteză pornind de la text, metodă bazată pe concatenarea silabelor.
Pentru implementarea metodei a fost necesară stabilirea unor reguli lingvistice în faza de analiză
a textului şi a unor reguli de îmbinare a formelor de undă pe baza caracteristicilor prozodice.
Din punct de vedere al clasificării sistemelor text-to-speech, metoda dezvoltată este
mixtă. Aceasta îmbină caracteristici ale abordării bazate pe concatenarea formelor de undă şi ale
abordării bazate pe reguli (a se vedea clasificarea făcută în secţiunea 5.2.1 ce prezintă sistemele
text-to-speech; alte abordări se pot vedea în [Jos97], [Lew99], [Men02]).
Sinteza de voce prin această metodă se realizează în două faze: analiza textului şi,
respectiv, sinteza vorbirii (figura 6.11):
Preprocesare
Analiza sintaxei
Determinarea
unităţilor lingvistice
Determinarea
prozodiei locale
Regăsirea unităţilor
acustice
Concatenarea
unităţilor
Sinteza
ANALIZA DE TEXT
Silabe
Accente
BD
vocală
SINTEZA VORBIRII
Figura 6.11. Metoda de sinteză bazată pe concatenarea silabelor

Fiecare fază cuprinde mai multe etape procesuale, astfel:
I. Analiza textului de sintetizat:
1. Preprocesarea textului.
2. Analiza de sintaxă.
3. Determinarea unităţilor lingvistice: silabele.
4. Determinarea prozodiei intrasegmentale: accentuarea.
184
Cap. 6. Metode de sinteză de voce
II. Sinteza vorbirii:
5. Regăsirea unităţilor acustice din baza de date corespunzătoare unităţilor lingvistice
din textul de la intrare.
6. Concatenarea unităţilor acustice.
7. Sinteza propriu-zisă a vorbirii.
În faza de analiză de text, preprocesarea este necesară pentru transcrierea fonetică a
numerelor şi abrevierilor din interiorul textului. Analiza de sintaxă evidenţiază eventualele erori
care apar în scrierea textului de sintetizat. Urmează apoi determinarea unităţilor lingvistice de
bază, care în abordarea de faţă sunt silabele. În ultima etapă a analizei de text este determinată
prozodia intrasegmentală, în corelaţie cu accentuarea cuvintelor. Pentru fiecare etapă din cadrul
analizei de text au fost concepute seturi de reguli specifice.
În faza de sinteză, pe baza unui algoritm de căutare în baza de date vocală sunt regăsite
mai întâi unităţile acustice corespunzătoare unităţilor silabice din textul de la intrare. Unităţile
acustice sunt concatenate şi apoi convertite sonor în ultima etapă a sintezei vorbirii.
În continuare sunt prezentate pe rând cele 7 etape procesuale ale metodei de sinteză
propusă de autor.
6.4.2. Preprocesarea textului
Preprocesarea textului se referă la transcrierea în formă textuală a informaţiilor din textul
iniţial care:
a) nu sunt scrise cu foneme, ci folosind alte caractere: cifre sau simboluri;
b) nu formează direct unităţi lexicale, ci prescurtări ale acestora (abrevieri).
a) Din prima categorie fac parte numerele, alcătuite din cifre, precum şi anumite simboluri
scrise cu caractere speciale, cum ar fi :
Simboluri pentru operaţiile aritmetice :
‘+’ ‘plus’
’-’ ‘minus’
’x’ ‘ori’ ‘înmulţit cu’
’ :’ sau ’/’ ’supra’ ’împărţit la’
Simboluri pentru operatorii aritmetici :
’’ ‘mai mare’
’

’>=’ ‘mai mare sau egal’
’=’ ‘egal’
’!=’ sau ‘’ ‘diferit’
b) Abrevierile sunt şi ele împărţite pe categorii:
Unităţi de măsură:
‘m’ ‘metru’
‘g’ ‘gram’
‘l’ ‘litru’ ,
‘Hz’ ‘herţi’
‘dB’ ‘decibeli’
Prefixe reprezentând subunităţi de măsură:
‘n’ ‘nano’
‘m’ ‘mili’
‘c’ ‘centi’
‘d’ ‘deci’
‘da’ ‘deca’
‘k’ ‘kilo’
‘M’ ‘mega’
Grade ştiinţifice şi universitare:
‘dr.’ ‘doctor’
‘ing.’ ‘inginer’
‘asist.’ ‘asistent’
‘sl.’ ‘şef lucrări’
‘conf.’ ‘conferenţiar’
‘prof.’ ‘profesor’
Grade de armată:
‘serg.’ ‘sergent’
‘plut.’ ‘plutonier’
‘mai.’ ‘maior’
‘căp.’ ‘căpitan’
‘col.’ ‘colonel’
‘gen.’ ‘general’
Alte abrevieri:
‘loc.’ ‘localitatea’
‘str.’ ‘strada’
‘bl.’ ‘bloc’
‘sc.’ ‘scara’
‘ap.’ ‘apartamentul’
‘tel.’ ‘telefon’
185
Cap. 6. Metode de sinteză de voce

186
Cap. 6. Metode de sinteză de voce
Dintre toate aceste categorii de informaţii, cele mai importante şi cel mai des folosite
sunt numerele. Pentru explicitarea acestora sub formă textuală, fonematică, au fost concepute
reguli lexicale speciale. Aceste reguli ţin cont de poziţia unei anumite cifre în cadrul numărului
pentru a o denomina printr-o anumită categorie verbală:
Tabelul 6.2. Denominarea unei cifre în cadrul numărului
Indice Categorie
n=0 unităţi
n=1 zeci
n=2 sute
n=3 mii
n=4 zeci de mii
n=5 sute de mii
n=6 milioane
n=7 zeci de milioane
...
În continuare se prezintă un extras al setului de reguli pentru transcrierea fonetică a
numerelor:
// Definire sufixe :
term_1x = "sprezece";
term[] = {""," ","zeci şi "," sute "," mii ","zeci şi "," sute ","
milioane "};
// Numărul de cifre:
nrcif;
// Numărul tradus in litere:
Cuvint;
// Definire macrouri:
CIFRA [0-9]
1. Reguli pentru tratarea excepţiilor pentru numere alcătuite din două cifre :
10 { //zece
// 1023 să nu declanşeze regula :
if((nrcif!=2)&&(nrcif!=5)&&(nrcif!=8))
REJECT;
copy(Cuvint,"zece ");
return(NUMAR);
}
1{CIFRA} { /* unsprezece, doisprezece */
// 1234 sau 123456 să nu declanşeze regula
if((nrcif!=2)&&(nrcif!=5)&&(nrcif!=8))
REJECT;
// Se marchează excepţia:
exc_1x=1;

Se repune {CIFRA} in stream-ul de intrare:
nrcif--;
unput(yytext[1]);
}
2. Regula pentru tratarea cifrei ‘0’ :
0 { // cifra 0 singulară
if((nrcif==1)&&(nrini==1))
{
copy(Cuvint,"zero");
return(NUMAR);
}
// Dacă nu e singulară
// nu se mai rosteşte "zero zeci", "zero sute"
nrcif--;
}
3. Reguli pentru tratarea cifrelor ‘1’, ‘2’, ‘3’, … :
1 { //unu
copy(Cuvint,"unu");
cat(Cuvint,term[nrcif]);
// Excepţiile pentru o sută, o mie, un milion :
if((nrcif==3)||(nrcif==6))
copy(Cuvint,"o suta ");
// 1000=o mie, dar:
// 31000= treizeci si unu mii
if((nrcif==4)&&(nrini==4))
copy(Cuvint,"o mie ");
if((nrcif==7))
copy(Cuvint,"un milion ");
// Excepţie pentru două cifre: ‘unsprezece’
if(exc_1x)
{ copy(Cuvint,"un"); // un
cat(Cuvint,term_1x); // sprezece
cat(Cuvint,term[nrcif]); // mii sau milioane
exc_1x=0; }
if(nrcif>0) nrcif--;
return(NUMAR);
}
2 { //doi
if(nrcif>=2)
copy(Cuvint,"doua");
else
copy(Cuvint,"doi");
// Excepţie pentru două cifre: ‘doisprezece’
if(exc_1x)
{
cat(Cuvint,term_1x);
exc_1x=0;
}
187
Cap. 6. Metode de sinteză de voce

cat(Cuvint,term[nrcif]);
if(nrcif>0) nrcif--;
return(NUMAR);
}
3 { //trei
copy(Cuvint,"trei");
// Excepţie pentru două cifre: ‘treisprezece’
if(exc_1x)
{
cat(Cuvint,term_1x);
exc_1x=0;
}
cat(Cuvint,term[nrcif]);
if(nrcif>0) nrcif--;
return(NUMAR);
}
188
Cap. 6. Metode de sinteză de voce
În exemplele de mai sus, copy() şi cat() sunt fucţiile de copiere, respectiv de
concatenare, iar nrcif este numărul de cifre din care este alcătuit numărul.
intrare:
În figura 6.12 se prezintă rezultatul transcrierii fonetice pentru un număr preluat de la
= ‘9451029’
= ‘nouă milioane patru sute cincizeci
şi unu mii douăzeci şi nouă’
Figura 6.12. Un exemplu de transcriere fonetică pentru numere

6.4.3. Analiza sintaxei
189
Cap. 6. Metode de sinteză de voce
Analiza corectitudinii textului din punct de vedere al sintaxei reprezintă al doilea pas
preliminar efectuat în vederea realizării unei sinteze de vorbire de calitate. Orice greşeală de
sintaxă care apare în textul iniţial (generată de obicei prin omiterea unei litere din cuvânt sau de
omiterea diacriticelor) va duce la sinteza unui cuvânt eronat, ceea ce va avea ca efect atât o
senzaţie de notă discordantă în rostirea globală, cât şi solicitarea unui efort din partea auditorului
de recreare mentală a cuvântului corect. Acest efort induce diminuarea atenţiei faţă de cuvintele
care urmează, şi chiar la pierderea sensului întregii propoziţii care conţine aceste cuvinte.
Pentru a înlătura aceste dezavantaje şi a realiza o sinteză de voce de calitate ridicată, este
prin urmare nevoie de un analizor de verificare a corectitudinii sintactice a textului. Un astfel de
analizor se poate proiecta prin două metode de bază: prin construirea unui vocabular complet
pentru limba respectivă, sau prin folosirea unor reguli gramaticale sintactice, însoţite de
specificarea unor condiţii de excepţie.
Prima metodă este mai completă, dar are dezavantajul unui efort mare de construire a
unui vocabular pentru acea limbă (care poate avea mai multe zeci de mii de cuvinte), vocabular
ce trebuie să conţină şi informaţii despre construirea formei flexionate a cuvintelor (de exemplu
rădăcină sau morfemă, terminaţii pentru declinare sau conjugare).
A doua metodă necesită generarea unui set de reguli pentru regăsirea formei de bază
neflexionate a cuvintelor şi verificarea corectitudinii acestora printr-un dicţionar. Metoda are
dezavantajul unui anumit grad de necompletitudine, depinzând de numărul de excepţii introduse
în analizor.
Pentru limba română s-au construit câteva variante de vocabulare sau lexicoane ([Dia09],
[Rol09]), şi un analizor de sintaxă integrat în produsul Microsoft Office Word. Toate aceste
variante au necesitat un volum mare de muncă din partea unor echipe întregi de lingvişti şi
programatori.
Autorul a propus în această lucrare o metodă bazată pe reguli gramaticale, variantă cu un
cost de proiectare mult mai redus decât în cazul realizării de vocabulare. Metoda are ca punct de
plecare generatorul automat de analizoare LEX [Fre05], alimentat de o gramatică ce specifică
regulile sintactice de flexionare a cuvintelor din limba română. Pe lângă aceste reguli au fost
introduse şi un număr de excepţii care asigură un grad înalt de completitudine în ceea ce priveşte
acoperirea formelor gramaticale din limba română.
Metoda este prezentată în figura 6.13. La intrare se prezintă un text cursiv ce conţine
cuvinte în limba română în diferite forme flexionate. Folosind un set de reguli sintactice de
flexionare şi un set de excepţii, analizorul LEX generează forma de bază, neflexionată, a fiecărui
cuvânt de la intrare şi o caută într-un dicţionar. O interfaţă grafică va pune apoi în evidenţă
cuvintele care au o sintaxă greşită sau care nu au fost potrivite cu setul de reguli din LEX.

TEXT
Forma
flexionată
Figura 6.13. Metoda de analiză de sintaxă propusă de autor
190
Cap. 6. Metode de sinteză de voce
Analizorul sintactic ia în considerare următoarele categorii sau părţi de vorbire din limba
română:
SUBSTANTIV
VERB
ADJECTIV
PǍRŢI DE VORBIRE ADVERB
ARTICOL
CONJUNCŢIE
PREPOZIŢIE
NUMERAL
PRONUME
INTERJECŢIE
Părţile principale de vorbire pot fi flexionate astfel:
SUBSTANTIV Propriu
ADJECTIV Nominativ / Acuzativ
ADVERB
ARTICOL Genitiv / Dativ
PRONUME
VERB
REGULI
de
flexionare
EXCEPŢII
Comun
LEX
Diminutiv
Infinitiv
Prezent
Imperfect
Conjunctiv
Nominativ / Acuzativ
Genitiv / Dativ
Vocativ
Forma de
bază
neflexionată
Participiu
Perfect Simplu
Mai Mult Ca Perfect
Gerunziu
Viitor
DICŢIONAR

191
Cap. 6. Metode de sinteză de voce
Pe lângă aceste flexionări, trebuie să se ia în considerare de asemeni şi formele de
singular/plural, articulat/nearticulat aplicabile substantivului, adjectivului, articolului şi
pronumelui [Con94].
Pentru generarea regulilor de flexionare, metoda ia în considerare terminaţiile cuvintelor
care pot apărea în diferite forme flexionate. Setul de reguli introdus în LEX este organizat pe 10
grupe distincte, corespunzătoare celor 10 tipuri gramaticale (părţi de vorbire) prezentate anterior.
Fiecare grupă are un subset de reguli care în funcţie de terminaţia cuvântului construiesc forma
neflexionată corespunzătoare şi o transferă modulului de verificare cu dicţionarul.
6.4.3.1. Modul de funcţionare al analizorului de sintaxă
Pentru fiecare cuvânt din textul sursă se parcurge tot setul de reguli, încercându-se
potrivirea cu fiecare clasă corespunzătoare unei părţi de vorbire. Dacă se întâlneşte terminaţia
specificată de o regulă, atunci acea regulă se activează, se înlocuieşte terminaţia curentă cu forma
neflexionată precizată tot de regula respectivă, apoi se declanşează acţiunea de verificare a
existenţei formei neflexionate în dicţionar. Dacă există, cuvântul se memorează împreună cu
modul de flexionare specificat de acea regulă. Modul de flexionare cuprinde : cazul, genul,
articularea, numărul persoanei – pentru substantive, iar pentru verbe – tipul de conjugare. Apoi
cuvântul se confruntă cu următoarele reguli, generându-se în final o listă cu toate formele găsite
posibile de analizor (figura 6.14) :
Cuvânt neflexionat
Cnf1
Cnf2
Cnfn
Cuvânt flexionat
Cf1
Cf2
Cfn
Tip dicţionar Td1 Td2 Tdn
Parte de vorbire Pv1 Pv2 Pvn
Număr persoane Np1 Np2 Npn
Gen G1 G2 Gn
Caz C1 C2 Cn
Timp T1 T2 Tn
Articulare A1 A2 An
Figura 6.14. Lista generată cu formele flexionate posibile
În lista din figura 6.14, reprezintă categoria sintactică specificată de
dicţionar, iar reprezintă categoria specificată de analizor. La modul esenţial
cele două categorii trebuie să coincidă, dar există cazuri în care categoria specificată de dicţionar
este o particularizare a unui caz mai general, specificat de regulile analizorului.
De exemplu, fie regula :
Ri : Term_flex.=’A’ => Term_nonflex.=’Ǎ’ ; Pv.=’SUBST’ ; Np.=’SING’ ;
G.=’FEM’ ; C.=’NOM’ ; A.=’HOT’
Regula se referă la cuvinte care au terminaţia ‘A’. În acest caz se asumă cuvântul ca fiind
substantiv, de număr singular, gen feminin, caz nominativ, articulat hotărât, având terminaţia
formei neflexionate ‘Ǎ’. Dacă avem două cuvinte :

192
Cap. 6. Metode de sinteză de voce
1) cuvântul ‘FATA’: avem Pv.=’SUBST’ din analizor, iar din dicţionar Td.=
’SUBST’, dar
2) cuvântul ‘FRUMOASA’: avem Pv.=’SUBST’ din analizor, iar din dicţionar
Td.= ’ADJ’.
Pentru a verifica dacă formele găsite sunt valide, se face o confruntare pe bază de
compatibilitate a categoriilor specificate de analizor prin reguli şi cele găsite din dicţionar. Dacă
cele două categorii nu sunt compatibile, atunci acea formă se elimină din listă. Dacă sunt
compatibile, atunci forma flexionată se declară validă.
Compatibilităţile dintre categoriile sintactice analizor/dicţionar sunt următoarele:
Tabelul 6.3. Compatibilităţile dintre categoriile sintactice analizor / dicţionar
Categorie sintactică analizor Categorie sintactică dicţionar
Substantiv Substantiv, Adjectiv, Adverb,
Pronume
Articol sau Numeral Articol, Numeral, Pronume
Verb Verb
6.4.3.2. Regulile specificate de analizorul de sintaxă
Setul de reguli pentru analiza de sintaxă este organizat modular, urmărind cele 10
categorii gramaticale prezente în dicţionar. Fiecare categorie se împarte în subcategorii (de ex.
pentru substantive avem substantive comune, nume proprii, diminutive), iar pentru fiecare
subcategorie se generează reguli pentru toate formele flexionate (declinări la substantive,
conjugări la verbe), grupate după clase de terminaţii comune. La fiecare clasă se mai adaugă un
set de excepţii (figura 6.15):
REGULI
SINTAXǍ
CATEGORII
SUBCATEGORII
FORME
FLEXIONATE
TERMINAŢII
EXCEPŢII
Substantiv Adjectiv Verb …
Subst. comun Diminutiv …
Nominativ Dativ …
Subst: ‘ea’ Subst: ‘ia’ …
Figura 6.15. Organizarea setului de reguli pentru analiza de sintaxă

193
Cap. 6. Metode de sinteză de voce
Gramatica analizorului defineşte o serie de constante – folosite în definiţiile regulilor, şi o
serie de primitive – invocate prin activarea regulilor.
Constantele definite sunt următoarele :
%}
VOC [aeiouãîâyÃÎÂ] % Vocală
CONS [bcdfghjklmnpqrstvxzºþªÞ] % Consoană
LIT ([a-z]|[ãîâºþ]|[ÃΪÞ]) % Literă
SEP [ \t,\n\r\?\!\x00] % Separator sau sfârşit de fişier
SEPB [ \t,\n\r\?\!] % Separator
SEP0 [\x00] % Sfârşit de fişier
LIN [-–] % Cratimă
%%
Au fost definite următoarele primitive :
Caut( tip, i, str)
- Căutare în dicţionar a cuvântului curent, căruia i se asociază tipul de flexionare ;
cuvântul neflexionat se construieşte prin înlocuirea terminaţiei de lungime printr-un
substring
CautVerbPrez( sterm, str)
- Căutare în dicţionar a cuvântului curent, care se consideră verb la timpul prezent. Forma
neflexionată se obţine prin înlocuirea terminaţiei specificate de prin substringul
. Şirul specifică terminaţiile pentru persoanele întâia, a doua şi a treia
singular, şi întâia, a doua şi a treia plural:
= "t1_sg|t2_sg|t3_sg|t1_pl|t2_pl|t3_pl"
CautVerbImperf( sterm, str)
­ Căutare în dicţionar a cuvântului curent considerat verb la timpul imperfect. Forma
neflexionată se obţine prin înlocuirea terminaţiei specificate de prin substringul
. Şirul specifică terminaţiile pentru persoanele întâia, a doua şi a treia singular
şi plural, la fel ca mai sus.
CautVerbPerfSimplu( sterm, str)
­ Căutare în dicţionar a cuvântului curent considerat verb la timpul perfect simplu. Forma
neflexionată se obţine prin înlocuirea terminaţiei specificate de prin substringul
.
CautVerbMaiMultCaPerf( sterm, str)
­ Căutare în dicţionar a cuvântului curent considerat verb la timpul mai mult ca perfect.
Forma neflexionată se obţine prin înlocuirea terminaţiei specificate de prin substringul
.

194
Cap. 6. Metode de sinteză de voce
CautVbPrezN( sterm, str)
­ Căutare în dicţionar a cuvântului curent considerat verb neregulat la timpul prezent. Forma
neflexionată se obţine prin înlocuirea sintagmei specificate de prin forma neflexionată
. Şirul specifică forma verbului pentru persoanele întâia, a doua şi a treia
singular, şi întâia, a doua şi a treia plural :
= "vb1_sg|vb2_sg|vb3_sg|vb1_pl|vb2_pl|vb3_pl"
CautVbImpfN( sterm, str)
­ Căutare în dicţionar a cuvântului curent considerat verb neregulat la timpul imperfect.
Forma neflexionată se obţine prin înlocuirea terminaţiei specificate de prin forma
neflexionată . Şirul specifică terminaţiile verbului pentru persoanele întâia, a
doua şi a treia singular, şi întâia, a doua şi a treia plural : =
"t1_sg|t2_sg|t3_sg|t1_pl|t2_pl|t3_pl"
CautSAD(terminatie, str)
­ Căutare în dicţionar a cuvântului curent considerat Substantiv Singular
Articulat sau Dativ. Terminaţiile sunt independente şi sunt specificate prin :
="term_art-term_dat". Forma neflexionată se obţine prin înlocuirea
terminaţiei specificate de prin substringul .
CautSPAD(terminatie, str)
­ Căutare în dicţionar a cuvântului curent considerat Substantiv Plural
Articulat sau Dativ. Terminaţiile sunt specificate prin :
="sir_plural-term_art-term_dat". Terminaţiile formelor
Articulat şi Dativ se adaugă terminaţiei "sir_plural". Forma neflexionată se
obţine prin înlocuirea terminaţiei specificate de prin substringul .
CautDat(terminatie, str)
­ Căutare în dicţionar a cuvântului curent considerat Pronume Dativ cu formele
Masculin, Feminin, Plural. Terminaţiile sunt independente şi sunt specificate prin
şirul : ="term_masc-term_fem-term_plural". Forma neflexionată
se obţine prin înlocuirea terminaţiei specificate de prin substringul .
ReplaceLast(c_init, c_final)
- Înlocuirea caracterului prin caracterul din cuvântul curent.
Căutarea se face de la sfârşit către început.
ReplaceSecond(c_init, c_final)
- Înlocuirea celui de-al doilea caracter prin caracterul din
cuvântul curent. Căutarea se face de la sfârşit către început.
În plus, corespunzător cu primitivele Caut au fost definite o serie de primitive Caută
care au aceeaşi semnificaţie cu primele, dar conţin încapsulate directiva REJECT, ceea ce va
duce în mod automat la căutarea unei noi forme, indiferent dacă forma curentă a fost sau nu
găsită în dicţionar.

195
Cap. 6. Metode de sinteză de voce
După această prezentare a primitivelor, în continuare se prezintă câteva reguli
semnificative pentru categoriile gramaticale de bază, împreună cu exemplele asociate. Regulile
conţin specificarea uneia sau mai multor terminaţii pentru formele flexionate, şi o acţiune care se
va declanşa la validarea acelei reguli.
SETUL DE REGULI PENTRU ANALIZA DE SINTAXǍ (extras)
SUBSTANTIVE VOCATIV
{LIT}+o/{SEP} {// ex: “frumoaso"
tip=S_VOC_FEM_SG;
// se repun literele in streamul de intrare
// cu 'ã' la sfirsit: ‘frumoaso’ = 0; --i )
unput( yytext[i] );
}
{LIT}+ule/{SEP} {/*VOCATIV
domnule*/
Cauta(S_VOC_MAS_SG,3,"");
}
DIMINUTIV NEARTICULAT
{LIT}+uţã/{SEP} {/* DIMINUTIV
cutie-cutiuţã, maşinã-maşinuţã*/
ReplaceSecond('ã','a'); //mãsuţã

{LIT}+(le|lui)/{SEP} {/*peştele*/
CautaSAD("le-lui","");
}
{LIT}+i(a|ei)/{SEP} {/*falia*/
CautaSAD("a-ei","e");
}
{LIT}+a/{SEP} {/*fata*/
Caut(S_ART_SG,1,"ã");
if(!gasit) // vremea
Caut(S_ART_SG,1,"");
REJECT;
}
SUBSTANTIVE NEARTICULATE
{LIT}+{CONS}ã/{SEP} {/*specificã*/
TipLex="sf";
Caut(S_SG,1,"");
if(!gasit) // multiplã

PRONUME / ARTICOL
197
Cap. 6. Metode de sinteză de voce
acel|acest|ãst|anumit|alt|atât|un|vreun)(ui|ei|or)/{SEP}
{CautaDat("ui-ei-or","");
}
(ori|fie)?cãr(ui|ei|or)/{SEP} {
CautaDat("ãrui-ãrei-ãror","are");
}
PARTICIPIU VERBAL
{LIT}+t/{SEP} {/*purtat*/
Cauta(V_PART_MAS,1,"");
}
{LIT}+tã/{SEP} {/*purtatã*/
Cauta(V_PART_FEM,2,"");
}
VERBE GERUNZIU
{LIT}+ând/{SEP} {// a juca - jucând
Caut(V_GER,3,"a");
if(!gasit) // a merge - mergând
Caut(V_GER,3,"e");
if(!gasit) // a doborâ -doborând
Caut(V_GER,2,"");
REJECT;
}
VERBE GRUPA A
{LIT}+ez/{SEP} {/* a abona : abonez*/
Cauta(V_PREZ_P1_SG,2,"a");
}
{LIT}+ezi/{SEP} {/* abonezi */
Cauta(V_PREZ_P2_SG,3,"a");
}
{LIT}+eazã/{SEP} {/* aboneazã */
Cauta(V_PREZ_P3_SP,4,"a");
}
VERBE GRUPA E
{LIT}+{CONS}/{SEP} {/* a merge : merg */
Cauta(V_PREZ_P1_SG,0,"e");
}
{LIT}+{CONS}i/{SEP} {/* mergi */
Cauta(V_PREZ_P2_SG,1,"e");
}

{LIT}+{CONS}e/{SEP} {/* merge */
Cauta(V_PREZ_P3_SG,0,"");
}
VERBE GRUPA I
{LIT}+iu/{SEP} {/* a şti: ştiu */
Cauta(V_PREZ_P1_SG,1,"");
}
{LIT}+ii/{SEP} {/* ştii */
Cauta(V_PREZ_P2_SG,1,"");
}
{LIT}+ie/{SEP} {/* ştie */
Cauta(V_PREZ_P3_SG,1,"");
}
VERBE IMPERFECT GRUPA A
{LIT}+am/{SEP} {/* IMPERFECT
acceptam */
Cauta(V_IMPERF_P1_SG,1,"");
}
{LIT}+ai/{SEP} {/* IMPERFECT acceptai */
Cauta(V_IMPERF_P2_SG,1,"");
}
{LIT}+a/{SEP} {/* IMPERFECT accepta */
Cauta(V_IMPERF_P3_SG,0,"");
}
VERBE IMPERFECT GRUPA E
{LIT}+eam/{SEP} {/* IMPERFECT
mergeam */
Cauta(V_IMPERF_P1_SG,2,"");
}
{LIT}+ea/{SEP} {/* IMPERFECT mergea */
Cauta(V_IMPERF_P3_SG,1,"");
}
{LIT}+eai/{SEP} {/* IMPERFECT mergeai */
Caut(V_IMPERF_P2_SG,2,"");
}
VERBE IMPERFECT GRUPA I
{LIT}+iam/{SEP} {/* IMPERFECT
ştiam */
Cauta(V_IMPERF_P1_SG,2,"");
}
198
Cap. 6. Metode de sinteză de voce

{LIT}+ia/{SEP} {/* IMPERFECT ştia */
Cauta(V_IMPERF_P3_SG,1,"");
}
{LIT}+iai/{SEP} {/* IMPERFECT ştiai */
Cauta(V_IMPERF_P2_SG,2,"");
}
VERBE CONJUNCTIV
{LIT}+e/{SEP} {/* CONJUNCTIV
a verifica - sã verifice */
Cauta(V_CONJ,1,"a");
}
{LIT}+ã/{SEP} {/* CONJUNCTIV
a admite - sã admitã */
Cauta(V_CONJ,1,"e");
}
VERBE PERFECT SIMPLU
199
Cap. 6. Metode de sinteză de voce
{LIT}+(ui|uşi|u|urãm|urãţi|urã)/{SEP} {
/*putea-putu*/
CautVerbPerfSimplu("ui|uşi|u|urãm|urãţi|urã","ea");
if(!gasit) // incepe - incepu
CautVerbPerfSimplu("ui|uşi|u|urãm|urãţi|urã","e");
REJECT;
}
VERBE MAI MULT CA PERFECT
{LIT}+(usem|useşi|use|userãm|userãţi|userã)/{SEP} {
// putea- putuse
CautVerbMaiMultCaPerf("usem|useşi|use|userãm|userãţi|
userã","ea");
if(!gasit) // începe - începuse
CautVerbMaiMultCaPerf("usem|useşi|use|userãm|userãţi|
userã","e");
REJECT;
}
NUMERAL
(un|prim)ul/{SEP} {//NUMERAL
TipLex="num";
Cauta(GENERIC,2,"");
}
(un|trei|şase|şapte|opt|nou|zece)a/{SEP} {//NUMERAL
TipLex="num";
Cauta(GENERIC,1,"");
}

200
Cap. 6. Metode de sinteză de voce
În setul de reguli prezentat, categoria gramaticală propusă de analizor (substantiv cu o
anumită declinare, verb într-o anumită conjugare, etc.) se poate specifica în trei moduri distincte:
a) implicit prin apelul unei primitive specifice pentru acea categorie, de exemplu :
CautVerbMaiMultCaPerf(term, str) =>
P.v.=’VERB’; Timp=’MMCP’
b) primul parametru al primitivei Caut / Caută , de exemplu :
Caut(V_CONJ, len, str) =>
P.v.=’VERB’; Timp=’CONJUNCTIV’
c) prin folosirea variabilei TipLex, care rescrie categoria gramaticală în modul
specificat:
TipLex=’sf’ => P.v.=’SUBST’; Gen=’FEM’
În plus, pentru categoriile gramaticale neflexionate (cum ar fi pronume, adverbe,
conjuncţii, interjecţii, verbe la infinitiv, substantive nearticulate) s-a introdus o regulă generală
care caută acea formă direct în dicţionar, fără a mai urmări înlocuirea terminaţiei ca în modul
flexionat:
{LIT}+/{SEP} {/* Se caută cuvântul întreg neflexionat */
Caut(GENERIC,0,"");
}
Desigur că aici nu au fost prezentate explicit regulile de flexionare ale limbii române
pentru fiecare categorie gramaticală, pentru aceasta este de dorit a se consulta bibliografia
indicată [Gra08].
Cu privire la setul de reguli pentru analiza sintaxei prezentat în acest capitol, se poate
face observaţia că au fost cuprinse în acest set categoriile gramaticale de bază, nu şi cele a căror
formă nu se schimbă faţă de categoria principală de bază.
Astfel, pentru categoria Substantiv declinările pentru cazul Dativ şi Genitiv sunt identice,
ambele situaţii fiind memorate ca Dativ :
Articol : Hotărât Nehotărât
Dativ: ‘am dat fetei caietul’ ‘am dat unei fete caietul’
Genitiv : ‘caietul fetei’ ‘caietul unei fete’
De asemeni forma la Acuzativ este identică cu forma de Nominativ a substantivului :
Articol : Hotărât Nehotărât
Nominativ: ‘fata se plimba ’ ‘o fată se plimba ’
Acuzativ : ‘mă plimbam cu fata’ ‘mă plimbam cu o fată’
În cazul verbului, Imperativul are aceeaşi formă cu Prezentul :
Singular Plural
Imperativ: ‘Vorbeşte mai încet! ’ Imperativ : ‘Vorbiţi mai tare !’
Prez. Pers. 3: ‘el vorbeşte încet’ Prez. Pers. 2: ‘voi vorbiţi tare’

De asemeni Viitorul se construieşte pe baza Infinitivului :
Singular Plural
Viitor: ‘va fi’ ; ‘va urma’ Viitor : ‘vor fi’ ; ‘vor urma’
Infinitiv: ‘a fi’ ; ‘a urma’ Infinitiv: ‘a fi’ ; ‘a urma’
201
Cap. 6. Metode de sinteză de voce
Tot în cazul verbului, Conjunctivul are aceeaşi formă cu Prezentul la persoana întâia
singular şi plural, apărând diferenţe doar la persoana 3 singular şi plural :
Conjunctiv Prezent
Pers. 1 sg. să fac eu fac
Pers. 2 sg. să faci tu faci
Pers. 3 sg. să facă el face
Pers. 1 pl. să facem noi facem
Pers. 2 pl. să faceţi voi faceţi
Pers. 3 pl. să facă ei fac
6.4.3.3. Rezultate obţinute cu analizorul automat de sintaxă
Analizorul automat de sintaxă se bazează pe un dicţionar ce conţine peste 30.000 de
forme neflexionate ale limbii române şi pe un set de 550 de reguli de flexionare. Analizorul a
fost testat pe o serie de texte în limba română de diferite genuri, de la literatură la documente
tehnice, însumând peste 200.000 de cuvinte. Testele au dovedit o corectitudine de peste 98%
cuvinte recunoscute corect, cuvintele nerecunoscute constituind excepţii care nu au fost încă
introduse în setul de reguli. Aceste rezultate arată completitudinea setului de reguli proiectat,
precum şi viabilitatea metodei propuse de autor.
Pentru testarea analizorului a fost creată o aplicaţie în limbajul Visual C++, în care s-a
integrat modulul de analiză generat prin LEX pe baza setului de reguli prezentat. În figura 6.16
se poate observa interfaţa aplicaţiei în care cuvintele cu sintaxă incorectă sunt puse în evidenţă
faţă de restul textului :
Figura 6.16. Interfaţa aplicaţiei de analiză automată de sintaxă

202
Cap. 6. Metode de sinteză de voce
6.4.3.4. Concluzii cu privire la metoda de analiză automată a sintaxei propusă de
autor
În această secţiune a fost prezentată o metodă de analiză a sintaxei unui text bazată pe
reguli. Pentru aceasta, s-a folosit un dicţionar acoperitor pentru formele neflexionate ale limbii
române, şi s-a construit un set de reguli care să identifice formele flexionate dintr-un text. Setul
de reguli a fost organizat pe categorii gramaticale, fiind completat cu un set consistent de
excepţii.
română ;
Contribuţiile autorului prezentate în capitolul curent au fost următoarele :
- dezvoltarea unei metode bazată pe reguli pentru analiza sintaxei unui text în limba
- proiectarea unui set de reguli pentru flexionarea cuvintelor din limba română (setul
cuprinde 550 de reguli de flexionare) ;
- realizarea unei aplicaţii de test pentru validarea rezultatelor.
Avantajele metodei prezentate sunt următoarele :
- fiind o metodă bazată pe reguli asigură un efort de proiectare mult mai redus faţă de alte
metode (cum ar fi cele bazate pe dicţionar de forme flexionate) ;
- asigură identificarea categoriei gramaticale sintactice (partea de vorbire : substantiv,
adjectiv, verb, etc.) a cuvintelor dintr-un text scris în limba română ;
- asigură identificarea cuvintelor cu sintaxă incorectă .
Dezvoltările posibile şi aplicaţiile metodei sunt şi ele importante :
- determinarea părţilor de propoziţie (subiect, predicat) pe baza părţilor de vorbire
detectate deja (substantiv, verb, etc.) va duce la determinarea înţelesului unei fraze, cu aplicaţii
importante în dialogul om-calculator ;
- analiza contextului în care apar părţile de vorbire detectate, alături de stabilirea modului
corect de flexionare, vor duce la construirea unor traducătoare automate de limbaj de înaltă
fidelitate.

6.4.4. Determinarea unităţilor lingvistice: silabele
203
Cap. 6. Metode de sinteză de voce
Următoarea etapă în analiza textului de sintetizat constă în determinarea unităţilor
lingvistice de bază, şi anume: propoziţiile, cuvintele şi silabele. Dacă extragerea propoziţiilor şi a
cuvintelor nu ridică probleme deosebite, aceasta efectuându-se pe baza semnelor de punctuaţie şi
a caracterelor de separaţie, nu acelaşi lucru se poate spune despre stabilirea silabelor componente
ale unui cuvânt. Pentru a realiza acest deziderat a fost necesară proiectarea unui set de reguli
fonetice pentru despărţirea în silabe.
Principiul folosit la determinarea unităţilor lingvistice este ilustrat în figura 6.17. Astfel,
analizorul lingvistic are o structură pe trei nivele, corespunzător cu trei module având roluri
distincte în identificarea şi tratarea unităţilor fonetice. Cele trei module sunt:
- modulul de comandă şi procesare computaţională (shell procesare) ;
- modulul de analiză sintactică pentru determinarea propoziţiilor şi cuvintelor;
- modulul de analiză lexicală pentru determinarea silabelor.
Proceduri
de calcul
Reguli
sintactice
Text
Reguli
lexicale
Shell
Procesare
Analizor
Sintactic
Analizor
Lexical
Procesare
unităţi
Propoziţii
Cuvinte
Silabe
Figura 6.17. Analizorul lingvistic pentru despărţirea în silabe
Shell-ul program are rolul de master, apelând modulele de nivel inferior. Astfel, acesta
apelează analizorul sintactic pentru a-i returna unităţile sintactice. Analizorul sintactic va apela la
rândul lui analizorul lexical pentru parcurgerea efectivă a textului şi regăsirea unităţilor lexicale
de bază.
Analizorul lexical extrage caracterele din text şi le grupează în unităţi fonetice primare.
Aici intră determinarea caracterelor alfabetice, numerice, a caracterelor speciale şi semnelor de
punctuaţie. Pe baza unor reguli de producţie lexicale, caracterele alfabetice vor fi grupate în
silabe, caracterele numerice în cifre şi numere, iar caracterele speciale şi semnele de punctuaţie
vor fi folosite în determinarea cuvintelor şi propoziţiilor.
Cifre
Separatori

204
Cap. 6. Metode de sinteză de voce
Analizorul sintactic preia silabele, respectiv caracterele speciale şi cifrele furnizate de
analizorul lexical şi le grupează în cuvinte şi propoziţii. Şi aici a fost necesară stabilirea unui set
de reguli sintactice pentru departajarea unităţilor fonetice corespunzătoare.
Modulul de procesare preia în final unităţile fonetice găsite anterior şi, pe baza unor
proceduri de calcul, le clasifică şi le memorează în structuri speciale. De aici vor fi preluate şi
transformate în forme de undă de către modulul de sinteză.
6.4.4.1. Analizorul sintactic folosit în extragerea propoziţiilor şi cuvintelor
Analizorul sintactic foloseşte un set de reguli de producţie care specifică sintaxa textului
de la intrare. Textul iniţial este considerat ca o listă de propoziţii, fiecare propoziţie fiind o listă
de cuvinte, fiecare cuvânt fiind compus din mai multe silabe. Propoziţiile, respectiv cuvintele
sunt despărţite prin separatori. Astfel, unităţile sintactice prezintă următoarea structură ierarhică:
Text
Propoziţie Separatori Propoziţie Separatori Propoziţie Separatori
Spaţiu Tab Punct Tab Virgulă ? ! . . .
Cuvânt Separatori Cuvânt Separatori Cuvânt Separatori
Număr
Spaţiu Tab Punct Tab Virgulă ? ! . . .
Întreg Real
Silabă Silabă Silabă Tab Silabă Silabă
. . .
Figura 6.18. Structura ierarhică a analizorului sintactic

205
Cap. 6. Metode de sinteză de voce
În figura 6.18, unităţile care apar pe un fond de culoare mai închisă (silabele, respectiv
numerele întregi sau reale, precum şi separatorii) sunt de fapt ieşirile analizorului lexical, adică
sunt unităţi care au fost determinate prin analiza lexicală a textului. Astfel, analizorul sintactic
invocă analizorul lexical pentru a-i fi furnizat la fiecare apel unitatea lexicală următoare din text:
o silabă, un număr sau un separator.
Pe baza acestor unităţi lexicale, la acest nivel se formează unităţile sintactice de tip
cuvânt, propoziţie sau text. Analizorul sintactic are posibilitatea ca după regăsirea fiecărui tip de
unitate să apeleze o procedură de calcul pentru procesarea specifică a unităţii.
6.4.4.1.1. Gramatica analizorului sintactic
Folosind notaţia BNF, gramatica ce specifică regulile pentru analizorul sintactic prezintă
următoarea formă:
%token INTREG
%token FLOTANT
%token SILABA
%token SPATIU
%token TAB
%token VIRGULA
%token PCTVIRG
%token PUNCT
%token LINIE_NOUA
%token LINIUTA
%token INCEPUT_FISIER
%token INTREBARE
%token EXCLAMARE
%token PARANTEZA
%token PARANTEZA_INCHISA
%start text
%%
text : propoziţie
| separatori propoziţie
| propoziţie separatori
| separatori propoziţie separatori
;
propoziţie : lista_cuvinte
;
lista_cuvinte : cuvint separatori lista_cuvinte
|cuvint
;
cuvint : lista_silabe
| numar
;
lista_silabe : silaba lista_silabe
|silaba
;

silaba: SILABA
{ ProcesareSilaba($1);}
;
numar: INTREG
{ ProcesareSilaba($1);}
| FLOTANT
{ ProcesareSilaba($1);}
;
separatori : separator separatori
| separator
{
InitSeparatori();
}
;
206
Cap. 6. Metode de sinteză de voce
separator : SPATIU
{ Spatiu=true;ProcesareSeparator(' ');}
| TAB
{ Tab=true;ProcesareSeparator('\t');}
| VIRGULA
{ Virgula=true;ProcesareSeparator(',');}
| PCTVIRG
{ PctVirg=true;ProcesareSeparator(';');}
| PUNCT
{ Punct=true;ProcesareSeparator('.');}
| LINIE_NOUA
{ LinieNoua=true;ProcesareSeparator('\n');}
| LINIUTA
{ Liniuta=true; ProcesareSeparator(' ');
ProcesareSeparator('-');ProcesareSeparator(' ');
}
| INTREBARE
{ Intrebare=true;ProcesareSeparator('?');}
| EXCLAMARE
{ Exclamare=true;ProcesareSeparator('!');}
| PARANTEZA
{ Paranteza=true;ProcesareSeparator('(');}
| PARANTEZA_INCHISA
{ ParantezaInchisa=true;
ProcesareSeparator(')');}
| INCEPUT_FISIER
Unităţile care apar în gramatică cu majuscule, specificate la început prin cuvântul cheie token
(SILABA, INTREG, FLOTANT, etc.), sunt unităţile lexicale returnate de analizorul lexical.
Unităţile sintactice (care apar cu litere mici la începutul fiecărei reguli) sunt formate pe măsură
ce analizorul lexical returnează tokenii corespunzători. Astfel, cuvintele sunt formate din silabe,
iar propoziţiile din cuvinte, respectiv separatori. Se observă că pentru silabe, numere şi separatori
se apelează proceduri corespunzătoare din cadrul modulului de procesare (explicat în cele ce
urmează), iar pentru unităţile sintactice (cuvinte, propoziţii) nu sunt specificate apeluri speciale.
Şi aceasta pentru că analizorul sintactic este încapsulat în interiorul modulului de procesare, şi nu
ca un modul de sine stătător.

6.4.4.2. Analizorul lexical utilizat în determinarea silabelor
207
Cap. 6. Metode de sinteză de voce
Analizorul lexical este apelat de către analizorul sintactic pentru regăsirea unităţilor
fonetice de bază, şi anume: silabele, caracterele despărţitoare şi numerele. Analizorul sintactic va
grupa aceste unităţi lexicale de bază în cuvinte şi propoziţii. Analizorul sintactic este
implementat prin program, pe când analizorul lexical este rezultat în urma generării automate
prin intermediul unui generator de parsere de text, numit LEX [Fre05].
Generatorul automat LEX construieşte un analizor lexical pornind de la o gramatică ce
descrie regulile de producţie ale analizorului. Gramatica se scrie în limbaj standard BNF
(Backus-Naur Form) şi specifică secvenţele de caractere care trebuie recunoscute din textul de la
intrare, precum şi acţiunile de efectuat corespunzătoare acestor secvenţe. Secvenţele de caractere
de recunoscut ţin cont de contextul stânga şi dreapta în care ele apar.
Analizorul generat preia aşadar de la intrare un text pe care îl va parcurge secvenţial în
scopul regăsirii secvenţelor specificate în gramatica BNF. În cazul nostru secvenţele se referă la
regăsirea numerelor, caracterelor speciale şi a silabelor. Procesul realizat de către analizorul
lexical este ilustrat în figura 6.19.
Text
C C C C C C C C C C C C C
Cifră Separator Alfanumeric
Reguli de
producţie
Întreg Real Sep. 1 … Sep. n Silabă
Tratare_număr Tratare_separator Tratare_silabă
Figura 6.19. Analizorul lexical pentru regăsirea silabelor
Aşa cum se vede din figura 6.19, textul de la intrare este interpretat ca un şir de caractere.
La început, caracterul curent este clasificat într-una din categoriile: cifră, caracter special sau
separator, respectiv caracter alfanumeric. Luând în considerare şi contextul anterior precum şi
contextul următor în care poate să apară, caracterul curent împreună cu caracterele anterior
parcurse se grupează pentru a alcătui o unitate lexicală: un număr, un separator sau o silabă.

208
Cap. 6. Metode de sinteză de voce
Reguli de producţie specifice pentru fiecare categorie indică modul în care se formează
aceste unităţi, realizând totodată şi o subclasificare a lor (de exemplu pentru numere dacă este
întreg sau real, iar pentru separator – tipul acestuia).
Odată identificat tipul unităţii, caracterele componente sunt memorate şi transmise
analizorului sintactic prin intermediul unor proceduri numerice (Tratare_număr,
Tratare_separator, Tratare_silabă).
6.4.4.2.1. Gramatica analizorului lexical
Gramatica analizorului lexical se prezintă în format standard BNF. Pentru o listă
completă a formatului de specificaţie a gramaticii precum şi a capabilităţilor generatorului LEX,
este indicată consultarea bibliografiei selectate [Fre05] şi a Anexei 1.
Macrourile definite în LEX au următoarea structură:
CIFRA [0-9]
VOC ([aeiouăîây]|[aăeiou][–]|[–][aăeiou])
VMARE [AEIOUĂÎÂY]
CONS [bcdfghjklmnpqrstvxzşţ]
CMARE [BCDFGHJKLMNPQRSTVXZŞŢ]
LIT [a-zşţăîâĂÎÂŞŢ]
CRATIMA ([-](l|i|n|s|[mstşţ]i))
DIFT (oa|uă|e[-]?a|îi|Îi|âi)
IU (iu)
CIO (cio)
SEP ([ t\n\r,;:.?!{}\[\]()\x1f]|
LIN [–]
[~@#%^&*"'`\|\/\\]|[+=]|[\-][ ])
Macrourile de mai sus definesc cifrele, vocalele, consoanele (scrise cu litere mari sau
litere mici), literele (caracterele alfanumerice), cratima - ca fiind o linie ce desparte cuvântul
propriu-zis de o terminaţie de tip pronominal (de exemplu ‘punându-l’), diftongii din limba
română (alăturarea de două vocale care intră în componenţa unei singure silabe) şi separatorii
(caracterele speciale care despart cuvintele sau propoziţiile).
În cele ce urmează vor fi prezentate regulile de producţie pentru regăsirea silabelor. În
primul rând, se ştie că fiecare regulă este urmată de o acţiune, care se realizează atunci când
caracterele de la intrare sunt potrivite conform regulii respective. Să vedem care sunt acţiunile
care au fost definite ca răspuns la fiecare potrivire a intrării.

6.4.4.2.2. Acţiunile de realizat la potrivirea intrării
209
Cap. 6. Metode de sinteză de voce
1. Tratare_Silabă – este acţiunea care confirmă regăsirea unei silabe de la intrare.
În urma unei astfel de potriviri, se memorează şirul de caractere identificat, se resetează flagul
Separator pentru a indica modulului de procesare că e vorba de o silabă, şi nu un separator, şi se
returnează analizorului sintactic tipul SILABĂ al unităţii fonetice.
Definiţia acestei acţiuni este următoarea:
#define Tratare_Silaba
Memorare_Cuvint( );
Separator=0;
return(SILABA);
2. Tratare_Început – este acţiunea care tratează o excepţie de la regulile de bază.
De multe ori, în limba română apar situaţii în care un anumit şir de litere se desparte în mod
diferit în silabe, în funcţie de locul pe care acest şir îl ocupă în cadrul cuvântului (la început, la
mijloc sau la sfârşit).
De exemplu, secvenţa ‘PIER’ se comportă diferit în cuvântul:
(a)‘PIERDE’ , unde secvenţa apare la începutul cuvântului, descompunerea fiind
‘PIER-DE’, faţă de cuvântul:
(b)‘COPIERE’, unde secvenţa apare la mijlocul cuvântului, cu descompunerea în silabe
‘CO-PI-E-RE’.
Ca urmare, trebuie definită o modalitate care să diferenţieze cele două cazuri, mai precis
să diferenţieze cazul în care o anumită secvenţă apare la începutul cuvântului. Pentru că
gramatica LEX-ului nu permite specificarea directă a contextului stânga, se foloseşte flagul
Separator pentru a trata distinct cele două cazuri.
Se observă în exemplul de mai sus că în cazul (a) secvenţa ‘PIER’ apare la începutul
cuvântului, adică după un separator, pe când în cazul (b) secvenţa apare la mijlocul cuvântului,
adică imediat după regăsirea unei alte silabe. Făcând această observaţie, putem face distincţia
între cele două cazuri astfel: în primul caz Separator=1, iar în cazul al doilea Separator=0.
Prin urmare se poate scrie funcţia de tratare a unei secvenţe în cazul în care aceasta se
află la începutul unui cuvânt, astfel:
#define Tratare_Inceput
if(Separator)
{
Separator=0;
Memorare_Cuvint( );
return(SILABA);
}
else
REJECT;
/* toata intrarea se revocă,
mergându-se la potrivirea următoare */

210
Cap. 6. Metode de sinteză de voce
În cazul în care Separator=0 nu se acceptă potrivirea întregii secvenţe, şi ea va fi
descompusă în silabe prin regulile următoare.
3. Tratare_Număr – este acţiunea care specifică regăsirea unui număr alcătuit din
mai multe cifre. Se admit numere întregi sau reale (cu virgulă). La regăsirea unui număr după o
secvenţă de mai multe cifre, se memorează caracterele, se resetează flagul Separator şi se
returnează analizorului sintactic tipul identificat (ÎNTREG sau FLOTANT).
Definiţia acestei acţiuni este:
#define Tratare_Numar(tip_numar)
Memorare_Cuvint( );
Separator=0;
return(tip_numar);
4. Tratare_Separator – este acţiunea care specifică potrivirea de la intrare a unui
separator, adică a unui caracter despărţitor între cuvinte şi propoziţii.
Definiţia acestei acţiuni este de forma:
#define Tratare_Separator(tip_separator)
Separator=0;
return(tip_ separator);
Aici nu mai este necesară memorarea caracterului separator, acesta rezultând implicit din
tipul returnat.
6.4.4.2.3. Regulile de producţie pentru despărţirea în silabe
A. Formatul regulilor
O regulă pentru despărţirea în silabe poate avea una din următoarele forme:
{ROOT_PATTERN} { Tratare_Silaba;} (F1)
{ROOT_PATTERN}/{PATTERN} { Tratare_Silaba;} (F2)
{PATTERN}{ENDING_PATTERN}/{SEP} { Tratare_Silaba;} (F3)
Regula(F1)se aplică de exemplu pentru diftongi precum /OA/ sau /IU/, respectiv grupuri
de foneme care apar întotdeauna în aceeaşi silabă din cadrul rădăcinii unui cuvânt
(ROOT_PATTERN), indiferent de contextul fonematic următor (contextul dreapta).
Regula(F2)se aplică pentru silabe situate la începutul sau la mijlocul unui cuvânt, având
ca şi context dreapta un grup de foneme sau o altă silabă.

211
Cap. 6. Metode de sinteză de voce
Regula(F3)se aplică pentru silabe situate la sfârşitul unui cuvânt, constituite dintr-un
anumit tipar de silabe (PATTERN), o terminaţie ( ENDING_PATTERN) şi care sunt urmate de un
separator (SEP).
B. Definirea silabei
Aşa cum se va vedea în regulile prezentate în continuare, silaba poate fi definită ca o
succesiune de consoane urmate de o vocală :
silabă ={CONS}*{VOC} , ca în ‘PA-SĂ-RE’ (R1)
sau o succesiune de consoane urmată de o vocală şi apoi de încă o consoană, aceasta în
contextul dreapta al unei noi consoane (cu alte cuvinte, în cazul a două consoane alăturate, prima
consoană poate să migreze în silaba anterioară) :
silabă ={CONS}*{VOC}{CONS}/{CONS} (R2)
precum în ‘CAN-DE-LĂ’ ,
sau după aceeaşi regulă ca mai sus, dar în contextul dreapta al unui separator (adică la
sfârşitul cuvântului) :
silabă ={CONS}*{VOC}{CONS}/{SEP}, (R3)
precum în ‘COR-MO-RAN’ .
Faţă de aceste reguli de bază, intervine o serie mare de excepţii care trebuie cuprinse într-
un set de reguli corespunzătoare.
În continuare sunt prezentate regulile de producţie pentru regăsirea silabelor, a numerelor
şi a separatorilor din cadrul textului de la intrare. Faţă de cele trei reguli de mai sus, care
constituie setul de bază pentru regăsirea silabelor, s-a definit un set extins de reguli pentru
excepţiile de la setul de bază. Pentru a se potrivi primele, aceste reguli din setul de excepţii s-au
definit în faţă. Dacă secvenţa curentă de caractere nu se potriveşte cu nici o regulă din setul de
excepţii, atunci se merge la setul de bază. Să vedem care sunt regulile din cele două seturi.

212
Cap. 6. Metode de sinteză de voce
SETUL DE REGULI PENTRU DESPǍRŢIREA ÎN SILABE (extras)
Mai întâi s-au definit reguli pentru anumite grupuri de două vocale care apar la
sfârşitul cuvântului. Aceste grupuri nu sunt diftongi, iar după regulile de bază ar trebui să
fie despărţite în două silabe distincte.
--------------------------------------------------------------
Grupuri de două vocale la sfârşitul cuvântului
--------------------------------------------------------------
{CONS}*e{LIN}?i/{SEP} {/* grupul "ei" la sf. cuvintului */
Ma-ri-ei
Tratare_Silaba;
}
{CONS}*ua{CRATIMA}?/{SEP} {/* grupul "ua" la sf. cuvintului */
o-ca-ua
Tratare_Silaba;
}
{CONS}*ou/{SEP} {/* grupul "ou" la sf. cuvintului */
ma-crou
Tratare_Silaba;
}
{CONS}*eu/{SEP} {/* grupul "eu" la sf. cuvintului */
şe-mi-neu
Tratare_Silaba;
}
{CONS}*oi/{SEP} {/* grupul "oi" la sf. cuvintului */
tri-foi
Tratare_Silaba;
}
În mod asemănător, s-au definit reguli pentru grupuri de mai multe litere situate
în finalul cuvintelor, terminate cu ‘I’ moale :
--------------------------------------------------------------
Grupuri lungi la sfârşitul cuvântului, terminate cu I moale
--------------------------------------------------------------
(ci|{CONS}*)[ou]ri/{SEP} {
/* grupul "ori" la sf. cuvintului -> co-cori
grupul "uri" la sf. cuvintului -> gru-puri */
Tratare_Silaba;
}

{CONS}+ili/{SEP} {/* sub-tili */
Tratare_Silaba;
}
{CONS}*e[cnsş]*[tţ]i/{SEP} {/* ci-teşti, gă-seşti,
is-teţi, stu-denţi, repe-tenţi*/
Tratare_Silaba;
}
{CONS}*{VOC}ş[tţ]i/{SEP} {/* măşti puşti caşti */
Tratare_Silaba;
}
{CONS}+er[şţ]i/{SEP} {/* verşi, terţi */
Tratare_Silaba;
}
{CONS}*{VOC}[nr]şi/{SEP} {/* urşi, stinşi */
Tratare_Silaba;
}
213
Cap. 6. Metode de sinteză de voce
Un caz separat îl constituie grupul IA, care uneori se comportă ca un diftong
(‘bă-iat’), alteori nu, fiind despărţit în silabe diferite (‘Ma-ri-a’, ‘A-dri-a-na’).
--------------------------------------------------------------
Grupul IA
-------------------------------------------------------------ia
|
ia{CONS}/{CONS} |
ia{CONS}/{SEP} {/* grupul "ia" la inceput
ex: iar-na*/
Tratare_Silaba;
}
[cfmpv]ia {/* grupul "ia" in prima silaba;
ex: pia-tra, mia-zazi, fia-ra, via-ta... */
Tratare_Inceput
}
ia[t]?/{SEP} {/* grupul SINGULAR "ia" sau "iat" la
sfârşitul cuvântului
ex: ful-gu-ia ; ba-iat*/
Tratare_Silaba;
}
{CONS}*{VOC}/{CONS}[rRlL] { /* A-DRi-a-na */
Tratare_Silaba;
}

214
Cap. 6. Metode de sinteză de voce
Un alt caz este cel al grupurilor CI, CE, CHI, CHE, GI, GE, GHI, GHE. Literele
‘C’ şi ‘G’ alături de vocala ‘I’ au o comportare specifică, ele fiind situate întotdeauna în
aceeaşi silabă, iar dacă în continuare apare şi vocala ‘U’, atunci grupul ‘IU’ se comportă
ca un diftong.
--------------------------------------------------------------
Grupurile CI, CE, CHI, CHE, GI, GE, GHI, GHE
--------------------------------------------------------------
{CONS}*{VOC}/[cg][h] { /* ma-CHe-ta */
Tratare_Silaba;
}
chi/ui{SEP} { /* CHI-U-I */
Tratare_Inceput;
}
ghiul/{SEP} { /* ghiul */
Tratare_Inceput;
}
ghi/ul(ui)?{SEP} |
ghi/uri(lor)?{SEP} { /* burghi-ul */
Tratare_Silaba;
}
[G]i/un[ie] |
[G]IU/{SEP} |
[G]I/UL{SEP} |
[C]H*{IU} |
[C]H*{IU}{CONS}+/{SEP} |
[C]H*{IU}{CRATIMA}?/{SEP}
{ /* CHIUL ; veCHIU-i; barcaGI-ul*/
Tratare_Silaba;
}
În continuare este tratat cazul grupurilor ‘ui’ , ‘uCi’ , ‘uCCi’ de la sfârşitul
cuvântului (aici C specifică o consoană oarecare, şi nu litera ‘C’). Aceste grupuri vor face
parte din aceeaşi silabă.
--------------------------------------------------------------
Grupul UI sau U + consoane + I la sfârşitul cuvântului
--------------------------------------------------------------
[tţ]i/uni{SEP} { /* ac-ti-uni */
Tratare_Silaba;
}
{CONS}?{CONS}?uni/{SEP} { /* co-muni, pruni */
Tratare_Silaba;
}

{CONS}*u[ln][şţ]i/{SEP} { /* ca-runţi, des-culţi */
Tratare_Silaba;
}
{CONS}+ui/{SEP} { /* pu-tui, ca-prui */
Tratare_Silaba;
}
{CONS}*uni/{SEP} { /* cap-ca-uni */
Tratare_Silaba;
}
215
Cap. 6. Metode de sinteză de voce
Grupurile IU şi IE se comportă şi ele diferit, în unele cazuri ca diftongi, iar în altele – nu.
--------------------------------------------------------------
Grupul IU sau IE
--------------------------------------------------------------
[nstţ]i/u{CONS} { /* naţi-une, poţi-une, scati-ului */
Tratare_Silaba;
}
{CONS}?i/u{CRATIMA}{SEP}{ /* scati-u-i */
Tratare_Silaba;
}
{CONS}{IU} |
({IU}|IE) |
({IU}|IE){CONS}/{CONS} { /* iu-bi-re; IUR-TA ; ie-le; ier-na*/
Tratare_Silaba;
}
{CONS}+{IU}/{SEP} { /* sca-tiu */
Tratare_Silaba;
}
({IU}|IE){CONS}+/{SEP} { /* te-IUL */
Tratare_Silaba;
}
ie[rtţ]i/{SEP} |
[cdgt]eri/{SEP} { /* ieri; ca-deri, pu-teri, petreceri */
Tratare_Silaba;
}
PIER/{CONS} { /* PIER-DE */
Tratare_Inceput;
}
PIE/LE |
PIE/{CONS}R { /* PIE-TRE; */
Tratare_Inceput;
}

216
Cap. 6. Metode de sinteză de voce
Şi alte grupe de două vocale trebuiesc analizate separat, neavând o comportare
regulată. Astfel grupurile ‘IO’ şi ‘EA’ se comportă doar uneori ca diftongi (‘cio -ban’,
‘tea-tru’), alteori nu (‘pi -o-let’, ‘re-al’). Cazurile când apare despărţirea în silabe sunt
tratate de regulile din setul de bază, aici fiind specificate doar cazurile când cele două
vocale apar în aceeaşi silabă.
--------------------------------------------------------------
Grupuri de vocale – excepţii la diftongi
--------------------------------------------------------------
(cioa|chioa) { /* pu-cioa-sa, o-chioa-sa */
Tratare_Silaba;
}
{CIO} |
{CIO}{CONS}+/{SEP} |
{CIO}{CONS}/{CONS} { /* CIO-ban, ul-CIOR, CION-dani */
Tratare_Silaba;
}
{CONS}+ea{LIN}?i/{SEP}|
{CONS}+ea{CRATIMA}?/{SEP} { /* pu-teai*/
Tratare_Silaba;
}
Acum sunt specificate regulile pentru diftongi, adică grupurile de vocale care apar
împreună în aceeaşi silabă.
--------------------------------------------------------------
Diftongi
--------------------------------------------------------------
{CONS}*{DIFT}{CONS}+/{SEP} { /* miel; ciung */
Tratare_Silaba;
}
{CONS}*{DIFT}{CONS}/{CONS} { /* gean-ta */
Tratare_Silaba;
}
Urmează în sfârşit regulile din setul de bază pentru definirea silabelor. Astfel,
toate regulile de dinainte se pot constitui în excepţii de la această regulă simplă.

217
Cap. 6. Metode de sinteză de voce
Silaba normală
--------------------------------------------------------------
{CONS}*{VOC} { /* Silaba normala */
CRA-ter ; PA-SĂ-RE
Tratare_Silaba;
}
{CONS}*{VOC}{CONS}/{CONS} { /* Silaba normala */
CAN-DE-LĂ
Tratare_Silaba;
}
{CONS}*{VOC}{CONS}/{SEP} { /* Silaba normala */
COR-MO-RAN
Tratare_Silaba;
}
Numerele sunt specificate în felul următor (sunt recunoscute două tipuri de numere:
întregi, respectiv reale) :
--------------------------------------------------------------
Numere
--------------------------------------------------------------
{CIFRA}+ {
Separator=0;
Tratare_număr(INTREG);
}
{CIFRA}+[.,]{CIFRA}+ {
Separator=0;
Tratare_număr(FLOTANT);
}
Separatorii sunt acele caractere speciale care despart două cuvinte sau două
propoziţii din text. Caracterele speciale de acelaşi tip se pot grupa, pentru a rezulta astfel
un singur separator.
--------------------------------------------------------------
Separatori
--------------------------------------------------------------
[ ]+ {Separator=1; return(SPATIU);}
[\t]+ {Separator=1; return(TAB);}
[,]+ {Separator=1; return(VIRGULA);}
[;] {Separator=1; return(PCTVIRG);}
[:] {Separator=1; return(DOUAPUNCTE);}
[.] {Separator=1; return(PUNCT);}
[?] {Separator=1; return(INTREBARE);}
[!] {Separator=1; return(EXCLAMARE);}

218
Cap. 6. Metode de sinteză de voce
6.4.4.2.4. Rezultate obţinute cu analizorul lexical pentru determinarea silabelor
Analizorul lexical pentru determinarea silabelor cuprinde un set de peste 180 de reguli
pentru descompunerea cuvintelor în silabe. Performanţa obţinută a fost de 98% cuvinte
despărţite corect, rată calculată pe un set de 50000 de cuvinte extrase din texte de diferite
genuri (literatură, economie, politică, ştiinţă şi tehnică, filozofie, religie, etc.). Performanţa este
mai bună decât cea găsită la alţi cercetători români care au folosit reguli lexicale ([Tom09] –
90%), ceea ce evidenţiază avantajul folosirii seturilor bazate pe expresii regulate, ca în
abordarea autorului. Aceste reguli au permis specificarea de pattern-uri (tipare) variabile
pentru silabe, precum şi a contextelor stânga şi dreapta în care ele apar, rezultând o modalitate
de definire mult mai versatilă a silabelor şi configuraţiilor contextuale.
Pentru testarea analizorului a fost creată o aplicaţie în limbajul Visual C++, în care s-a
integrat modulul de analiză generat prin LEX pe baza setului de reguli prezentat. În figura 6.20
se poate observa interfaţa aplicaţiei, precum şi un exemplu de despărţire automată în silabe :
Figura 6.20. Despărţirea automată în silabe

6.4.5. Determinarea aspectelor prozodice: accentele
219
Cap. 6. Metode de sinteză de voce
După etapa de separare a unităţilor lingvistice ( silabele) din text, urmează etapa de
determinare a aspectelor prozodice. În această fază a proiectării au fost determinate aspectele
prozodice intrasegmentale, şi anume accentele din interiorul cuvintelor. Ca dezvoltări ulterioare,
se va urmări determinarea aspectelor suprasegmentale, de tipul intonaţiei la nivel propoziţional.
La fel ca în cazul silabelor, şi aici a fost necesară proiectarea unui analizor şi a unui set de
reguli lexicale pentru determinarea accentelor.
6.4.5.1. Analizorul lexical utilizat în determinarea accentelor
Schema de principiu a analizorului lexical folosit pentru determinarea accentelor este
ilustrată în figura 6.21.
Analizor
sintactic
F1 F2 ... Fn S
CUVÂNT
Figura 6.21. Analizorul lexical pentru determinarea accentelor
Parserul de text sau analizorul sintactic returnează cuvântul curent din stream-ul de
intrare, cuvânt alcătuit dintr-o serie de foneme F1, F2, …, Fk şi terminat cu un separator S.
Cuvântul este introdus la intrarea analizorului lexical care, pe baza unor reguli lexicale, va
determina silaba accentuată din cuvânt.
În limba română, silaba accentuată poate fi una din ultimele trei silabe ale cuvântului (SN
= ultima silabă, SN_1 = penultima silabă, respectiv SN_2, SN_3 = silabele anterioare).
Setul de reguli se constituie din :
Reguli
lexicale
Analizor
lexical
(a) o regulă de bază, şi anume aceea că penultima silabă SN_1 este cea accentuată (regula
generală pentru limba română) :
{LIT}+/{SEP} { return(SN_1);}
ACCENTE
SN_3
SN_2
SN_1
(b) un set consistent de excepţii organizat pe grupuri de cuvinte ce au aceeaşi terminaţie.
În cazul analizorului pentru detectarea accentului, fiecare regulă returnează modulului de
procesare indicele silabei accentuate din cuvânt.
SN

220
Cap. 6. Metode de sinteză de voce
Analizorul lexical pentru determinarea accentelor a fost proiectat tot pe baza facilităţilor
oferite de către generatorul automat LEX. Astfel regulile analizorului sunt furnizate
generatorului LEX în format BNF (vezi [Fre05] şi Anexa 1) , stream-ul de intrare fiind chiar
cuvântul curent extras din text de către analizorul sintactic.
6.4.5.2. Gramatica analizorului lexical pentru determinarea accentelor din limba
română
În continuare se prezintă gramatica furnizată generatorului LEX în vederea determinării
accentelor. Chiar dacă această versiune poate fi îmbunătăţită, rezultatele experimentale indică o
rată mare a determinărilor corecte.
Regulile din setul de excepţii sunt tratate la început. Toate cuvintele care nu vor fi
recunoscute prin acest set de reguli vor fi tratate prin regula de bază: penultima silabă este cea
accentuată.
Macrourile definite sunt asemănătoare cu cele expuse la analizorul lexical pentru
despărţirea în silabe:
VOC [aeiouăîâyĂÎÂ]
VMARE [AEIOUĂÎÂY]
CONS [bcdfghjklmnpqrstvxzşţŞŢ]
CMARE [BCDFGHJKLMNPQRSTVXZŞŢ]
LIT ([a-z]|[ăîâşţ]|[ĂÎÂŞŢ])
DIFT (oa|ie|iu|uă|Oa|Ie|Iu|OA|IE|IU|ea|ii|
SEP [ ]
LIN [-]
îi|âi|Ea|Ii|Îi|EA|II|ÎI|ÂI|UĂ)
CRATIMA ([-](l|i|n|o|s|[mstşţ]i))
Spre deosebire de cazul analizorului pentru despărţirea în silabe, aici regulile de
producţie nu sunt urmate de acţiuni specifice pentru fiecare tip de token returnat. Acţiunile se
constituie doar din returnarea unei constante care să indice silaba accentuată din cuvânt :
SN = ultima silabă,
SN_1 = penultima silabă,
SN_2 = antepenultima silabă, respectiv
SN_3 = silaba de rang N-3.

221
Cap. 6. Metode de sinteză de voce
SETUL DE REGULI PENTRU DETERMINAREA ACCENTELOR (extras)
Primul caz considerat este cel al verbelor terminate cu vocala ‚A’, respectiv verbe la
imperfect. Aici am prezentat un subset al acestei clase, pasul următor fiind integrarea unui
dicţionar de verbe pentru limba română. În acest caz considerat, ultima silabă (SN) este cea
accentuată.
------------------------------------------------------------
Verbe
------------------------------------------------------------
(r[eă]z[ei]m|a?lunec|înrăm|urc|cobor)a/{SEP} |
(picur|lu|calcul|sec|furiş|hotăr|judec)a/{SEP} |
(mir|scri|pict|desen|juc|disloc|(de)?conect)a/{SEP} |
(planific|fur|căr|mut|ascult|m[îâ]nc|tăi|conjug)a/{SEP} |
((a|re|de)nunţ|blam|boicot|(bine)?cuv[îâ]nt|creştin)a/{SEP} |
(promulg|premedit|preocup|prepar|împresur|înregiment)a/{SEP}
{
/* verbe ce se termină în 'a' */
return(SN);
}
(stud|răsfo|cop|tă|chinu|răsfo|preţu|miru|(păl|plăs)?mu)ia/{SEP} |
(fornă|[pţ]iu|concil|îndo|trebălu|c[îâ]rmu|alin|dăru|îmbă?)ia/{SEP}
{
/* verbe la imperfect ce se termină în 'a' */
return(SN);
}
De asemeni, unele plurale de substantive constituie excepţii de la regula de bază. Acestea
sunt cele terminate cu ‘II’, respectiv substantive articulate şi nearticulate terminate cu ‘LE’.
------------------------------------------------------------
Plurale de substantive – terminate în II, ELE, ILE
------------------------------------------------------------
(scat|geamg|coliv|cop|pust|prost|pălăr|cut|terap)ii/{SEP} |
(tehnolog|farmac|bater)ii/{SEP} {
/* scatii, copii */
return(SN);
}
(bre|a|cas|s|be|sal)tele/{SEP} {/* bretele, atele, castele */
return(SN_1);
}
(po|ron|aca|mo)dele/{SEP} {/* podele, acadele */
return(SN_1);
}
{LIT}+(d|l|m|n|t)ele/{SEP} {/* peretele,stelele,ramele,numele */
return(SN_2);
}

222
Cap. 6. Metode de sinteză de voce
Urmează categoria de cuvinte (substantive articulate sau verbe la imperfect) ce au
terminaţia ‚EA’.
------------------------------------------------------------
Cuvinte terminate în EA
------------------------------------------------------------
{LIT}+cerea?/{SEP} {/* facere(a), petrecere */
return(SN_2);
}
{LIT}+(e|a)rea/{SEP} {/* mâncarea, studierea, puterea */
return(SN_1);
}
{LIT}+[nr]tea/{SEP} {/* cartea, mintea, puntea */
return(SN_1);
}
{LIT}+ea/{SEP} {/* şosea,andrea; putea, plăcea */
return(SN);
}
Alte excepţii sunt substantivele terminate în ‘RI’ sau ‘RII’. Acestea sunt
substantive la plural, ce pot fi articulate sau nearticulate.
------------------------------------------------------------
Cuvinte terminate în RI sau RII
------------------------------------------------------------
{LIT}+[bdlmnrt]ări/{SEP} {/* mutări */
return(SN);
}
(nastu|marto|mătu)rii/{SEP} {/* nasturii, martorii */
return(SN_2);
}
(o|re|pre)feri?/{SEP} {/* oferi,preferi */
return(SN);
}
(mărtu|dato|căsăto|pălă|bucu|scamato|prefăcăto)rii/{SEP}
{/* mărturii, bucurii*/
return(SN);
}
Urmează o serie de cuvinte terminate cu T, TI, Ţ, ŢI, S, ŞI (substantive, adjective, verbe
la timpul prezent sau participiul trecut).

------------------------------------------------------------
223
Cap. 6. Metode de sinteză de voce
Cuvinte terminate în T, TI, Ţ, ŢI, S, ŞI
------------------------------------------------------------
{LIT}+eşi/{SEP} {/* răzeşi, culeşi */
return(SN);
}
{LIT}+a[cr][tţ]i?/{SEP} {/* compact, compacţi, împarţi */
return(SN);
}
{LIT}+[âî][ştţ]i?/{SEP} {/* coborâţi */
return(SN);
}
{LIT}+u[ln][şţ]i/{SEP} {/* ajunşi, cărunţi, desculţi */
return(SN);
}
Urmează două grupe de cuvinte ce conţin vocalele I, respectiv O sau U în ultima silabă.
------------------------------------------------------------
Cuvinte cu vocala I în ultima silabă
------------------------------------------------------------
{LIT}+i[lnsştţv]i?/{SEP} {/* fitil, furiş, ciulit, pitit */
return(SN);
}
{LIT}+[dlptţv]iri/{SEP} {/* priviri, subţiri, dospiri */
return(SN);
}
{LIT}+([cgz]|ch)i/{SEP} {/* colaci, alegi, genunchi */
return(SN);
}
------------------------------------------------------------
Cuvinte cu vocala O sau U în ultima silabă
------------------------------------------------------------
{LIT}+{VOC}u/{SEP} {/* tablou, maieu, saleu */
return(SN);
}
(pic|can|mar|vec|Nis)tori?/{SEP} {/* pictor,cantor,vector */
return(SN_1);
}
{LIT}+o[fnsşţ]i?/{SEP} {/* frumos, frumoşi */
return(SN);
}

------------------------------------------------------------
224
Cap. 6. Metode de sinteză de voce
Cuvinte terminate în RA, RE, REA, RĂ, RI
------------------------------------------------------------
{LIT}+[jm]ur[ăe]/{SEP} {/* tremură, latură */
/* ramură, scândură */
return(SN_2);
}
(fal|co|mo|car)duri/{SEP} { /* falduri*/
return(SN_1);
}
{LIT}*(duri)/{SEP} { /* călduri */
return(SN);
}
{LIT}+[dirt]eri/{SEP} { /* căderi, păreri, puteri */
return(SN);
}
O categorie aparte o reprezintă cuvintele compuse, ce conţin o terminaţie pronomială
separată de cuvântul principal printr-o liniuţă de despărţire (sau cratimă).
------------------------------------------------------------
Cuvinte cu cratimă
------------------------------------------------------------
{LIT}+[dg]eţi{CRATIMA}/{SEP} { /* întindeţi-i, atingeţi-i */
ExceptieCratima=1;
return(SN_2);
}
{LIT}+[dg]eţi{NETESE}/{SEP} { /* întindeţi-le */
ExceptieCratima=1;
return(SN_3);
}
{LIT}+ţi{CRATIMA}/{SEP} { /* muieţi-s, vindecaţi-i */
ExceptieCratima=1;
return(SN_1);
}
În fine, regula de bază stabileşte accentul pe penultima silabă:
------------------------------------------------------------
Regula de bază
------------------------------------------------------------
{LIT}+/{SEP} { /* orice alt cuvânt */
return(SN_1);
}

225
Cap. 6. Metode de sinteză de voce
6.4.5.3. Rezultate obţinute cu analizorul lexical pentru determinarea accentelor
Analizorul lexical pentru determinarea accentelor cuprinde un set de 250 de reguli pentru
detectarea silabei accentuate din interiorul cuvintelor. S-a obţinut o rată de detectare corectă a
silabei acentuate de 94%, rată calculată pe acelaşi set de 50000 de cuvinte ca şi în cazul
despărţirii în silabe.
Din câte cunoaştem, în ţară nu există la ora actuală rezultate publicate despre construirea
unor analizoare bazate exclusiv pe reguli pentru determinarea accentuării, ci doar lexicoane ce
indică accentul cuvintelor, lexicoane ce au fost construite manual [Giu06] sau semiautomat
[Dia09]. Avantajul metodei bazată pe reguli proiectată de autor rezidă în primul rând în
eficientizarea lucrului şi reducerea semnificativă a costului şi timpului alocat procesului de
proiectare.
Ca şi dezvoltare de viitor, rata de detectare corectă a accentuării va putea fi îmbunătăţită
semnificativ prin folosirea unui dicţionar morfologic al limbii române. Astfel, gradul de
completitudine al unor reguli stabilite pentru cuvinte cu aceeaşi terminaţie poate fi mărit prin
luarea în considerare a tuturor cuvintelor cu terminaţia respectivă din dicţionar. Aceasta va duce
la creşterea ratei de detecţie corectă a analizorului, chiar fără a introduce noi reguli de
accentuare.
Pentru testarea analizorului a fost creată o aplicaţie în limbajul Visual C++, în care s-a
integrat modulul de analiză generat prin LEX pe baza setului de reguli prezentat. În figura 6.22
se poate observa un exemplu de detectare automată a silabei accentuate din interiorul cuvintelor:
Figura 6.22. Detectarea automată a accentelor

6.4.6. Proiectarea bazei de date vocale
226
Cap. 6. Metode de sinteză de voce
Găsirea unor modalităţi de proiectare a bazelor de date vocale optime pentru sinteza de
voce reprezintă un subiect de cercetare important pentru specialiştii din domeniu. O bază de date
vocală bine proiectată are un impact de prim ordin asupra calităţii vocii sintetizate, indiferent de
tipul unităţilor fonetice folosite ([Bod07-2], [Tod09]).
Dacă la metodele bazate pe corpus baza de date este de dimensiuni mari, cuprinzând zeci
de minute de vorbire înregistrată, din care vor fi segmentate unităţile fonetice, în cazul metodelor
bazate pe silabe baza de date cuprinde un număr mai redus de unităţi, în funcţie de gradul de
completitudine ales.
Baza de date utilizată în cadrul metodei de sinteză propusă de autor cuprinde un subset al
silabelor limbii române. După înregistrare, silabele trebuie să urmeze un proces de normalizare
pentru alinierea parametrilor de tonalitate şi intensitate a rostirii. Silabele vor trebui să fie
înregistrate în diferite contexte şi moduri de pronunţie, astfel încât să includă şi prozodia aferentă
textului care va fi sintetizat.
Baza de date vocală conţine silabe compuse din două, trei sau patru litere, notate cu S2,
S3, respectiv S4.
Silabele de tip S2, adică silabele compuse din două foneme sunt în general de forma:
- {CV} (C=consoană, V=vocală), cum sunt de exemplu: ‚ba’, ‚be’, ‚co’, ‚cu’,
- {VC}, cum ar fi ‚ar’, ‚es’ etc., adică cele care apar de obicei la începutul unor cuvinte în
limba română,
- {VV}, structura de tip diftong: ‘oa’, ‘iu’, ‘ie’.
Silabele de tip S3, compuse din trei foneme, pot fi de tipul:
- {CCV} , de exemplu: ‚bra’, ‚cre’, ‚tri’, ‚ghe’;
- {CVC} , cum ar fi: ‚mar’, ‚ver’,
- {CVV} , de exemplu: ‚cea’, ‚cei’, ‚soa’.
Silabele de tip S4, compuse din patru foneme, pot fi de mai multe tipuri, ca de exemplu:
- {CCVC} , de exemplu: ‚braţ’, ‚prin’, ‚ghem’;
- {CCCV} , de exemplu: ‚stră’,
- {CCVV} , de exemplu: ‚prea’,
- {CVCC} , cum ar fi: ‚vers’,
- {VVCV} , de exemplu: ‚iúţi’ (ultima vocală este de obicei un ‘i’ moale),
- {CVCV} , cum ar fi: ‚véri’ (de obicei această configuraţie apare la sfârşitul cuvintelor),
- {CVVC} , de exemplu: ‚coar’ .
În baza de date nu au fost înregistrate toate silabele limbii române. Conform cu [Din04], se
menţionează că numărul total al silabelor limbii române (număr rezultat din despărţirea în silabe
a tuturor cuvintelor existente în dicţionar) este de 6496. Aşa cum se va prezenta în capitolul
destinat implementării sistemului de sinteză vocală, în baza de date au fost înregistrate (în
diferite contexte şi moduri de pronunţie) doar aproximativ 600 de silabe.
Strategia urmărită a fost de a înregistra în fiecare categorie S2, S3 şi S4 un număr cât mai mare
de silabe, în ordinea frecvenţei de apariţie în limba română. Pentru aceasta, dat fiind faptul că a
fost proiectată o metodă automată de despărţire a cuvintelor în silabe, s-a avut în vedere
realizarea unei statistici a silabelor limbii române în scopul utilizării ei în procesul de construire
a setului de silabe de referinţă şi a bazei de date acustice.

6.4.6.1. O statistică a silabelor limbii române
227
450000
400000
350000
300000
250000
200000
150000
100000
50000
0
Cap. 6. Metode de sinteză de voce
Această statistică urmăreşte detectarea frecvenţelor de apariţie ale silabelor din limba
română. Statistica a fost realizată folosind texte extrase din domenii precum: beletristică de
diverse genuri, religie, economie, politică, ştiinţă şi tehnică, ziaristică. Textele au însumat un
număr de aproximativ 342000 de cuvinte, adică peste 600 de pagini în format A4. Au fost
contabilizate doar silabele de tip S2, S3 şi S4, adică având două, trei sau patru foneme
componente. S-au obţinut următoarele valori:
- pentru tipul S2 : 202 silabe distincte,
- pentru tipul S3 : 1432 silabe distincte,
- pentru tipul S4 : 1180 silabe distincte,
în total 2814 silabe.
Această statistică reflectă şi faptul că limba vorbită foloseşte mai puţine cuvinte decât
cele existente în dicţionar, şi implicit mai puţine silabe. Configuraţia silabelor S2, S3 şi S4 este
ilustrată în figura 6.23. Ca şi frecvenţă de apariţie, silabele S2 au apărut în schimb cel mai
frecvent. În figura 6.24 sunt ilustrate frecvenţele de apariţie ale silabelor S2, S3 şi S4.
1600
1400
1200
1000
800
600
400
200
0
S2 S3 S4
Figura 6.23. Configuraţia silabelor S2, S3 şi
S4 din corpusul divers de 342000 de cuvinte
S2 S3 S4
Figura 6.24. Frecvenţele de apariţie ale silabelor
S2, S3 şi S4
Frecvenţele de apariţie ale primelor 10 silabe din fiecare tip sunt redate în graficul
următor:
25000
20000
15000
10000
5000
0
1 2 3 4 5 6 7 8 9 10
Figura 6.25. Frecvenţele de apariţie ale primelor 10 silabe S2, S3 şi S4
S4
S3
S2

228
Cap. 6. Metode de sinteză de voce
În figurile următoare sunt prezentate, pentru fiecare tip S2, S3 şi S4, primele 10 silabe în
ordinea frecvenţei de apariţie (dată în procente) :
6
5
4
3
2
1
0
3
2.5
2
1.5
1
0.5
0
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
de te în re le ca şi se ce ta
Figura 6.26. Primele 10 cele mai frecvente silabe de tip S2
lor lui rea con mai tre din tru tul pre
Figura 6.27. Primele 10 cele mai frecvente silabe de tip S3
prin sunt când ceas fost nici foar mult timp meni
Figura 6.28. Primele 10 cele mai frecvente silabe de tip S4
Astfel obţinându-se cele trei seturi de silabe S2, S3 şi S4 (în anexele 2, 3 şi 4 sunt
prezentate extrasele cele mai semnificative din fiecare set), s-a putut trece la construirea bazei de
date acustice care să conţină silabele cel mai frecvent întâlnite în limba română vorbită.

6.4.6.2. Caracteristicile silabelor înregistrate în baza de date acustică
229
Cap. 6. Metode de sinteză de voce
În realizarea bazei de date cu silabe s-a ţinut cont de integrarea prozodiei locale sub-
segmentale, din interiorul cuvintelor. Astfel, prozodia a fost inclusă prin înregistrarea silabelor
accentuate şi neaccentuate, pentru fiecare categorie S2, S3 şi S4. De asemeni, ţinând cont că o
silabă se rosteşte distinct în funcţie de locul pe care aceasta îl ocupă în cadrul cuvântului, dacă
este situată la începutul, mijlocul sau sfârşitul unui cuvânt, s-a urmărit înregistrarea silabelor în
aceste diferite contexte în care ele pot să apară. În primă instanţă s-a făcut diferenţierea între
silabe finale, pe de o parte, şi silabe mediane şi iniţiale (integrate tot în categoria de silabe
mediane), pe de altă parte. În exemplul următor se pot vedea câteva situaţii care au fost luate în
considerare:
Categoria S2
Context Accent Ex.
median
final
accentuat ca - pó - ta
neaccentuat po - cál
accentuat şo - cá
neaccentuat ró - ca
Categoria S4
Categoria S3
Context Accent Ex.
median
final
Context Accent Ex.
median
final
accentuat prín - de
neaccentuat prin - ţé - să
accentuat com - pléx
neaccentuat dú - plex
accentuat prí - ma
neaccentuat com - pri - mát
accentuat dor - meá
neaccentuat só- ră - mea
În acest mod, deşi implementarea curentă nu şi-a propus să modifice prozodia la nivelul
propoziţiei prin intonaţie, elementele de prozodie locală prezentate asigură o rostire suficient de
clară şi naturală a textului. Dacă în faza următoare de dezvoltare se va aborda şi prozodia
suprasegmentală, modificarea intonaţiei este posibilă prin utilizarea tehnicii PSOLA, prezentată
în secţiunea 6.3.1.
Deoarece intonaţia vorbirii se poate modifica prin schimbarea parametrilor de durată şi
amplitudine corespunzători perioadelor de semnal [Bod09], metoda proiectată de autor de
detectare automată a perioadelor de semnal ce corespund frecvenţei fundamentale (capitolul 4.6)
se dovedeşte a fi foarte utilă.

6.4.6.3. Organizarea bazei de date acustice
230
Cap. 6. Metode de sinteză de voce
Silabele au fost introduse în baza de date respectând caracteristicile prezentate mai sus.
Organizarea bazei de date este sub formă arborescentă ( figura 6.29). Nodurile arborelui
reprezintă caracteristicile silabelor, iar nodurile frunză corespund silabelor propriu-zise.
S2
Med Fin
A N A N
bá zú ba zu bea zoa
Figura 6.29. Organizarea arborescentă a bazei de date vocale
Structura ierarhică a bazei de date cuprinde aşadar patru nivele, şi anume:
R
S3
Med Fin
A N A N
cei zeu
1. Nivelul Categorie : Silabe de două, trei sau patru foneme (S2, S3, S4);
2. Nivelul Context : Segment median (Med) sau final (Fin), relativ la poziţia din cadrul
cuvântului;
3. Nivelul Accent : Silabe accentuate (A) sau neaccentuate (N) în interiorul cuvântului ;
4. Nivelul Silabă : Unităţile acustice înregistrate în format WAVE.
Această structură ierarhică [Categorie] -> [Context] -> [Accent] -> [Silabǎ] conferă şi
avantajul reducerii substanţiale a timpului de căutare în baza de date, în faza de potrivire a
unităţilor fonetice din text cu unităţile acustice înregistrate.
De asemeni, trebuie spus că pe lângă silabele din categoriile amintite S2, S3 şi S4, s-au
înregistrat şi fonemele singulare, în scopul utilizării acestora în construirea silabelor care nu se
regăsesc în baza de date acustică.
S4
Med Fin
N A N A
chea prea beau zeau

6.4.7. Regăsirea unităţilor acustice şi sinteza de voce
231
Cap. 6. Metode de sinteză de voce
În această etapă se urmăreşte mai întâi regăsirea unităţilor acustice din baza de date
necesare pentru sinteză. Aceasta se realizează pe baza unităţilor lingvistice (silabele) determinate
prin analiza textului de la intrare. Se va ţine seama şi de caracteristicile silabelor, care au fost
prezentate în paragrafele 6.4.6.2 şi 6.4.6.3. În continuare, se notează aceste caracteristici astfel:
- categoria silabică : SN , unde N indică lungimea silabei (numărul de foneme);
- contextul silabei : printr-un indice (M pentru median şi F pentru final) asociat silabei
respective. De exemplu :
maM , reM - silabe în context median ;
maF , reF - silabe în context final;
- accentuarea: printr-un indice superior (A pentru silabă accentuată şi N pentru silabă
neaccentuată) care se ataşează silabei respective. De exemplu :
ma A , re A - silabe accentuate ;
ma N , re N - silabe neaccentuate.
Pot exista următoarele situaţii:
a) Silaba dorită este regăsită identic în baza de date vocală, din punct de vedere fonetic
(al fonemelor componente), din punct de vedere contextual (median sau final) şi din punct de
vedere prozodic (al accentuării). În acest caz silaba se reţine ca atare pentru a fi înglobată în
cuvântul de sintetizat.
b) Silaba este regăsită fonetic, dar nu prozodic sau contextual. Se preferă, în acest caz,
construirea acesteia din subunităţi ( foneme separate şi silabe mai scurte) care să respecte în
primul rând prozodia cerută (silabă accentuată sau neaccentuată) , şi apoi, dacă este posibil,
contextul specificat.
c) Silaba nu este regăsită fonetic în baza de date. Şi în acest caz silaba va fi compusă pe
baza subunităţilor componente, găsite în baza de date.
Tabelul 6.4 ilustrează aceste situaţii prin câteva exemple:
Tabelul 6.4. Exemple de generare a unităţilor acustice pornind de la unităţile textuale
Regăsire
fonetică
Regăsire
context
Regăsire
prozodie
Unitate textuală
Unitate acustică
în baza de date
Generare
Da Da Da cáp A M cáp A M cáp A M
Da Da Nu mír A M mir N M , mí A M mí A M + r
Da Nu Da dín A M dín A F , dí A M dí A M + n
Da Nu Nu şór A F şór N M , şó A F şó A F + r
Nu x x pórt A M pó A M pó A M + r + t

232
Cap. 6. Metode de sinteză de voce
Căutarea în baza de date se face după lungimea silabei, contextul median sau final şi
accentuare. Algoritmul de căutare este următorul:
Search_DB (Syllable Syl, Length N, Context Ctx, Accent Acc)
{
/*P1*/ if ( N==1) then {
OutStream ( WAVE_DB( Syl) ) ;
segment_retrieved = true;
return; }
/*P2*/ if ( Exist_DB(Syl, N, Ctx, Acc) )
then {
OutStream ( WAVE_DB( Syl) ) ;
segment_retrieved = true;
return; }
/*P3*/ SplitSet = MakeSplitSet (Syl, N -1, Ctx, Acc);
/*P4*/ foreach (s in SplitSet)
if (Ctx==FINAL) then
Add (SplitSet, s, len(s), MEDIAN, Acc);
/*P5*/ foreach (s in SplitSet)
If (not segment_retrieved )
Search_DB (s, len(s), ctx(s), Acc);
}
Algoritmul verifică la pasul întâi dacă silaba este alcătuită dintr-o singură fonemă; în caz
afirmativ, silaba există în baza de date şi se extrage în stream-ul acustic de ieşire, unde se va
concatena cu silabele găsite anterior.
În pasul doi, se caută silaba în baza de date, ţinând cont de lungime, context şi
accentuare. Dacă este găsită, atunci se returnează în stream-ul de ieşire pentru concatenare.
În pasul al treilea se ajunge dacă silaba nu e regăsită în contextul sau accentuarea dorite.
Se calculează setul de diviziune al silabei curente astfel: se divide silaba într-o succesiune de
segmente alcătuite din fonemele sale, astfel încât să existe cel puţin un segment de lungime mai
mică cu o unitate decât lungimea silabei. De exemplu, silaba cráp se divide în cM + ráp A F sau
crá A M + pF .
În pasul patru, dacă în setul de diviziune obţinut la pasul anterior există segmente în
context final, se duplică segmentele respective şi în context median. Urmând exemplul din
paragraful precedent, silaba ráp A F se duplică în contextul complementar, în setul iniţial
adăugându-se astfel silaba ráp A M . Acest pas al algoritmului indică folosirea unei silabe mediane
în locul uneia finale, evitând fragmentarea acesteia din urmă în silabe de rang inferior. Situaţia
inversă (înlocuirea unei silabe mediane printr-o silabă finală), de cele mai multe ori, nu produce
rezultate bune în percepţia auditivă a semnalului sintetizat.
În pasul al cincilea se aplică recursiv algoritmul pentru fiecare segment din setul de
diviziune al silabei iniţiale.
Exemplul următor ilustrează construirea seturilor de diviziune pentru cuvântul
monosilabic cráp.

cráp A F
Figura 6.30. Construirea seturilor de diviziune pentru silaba cráp
233
Cap. 6. Metode de sinteză de voce
În exemplul de mai sus s-au construit trei seturi de diviziune, pornindu-se de la o silabă
tetrafonematică. Fiecare element din set este asociat cu încercarea de regăsire în baza de date a
unuia sau mai multor segmente fonetice de lungime egală cu ordinul setului (ordinul a fost scris
în paranteză, de exemplu SplitSet1(3) are ordinul trei). Astfel, corespunzător cu primul set se
caută în baza de date segmentele crá A M , ráp A F , ráp A M , pentru setul doi se caută crM , rá A M , áp A F ,
áp A M , iar pentru cel de-al treilea set se caută doar segmente unifonematice, care, datorită
includerii în baza de date a tuturor fonemelor din limba română, vor fi găsite întotdeauna.
Pentru generarea acustică a silabei iniţiale se parcurg în ordine cele trei seturi, începând
cu primul, care conţine silabele (segmentele) cele mai lungi. Dacă segmentul respectiv este găsit
în baza de date, căutarea se opreşte, iar dacă nu, căutarea continuă cu următorul segment, şamd.
Dacă nu se găseşte nici un segment din setul curent, se merge la următorul set. În cel mai
nefavorabil caz, se ajunge la ultimul set, care are un singur element format din fonemele
singulare ale silabei iniţiale. Cu observaţia din aliniatul precedent, aici căutarea se încheie.
În baza de date acustică silabele au fost înregistrate folosind notaţia explicitată în
următorul tabel :
Tabelul 6.5. Notaţii ale silabelor folosite în baza de date acustică
Descriere Notaţie în
text
silabă conţinând
litera ţ
silabă conţinând
litera ş
silabă conţinând
literele â, î
SplitSet1(3)
crá A M + p
c + ráp A F
c + ráp A M
Notaţie în
baza de
date
SplitSet2(2)
crM + áp A F
crM + áp A M
crM + á A M + p
c + rá A M + p
c + r + áp A F
c + r + áp A M
Silabă în text Silabă în baza
de date
SplitSet3(1)
c + r + á A M + p
Exemplu
ţ t~ ţi t~i ţi - ne
ş s~ şa s~a şa - siu
â, î i~ mân, în mi~n, i~n mân - ca - re
în - ce - pe

silabă conţinând
litera ă
silabă conţinând
litera i moale
234
Cap. 6. Metode de sinteză de voce
ă a~ pă pa~ pă - mânt
i i^ ui ui^ ui - te
silabă accentuată sil sil_ sá sa_ sá - ni- e
silabă finală sil *sil sa, crá *sa, *cra_ ca - sa
De exemplu, fie sintagma :
lu - crá
„Evidenţierea unui cadru general pentru specificarea algoritmilor”
Dacă în baza de date acustică se găsesc silabele / segmentele (cu notaţiile din tabelul 6.5):
S3 *rea pen_ tru
S2 vi de t~i *ui^ ca_ ru ge ne ra_ pe ci fi go ri_ mi lo
S1 e n e_ u_ d l s a t r
Rezultatul identificării silabelor / segmentelor în baza de date, folosind notaţiile din
tabelul 6.5, este următorul :
< e vi de n t~i e_ *rea u_ n *ui^ ca_ d ru ge ne ra_ l pen_ tru s
pe ci fi ca_ *rea a l go ri_ t mi lo r >
Aplicaţia prin care s-a implementat algoritmul căutării în baza de date generează acelaşi
rezultat, cu observaţia că afişările segmentelor pot fi inversate datorită recursivităţii :
Figura 6.31. Rezultatul căutării silabelor în baza de date

235
Cap. 6. Metode de sinteză de voce
Unităţile acustice găsite în baza vocală prin algoritmul expus mai sus se vor concatena
pentru a genera semnalul de ieşire. Unităţile se concatenează ţinând cont de pauza dintre cuvinte,
care se va ajusta în funcţie de ritmul cerut vorbirii.
Exemplu :
desc. unităţi
unui cadru u_ n *ui^ [brk] ca_ d ru
u_ n *ui^
ca_ d ru
Figura 6.32. Exemplu de concatenare a unităţilor acustice
Ultima fază este cea de sinteză propriu-zisă, în care formele de undă corespunzătoare
textului de la intrare vor fi redate sonor prin intermediul plăcii audio a calculatorului.
< Evidenţierea unui cadru general >
< pentru specificarea algoritmilor >
Figura 6.33. Rezultatul final al sintezei: generarea formei de undă pentru sintagma:
< Evidenţierea unui cadru general pentru specificarea algoritmilor >

236
Cap. 6. Metode de sinteză de voce
6.4.8. Concluzii cu privire la metoda de sinteză a vorbirii prin concatenare de
silabe, proiectată şi realizată de autor
Ca o aplicaţie specifică metodelor de sinteză prin concatenare, autorul a proiectat şi
implementat o metodă de sinteză pornind de la text, metodă bazată pe concatenarea silabelor.
Pentru dezvoltarea metodei a fost necesară stabilirea unor reguli lingvistice în faza de analiză a
textului şi a unor reguli de îmbinare a formelor de undă pe baza caracteristicilor prozodice, în
faza de sinteză.
Sinteza vorbirii prin această metodă se realizează în două faze:
I. Analiza textului, şi respectiv
II. Sinteza vorbirii.
Fiecare fază cuprinde mai multe etape procesuale, astfel:
I. Analiza textului de sintetizat :
a. Preprocesarea textului.
b. Analiza de sintaxă.
c. Determinarea unităţilor lingvistice: silabele.
d. Determinarea prozodiei intrasegmentale: accentuarea.
II. Sinteza vorbirii :
a. Proiectarea bazei de date vocale (etapă premergătoare).
b. Regăsirea unităţilor acustice din baza de date corespunzătoare unităţilor lingvistice
din textul de la intrare.
c. Concatenarea unităţilor acustice.
d. Sinteza propriu-zisă a vorbirii.
1. Preprocesarea textului se referă la transcrierea în formă textuală a informaţiilor din
textul iniţial care:
a) nu sunt reprezentate literal, ci prin caractere speciale, cifre sau simboluri;
b) nu formează direct unităţi lexicale, ci prescurtări ale acestora (abrevieri).
Dintre toate aceste categorii de informaţii, cele mai importante şi cel mai des folosite
sunt numerele. Pentru explicitarea acestora sub formă textuală, fonematică, au fost concepute
reguli lexicale speciale. Aceste reguli ţin cont de poziţia cifrei în cadrul unui număr pentru a o
denomina printr-o categorie verbală.
2. Analiza corectitudinii textului din punct de vedere al sintaxei reprezintă al doilea pas
preliminar pentru realizarea unei sinteze de vorbire de calitate.
Autorul a propus în această lucrare o metodă de analiză de sintaxă bazată pe reguli
gramaticale, variantă cu un cost de proiectare mult mai redus decât în cazul realizării de
vocabulare sau lexicoane.
Metoda are ca punct de plecare generatorul automat de analizoare LEX, pentru care a fost
proiectată o gramatică specificând modurile de flexionare a cuvintelor din limba română. Pentru
aceasta, s-a folosit un dicţionar al formelor neflexionate ale limbii române, şi s-a construit un set
de reguli care să identifice formele flexionate dintr-un text.

237
Cap. 6. Metode de sinteză de voce
Setul de reguli a fost organizat pe categorii gramaticale, fiind completat cu un set
consistent de excepţii, ce asigură un înalt grad de completitudine în ceea ce priveşte acoperirea
formelor gramaticale din limba română.
3. Următoarea etapă în cadrul analizei textului de sintetizat constă în determinarea
unităţilor lingvistice de bază, şi anume: propoziţiile, cuvintele şi silabele. Dacă extragerea
propoziţiilor şi a cuvintelor nu ridică probleme deosebite, nu acelaşi lucru se poate spune despre
stabilirea silabelor componente ale unui cuvânt. Pentru a realiza acest deziderat a fost necesară
proiectarea unui set de reguli fonetice pentru despărţirea în silabe.
Analizorul folosit la determinarea unităţilor lingvistice are o structură pe trei nivele, ce
corespund cu trei module având roluri distincte în identificarea şi tratarea unităţilor fonetice.
Cele trei module sunt:
a) modulul de analiză sintactică pentru extragerea propoziţiilor şi cuvintelor;
b) modulul de analiză lexicală pentru determinarea silabelor;
c) modulul de procesare.
a) Modulul de analiză sintactică sau analizorul sintactic foloseşte un set de reguli de
producţie care specifică sintaxa textului de la intrare. Textul iniţial este considerat ca o listă de
propoziţii, fiecare propoziţie fiind o listă de cuvinte, fiecare cuvânt fiind compus din mai multe
silabe. Propoziţiile, respectiv cuvintele sunt extrase din text pe baza semnelor de punctuaţie şi
separatorilor, care la rândul lor sunt furnizate de către modulul de analiză lexicală.
b) Modulul de analiză lexicală sau analizorul lexical extrage caracterele din text şi le
grupează în unităţi fonetice primare. Aici intră determinarea caracterelor alfabetice, numerice, a
caracterelor speciale şi semnelor de punctuaţie. Pe baza unor reguli de producţie lexicale,
caracterele alfabetice vor fi grupate în silabe, caracterele numerice în cifre şi numere, iar
caracterele speciale şi semnele de punctuaţie vor fi folosite în determinarea cuvintelor şi
propoziţiilor.
Analizorul lexical este rezultat în urma generării automate prin intermediul generatorului
de parsere de text LEX [Fre05]. Generatorul automat LEX construieşte un analizor lexical
pornind de la o gramatică ce descrie regulile de producţie ale analizorului. Gramatica se scrie în
limbaj standard BNF ( Backus-Naur Form) şi specifică secvenţele de caractere care trebuie
recunoscute din textul de la intrare, precum şi acţiunile de efectuat corespunzătoare acestor
secvenţe.
c) Modulul de procesare grupează algoritmii de prelucrare a unităţilor sintactice ce sunt
furnizate de către modulul de analiză sintactică şi a unităţilor lexicale ce rezultă din modulul de
analiză lexicală.
4. După etapa de separare a unităţilor lingvistice de tipul silabelor din text, urmează etapa
de determinare a aspectelor prozodice. În această fază a proiectării au fost determinate aspectele
prozodice intrasegmentale, şi anume accentele din interiorul cuvintelor.
Analog abordării pentru detectarea silabelor, şi în această fază a fost necesară proiectarea
unui analizor şi, respectiv, a unui set de reguli lexicale pentru determinarea accentelor.
Analizorul lexical pentru determinarea accentelor a fost realizat tot pe baza facilităţilor
oferite de către generatorul automat LEX. Astfel regulile analizorului sunt furnizate
generatorului LEX în format BNF, stream-ul de intrare fiind chiar cuvântul curent extras din text

238
Cap. 6. Metode de sinteză de voce
de către analizorul sintactic. Cuvântul este introdus la intrarea analizorului lexical care, pe baza
unor reguli specifice, va determina silaba accentuată din cuvânt.
Ca o dezvoltare de viitor, ţinând cont că determinarea accentelor este în legătură cu
aspectele prozodice intrasegmentale, se are în vedere şi determinarea aspectelor prozodice
suprasegmentale, de tipul intonaţiei propoziţionale. Pentru aceasta se vor folosi modelele de
intonaţie [Bod09-1] şi tehnica PSOLA, prezentată de asemeni în lucrare.
5. Baza de date vocală utilizată în cadrul metodei de sinteză propusă de autor cuprinde
un subset al silabelor limbii române. S-a propus o anumită strategie în realizarea bazei de date,
astfel încât silabele să fie înregistrate în diferite contexte şi moduri de pronunţie, pentru a include
prozodia aferentă textului de sintetizat.
În baza de date au fost înregistrate silabe compuse din două, trei şi patru litere, notate cu
S2, S3, respectiv S4, în total aproximativ 600 de silabe (a se vedea capitolul 7, care prezintă
detalii de implemetare).
În primul rând s-a urmărit includerea în fiecare categorie S2, S3 şi S4 a unui număr cât
mai mare de silabe în ordinea frecvenţei de apariţie în limba română. Pentru aceasta s-a avut în
vedere realizarea unei statistici a silabelor limbii române din care să rezulte frecvenţele de
apariţie ale acestora.
Statistica a fost realizată folosind texte extrase din domenii precum: beletristică de
diverse genuri, religie, economie, politică, ştiinţă şi tehnică, ziaristică. Textele au însumat un
număr de aproximativ 342000 de cuvinte, adică peste 600 de pagini în format A4. Statistica
prezintă următoarele rezultate :
a) configuraţia procentuală a categoriilor silabice S2, S3 şi S4;
b) frecvenţa de apariţie a categoriilor silabice S2, S3 şi S4;
c) frecvenţele de apariţie ale silabelor din fiecare categorie.
Astfel, baza de date a fost construită respectând rezultatele acestei statistici.
În realizarea bazei de date s-a ţinut cont şi de integrarea prozodiei locale, din interiorul
cuvintelor. Astfel, prozodia a fost inclusă prin înregistrarea silabelor accentuate şi neaccentuate,
pentru fiecare categorie S2, S3 şi S4. De asemeni, ţinând cont că o silabă se rosteşte distinct în
funcţie de locul pe care aceasta îl ocupă în cadrul cuvântului, dacă este situată la începutul,
mijlocul sau sfârşitul unui cuvânt, s-a urmărit înregistrarea silabelor în aceste diferite contexte în
care ele pot să apară.
În faza curentă de proiectare s-a făcut diferenţierea între silabe finale, pe de o parte, şi
silabe mediane şi iniţiale, pe de altă parte.
Structura ierarhică a bazei de date cuprinde patru nivele, şi anume:
1) Nivelul Categorie : Silabe de două, trei sau patru foneme (S2, S3, S4);
2) Nivelul Context : Segment median sau final, relativ la poziţia din cadrul cuvântului;
3) Nivelul Accent : Silabe accentuate sau neaccentuate în interiorul cuvântului;
4) Nivelul Silabă : Unităţile acustice înregistrate în format WAVE.
Această structură ierarhică de tipul Categorie → Context → Accent → Silabǎ conferă şi
avantajul reducerii substanţiale a timpului de căutare în baza de date, în faza de regăsire a
unităţilor acustice.

239
Cap. 6. Metode de sinteză de voce
6. Regăsirea unităţilor acustice din baza de date se face pe baza unităţilor lingvistice
determinate prin analiza textului de la intrare.
În această etapă s-a proiectat un algoritm de regăsire a unităţilor din baza de date în
funcţie de cele trei caracteristici ale silabei: lungime, context şi accentuare. Dacă o anumită
silabă nu este găsită, aceasta se va descompune în unităţi subiacente care vor fi apoi căutate
recursiv în baza de date vocală. Algoritmul proiectat construieşte seturile de diviziune pentru
fiecare silabă şi realizează o potrivire optimă cu unităţile din baza de date vocală, asigurându-se
astfel o redare sonoră cât mai fidelă a unităţii lingvistice din text.
7. Unităţile acustice găsite în baza vocală prin algoritmul expus mai sus se vor concatena
pentru a genera semnalul de ieşire. Unităţile se concatenează ţinând cont de pauza dintre cuvinte,
care se va ajusta în funcţie de ritmul cerut vorbirii.
8. Ultima etapă este cea de sinteză propriu-zisă, în care formele de undă corespunzătoare
textului de la intrare vor fi redate sonor prin intermediul plăcii audio a calculatorului.
Rezultate obţinute cu metoda de sinteză dezvoltată de autor
I. În faza de analiză a textului:
a) Analizorul automat de sintaxă realizat în cadrul metodei se bazează pe un dicţionar ce
conţine peste 30000 de forme neflexionate ale limbii române şi pe un set de 550 de reguli de
flexionare. Analizorul a fost testat pe o serie de texte în limba română de diferite genuri, de la
literatură la documente tehnice, însumând peste 200000 de cuvinte. Testele au dovedit o
corectitudine de peste 98% cuvinte recunoscute corect, cuvintele nerecunoscute constituind
excepţii care nu au fost încă introduse în setul de reguli. Aceste rezultate arată completitudinea
setului de reguli proiectat, precum şi viabilitatea metodei propuse.
b) Analizorul lexical pentru determinarea silabelor cuprinde un set de peste 180 de reguli
pentru descompunerea cuvintelor în silabe. Performanţa obţinută a fost de 98% cuvinte despărţite
corect, rată calculată pe un set de 50000 de cuvinte extrase din texte de diferite genuri (literatură,
economie, politică, ştiinţă şi tehnică, filozofie, religie). Performanţa este mai bună decât cea
găsită la alţi cercetători români care au folosit reguli lexicale ([Tom09] – 90%).
c) Analizorul lexical pentru determinarea accentelor cuprinde un set de 250 de reguli
pentru detectarea silabei accentuate din interiorul cuvintelor. S-a obţinut o rată de detectare
corectă a silabei acentuate de 94%, rată calculată pe acelaşi set de 50000 de cuvinte ca şi în cazul
despărţirii în silabe.
Din câte cunoaştem, în ţară nu există la ora actuală rezultate publicate despre construirea
unor analizoare bazate exclusiv pe reguli pentru determinarea accentuării, ci doar lexicoane ce
indică accentul cuvintelor, lexicoane ce au fost construite manual [Giu06] sau semiautomat
[Dia09].
II. În faza de sinteză a vorbirii, metoda generează rezultate bune, datorită utilizării
unităţilor acustice de lungime medie şi mare, de tipul silabelor. Concatenarea directă a unităţilor,
fără o altă procesare a semnalului, face ca vorbirea sintetizată să păstreze naturaleţea şi aspectele
prozodice caracteristice vocii care a înregistrat iniţial unităţile acustice.

240
Cap. 6. Metode de sinteză de voce
Avantajele metodei de sinteză a vorbirii pe bază de silabe dezvoltată de autor
Metoda de sinteză bazată pe concatenarea silabelor prezentată în acest capitol are
următoarele avantaje:
a) Prezintă o abordare unitară în toate fazele de proiectare, fiind bazată pe reguli în cele
mai importante etape ale sale.
b) Foloseşte reguli organizate într-o gramatică de tip LEX, rezultând astfel separarea
modulului de analiză lingvistică faţă de fluxul de prelucrare a datelor.
c) Asigură o capacitate mărită de extensibilitate şi adaptabilitate datorită faptului că
regulile sunt accesibile şi se pot edita de către utilizator.
d) Asigură reducerea semnificativă a costului şi timpului alocat procesului de proiectare,
datorită utilizării regulilor (cel mult de ordinul sutelor), faţă de metodele ce utilizează dicţionare
sau lexicoane (conţinând definiţii de ordinul zecilor sau sutelor de mii).
e) Prezintă un grad mai mare de versatilitate, datorită utilizării gramaticilor regulate
specifice LEX, faţă de alte metode ce folosesc reprezentări interne ale regulilor sau chiar
formatul XML. Utilizarea seturilor bazate pe expresii regulate permite specificarea de tipare
pentru unităţile lingvistice şi contextele în care ele apar, rezultând astfel şi un grad mai mare de
corectitudine în analiza finală a textului.
f) Necesită un efort mai mic de construire şi întreţinere a bazei de date vocale decât în
cazul metodei bazate pe corpus. Astfel, în cazul metodei bazate pe silabe, numărul unităţilor
acustice este cu cel puţin două ordine de mărime mai mic decât în cazul metodei bazate pe
corpus.
g) Păstrează eficienţa şi calitatea metodelor de sinteză prin concatenare, în raport cu
metodele parametrice de sinteză. Astfel, în cazul concatenării, semnalul sintetizat păstrează
calitatea unităţilor înregistrate în baza de date vocală, pe când în cazul metodele parametrice,
semnalul de ieşire este aproximat.
h) Prezintă o calitate mai înaltă a sintezei faţă de metodele bazate pe foneme sau
difoneme, din cauza unui număr mai redus de puncte de concatenare, la nivelul silabei.
Aplicaţii şi dezvoltări de viitor
Pentru mărirea performanţelor metodei de sinteză prezentate, se au în vedere următoarele
dezvoltări de viitor:
- mărirea gradului de completitudine a seturilor de reguli pentru silabisire şi accentuare,
prin adăugarea de noi reguli;
- îmbunătăţirea ratei de detectare corectă a accentuării prin folosirea unui dicţionar
morfologic al limbii române. Astfel, gradul de completitudine al unor reguli stabilite pentru
cuvinte cu aceeaşi terminaţie poate fi mărit prin preluarea cuvintelor din dicţionar. Aceasta va
duce la creşterea ratei de detecţie corectă a analizorului, chiar fără a introduce noi reguli de
accentuare;
- în faza de analiză a sintaxei, determinarea părţilor de propoziţie (subiect, predicat) pe
baza părţilor de vorbire detectate deja (substantiv, verb, etc.) va duce la determinarea semanticii
frazei, cu aplicaţii importante în dialogul om-calculator;

241
Cap. 6. Metode de sinteză de voce
- analiza contextului în care apar părţile de vorbire detectate prin analizorul de sintaxă
proiectat, precum şi stabilirea modului corect de flexionare, sunt aspecte importante care se vor
putea aplica la construirea unor traducătoare automate de limbaj de înaltă fidelitate.
- mărirea numărului de unităţi stocate în baza de date vocală, de la 600 în prezent la 2-
3000, în conformitate cu statistica prezentată a silabelor din limba română, fapt ce va avea ca
rezultat îmbunătăţirea semnificativă a calităţii semnalului sintetizat;
- luarea în considerare a implementării prozodiei suprasegmentale, de tipul intonaţiei,
prin intermediul tehnicii TD_PSOLA, crescându-se astfel naturaleţea vorbirii sintetizate. Aici,
metoda proiectată de autor de detectare automată a perioadelor fundamentale din semnal (metodă
prezentată în secţiunea 4.6) va fi foarte utilă în momentul aplicării PSOLA.
Contribuţiile autorului
Contribuţiile autorului prezentate în capitolul curent au fost următoarele:
- dezvoltarea unei metode complete de sinteză de vorbire pornind de la text pentru limba
română, metodă bazată pe concatenarea de silabe;
- dezvoltarea unei metode bazată pe reguli pentru preprocesarea textului;
- dezvoltarea unei metode bazată pe reguli pentru analiza sintaxei unui text în limba
română şi a unui set de reguli pentru flexionarea cuvintelor din limba română;
- realizarea unui analizor sintactic pentru extragerea propoziţiilor şi a cuvintelor ;
- realizarea unui analizor lexical şi a unui set de reguli pentru despărţirea în silabe a
cuvintelor din limba română;
- realizarea unui analizor lexical şi a unui set de reguli pentru determinarea silabei
accentuate din cadrul cuvintelor;
- realizarea unei statistici a silabelor limbii române pentru determinarea frecvenţelor de
apariţie ale silabelor din limba română;
- realizarea unei baze de date acustice de silabe, în care unităţile au fost înregistrate în
diferite contexte şi moduri de pronunţie, incluzând aspectele prozodice intrasegmentale;
- proiectarea unui algoritm de regăsire în baza de date a unităţilor acustice în funcţie de
caracteristicile acestora: lungime, context şi accentuare;
- realizarea unei aplicaţii de test pentru validarea rezultatelor.

7. Realizarea sistemului de sinteză de voce în limba română
LIGHTVOX
Ca şi contribuţie în domeniul proiectării şi realizării unui sistem interactiv vocal, autorul
a urmărit proiectarea şi implementarea unui sistem de sinteză vocală adaptat special limbii
române, ce foloseşte ca şi unităţi fonetice silabele, numit LIGHTVOX. Sistemul a fost conceput
ca un sistem text-to-speech, în care sinteza vorbirii se realizează pornind de la un text în limba
română, utilizând metoda de sinteză bazată pe silabe prezentată în capitolul precedent.
7.1. Organizarea pe module a sistemului
Sistemul LIGHTVOX este organizat pe cinci module componente, aşa cum se indică în
figura 7.1. Sistemul cuprinde următoarele module:
- modulul de analiză lingvistică;
- modulul de analiză prozodică;
- modulul de gestiune a bazei de date vocale;
- modulul de potrivire a unităţilor fonetice;
- modulul de sinteză propriu-zisă a rostirii.
ANALIZĂ
LINGVISTICĂ
GESTIUNEA BAZEI
DE DATE VOCALE
ANALIZĂ
PROZODICĂ
Figura 7.1. Sistemul de sinteză în limba română LIGHTVOX.
Modulele componente
Modulul de analiză lingvistică realizează analiza textului de la intrare urmărind extragerea
unităţilor lingvistice de bază, şi anume silabele. Ideea folosirii silabelor în sinteză se bazează pe
faptul că limba română are un specific articulator în care o mare pondere o au vocalele deschise,
ceea ce conferă vorbirii un ritm în care sunt uşor de evidenţiat silabele. Rezultă astfel
posibilitatea generării unei sinteze de vorbire de mare naturaleţe.
Folosirea silabelor pentru sinteză mai aduce însă şi alte avantaje, precum:
- întreţinerea facilă a bazei de date vocale datorită numărului relativ restrâns de silabe
din limba română;
- erori mici de concatenare datorită numărului redus de puncte de îmbinare în interiorul
unui cuvânt.
242
POTRIVIRE
UNITĂŢI
SINTEZA
ROSTIRII

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Modulul de analiză prozodică urmăreşte detectarea elementelor de prozodie segmentală pe
baza textului de la intrare. Într-o primă fază s-au determinat locurile de accentuare a vorbirii în
cadrul cuvintelor, pe baza unui set de reguli de accentuare proiectat specific pentru limba
română.
Modulul de gestiune a bazei de date vocale efectuează toate operaţiunile legate de baza de
unităţi acustice. Baza de date vocală cuprinde un subset al silabelor limbii române obţinut din
înregistrări ale rostirii unui vorbitor uman. Baza de date este organizată în funcţie de tipul
silabelor (accentuate/neaccentuate), poziţia lor în cadrul cuvântului, precum şi după numărul de
foneme componente (două, trei sau patru).
Modulul de potrivire a unităţilor fonetice cu unităţile acustice asigură potrivirea dintre silabele
extrase din textul de sintetizat şi silabele existente în baza de date vocală în format acustic, ca
forme de undă. Potrivirea va trebui realizată într-un mod optim, ţinând cont de faptul că nu toate
silabele se regăsesc în baza de date.
Modulul de sinteză a rostirii realizează mai întâi concatenarea formelor de undă furnizate de
modulul anterior. Vorbirea propriu-zisă se obţine prin apelul unor funcţii API ce asigură
comanda plăcii audio a calculatorului.
7.2. Structura funcţională a sistemului
Sistemul este prezentat în detaliu în figura 7.2, pe blocuri funcţionale. Se observă
structura completă de tip text-to-speech în care se porneşte de la un text şi se realizează sinteza
completă a vorbirii, LIGHTVOX fiind astfel un sistem de sinteză de nivel înalt. Din punct de
vedere al tipului de abordare, este un sistem de sinteză în domeniul timp, folosind concatenarea
directă a unităţilor acustice neparametrizate. Metoda de sinteză (prezentată în secţiunea 6.4) este
mixtă, din punct de vedere al clasificării sistemelor text-to-speech, îmbinând caracteristici ale
abordării bazate pe concatenarea formelor de undă şi ale abordării bazate pe reguli.
Aşa cum se observă din figura 7.2, sistemul efectuează mai întâi o preprocesare şi o
analiză sintactică a textului iniţial pentru a-l aduce la o formă ortografică corectă. Apoi are loc
determinarea unităţilor lingvistice de bază (în cazul de faţă silabele) şi a informaţiilor prozodice
segmentale (accentul cuvintelor). Pe baza acestor elemente sunt regăsite unităţile acustice din
baza de date vocală care corespund cel mai bine unităţilor lingvistice detectate. Segmentele
acustice sunt concatenate şi apoi are loc sinteza propriu-zisă a vorbirii.
Tot în figura 7.2 se prezintă şi etapele fazei de construcţie a bazei de date vocale. Astfel,
semnalul vocal este mai întâi normalizat şi descompus în secvenţe de regiuni cu proprietăţi
distincte. Secvenţele de regiuni sunt puse în corespondenţă cu fonemele limbii române, urmând
apoi extragerea din semnalul vocal a grupurilor de foneme care alcătuiesc unităţile acustice, în
cadrul unui proces semiautomat. Unităţile acustice se memorează în final în structura ierarhică a
bazei de date.
243

Figura 7.2. Sistemul de sinteză a vocii în limba română LIGHTVOX
244

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
7.3. Metodologia de proiectare a sistemului de sinteză LIGHTVOX
Realizarea sistemului LIGHTVOX a urmărit două direcţii de lucru (figura 7.3):
1. Construirea bazei de date acustice (proces off-line), incluzând următoarele etape:
înregistrarea eşantioanelor de voce, normalizarea semnalului, segmentarea semnalului în
regiuni, segmentarea fonematică, separarea unităţilor acustice şi construirea bazei de
date;
2. Conversia text-voce (proces on-line), cuprinzând etapele: preprocesarea textului,
corectarea ortografică, detecţia unităţilor lingvistice, determinarea prozodiei locale,
regăsirea unităţilor acustice, îmbinarea unităţilor şi sinteza de voce.
ÎNREGISTRAREA
SEMNALULUI
VOCAL
PROCESAREA
TEXTULUI
Figura 7.3. Etapele principale ale realizării sistemului LIGHTVOX
7.3.1. Construirea bazei de date acustice
Prima fază abordată în realizarea sistemului de sinteză de voce LIGHTVOX a fost
construirea bazei de date acustice. În funcţie de metoda abordată, baza de date acustică poate
cuprinde fie formele de undă (codificate sau nu), fie secvenţele parametrice cor espunzând
unităţilor fonetice. În cazul sistemului LIGHTVOX, baza de date cuprinde formele de undă
asociate silabelor limbii române.
ANALIZA
SEMNALULUI
A. Construirea bazei de date acustice
DETECŢIA
UNITĂŢILOR
B. Conversia text - voce
Etapele procesului de realizare a bazei de date vocale au fost următoarele :
1) crearea listei de silabe ;
2) crearea listei de cuvinte care să conţină silabele dorite ;
3) înregistrarea digitală a rostirii ;
4) normalizarea înregistrării ;
5) crearea corpusului paralel text-voce;
6) segmentarea semnalului vocal în regiuni fonematice ;
7) detecţia şi separarea silabelor din semnal;
8) salvarea unităţilor acustice în baza de date.
245
SEGMENTAREA
VORBIRII
DETERMINAREA
PROZODIEI
CONSTRUIREA
BAZEI DE DATE
CONCATENAREA
UNITĂŢILOR ŞI
SINTEZA DE VOCE

1) Crearea listei de silabe
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Structura bazei de date acustice a fost deja prezentată în secţiunea 6.4.6.
Astfel, s-a stabilit ca baza de date să cuprindă silabe alcătuite din două, trei sau patru
litere (notate cu S2, S3, S4), dar şi foneme singulare (S1). S -a urmărit includerea în fiecare
categorie S2, S3 şi S4 a unui număr cât mai mare de silabe în ordinea frecvenţei de apariţie în
limba română, realizându-se în acest scop o statistică a silabelor (vezi paragraful 6.4.6.1).
Pentru a alcătui lista iniţială de silabe, s-a pornit de la mulţimea fonemelor limbii române.
S-au luat în considerare în total 27 de foneme :
F = [aăbcdef gh i îjklmnoprs ştţuvxz ]
Mulţimea F nu cuprinde fonemele /q/, /w/, /y/, acestea fiind înlocuite prin fonemele /c/,
/v/, /i/.
F este alcătuită din reuniunea a două submulţimi C şi V :
C = [ bcdf ghjklmnprs ş t ţ vxz] - submulţimea consoanelor (card C = 20)
V = [aăeiîo u] - submulţimea vocalelor (card V = 7)
Pentru silabele din categoria S2, avem următoarele configuraţii posibile:
a) [CV]
b) [VV]
c) [VC]
unde C reprezintă o consoană, iar V – o vocală.
a) Pentru silabele de tipul [CV] s-au generat toate combinaţiile de două elemente care
rezultă din compunerea mulţimilor C şi V :
L1 = { [ba] [ca] [da] ..... [za] ,
[bă] [că] [dă] ..... [ză] ,
…….
[bu] [cu] [du] ..... [zu] }
Din această listă s-au eliminat combinaţiile care nu există în limba română, precum: [kă],
[kî], etc.
b) Pentru silabele de tipul [VV] şi [VC] s-a parcurs tabelul silabelor S2 (generat pe baza
statisticii de la 6.4.6.1 şi prezentat în anexa 2), preluându-se toate configuraţiile de această
formă. S-au obţinut listele:
L2 = { [ai] [au] ..... [ua] [ui] }
L3 = { [ab] [ac] ..... [uz] }
Lista completă pentru categoria S2 este:
LS2 = L1 U L2 U L3 .
Pentru categoriile silabice S3 şi S4, listele LS3 şi LS4 s-au obţinut pe baza tabelelor din
anexele 3 şi 4.
246

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Din considerente ce au ţinut de condiţiile existente pentru înregistrarea audio, listele LS3
şi LS4 au fost reduse la câteva zeci de elemente (a se vedea tabelul 7.2, ce prezintă numărul
unităţilor acustice stocate în baza de date).
În lista LS1 (adică fonemele singulare) au fost incluse toate fonemele din mulţimea F .
2) Crearea corpusului de cuvinte
Odată obţinute listele cu silabe ( LS1 … LS4), s-a trecut la construirea corpusului de
cuvinte, în vederea înregistrării şi apoi a separării unităţilor acustice.
Pentru a se genera o vorbire sintetică de calitate, s-a avut în vedere ca silabele înregistrate
să includă şi anumite elemente de prozodie.
În primul rând, silabele trebuiau să respecte accentuaţia din interiorul cuvintelor. Ca
urmare, au fost luate în considerare atât silabele accentuate (ACC), cât şi cele neaccentuate
(NA), pentru fiecare categorie S2, S3 şi S4.
De asemeni, ţinând cont că o silabă se rosteşte distinct în funcţie de locul pe care aceasta
îl ocupă în cadrul cuvântului, dacă este situată la începutul, mijlocul sau sfârşitul unui cuvânt, s-a
urmărit introducerea în listă a silabelor în aceste contexte diferite în care ele pot să apară. Astfel,
s-a făcut diferenţierea între silabe finale (FIN), pe de o parte, şi silabe iniţiale şi mediane (MED),
pe de altă parte.
Corpusul de cuvinte folosit pentru extragerea unităţilor acustice a fost alcătuit atât din
propoziţii şi cuvinte normale care conţineau silabele dorite, precum şi din cuvinte artificiale
folosite pentru a evidenţia mai bine un anumit grup de foneme.
Generarea seturilor de cuvinte a ţinut cont de tipul silabelor: accentuate (ACC), respectiv
neaccentuate (NA), cât şi de contextul acestora: silabe mediane (MED) sau finale (FIN).
Cuvintele artificiale includ silabele în contextele necesare, folosindu-se silabe auxiliare
predefinite (de exemplu silaba /ta/).
De exemplu pentru categoria S2 a fost generat următorul set de cuvinte :
MED
FIN
NA ACC NA ACC ...
ta - ba - tá
ta - ca - tá
…
ta - za - tá
tá - ta - ba
tá - ta - ca
…
tá - ta - za
ta - bá - ta
ta - cá - ta
…
ta - zá - ta
ta - ta - bá
ta - ta - cá
…
ta - ta - zá
247
ta - be - tá
ta - ce - tá
…
ta - ze - tá
tá - ta - be
tá - ta - ce
…
tá - ta - ze
ta - bé - ta
ta - cé - ta
…
ta - zé - ta
ta - ta - bé
ta - ta - cé
…
ta - ta - zé
Din acest set au fost excluse combinaţiile care generează contexte improbabile pentru
limba română (în majoritate silabe accentuate în context final). Alte silabe de acest gen au rămas
în set chiar dacă în dicţionar nu există cuvinte care să le conţină în contextul respectiv.
…
…

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Aceste unităţi silabice pot genera silabe care nu au fost cuprinse în baza de date vocală,
dar care apar în componenţa unor cuvinte din dicţionar. Câteva exemple sunt date în tabelul
următor:
Tabelul 7.1. Unităţi silabice din afara dicţionarului care generează silabe din dicţionar
Silabă Context Accent Notaţie
248
Cuvânt în
dicţionar
Silabă
generată
Cuvânt în
dicţionar
ce FIN ACC cé A F - cél A F acél
de FIN ACC dé A F - dél A F modél
ţe FIN ACC ţé A F - ţél A F oţél
…
zo FIN ACC zó A F - zót A F azót
…
3) Înregistrarea digitală a rostirii
După constituirea seturilor de cuvinte, s-a trecut la rostirea efectivă a acestora, în scopul
înregistrării corpusului vocal. A fost ales un vorbitor masculin, urmărindu-se rostirea corpusul
textual într-un ritm constant, cu o aceeaşi tonalitate a vocii.
Construirea bazei de date a început efectiv odată cu procesul de înregistrare a rostirii
vorbitorului uman, rostire care a inclus unităţile fonetice silabice în diferite contexte şi moduri de
pronunţie. După cum am văzut, în baza de date nu au fost înregistrate toate silabele limbii
române, ci doar un subset al acestora, silabele care n-au fost incluse fiind apoi generate pe baza
celor existente.
Procesul de înregistrare a semnalului vocal a presupus folosirea unei aparaturi speciale
constituită dintr-un microfon, o placă digitizoare de semnal acustic, şi un program software
specializat pentru lucrul cu fişiere audio. Autorul a folosit un microfon dinamic semiprofesional,
o placă audio Creative SoundBlaster şi programul de digitizare audio Cool Edit Pro v2.0.
Parametrii de înregistrare au fost următorii: înregistrare de tip uni-canal, frecvenţa de
eşantionare: 16 kHz, dimensiunea eşantioanelor: 16 biţi, codificare: PCM, formatul fişierului
audio: WAVE.
4) Normalizarea înregistrării
În urma înregistrării, eşantioanele audio au urmat o fază de normalizare, adică de aducere
a lor la o formă unitară în tot cuprinsul bazei vocale. Normalizarea presupune prelucrarea
digitală a semnalului vocal înregistrat, proces care poate fi făcut manual sau semiautomat, prin
intermediul unui program software specializat, sau automat, în cazul în care se proiectează
algoritmi speciali de normalizare. Autorul a folosit o procedură semiautomată, disponibilă prin
intermediul aplicaţiei Cool Edit Pro v2.0.

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
În urma normalizării, corpusul vocal conţine toate înregistrările de aceeaşi amplitudine
(rostirile prezentând aceeaşi tărie sonoră), precum şi frecvenţă fundamentală constantă
(corespunzând unor rostiri de aceeaşi tonalitate, acelaşi ritm şi intonaţie constantă). În primul
rând, aceste cerinţe legate de amplitudine şi frecvenţă fundamentală se referă la segmentele
vocale care prezintă aceste caracteristici, cu alte cuvinte la segmentele corespunzătoare vocalelor
fonetice.
5) Crearea corpusului paralel text-voce
În vederea prelucrării semnalului şi descompunerii acestuia în unităţi acustice,
înregistrările au fost salvate în fişiere audio în format WAVE. Fiecare fişier audio conţine una
sau mai multe secvenţe de cuvinte din corpusul vorbit, depinzând de capacitatea vorbitorului de a
păstra un ritm şi o tonalitate constante pe parcursul înregistrării.
Pentru a realiza segmentarea automată a semnalului în regiuni fonematice a fost necesară
utilizarea a două corpusuri în paralel, şi anume: corpusul vorbit, înregistrat în fişiere audio, şi
respectiv corpusul textual corespondent. Astfel, odată cu salvarea fiecărui fişier audio, a fost
stocat şi fişierul text asociat conţinutului său.
VOCE
TEXT
Figura 7.4. Crearea corpusului paralel text-voce
6) Segmentarea semnalului vocal în regiuni fonematice
Această etapă urmăreşte descompunerea semnalului vocal în regiuni corespunzătoare
secvenţelor fonematice (şiruri de foneme). Această operaţie va d uce în final la separarea
unităţilor silabice din semnalul vocal înregistrat.
Paşii care au fost realizaţi sunt ilustraţi în figura 7.5.
ANALIZA
SEMNALULUI
VOCAL
Parametri
de semnal
FIS1.WAV
FIS1.TXT
SEGMENTARE
S/U/V
Regiuni de
semnal
FIS2.WAV
FIS2.TXT
COMPACTARE
REGIUNI
Regiuni
compacte
Figura 7.5. Paşii realizaţi pentru segmentarea semnalului în regiuni fonematice
a) Analiza semnalului vocal presupune determinarea parametrilor semnalului utili în faza
de segmentare. Conform paragrafului 4.2.1 (analiza în domeniul timp a semnalului vocal), au
249
FIS3.WAV
FIS3.TXT
CLASIFICARE
REGIUNI
Clase de
regiuni
…..
SEGMENTARE
FONEMATICǍ
Regiuni
fonematice

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
fost determinaţi următorii parametri: amplitudinea semnalului, energia şi numărul de treceri prin
zero. De asemeni, a fost calculată frecvenţa fundamentală a semnalului (vezi paragraful 4.6.1).
b) Segmentarea SUV, descrisă în paragraful 4.4.2, are ca scop detectarea categoriilor
fundamentale de semnal: linişte (Silence), sonor (Voiced), nesonor (Unvoiced), la care se adaugă
şi categoria tranziţie.
c) Compactarea regiunilor (vezi paragraful 4.4.3) urmăreşte asocierea regiunilor vecine
de dimensiuni mici, având ca rezultat scăderea numărului total de regiuni, cu efect pozitiv asupra
timpului de procesare.
d) Clasificarea regiunilor (proces prezentat în capitolul 4.4) împarte cele patru categorii
de semnal de la punctul b) în 10 clase distincte, clase care pot fi asociate cu reprezentarea sonoră
a fonemelor limbii române.
e) Segmentarea fonematică (capitolul 4.8) asociază simbolurile fonetice cu regiunile din
semnal. Pentru aceasta, se foloseşte corpusul paralel text-voce de la punctul 5). Pe baza unor
reguli speciale de asociere, se face o corespondenţă între grupurile fonetice prezente la intrarea
de text cu secvenţele de regiuni detectate din semnalul vocal.
TEXT
SEMNAL
secvenţă fonetică 1 ; secvenţă fonetică 2 ; secvenţă fonetică 3 . . .
[Regiune 1] [Regiune 2] [Regiune 3] - - - [Regiune n] - - -
Figura 7.6. Asocierea dintre grupurile fonematice şi secvenţele de regiuni
7) Detecţia şi separarea silabelor din semnal
După punerea în corespondenţă a secvenţelor fonematice cu regiunile din semnal,
urmează faza de separare a silabelor utile din corpusul vocal. Pentru aceasta, s-a folosit o
procedură semiautomată care selectează secvenţele dorite prin deplasarea capetelor intervalului
de selecţie pe graniţele regiunilor fonematice. Regiunea selectată poate fi ajustată prin deplasarea
manuală a marginilor ce au fost detectate în mod automat. Apoi regiunea corespunzătoare silabei
dorite se salvează într-un fişier al bazei de date.
T A T I T A T A D E T A
Figura 7.7. Detecţia şi separarea silabelor din semnal
250

8) Salvarea unităţilor acustice în baza de date
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
După detecţia silabelor dorite din semnalul vocal, acestea se salvează ca fişiere distincte
în structura ierarhică a bazei de date. Aşa cum s-a prezentat în secţiunea 6.4.6, baza de date
vocală este organizată în funcţie de parametrii unităţilor acustice, astfel:
a) după lungimea unităţilor: silabe alcătuite din două, trei sau patru litere, precum şi
foneme singulare ;
b) după poziţia silabei în interiorul cuvântului: silabe iniţiale/mediane sau finale ;
c) după accentuare: silabe accentuate sau neaccentuate.
Ca urmare, baza de date vocală prezintă o structură arborescentă, în care unităţile acustice
sunt stocate sub formă de fişiere.
Pentru a implementa criteriul a), au fost create directoarele: S1, S2, S3 şi S4, în fiecare
director fiind memorate doar unităţi de lungime corespunzătoare.
Pentru a implementa criteriul b), în fiecare director a fost creat un subdirector Final, în
care au fost memorate unităţile de tip silabă finală, în timp ce silabele acustice iniţiale/mediane
au fost salvate în directorul părinte.
Criteriul c) a fost rezolvat prin utilizarea unor convenţii de notaţie a numelui fişierelor;
astfel silabele accentuate prezintă sufixul ‘_’ în numele fişierelor ce le conţine. De exemplu,
pentru silaba neaccentuată sa avem fişierul sa.wav, iar pentru silaba accentuată sá a fost
înregistrat fişierul sa_.wav (convenţiile de notaţie au fost prezentate în tabelul 6.5).
Rezultă următoarea structură a colecţiei de fişiere din baza de date vocală :
fF
Rădăcină
S1 S2 S3 S4
Final Final Final Final
f A F
f f A
ffF ff A F
ff ff A
fffF fff A
Figura 7.8. Structura colecţiei de fişiere din baza de date vocală
În figura de mai sus, notând U = unitatea acustică (U = f pentru foneme singulare, U = ff
pentru silabe de două litere, U = fff pentru silabe de trei litere, U = ffff pentru silabe de patru
litere), avem :
- U = unitatea acustică neaccentuată în poziţie mediană ;
- U A = unitatea acustică accentuată în poziţie mediană ;
- UF = unitatea acustică neaccentuată în poziţie finală ;
- U A F = unitatea acustică accentuată în poziţie finală.
251
F
fff fff A
ffffF ffff
A F
ffff ffff
A

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
În figura 7.9, se poate observa un extras din directorul S2 ce conţine unităţi acustice
silabice de două litere, unde pentru numele fişierelor s-au folosit convenţiile din tabelul 6.5.
Figura 7.9. Extras din directorul S2 cu unităţi acustice silabice de două litere
În final, în baza de date au fost înregistrate aproximativ 600 de unităţi acustice, foneme şi
silabe, considerând atât silabele de segment median şi final, cât şi silabele accentuate şi
neaccentuate:
Tabelul 7.2. Unităţile acustice înregistrate în baza de date
Silabe Segment median Segment final Total
S2 (două foneme) 283 103 386
S3 (trei foneme) 84 55 139
S4 (patru foneme) 10 27 37
S1 (foneme
singulare)
31 5 36
252

7.3.2. Conversia text-voce
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Conversia text-voce reprezintă a doua fază, ce decurge on-line, în funcţionarea sistemului
LIGHTVOX şi cuprinde toate etapele ce trebuie parcurse pentru ca dintr-un text iniţial să se
genereze vorbirea sintetică asociată.
Etapele componente ale acestei faze sunt următoarele :
a) preprocesarea textului,
b) corectarea ortografică,
c) detecţia unităţilor lingvistice,
d) determinarea prozodiei locale,
e) regăsirea unităţilor acustice,
f) îmbinarea unităţilor,
g) sinteza de voce.
Toate aceste etape au fost descrise pe larg în cadrul prezentării metodei de sinteză bazată
pe silabe din secţiunea 6.4.
a) Preprocesarea textului a fost descrisă în paragraful 6.4.2. Pe baza unor reguli de
conversie fonetică, abrevierile şi numerele din textul iniţial au fost transcrise fonetic în vederea
sintezei.
b) Corectarea ortografică este a doua etapă necesară pentru o sinteză corectă a textului.
Pentru implementarea acestei etape, a fost proiectat un analizor gramatical şi un set de reguli de
analiză a sintaxei, obţinându-se o rată de recunoaştere a erorilor de 98% (paragraful 6.4.3).
La intrarea analizorului se prezintă textul iniţial, ce conţine cuvinte în limba română în
diferite forme flexionate. Pe baza setului de reguli proiectat, analizorul generează forma de bază,
neflexionată, a fiecărui cuvânt de la intrare şi o caută într-un dicţionar. O interfaţă grafică va
pune apoi în evidenţă cuvintele care au o sintaxă greşită sau care nu au fost potrivite cu setul de
reguli din analizor.
c) Etapa următoare o reprezintă determinarea unităţilor de bază din textul corectat
ortografic. Aceste unităţi de bază sunt: propoziţiile, cuvintele şi silabele fiecărui cuvânt.
Propoziţiile şi cuvintele se determină pe baza unui analizor sintactic, iar silabele printr-un
analizor lexical (a se vedea paragraful 6.4.4). Analizorul lexical pentru determinarea silabelor
cuprinde un set de peste 180 de reguli pentru descompunerea cuvintelor în silabe, performanţa
obţinută fiind de 98% cuvinte despărţite corect.
d) Determinarea prozodiei locale urmează după etapa extragerii unităţilor lingvistice din
text. Prozodia locală se referă aici la determinarea accentelor din cadrul cuvintelor. Utilizarea în
sinteză atât a unităţilor accentuate cât şi a unităţilor neaccentuate a dus la obţinerea unei rostiri
de calitate mult mai naturală. Determinarea accentelor, prezentată în paragraful 6.4.5, s-a realizat
tot prin intermediul unui analizor lexical şi a unui set de reguli fonetice. Analizorul lexical
cuprinde un set de 250 de reguli pentru detectarea silabei accentuate din interiorul cuvintelor,
obţinându-se o rată de detectare corectă a accentului de 94%.
e) După determinarea unităţilor lingvistice din text împreună cu elementele de prozodie,
urmează etapa de regăsire a unităţilor acustice din baza de date vocală. Regăsirea se face în
253

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
funcţie de caracteristicile unităţii lingvistice: lungime, context şi accentuare (a se vedea
paragraful 6.4.7). Pot exista următoarele situaţii:
- Unitatea este regăsită identic în baza de date vocală, din punct de vedere fonetic,
contextual şi prozodic. În acest caz unitatea se reţine ca atare pentru a fi înglobată în textul
sintetizat.
- Unitatea este regăsită fonetic, dar nu prozodic sau contextual. Se preferă, în acest caz,
construirea acesteia din subunităţi sau foneme separate, care să respecte în primul rând prozodia
cerută (unitate accentuată sau neaccentuată), şi apoi, dacă este posibil, contextul specificat.
- Unitatea nu este regăsită fonetic în baza de date. Şi în acest caz ea va fi construită pe
baza subunităţilor componente, găsite în baza de date.
f) Îmbinarea unităţilor: unităţile acustice găsite în baza vocală prin algoritmul expus mai
sus se vor concatena pentru a genera semnalul de ieşire. Concatenarea se face ţinând cont de
pauza dintre cuvinte, pauză care se va ajusta în funcţie de ritmul necesar pentru vorbire.
g) Ultima fază este cea de sinteză propriu-zisă, în care formele de undă corespunzătoare
textului de la intrare (generate în etapa precedentă) vor fi redate sonor prin intermediul plăcii
audio a calculatorului.
7.4. Algoritmul de implementare al conversiei text-voce
În acest paragraf este prezentat algoritmul de implementare al procesului on-line al
sistemului: conversia text-voce. Algoritmul porneşte de la un text sursă trecut prin fazele de
preprocesare şi corectare ortografică, realizând următoarele acţiuni: analiza lingvistică în scopul
determinării silabelor, analiza prozodică pentru determinarea accentelor, potrivirea unităţilor şi
sinteza de voce. Algoritmul general este prezentat în diagrama 1.
La început, parserul de text apelează analizorul lexical (denumit Silabe_Lex) pentru
determinarea silabelor, respectiv a separatorilor. Cele două tipuri de unităţi lexicale sunt
procesate de către subrutinele Procesare_Silabă, respectiv Procesare_Separator. Silabele
urmate de un separator sunt grupate pentru a forma un cuvânt.
Cuvântul curent este prelucrat mai departe în subrutina Procesare_Cuvânt, mai multe
cuvinte formând o propoziţie. După fiecare cuvânt regăsit de la intrare, se apelează analizorul
lexical pentru determinarea accentelor, adică a silabei accentuate din cuvânt.
Apoi subrutina Potrivire_unităţi realizează funcţia de punere în corespondenţă între
unităţile regăsite din textul de la intrare şi unităţile acustice memorate în baza de date. Potrivirea
se face la nivelul silabelor pentru fiecare cuvânt din propoziţie. În urma acestei operaţiuni rezultă
un fişier de tip wave care este sintetizat prin intermediul subrutinei Rostire.
Algoritmul de parcurgere a intrării este ilustrat în diagrama 2. Se iniţializează mai întâi
stream-ul de intrare – textul care trebuie sintetizat (funcţia Init_Stream). Apoi se apelează
analizorul lexical yylex( ) pentru despărţirea în silabe. Analizorul returnează fie o silabă, fie un
separator, fie caracterul sfârşit de fişier, dacă s-a ajuns la sfârşitul stream-ului de intrare. Silaba
se tratează în procedura Procesare_Silabă, iar separatorul în procedura Procesare_Separator,
ambele figurate în diagrama 3.
254

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Procedura Procesare_Silabă adaugă silaba la cuvântul curent ( Adaugă_Silabă), şi apoi
construieşte structura în memorie a cuvântului prin Construieşte_Cuvânt. Tot aici se face şi
eliminarea cratimei din cuvânt, în vederea rostirii (căutarea în baza de date se face după o silabă
care nu trebuie să conţină cratimă).
Subrutina Procesare_Separator este apelată atunci când analizorul întâlneşte un separator
în stream-ul de intrare. Aceasta înseamnă că s-a terminat de citit un cuvânt şi, dacă separatorul
este terminator de propoziţie, s-a încheiat şi propoziţia curentă. Cuvântul este prelucrat şi
analizat din punct de vedere al prozodiei (accentelor) în procedura Procesare_Cuvânt. Apoi se
adaugă cuvântul împreună cu structura de silabe şi accente în propoziţia curentă din memorie
(procedura Adaugă_Cuvânt). Urmează adăugarea în structură a separatorului, care va indica în
momentul rostirii pauza dintre cuvinte, respectiv de la sfârşitul propoziţiei.
Se testează în continuare dacă separatorul este un terminator de propoziţie. În caz
afirmativ, se apelează procedura Potriveşte_Unităţi, care are rolul de a căuta şi identifica
unităţile acustice din baza de date din care se va construi forma de undă corespunzătoare
cuvintelor din propoziţie. Apoi se rosteşte propoziţia în subrutina Rosteşte_Propoziţie.
Potrivirea silabelor din cuvânt cu unităţile acustice se face în funcţie de accentuarea
silabei (dacă silaba este accentuată sau nu) şi după locul silabei în cadrul cuvântului (dacă silaba
este în mijlocul sau la finalul cuvântului). Căutarea în baza de date ţine cont şi de numărul de
litere componente ale silabei. Dacă silaba nu este regăsită ca atare în baza de date, atunci forma
de undă se construieşte pe baza fonemelor şi silabelor cu un număr mai mic de litere ce intră în
componenţa silabei iniţiale. Aşa cum am amintit anterior, pot exista următoarele situaţii:
1. Silaba dorită este regăsită identic în baza de date vocală, atât din punct de vedere
fonetic, cât şi din punct de vedere prozodic. În acest caz silaba se reţine ca atare pentru a fi
înglobată în cuvântul de sintetizat.
2. Silaba este regăsită fonetic, dar nu şi prozodic. Se preferă în acest caz constituirea
acesteia din silabe şi foneme mai scurte, care să respecte prozodia cerută (silabă accentuată sau
neaccentuată).
3. Silaba nu este regăsită fonetic în baza de date. Şi în acest caz silaba va fi compusă pe
baza fonemelor separate extrase din baza de date.
Formele de undă corespunzătoare silabelor sunt concatenate, iar rostirea propoziţiei se va
realiza prin apelul funcţiei API Windows PlaySound( ).
Procesarea unui cuvânt din punct de vedere al prozodiei (accentelor) se face în procedura
Procesare_Cuvânt, ilustrată în diagrama 4. Aici se verifică mai întâi terminaţia cuvântului pentru
a se determina dacă este vorba despre un substantiv care a fost declinat (‚băiatul’, ‚băieţilor’,
etc.). În acest caz se elimină terminaţia (prin diminuarea numărului de litere componente ale
cuvântului cu lungimea terminaţiei) şi se apelează analizorul lexical pentru determinarea silabei
accentuate yyCuvântLex( ). La ieşirea din analizor, subrutina Pune_Accent restaurează numărul
de litere şi actualizează poziţia accentului (în Actualizează_Accent).
255

Baza de
date
vocală
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Parser
Silabe
Lex
Separator Silabă
Procesare
Separator
Procesare
Cuvânt
Propoziţie
Cuvânt
Potrivire
unităţi
Wave
Rostire
Diagrama 1. LIGHTVOX - Algoritmul de implementare
256
Procesare
Silabă
Accente
Lex
Accente

DA
NU
Parse Input
Init Stream
LexVal = yyLex ( )
LexVal = EOF
LexVal = SILABA
DA
LexVal =
SEPARATOR
DA
Procesare Separator
Close Stream
End
NU
Diagrama 2. Algoritmul pentru parcurgerea intrării
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
257
NU
Procesare Silabă
1
2

1
Procesare Separator
Procesare Cuvânt
Adaugă Cuvânt
Adaugă Separator
Separator_Propoziţie
DA
Potriveşte Unităţi
Rosteşte Propoziţie
End
NU
3
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Prop
Cuv
Sil Sil Sil
Diagrama 3. Algoritmul de procesare a unităţilor lexicale
258
2
Procesare Silabă
Adaugă Silabă
Construieşte Cuvânt
End
Cuv
Sil Sil Sil
Sep Cuv Sep
Sil Sil Sil

3
Procesare Cuvânt
Verifică Terminaţie
Accent = yyCuvântLex( )
Pune Accent
(Accent)
End
4
5
5
Pune Accent
Term =
ul/ilor/elor/ile/ului/elui
Număr_Litere =
Număr_Litere + len(Term)
End
DA
Actualizează Accent
(Accent)
Diagrama 4. Procesarea cuvintelor şi determinarea accentelor
Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
259
NU
4
Verifică Terminaţie
Term =
ul/ilor/elor/ile/ului/elui
Număr_Litere =
Număr_Litere – len(Term)
End
DA
NU

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
7.5. Rezultate experimentale şi dezvoltări de viitor
În cadrul Facultăţii de Electronică, Telecomunicaţii şi Tehnologia Informaţiei din Cluj-
Napoca, autorul a realizat un prototip al sistemului de sinteză vocală LIGHTVOX.
Implementarea prototipului s-a făcut baza structurii cu cinci componente prezentate în paragraful
7.1: modulul de analiză lingvistică, modulul de analiză prozodică, modulul de gestiune a bazei de
date vocale, modulul de potrivire a unităţilor fonetice şi modulul de sinteză propriu-zisă a
rostirii. Etapele realizării sistemului au fost prezentate în paragrafele 7.3.1 şi 7.3.2.
Mai întâi a fost construită baza de date acustică necesară pentru sinteză. În baza de date
au fost înregistrate aproximativ 600 de unităţi acustice, foneme şi silabe, considerând atât
silabele de segment median şi final, cât şi silabele accentuate şi neaccentuate: 386 de silabe
alcătuite din două foneme, 139 de silabe tri-fonematice, 37 de silabe tetra-fonematice şi 36 de
foneme singulare.
Pentru conversia text-voce a fost realizată o interfaţă grafică prin care utilizatorul poate
încărca un document text în fereastra aplicaţiei, pe care apoi îl poate audia prin intermediul vocii
generate de sintetizator.
Interfaţa aplicaţiei şi interacţiunea cu utilizatorul
Interfaţa aplicaţiei este prezentată în figura 7.10:
1 2 3 4
Figura 7.10. Interfaţa aplicaţiei LIGHTVOX
260

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Se observă că interfaţa utilizator este simplă, uşor de utilizat chiar şi de către persoane cu
disabilităţi vizuale; ea permite efectuarea următoarelor operaţii:
1. Operaţii efectuate asupra textului sursă :
a) deschiderea unui fişier text în fereastra aplicaţiei (fişierul poate fi în format ASCII sau
RTF): meniul File/Open, respectiv ALT+FO de la tastatură ;
b) editarea textului direct în fereastra aplicaţiei : scriere/ştergere/selectare ;
c) import/export de text dinspre/spre alte aplicaţii, prin intermediul Clipboard-ului:
operaţiile COPY/CUT/PASTE (comenzile CTRL+C, CTRL+X, CTRL+V);
c) salvarea textului pe hard-disk în cele două formate ASCII şi RTF: meniul File/Save,
respectiv ALT+FS de la tastatură ;
2. Analiza lexicală a textului :
a) despărţirea în silabe : toolbar button 1 sau comanda ALT+OS ;
b) determinarea accentuaţiei : apăsarea succesivă a butonului 1
sau comanda ALT+OA;
3. Sinteza vocală a textului :
a) sinteza întregului text din fereastra aplicaţiei: butonul 2 sau tasta F1. Sinteza textului
poate fi oprită prin tasta ESC şi repornită din locul rămas (prin comanda F1) ;
b) sinteza propoziţiei curente (propoziţia indicată de cursor): butonul 3 sau tasta F2;
c) sinteza cuvântului curent (indicat de poziţia cursorului) : butonul 4 sau tasta F3.
Aplicaţiile sistemului de sinteză vocală LIGHTVOX
a. Sistemul se poate utiliza direct de către persoane cu disabilităţi vizuale sau
nevăzători pentru citirea automată a textelor, prin utilizarea de comenzi simple de la tastatură ;
b. Extinderea sistemului se poate face uşor şi pentru alte aplicaţii pentru nevăzători,
precum: scrierea de texte asistată vocal de către calculator, aplicaţii de poştă electronică, citirea
paginilor WEB, aplicaţii de tip bibliotecă electronică pentru nevăzători (în care, printr-un meniu
interactiv vocal, nevăzătorul să-şi poată selecta un autor, o carte în format electronic, şi un
capitol din acea carte, pe care sistemul îl va putea citi prin vocea sintetizată), etc.
Rezultate şi observaţii experimentale
În privinţa rezultatelor şi observaţiilor experimentale, s-a constatat o audiţie
satisfăcătoare a textului sintetizat, care respectă prozodia segmentală (accentuarea cuvintelor) din
limba română. Ceea ce se observă este fluenţa rostirii şi un grad ridicat de naturaleţe. Ca şi
îmbunătăţiri viitoare, este clar că folosirea unor condiţii profesioniste de înregistrare a
semnalului vocal şi utilizarea unei voci cu calităţi acustice superioare pot duce la creşterea
semnificativă a calităţii rostirii sintetizate.
Desigur că, pentru crearea unei noi baze de date vocale, de mare însemnătate va fi
îmbunătăţirea algoritmilor de segmentare a semnalului vocal. Aceşti algoritmi, pe baza unei
adnotări a corpusului textual folosit pentru crearea bazei de date vocale, vor fi capabili să extragă
în mod automat unităţile fonetice silabice din semnalul vorbit.
261

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
De asemenea, generarea unui dicţionar pentru excepţiile de despărţire în silabe şi
accentuare a cuvintelor şi utilizarea acestui dicţionar în paralel cu analizoarele lexicale proiectate
ar duce la scăderea ratei erorilor de procesare de limbaj şi implicit la creşterea calităţii rostirii.
Tot pentru creşterea naturaleţii în rostire, se va putea avea în vedere luarea în considerare
a unor reguli de prozodie suprasegmentală, la nivelul propoziţiilor, care să genereze o intonaţie
corectă a frazei în momentul sintezei.
7.6. Concluzii privind proiectarea şi realizarea sistemului de sinteză
vocală
În acest capitol s-au prezentat contribuţiile autorului în domeniul proiectării şi realizării
sistemelor de sinteză vocală. S-a prezentat aici metodologia de proiectare a unui sistem de
sinteză de voce pentru limba română, precum şi aspectele originale ce se referă la realizarea
sistemului LIGHTVOX.
Sistemul a fost conceput ca un sistem text-to-speech, în care sinteza vorbirii se realizează
pornind de la un text în limba română, utilizând o metodă de sinteză bazată pe concatenarea
silabelor.
Metoda de sinteză proiectată de autor îmbină caracteristici ale abordării bazate pe
concatenarea formelor de undă şi ale abordării bazate pe reguli. Au fost folosite reguli în faza de
construire a bazei de unităţi acustice, apoi în faza de analiză a textului şi în faza de sinteză, la
îmbinarea formelor de undă.
Metodologia de proiectare a sistemului LIGHTVOX a urmărit două direcţii de lucru:
1. Construirea bazei de date acustice (proces off-line), incluzând următoarele etape:
înregistrarea eşantioanelor de voce, normalizarea semnalului, segmentarea semnalului în regiuni,
segmentarea fonematică, separarea unităţilor acustice şi construirea bazei de date.
2. Conversia text-voce (proces on-line), cuprinzând etapele: preprocesarea textului,
corectarea ortografică, detecţia unităţilor lingvistice, determinarea prozodiei locale, regăsirea
unităţilor acustice, îmbinarea unităţilor şi sinteza de voce.
1. Construirea bazei de date acustice
Baza de date acustică conţine un subset al silabelor limbii române. În vederea construirii
bazei de date au fost realizate următoarele acţiuni:
1) Crearea listei de silabe
Lista cu silabele ce alcătuiesc baza de date vocală s-a realizat folosind o statistică a
silabelor limbii române (paragraful 6.4.6.1), prin selectarea unui subset din totalul silabelor, în
ordinea frecvenţei de apariţie în limba română vorbită.
2) Crearea listei de cuvinte care să conţină silabele dorite
Corpusul de cuvinte folosit pentru extragerea unităţilor acustice a fost alcătuit atât din
propoziţii şi cuvinte normale care conţineau silabele dorite, precum şi din cuvinte artificiale
folosite pentru a evidenţia mai bine un anumit grup de foneme.
Generarea seturilor de cuvinte a ţinut cont de tipul silabelor: accentuate, respectiv
neaccentuate, cât şi de contextul acestora: silabe mediane sau finale în cadrul cuvântului.
262

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
3) Înregistrarea digitală a rostirii
Pentru înregistrarea corpusului vocal a fost ales un vorbitor masculin, urmărindu-se
rostirea corpusul textual într-un ritm constant, cu o aceeaşi tonalitate a vocii. Procesul de
înregistrare a semnalului vocal a presupus folosirea unei aparaturi speciale constituită dintr-un
microfon, o placă digitizoare de semnal acustic, şi un program software specializat pentru lucrul
cu fişiere audio.
4) Normalizarea înregistrării
Normalizarea semnalului reprezintă prelucrarea digitală a semnalului vocal pentru a-l
aduce la o formă unitară în tot cuprinsul bazei vocale.
Autorul a folosit o procedură semiautomată, disponibilă prin intermediul aplicaţiei Cool
Edit Pro. În urma normalizării, corpusul vocal conţine toate înregistrările de aceeaşi amplitudine
(rostirile prezentând aceeaşi tărie sonoră), precum şi frecvenţă fundamentală constantă
(corespunzând unor rostiri de aceeaşi tonalitate, acelaşi ritm şi intonaţie constantă).
5) Crearea corpusului paralel text-voce
Pentru a realiza segmentarea automată a semnalului vocal, a fost necesară utilizarea a
două corpusuri în paralel, şi anume: corpusul vorbit, înregistrat în fişiere audio, şi respectiv
corpusul textual corespondent. Astfel, odată cu salvarea fiecărui fişier audio, a fost stocat şi
fişierul text asociat conţinutului său.
6) Segmentarea semnalului vocal în regiuni fonematice
Operaţia de segmentare a semnalului vocal în regiuni fonematice urmăreşte
descompunerea semnalului în regiuni corespunzătoare secvenţelor de foneme.
Paşii implementaţi în această etapă au fost:
a) analiza semnalului vocal, în scopul determinării parametrilor semnalului, utili în faza
de segmentare;
b) segmentarea în regiuni a semnalului vocal, ce are ca scop detectarea categoriilor
fundamentale de semnal: linişte, sonor, nesonor, la care se adaugă şi categoria tranziţie;
c) compactarea regiunilor, urmărind asocierea regiunilor vecine de dimensiuni mici,
având ca rezultat scăderea numărului total de regiuni;
d) clasificarea regiunilor: împarte regiunile din semnal în 10 clase distincte, clase care
pot fi asociate cu reprezentarea sonoră a fonemelor limbii române;
e) segmentarea fonematică, ce asociază simbolurile fonetice cu regiunile din semnal. Pe
baza unor reguli speciale de asociere, se face o corespondenţă între grupurile fonetice prezente la
intrarea de text cu secvenţele de regiuni detectate din semnalul vocal.
7) Separarea silabelor utile din semnal
Separarea silabelor din semnalul vocal s-a realizat printr-o procedură semiautomată care
selectează secvenţele fonetice dorite prin deplasarea capetelor intervalului de selecţie pe
graniţele regiunilor fonematice detectate anterior.
8) Salvarea unităţilor acustice în baza de date
După detecţia silabelor dorite din semnalul vocal, acestea se salvează ca fişiere distincte
în structura ierarhică a bazei de date. Ierarhizarea s-a făcut în funcţie de parametrii unităţilor
acustice:
263

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
a) lungime: silabe alcătuite din două, trei sau patru litere, precum şi foneme singulare;
b) poziţia silabei în interiorul cuvântului: silabe iniţiale/mediane sau finale;
c) accentuare: silabe accentuate sau neaccentuate.
În final, în baza de date au fost înregistrate aproximativ 600 de unităţi acustice, foneme şi
silabe, considerând atât silabele de segment median şi final, cât şi silabele accentuate şi
neaccentuate, astfel: 386 de silabe de două litere, 139 de silabe de trei litere, 37 de silabe
alcătuite din patru litere şi 36 de foneme singulare.
2. Conversia text-voce
Conversia text-voce reprezintă a doua fază, ce decurge on-line, în funcţionarea sistemului
LIGHTVOX şi cuprinde toate etapele ce trebuie parcurse pentru ca dintr-un text iniţial să se
genereze vorbirea sintetică asociată.
Etapele componente ale acestei faze sunt următoarele:
a) preprocesarea textului,
b) corectarea ortografică,
c) detecţia unităţilor lingvistice,
d) determinarea prozodiei locale,
e) regăsirea unităţilor acustice,
f) îmbinarea unităţilor,
g) sinteza de voce.
Aceste etape au fost pe larg prezentate în cadrul metodei de sinteză bazată pe silabe, în
secţiunea 6.4.
Mai întâi a fost implementat un analizor lexical de preprocesare a textului, pentru
exapandarea abrevierilor şi transcrierea fonetică a numerelor din text.
Apoi s-a implementat analizorul şi setul de reguli corespondent pentru corectarea
ortografică a textului.
A fost apoi creat analizorul lexical pentru despărţirea în silabe, apoi cel pentru regăsirea
accentelor (silabele accentuate din compunerea cuvintelor). Ambele au necesitat găsirea unor
reguli de despărţire în silabe şi de accentuare a cuvintelor pentru limba română.
Odată găsite unităţile lexicale de bază (silabele), a fost proiectat un analizor sintactic care
să preia aceste unităţi lexicale şi să construiască structura de cuvinte şi propoziţii a textului de la
intrare.
A urmat implementarea unui algoritm de potrivire a unităţilor fonetice extrase din text cu
unităţile acustice înregistrate în baza de date. Deoarece unităţile din baza vocală constituie un
subset al silabelor existente în limba română, a trebuit proiectat un algoritm de selecţie optimală
a unităţilor, care să asigure o rostire optimă din punct de vedere acustic şi perceptual.
Îmbinarea unităţilor regăsite din baza de date şi sinteza vocală propriu-zisă nu au ridicat
dificultăţi deosebite, aceste module fiind proiectate cu ajutorul funcţiilor API Windows.
264

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Implementarea prototipului sistemului de sinteză LIGHTVOX s-a făcut pe o structură
modulară având cinci componente:
- modulul de analiză lingvistică, având sarcina de a face analiza textului de la intrare în
scopul extragerii unităţilor fonetice de bază - silabele;
- modulul de analiză prozodică, ce urmăreşte detectarea elementelor de prozodie
segmentală, respectiv a accentelor din cadrul cuvintelor;
- modulul de gestiune a bazei de date vocale, care efectuează toate operaţiunile legate de
baza de date ce conţine unităţile acustice;
- modulul de potrivire a unităţilor fonetice, ce asigură punerea în corespondenţă între
silabele extrase din textul de sintetizat şi silabele existente în baza de date vocală;
- modulul de sinteză propriu-zisă a rostirii, care realizează concatenarea formelor de
undă şi produce sinteza propriu-zisă.
Acest prototip al sistemului LIGHTVOX a fost implementat în limbajul Visual C++ şi
testat pe un calculator Pentium, rezultatele experimentale fiind prezentate în paragraful 7.5.
Ca şi contribuţii ale autorului în domeniul proiectării sistemelor de sinteză vocală,
contribuţii prezentate în acest capitol, se pot menţiona:
- structurarea unei metodologii de proiectare a unui sistem de sinteză de voce,
metodologie orientată pe două direcţii principale: crearea bazei de date şi conversia text-voce;
- crearea unei baze de date vocale pentru sistemul de sinteză, alcătuită din aproximativ
600 de silabe ale limbii române;
LIGHTVOX.
- crearea unui prototip al sistemului de sinteză de voce pentru limba română, numit
265

8. Concluzii finale
Cercetările efectuate în cadrul tezei au avut ca scop final dezvoltarea unei metode de
sinteză a vorbirii adaptată specific limbii române precum şi a unei metodologii de lucru în
vederea construirii unui sistem de sinteză vocală automată.
Pentru aceasta, au fost studiate mai întâi modul de producere şi de percepţie a sunetului,
proprietăţile fizice-acustice ale sunetului precum şi cele rezultate ca urmare a modelării sunetului
ca un semnal. Au fost studiate modalităţile de procesare ale sunetului şi a fost dezvoltată o
aplicaţie specială prin intermediul căreia au fost efectuate mai multe experimente în scopul
îmbunătăţirii calităţii semnalului vorbit. S-au studiat diferite modalităţi de analiză a semnalului
vocal, pentru extragerea şi modelarea parametrilor caracteristici. A fost creată o metodă proprie
de segmentare a semnalului vocal capabilă să detecteze clase de regiuni cu proprietăţi specifice
din semnalul vorbit, şi să le pună în corespondenţă cu tipurile de foneme din limba română.
Această facilitate a fost utilizată pentru extragerea unităţilor acustice din semnalul vocal, unităţi
ce vor fi folosite în procesul de sinteză.
Mai departe, au fost studiate metodele cele mai performante de sinteză a vorbirii
existente în momentul actual, ajungându-se la concluzia că metodele de sinteză bazate pe
concatenarea unităţilor acustice de mărime medie/mică au raportul calitate/costuri cel mai
avantajos. A fost aleasă astfel spre dezvoltare o metodă de sinteză bazată pe concatenarea
silabelor.
S-au definit în continuare paşii principali care trebuie urmaţi pentru ca, pornind de la un
text de sintetizat, să se ajungă la generarea semnalului vocal corespondent. Mai întâi textul
trebuie prelucrat în scopul transcrierii literale a numerelor şi abrevierilor. Apoi, textul va trebui
să treacă printr-o fază de corectare ortografică, pentru a ne asigura că în faza de sinteză nu se vor
produce distorsiuni ale rostirii datorită erorilor de sintaxă. Din textul corectat, se vor detecta apoi
unităţile lingvistice de tipul silabelor împreună cu informaţia de accent, care va asigura prozodia
segmentală a rostirii generate. Pentru fiecare din aceste etape amintite, şi anume: preprocesare,
analiză de sintaxă, despărţirea în silabe, detectarea accentuării, s-au construit analizoare lexicale
şi seturi de reguli speciale cu care s-au obţinut performanţe ridicate în analiza lingvistică a
textului de sintetizat.
A fost necesară proiectarea unei baze de date vocale care să furnizeze unităţile acustice
necesare sintezei. Includerea unităţilor silabice în baza de date a ţinut cont de o statistică a
silabelor din limba română, statistică ce a fost realizată utilizând analizorul propriu pentru
despărţirea cuvintelor în silabe.
În final, metoda de sinteză a fost implementată şi testată într-un sistem de sinteză vocală
numit LIGHTVOX. Au fost definiţi paşii necesari în realizarea sistemului, care a decurs pe două
direcţii principale: construirea bazei de date şi conversia text-voce. Rezultatele practice obţinute
cu acest sistem de sinteză vocală au dovedit viabilitatea metodei propuse, a metodologiei de
lucru, justificând eforturile depuse de autor pe durata a şase ani de studii şi cercetări în domeniul
procesării automate a limbajului şi prelucrării semnalului vocal.
266

8.1. Principalele aspecte expuse în cadrul tezei
267
Cap. 8. Concluzii finale
1. La început a fost prezentată problematica sintezei de voce la modul general,
oportunitatea temei alese, ţinând cont în primul rând de stadiul actual al cercetării în domeniul
prelucrării vorbirii şi sintezei de voce.
2. A fost apoi expusă modalitatea producerii şi percepţiei vorbirii umane, fiind prezentat
modelul producerii vorbirii. S-a făcut o clasificare a sunetelor produse de vocea umană şi s-au
prezentat proprietăţile acustice ale sunetului.
3. S-a făcut o introducere în domeniul analizei şi prelucrării semnalului vocal, arătânduse
mai întâi care sunt parametrii de bază ai semnalului vocal. Au fost prezentate principalele
metode de procesare a semnalului vocal, metode de codare, metode şi standarde de compresie a
semnalului vocal.
4. Au fost prezentate contribuţiile autorului în domeniul procesării semnalului vocal,
aplicaţia de prelucrare digitală a semnalului vocal SPEA (Sound Processing and Enhancement
Application), precum şi experimentele realizate asupra unor eşantioane reale de semnal audio şi
vocal prin intermediul acestei aplicaţii.
5. Au fost prezentate modurile de analiză a semnalului vocal în scopul determinării
parametrilor de bază ai acestuia: modul de analiză în domeniul timp şi modul de analiză în
domeniul frecvenţă. La fiecare mod s-au arătat metodele specifice de determinare a parametrilor
semnalului vocal.
6. Tot în cadrul domeniului analizei de semnal, s-au prezentat principiile segmentării
semnalului vocal, cerinţele pe care trebuie să le îndeplinească algoritmii de segmentare,
modalităţile şi etapele de detectare automată a segmentelor semnalului vocal. A fost extrasă din
literatura de specialitate o metodă generică pentru segmentarea în domeniul timp, capabilă să
detecteze diferite categorii de segmente, având proprietăţi specifice, din semnalul vocal.
7. Au fost prezentate contribuţiile aduse de autor în procesul segmentării automate a
semnalului vocal, respectiv metoda proprie de segmentare în domeniul timp. S-au evidenţiat
etapele algoritmului de segmentare precum şi rezultatele obţinute: detectarea a patru categorii
fundamentale de semnal şi a zece clase de regiuni.
8. Au fost prezentate principiile procesului de segmentare fonematică, de asociere a
segmentelor semnalului vocal cu secvenţele de foneme corespunzând semanticii (reprezentării
textuale) a semnalului vorbit. Au fost expuse trei metode principale de segmentare fonematică,
extrase din literatura de specialitate.
9. Au fost prezentate contribuţiile autorului în problematica segmentării fonematice a
semnalului vocal, respectiv metoda de segmentare fonematică bazată pe reguli de asociere
foneme-regiuni. S-au explicat paşii metodei, setul de reguli folosit, s-au prezentat rezultatele şi
avantajele metodei. Au fost relevate aplicaţiile metodei de segmentare fonematică în procesul de
construire a bazelor de date vocale.
10. Un alt capitol a fost dedicat prezentării domeniului sintezei vorbirii; a fost expus
modelul general al sintezei vorbirii, sistemul de sinteză de tip text-to-speech, precum şi metodele
de bază folosite în sinteza text-to-speech. Au fost descrise etapele procesului sintezei vocale
pornind de la text.

268
Cap. 8. Concluzii finale
11. A urmat expunerea metodelor existente de sinteză a vorbirii, atât în domeniul
frecvenţă cât şi în domeniul timp. Dintre metodele de sinteză în domeniul frecvenţă au fost
expuse metoda formantică şi metoda LPC (Linear Predictive Coding), iar în cadrul metodelor de
sinteză în domeniul timp au fost detaliate metoda TD-PSOLA (Time Domain Pitch Synchronous
Overlapp and Add) şi metoda de sinteză bazată pe corpus.
12. Ca şi contribuţie în domeniul proiectării metodelor de sinteză vocală, s-a prezentat
metoda autorului de sinteză de voce bazată pe silabe pentru limba română. Metoda cuprinde
următoarele etape: preprocesarea textului, analiza de sintaxă, determinarea unităţilor lingvistice
de tipul silabelor, determinarea prozodiei intra-segmentale (accentuaţia), regăsirea unităţilor
acustice din baza de date vocală, concatenarea unităţilor acustice şi sinteza propriu-zisă a rostirii.
Pentru primele patru etape au fost proiectate analizoare lexicale bazate pe reguli. Mai
întâi a fost descris setul de reguli pentru preprocesarea textului sursă. A fost descrisă apoi
metoda de analiză de sintaxă şi s-a prezentat setul de reguli utilizat pentru analiza formelor
flexionate din limba română. În următoarea etapă, a fost prezentat analizorul sintactic pentru
extragerea propoziţiilor şi a cuvintelor din textul sursă, analizorul lexical pentru despărţirea
cuvintelor în silabe, precum şi setul de reguli utilizat în detectarea silabelor. S-a expus apoi
modul de determinare a aspectelor prozodice intrasegmentale: accentuarea cuvintelor. Aici a fost
prezentat analizorul lexical utilizat în determinarea accentelor şi setul de reguli asociat.
13. În continuare s-a descris structura şi modul de organizare a bazei de date vocale. Baza
de date este alcătuită dintr-un subset al silabelor limbii române, subset alcătuit pe baza
frecvenţelor de apariţie ale silabelor în limba română vorbită. Pentru a determina aceste
frecvenţe de apariţie, a fost realizată o statistică utilizând un corpus de texte conţinând peste
300000 de cuvinte.
14. S-a prezentat apoi modalitatea de regăsire a unităţilor acustice din baza de date
vocală. Căutarea în baza de date se face după lungimea silabei, contextul median sau final în
cadrul cuvântului şi accentuare.
15. A fost expus în continuare modul de concatenare a unităţilor acustice pentru a forma
semnalul de ieşire, precum şi modul de realizare a sintezei de voce.
16. În ultimul capitol s-a prezentat sistemul de sinteză de voce în limba română
LIGHTVOX, care implementează metoda de sinteză pe bază de silabe dezvoltată de autor. S-a
descris organizarea pe module a sistemului, etapele de proiectare, precum şi paşii care au fost
realizaţi la fiecare etapă. S-a detaliat modul de construire a bazei de date vocale şi s-a prezentat
algoritmul de implementare al procesului de conversie text-voce. În final, s-au expus rezultatele
obţinute cu sistemul de sinteză vocală, aplicaţiile şi dezvoltările de viitor.

8.2. Contribuţiile şi realizările tezei de doctorat
269
Cap. 8. Concluzii finale
În primul rând este de menţionat caracterul interdisciplinar al tezei, cercetările
efectuate acoperind următoarele domenii:
1. Fonetică şi lingvistică, în ceea ce priveşte studiul alcătuirii fonetice şi sintactice a
cuvintelor şi propoziţiilor din limba română, precum şi studiul formelor flexionate specifice
limbii.
2. Prelucrarea limbajului natural şi inteligenţă artificială, în ceea ce priveşte crearea unor
metode automate bazate pe reguli pentru analiza textului, respectiv pentru separarea unităţilor
acustice din semnalul vocal.
3. Procesarea vorbirii, cu cele patru ramuri ale sale :
a) prelucrarea semnalului vocal, în ceea ce priveşte realizarea unor metode de
îmbunătăţire a calităţii semnalului vocal;
b) analiza semnalului vocal, în ceea ce priveşte detectarea unor regiuni cu proprietăţi
distincte, semnificative din punct de vedere al rostirii, din semnalul vocal;
c) recunoaşterea vorbirii, în ceea ce priveşte proiectarea unor metode de detectare
automată a secvenţelor fonematice dintr-un semnal vocal cunoscut;
d) sinteza de voce, ca domeniu şi obiectiv în care se încadrează cercetările şi metodele
specifice dezvoltate de autor în cadrul tezei.
Principalele realizări şi contribuţii ale tezei în cadrul domeniilor amintite se referă la :
1. Realizarea unui studiu asupra modului de producere şi percepţie a sunetului; studiul
include prezentarea caracteristicilor fizice şi acustice ale sunetului, precum şi modelarea
producerii vorbirii.
2. Realizarea unui studiu sintetic asupra metodelor de procesare, codare şi compresie a
semnalului vocal. Studiul cuprinde prezentarea unor metode de codare a semnalului vocal,
precum: tehnica modulării impulsurilor în cod, codarea liniară, codarea logaritmică, codarea
entropică, codarea predictivă, modulaţia diferenţială a impulsurilor de cod, codificarea adaptivă
ADPCM, modulaţia delta; metode şi standarde de compresie a semnalului vocal: compresia prin
transformări, tehnica predicţiei liniare LPC, predicţia liniară cu cod excitat CELP.
3. Dezvoltarea unei aplicaţii de prelucrare digitală a semnalului vocal numită SPEA
(Sound Processing and Enhancement Application). Aplicaţia prezintă următoarele facilităţi:
încărcarea semnalului vocal înregistrat în fişiere wave având diferite codificări, vizualizarea
formei de undă şi a eşantioanelor de semnal pe diferite scale de mărime, determinarea
parametrilor semnalului vocal (amplitudine, energie, număr de treceri prin zero, frecvenţa
fundamentală - în domeniul timp; spectrul de amplitudini, spectrul de faze, formanţii - pentru
domeniul frecvenţă), posibilitatea de modificare interactivă a componentelor din spectrele de
amplitudini şi faze în scopul îmbunătăţirii calităţii acustice a semnalului vocal.
4. Efectuarea unor experimente asupra unor eşantioane reale de semnal audio şi vocal, în
scopul determinării parametrilor cu influenţă directă asupra calităţii acustice a semnalului.
Experimentele au inclus: analiza spectrală a vocalelor pentru vorbitorul masculin şi cel feminin,
analiza spectrală a consoanelor, analiza spectrală a sunetelor emise multitonal, analiza

270
Cap. 8. Concluzii finale
perceptuală a sunetelor emise în fază diferită, modul de influenţă al alegerii ferestrei asupra
rezultatului analizei spectrale, modul de influenţă al frecvenţei de eşantionare asupra calităţii
vocii, experimente de modulare a semnalului, influenţa mediului de înregistrare asupra calităţii
sunetului, experimente privind timbrul sunetului şi percepţia auditivă, analiza spectrală a
sunetelor radiofonice, influenţa armonicilor spectrale superioare asupra calităţii acustice a
vorbirii, analiza comportării sunetelor vocalice şi calculul duratelor segmentelor de atac, median
şi final al vocalelor, analiza rostirii silabelor şi calculul comparativ al frecvenţelor şi duratelor
silabelor accentuate faţă de silabele normale.
5. Realizarea unui studiu sintetic asupra metodelor de analiză în domeniul timp şi în
domeniul frecvenţă a semnalului vocal. Studiul include prezentarea unor metode precum: metode
de analiză în domeniul timp: metoda autocorelaţiei, metoda funcţiei diferenţă de amplitudine
medie, metoda cu limitare centrală; metode de analiză în domeniul frecvenţă: analiza prin banc
de filtre digitale, analiza Fourier, analiza prin predicţie liniară, analiza cepstrală, analiza
perceptuală.
6. Realizarea unui studiu asupra modalităţilor de segmentare şi clasificare a semnalului
vocal. Studiul a inclus detalierea unei metode generice pentru segmentarea semnalului vocal în
domeniul timp (metoda Childers) şi a trei metode de segmentare fonematică: segmentarea cu
modele Markov ascunse HMM, metoda bazată pe rafinarea frontierelor de regiuni, segmentarea
bazată pe probabilităţi generalizate GLR.
7. Dezvoltarea unei metode proprii de segmentare a semnalului vocal în regiuni. Metoda
este capabilă să detecteze 4 categorii fundamentale de semnal (linişte, sonor, nesonor şi tranziţie)
şi 10 clase de regiuni (linişte, linişte nesonoră, vocală sonoră, salt, tranzitorie, tranzitorie densă,
neregulată, consoană nesonoră, discontinuitate R, discontinuitate G). Algoritmul metodei
cuprinde următoarele faze : detecţia categoriilor de semnal SUV, detecţia regiunilor, detecţia de
subregiuni şi compactarea regiunilor.
Avantajul algoritmului faţă de alte abordări este rapiditatea derivată din efectuarea
calculelor în domeniul timp şi detectarea categoriilor de bază dintr-o singură parcurgere a
eşantioanelor de semnal.
În cadrul dezvoltării acestei metode s-au realizat:
­ un algoritm de determinare a punctelor de zero, minim şi maxim din semnalul vocal în
domeniul timp;
­ o metodă de detecţie a segmentelor SUV ( Silence/Voiced /Unvoiced) şi clasificare în
tipuri de regiuni a semnalului vocal, metodă ce cuprinde :
­ 4 detectori pentru categoriile de bază (linişte, sonoră, nesonoră, tranziţie) ;
­ 8 clasificatori pentru clasele de regiuni propriu-zise (linişte, consoană ne-sonoră, vocală
sonoră, linişte-nesonoră, de tip salt, neregulată, tranzitorie, tranzitorie densă);
­ 2 detectori pentru determinarea subregiunilor (discontinuitate de tip R şi discontinuitate
de tip G);
­ un algoritm de compactare a regiunilor pentru gruparea regiunilor similare şi reducerea
numărului de regiuni.
­ un tabel de corespondenţe între fonemele limbii române şi clasele de regiuni.

271
Cap. 8. Concluzii finale
8. Dezvoltarea unei metode pentru determinarea perioadelor din forma de undă a
semnalului vocal. Detectarea perioadelor din forma de undă, corespunzând frecvenţei
fundamentale a semnalului, este importantă atât pentru analiza sincronă cu frecvenţa, cât şi
pentru modificarea proprietăţilor acustico-prozodice ale semnalului vocal (de exemplu
modificarea tonalităţii, intonaţiei şi ritmului vorbirii). Algoritmul metodei este deosebit de exact,
lucrând exclusiv în domeniul timp al analizei. Spre deosebire de alte metode de calcul în
domeniul frecvenţă, el nu necesită ferestruire şi nici calcule complexe, fiind foarte rapid.
4 algoritmi :
Metoda comportă patru paşi succesivi:
a) determinarea punctului de plecare (punctul pivot);
b) determinarea unei estimări a perioadei de semnal;
c) detecţia punctelor de maxim şi de hiatus pentru fiecare perioadă;
d) marcarea intervalelor de perioadă prin detectarea punctelor de capăt.
Fiecare etapă a necesitat elaborarea a câte unui algoritm distinct. Au fost proiectaţi astfel
- un algoritm în domeniul timp pentru determinarea punctului pivot, primul maxim de
perioadă în funcţie de care se calculează toate celelalte puncte de maxim ;
- un algoritm în domeniul timp pentru determinarea unei estimări a perioadei de semnal în
jurul punctului pivot ;
- un algoritm în domeniul timp pentru determinarea maximelor de perioadă, pornind de la
punctul pivot către stânga, respectiv către dreapta, în segmentul considerat ; algoritmul
este de asemenea capabil să detecteze punctele de hiatus care apar în segmentul vocal, şi
le clasifică în hiatus de perioadă, respectiv hiatus de amplitudine ;
- un algoritm în domeniul timp pentru determinarea punctelor de capăt ale intervalelor de
perioadă, puncte ce sunt strâns legate de maximele de perioadă.
9. Dezvoltarea unor metode proprii pentru segmentarea fonematică a semnalului vocal.
Metodele de segmentare fonematică sunt foarte utile în procesul de creare a bazei de date
acustice, când avem de-a face cu un corpus de dimensiuni mari care trebuie segmentat şi adnotat.
Au fost proiectate trei metode distincte, ce pot fi utilizate individual sau coroborat. Prima metodă
detectează grupurile de foneme din semnalul vocal pe baza textului cunoscut de la intrare,
folosind segmentarea prealabilă în regiuni. A doua metodă realizează împărţirea regiunilor în
subregiuni fonematice, calculând tranziţiile dintre cadrele fiecărei regiuni. A treia metodă
detectează separat fonemele din regiunile multifonematice şi funcţionează pe bază de model.
Avantajul metodelor dezvoltate de autor derivă din modul de abordare sincron cu frecvenţa, ceea
ce le dă o notă de precizie în plus faţă de alte abordări.
În cadrul dezvoltării acestor metode s-au proiectat şi implementat:
a) pentru metoda de segmentare în grupuri de foneme a semnalului vocal pe baza
textului cunoscut de la intrare:
- un set de reguli care impun constrângeri de formă şi durată pentru grupurile
fonematice (în faza curentă de dezvoltare setul cuprinde 60 de reguli);
- un algoritm de asociere între grupurile fonematice şi secvenţele de regiuni;

272
Cap. 8. Concluzii finale
b) pentru metoda ce realizează împărţirea regiunilor în subregiuni fonematice folosind
tranziţiile dintre cadrele fiecărei regiuni:
- un mod de calcul a distanţei minime pătratice dintre două cadre de semnal, distanţă ce
se aplică vectorilor de caracteristici bazaţi pe coeficienţi Fourier ;
- un algoritm de detectare a frontierelor de subregiuni pe baza tranziţiilor bruşte dintre
cadre;
c) pentru metoda ce separă fonemele din regiunile multifonematice pe bază de model :
- o metodă de modelare semiautomată a fonemelor;
- un algoritm de comparare a vectorilor regiunii ţintă cu modelul;
- un algoritm de regăsire a modelului fonematic şi de etichetare a regiunilor;
- un algoritm de grupare a fonemelor şi segmentare în subregiuni.
10. Realizarea unui studiu asupra modalităţilor de sinteză a vorbirii pornind de la un text.
Studiul cuprinde: prezentarea modelului general al sintezei vorbirii, a sistemului de sinteză textto-speech,
metodele de bază în sinteza text-to-speech: metoda bazată pe concatenarea formelor
de undă, metoda bazată pe analiză-sinteză, metoda bazată pe reguli; descrierea etapelor sintezei
de voce pornind de la text.
11. Realizarea unui studiu asupra metodelor existente de sinteză de voce. A fost realizată
o clasificare a metodelor de sinteză de voce: (a) în funcţie de nivelul abordării: metode care
abordează sinteza de nivel jos, respectiv sinteza de nivel înalt; (b) în funcţie de domeniul de
analiză abordat: metode de sinteză în domeniul timp şi metode de sinteză în domeniul frecvenţă.
Dintre metodele de sinteză în domeniul frecvenţă au fost detaliate metoda formantică şi metoda
LPC, iar în cadrul metodelor de sinteză în domeniul timp au fost detaliate metoda PSOLA şi
metoda de sinteză bazată pe corpus.
12. Dezvoltarea unei metode de sinteză vocală pe bază de silabe pentru limba română.
Pentru dezvoltarea metodei a fost necesară stabilirea unor reguli lingvistice în faza de analiză a
textului şi a unor reguli de îmbinare a formelor de undă în faza de sinteză. Metoda îmbină
caracteristici ale abordării bazate pe concatenarea formelor de undă şi ale abordării bazate pe
reguli.
Sinteza vorbirii prin această metodă se realizează în două faze: analiza textului, şi
respectiv sinteza vorbirii. Fiecare fază cuprinde mai multe etape procesuale, astfel:
I. Analiza textului de sintetizat :
1. Preprocesarea textului.
2. Analiza de sintaxă.
3. Determinarea unităţilor lingvistice: silabele.
4. Determinarea prozodiei intrasegmentale: accentuarea.
II. Sinteza vorbirii :
5. Regăsirea unităţilor acustice din baza de date corespunzătoare unităţilor lingvistice
din textul de la intrare.
6. Concatenarea unităţilor acustice.
7. Sinteza propriu-zisă a vorbirii.

În cadrul dezvoltării acestei metode de sinteză s-au realizat:
273
Cap. 8. Concluzii finale
1) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
preprocesarea textului. Analizorul conţine reguli pentru transcrierea fonetică a numerelor şi
abrevierilor comune din limba română.
2) Dezvoltarea unei metode bazată pe reguli pentru analiza sintaxei unui text în limba
română şi a unui set de reguli pentru flexionarea cuvintelor din limba română. Analizorul
automat de sintaxă realizat în cadrul metodei se bazează pe un dicţionar ce conţine peste 30000
de forme neflexionate ale limbii române şi pe un set de 550 de reguli de flexionare, set de reguli
proiectat de autor. Analizorul a fost testat pe o serie de texte de diferite genuri în limba română
însumând peste 200000 de cuvinte. Testele au dovedit o corectitudine de peste 98% în
recunoaşterea sintaxei.
3) Proiectarea şi implementarea unui analizor sintactic pentru extragerea propoziţiilor şi a
cuvintelor. Analizorul sintactic foloseşte un set de reguli care specifică structura sintactică a
textului de la intrare. Textul iniţial este considerat ca o listă de propoziţii, fiecare propoziţie fiind
o listă de cuvinte, fiecare cuvânt fiind compus din mai multe silabe. Propoziţiile, respectiv
cuvintele sunt extrase din text pe baza semnelor de punctuaţie şi separatorilor.
4) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
despărţirea în silabe a cuvintelor din limba română. Analizorul lexical cuprinde un set de peste
180 de reguli pentru descompunerea cuvintelor în silabe. Performanţa obţinută a fost de 98%
cuvinte despărţite corect, rată calculată pe un set de 50000 de cuvinte extrase din texte de diferite
genuri (literatură, economie, politică, ştiinţă şi tehnică, filozofie, religie). Performanţa este mai
bună decât cea găsită la alţi cercetători români care au folosit reguli lexicale.
5) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
determinarea accentuaţiei din cadrul cuvintelor. Analizorul lexical cuprinde un set de 250 de
reguli pentru detectarea silabei accentuate din interiorul cuvintelor. S-a obţinut o rată de
detectare corectă a accentelor de 94%, rată calculată pe acelaşi set de 50000 de cuvinte ca şi în
cazul despărţirii în silabe.
6) Elaborarea unei statistici a silabelor limbii române pentru determinarea frecvenţelor de
apariţie ale silabelor din limba română. Statistica a fost realizată folosind texte extrase din
domenii precum: beletristică de diverse genuri, religie, economie, politică, ştiinţă şi tehnică,
ziaristică. Textele au însumat un număr de aproximativ 342000 de cuvinte, adică peste 600 de
pagini în format A4. Statistica prezintă următoarele rezultate:
- configuraţia procentuală a categoriilor silabice S2, S3 şi S4 (S2 reprezintă categoria
silabelor alcătuite din două foneme, S3 categoria silabelor tri-fonematice, S4 categoria silabelor
tetra-fonematice) ;
- frecvenţa de apariţie a categoriilor silabice S2, S3 şi S4;
- frecvenţele de apariţie ale silabelor din fiecare categorie.
7) Proiectarea structurii bazei de date acustice de silabe, în care unităţile acustice sunt
integrate în diferite contexte segmentale şi accentuări.
Structura ierarhică a bazei de date cuprinde patru nivele, şi anume:

274
Cap. 8. Concluzii finale
- nivelul Categorie : silabe de două, trei sau patru foneme (S2, S3, S4);
- nivelul Context : segment median sau final, relativ la poziţia din cadrul cuvântului;
- nivelul Accent : silabe accentuate sau neaccentuate în interiorul cuvântului;
- nivelul Silabă : unităţile acustice înregistrate în format WAVE.
8) Proiectarea şi implementarea unui algoritm de regăsire în baza de date a unităţilor
acustice în funcţie de caracteristicile acestora: lungime, context şi accentuare. Algoritmul
construieşte seturile de diviziune pentru fiecare silabă şi realizează o potrivire optimă cu unităţile
din baza de date vocală, asigurându-se astfel o redare sonoră cât mai fidelă a unităţii lingvistice
din text.
13. Proiectarea şi implementarea unui sistem de sinteză vocală adaptat special limbii
române, ce foloseşte ca şi unităţi fonetice silabele, numit LIGHTVOX. Sistemul a fost conceput
ca un sistem text-to-speech, în care sinteza vorbirii se realizează pornind de la un text în limba
română. Sistemul utilizează metoda de sinteză pe bază de silabe dezvoltată de autor.
A fost propusă o metodologie de proiectare a sistemului de sinteză de voce, urmărind
două direcţii principale: construirea bazei de date acustice şi conversia text-voce. Construirea
bazei de date a inclus următoarele etape: înregistrarea eşantioanelor de voce, normalizarea
semnalului, segmentarea semnalului în regiuni, segmentarea fonematică, separarea unităţilor
acustice şi construirea bazei de date. Conversia text-voce include etapele: preprocesarea textului,
corectarea ortografică, detecţia unităţilor lingvistice, determinarea prozodiei locale, regăsirea
unităţilor acustice, îmbinarea unităţilor şi sinteza de voce.
Implementarea prototipului sistemului LIGHTVOX s-a făcut pe o structură modulară
având cinci componente:
- modulul de analiză lingvistică, având sarcina de a face analiza textului de la intrare în
scopul extragerii unităţilor fonetice de bază - silabele;
- modulul de analiză prozodică, ce urmăreşte detectarea elementelor de prozodie
segmentală, respectiv a accentelor din cadrul cuvintelor;
- modulul de gestiune a bazei de date vocale, care efectuează toate operaţiunile legate de
baza de date ce conţine unităţile acustice;
- modulul de potrivire a unităţilor fonetice, ce asigură punerea în cores-pondenţă între
silabele extrase din textul de sintetizat şi silabele existente în baza de date vocală;
- modulul de sinteză propriu-zisă a rostirii, care realizează concatenarea formelor de undă
şi produce sinteza propriu-zisă.
Acest prototip al sistemului LIGHTVOX a fost implementat în limbajul Visual C++ şi
testat pe un calculator Pentium, rezultatele experimentale arătând o calitate bună a sintezei
rostirii, având un grad ridicat de fluenţă şi naturaleţe.
14. Generarea bazei de date vocale pentru sistemul de sinteză, alcătuită dintr-un subset al
silabelor limbii române. Silabele au fost înregistrate în diferite contexte şi moduri de pronunţie,
incluzând aspectele prozodice intrasegmentale (accentuaţia). În baza de date au fost înregistrate
aproximativ 600 de unităţi acustice, foneme şi silabe, considerând atât silabele de segment
median şi final, cât şi silabele accentuate şi neaccentuate: 386 de silabe alcătuite din două
foneme, 139 de silabe tri-fonematice, 37 de silabe tetra-fonematice şi 36 de foneme singulare.

275
Cap. 8. Concluzii finale
În concluzie, se poate spune că cercetările făcute de autor pe parcursul tezei s-au
concretizat în: dezvoltarea unei metode de analiză automată a semnalului vocal, dezvoltarea unei
metode de sinteză a vorbirii adaptată specific limbii române, stabilirea unei metodologii de lucru
în scopul construirii unui sistem de sinteză vocală automată, precum şi în implementarea unui
prototip al unui sistem de sinteză de voce pentru limba română.
Utilizând ca unităţi lingvistice silabele, metoda de sinteză proiectată se integrează în
categoria metodelor de calitate superioară, bazate pe concatenare. Metoda este adaptată specific
limbii române, şi propune ca noutate o abordare bazată pe reguli. Astfel, metodologia de
proiectare dezvoltată oferă posibilitatea construirii unui sistem de sinteză vocală utilizând atât
procedee specifice prelucrării de semnal, cât şi metode specifice inteligenţei artificiale şi
lingvisticii computaţionale, metode bazate pe reguli şi seturi de cunoştinţe.
Au fost concepute reguli specifice de procesare în cele mai importante etape de proiectare
a unui sistem de sinteză vocală: în etapa de analiză şi procesare a textului, pentru detecţia
unităţilor lingvistice din text şi în etapa de construire a bazei de date vocale, pentru extragerea
unităţilor acustice din semnalul vocal.
Prototipul sistemului de sinteză vocală realizat demonstrează viabilitatea metodei
proiectate de autor, oferă posibilitatea dezvoltării unor aplicaţii de mare importanţă în domeniul
comunicării om-maşină, dar şi de mare utilitate pentru persoane cu nevoi speciale.
Rezultatele obţinute au fost prezentate în cadrul unor conferinţe interne şi internaţionale,
au fost publicate în reviste şi cărţi de specialitate. Au fost publicate un număr de 20 de articole şi
o carte în domeniul tezei.
Considerăm astfel că cercetările efectuate în cadrul doctoratului îndeplinesc obiectivele
propuse iniţial, justificând eforturile depuse de autor pe o durată de 6 ani. De asemeni, având în
vedere rezultatele obţinute, punctele de noutate şi perspectivele de aplicabilitate practică,
considerăm că aceste cercetări contribuie la dezvoltarea domeniului analizei şi procesării vorbirii
pe plan intern şi internaţional.

Bibliografie
[And88] André-Obrecht R., A new statistical approach for the automatic segmentation of
continuous speech signals, IEEE Transactions Acoustics, Speech and Signal Processing No. 36,
January 1988, pp. 29–40
[Ata79] Atal B.S., Schroeder M. R., Predictive coding of speech signals and subjective error
criteria, IEEE Transactions on Acoustic Speech Signal Processing, ASSP-27(3), June 1979
[Ave04] Avendaño C., Deng L., Hermansky H., Gold B., The Analysis and Representation of
Speech, Springer Handbook of Auditory Research, Springer Publisher New York, Volume 18,
ISBN 978-0-387-00590-4, ISSN 0947-2657, 2004, pp. 63-100
[Bal02] Bâlcu R., Prelucrarea numerică a semnalelor, Ed. Risoprint, 2002
[Ben76] Benade, A. H., Fundamentals of Musical Acoustics, Oxford University Press, 1976
[Bla07] Black A.W., Zen H., Tokuda K., Statistical Parametric Speech Synthesis, IEEE
International Conference on Acoustics, Speech and Signal Processing, ICASSP‘07, Vol. 4, April
2007, pp. 1229-1232
[Blo00] Bloothooft G., The landscape of future education in speech communication sciences,
Analysis of European education in phonetics, spoken language engineering, speech and language
theory, Vol. 1-2, 2000
[Bod00] Bodo A. Zs., Experimente privind proiectarea şi implementarea unor module de sinteză
text-vorbire, Disertaţie master, UTCN, 2000
[Bod02] Bodo A. Zs., Stadiul actual în domeniul sintezei vorbirii, Referat nr. 1 de doctorat,
UTCN, susţinut la data de 30.10.2002
[Bod05-1] Bodo A. Zs., Experiments for prosody modification using the Nonlinear Springing
Method, published in the volume „Trends in Speech Technology”, coordinated by Burileanu C.
and Teodorescu H.-N., edited by the Publishing House of the Romanian Academy, composed of
the Proceedings of the 3 rd IEEE Conference on Speech Technology and Human Computer
Dialogue, SpeD 2005, organized by the Romanian Academy, the University “Politehnica” of
Bucharest and the Technical University of Cluj-Napoca, Cluj-Napoca, Romania, May 13-14
2005, pp. 177-181
[Bod05-2] Bodo A. Zs., Realizări privind sinteza vorbirii pentru limba română, Referat nr. 3 de
doctorat, UTCN, susţinut la data de 28.10.2005
[Bod07-1] Bodo A. Zs., Buza O., Toderean G., Acoustic Database for Romanian TTS Synthesis.
Design and Realisation Results (I), Acta Technica Napocensis, UTCN, Vol. 48, 2007, pp. 24-31
[Bod07-2] Bodo A. Zs., Buza O., Toderean G., Realisation Results of a Speech Synthesis
Development Environment, Acta Technica Napocensis, UTCN, Vol 48, 2007, pp. 32-37
[Bod09-1] Bodo A. Zs., Buza O., Toderean G., TTS Experiments: Romanian Prosody, Acta
Technica Napocensis, UTCN, Vol 50, 2009, pp. 31-36
[Bod09-2] Bodo A. Zs., Buza O., Toderean G., Experiments with the prediction and generation
of Romanian intonation, published in the volume „From Speech Processing to Spoken Language
Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by the Publishing
House of the Romanian Academy, composed of the Proceedings of the 5 th IEEE Conference on
276

277
Bibliografie
Speech Technology and Human Computer Dialogue, SpeD 2009, organized by the University
“Politehnica” of Bucharest, the Romanian Academy, the Maritime University of Constanta, the
Research Institute for Artificial Intelligence, in cooperation with EURASIP and IEEE,
Constanta, Romania, June 18-21, 2009, pp.103-114
[Bod09-3] Bodo A. Zs., Buza O., Toderean G., TTS Framework Building Results, the 5 th IEEE
Conference on Speech Technology and Human Computer Dialogue SpeD 2009, organized by the
University “Politehnica” of Bucharest, the Romanian Academy, the Maritime University of
Constanta, the Research Institute for Artificial Intelligence, in cooperation with EURASIP and
IEEE, Constanta, Romania, June 18-21, 2009, accepted to be published
[Bra83] Brandt, A.V., Detecting and estimating parameters jumps using ladder algorithms and
likelihood ratio test, Proceedings of the IEEE International Conference on Acoustics, Speech and
Signal Processing, ICASSP 1983, November 1983, pp. 1017–1020
[Bur02] Burileanu D., Basic Research and Implementation Decisions for a Text-to-Speech
Synthesis System in Romanian, International Journal of Speech Technology 2002, pp. 211-225
[Bur96] Burileanu C., Oancea E., Sinteza pornind de la text pentru vocabularul limbii române -
prezent şi perspective, Limbaj şi Tehnologie, Editura Academiei Române, Bucureşti, 1996
[Bur97] Burileanu C. et al., Text-to-Speech Synthesis for Romanian Language, Recent
Advances in Romanian LanguageTechnology, Editura Academiei Române, Bucureşti, 1997
[Buz06-1] Buza O., Toderean G., Bodo A.Z., Syllable Detection for Romanian Text-to-Speech
Synthesis, Proceedings of the 6 th International Conference on Communications, COMM’06,
organized by the Military Technical Academy, the University “Politehnica” of Bucharest, and
the IEEE Romanian Section in Bucharest, Romania, 8-10 June 2006, pp.135-138
[Buz06-2] Buza O., Toderean G., Nica A., Căruntu A., Voice Signal Processing for Speech
Synthesis, Proceedings of the IEEE-TTTC International Conference on Automation, Quality and
Testing Robotics, AQTR 2006 (Theta 15), Cluj-Napoca, Romania, Vol. II, May 25-28 2006, pp.
360-364
[Buz07-1] Buza O., Toderean G., A Romanian Syllable-Based Text-to-Speech Synthesis,
Proceedings of the 6 th WSEAS International Conference on Artificial Intelligence, Knowledge
Engineering and Data Bases (AIKED ’07), Corfu Island, Greece, 16-19 February 2007, CD
[Buz07-2] Buza O., Toderean G., Nica A., Bodo Zs., Original Method for Romanian Text-to-
Speech Synthesis Based on Syllable Concatenation, published in the volume “Advances in
Spoken Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by
the Publishing House of the Romanian Academy, composed of the Proceedings of the 4 th
Conference on Speech Technology and Human Computer Dialogue SpeD 2007, organized by the
Romanian Academy, the University “Politehnica” of Bucharest, and the Technical University of
Iassy, Iassy, Romania, May 10-12 2007, pp. 109-118
[Buz07-3] Buza O., Toderean G., About Construction of a Syllable-Based TTS System, WSEAS
TRANSACTIONS on COMMUNICATIONS, Issue 5, Volume 6, May 2007, ISSN 1109-2742,
2007
[Buz08-1] Buza O., Toderean G., Domokos J., Bodo A. Zs., Voice Synthesis Application based
on Syllable Concatenation, Proceedings of the IEEE International Conference on Automation,

278
Bibliografie
Quality and Testing, Robotics AQTR 2008 - THETA 16 th edition, Cluj-Napoca, Romania, ISBN
978-1-4244-2576-1,Vol. II, May 22-25, 2008
[Buz08-2] Buza O., Toderean G., Metode de Sinteză din Text a Vorbirii pentru Limba Română,
Lucrările celei de-a II-a Conferinţe Internaţionale de Telecomunicaţii, Electronică şi Informatică
ICTEI 2008, Chişinău, Republica Moldova, Vol.1, 15-18 Mai 2008, pp. 209-214
[Buz09-1] Buza O., Toderean G., Domokos J., Bodo A. Z., Building a Text to Speech System for
Romanian through Concatenation, The 5 th IEEE Conference on Speech Technology and Human
Computer Dialogue SpeD 2009, organized by the University “Politehnica” of Bucharest, the
Romanian Academy, the Research Institute for Artificial Intelligence, in cooperation with
EURASIP and IEEE, Constanta, Romania, June 18-21, 2009, accepted to be published
[Buz09-2] Buza O., Toderean G., Domokos J., Bodo A. Zs., Construction of a Syllable-Based
Text-To-Speech System for Romanian, MEMORIILE SECŢIILOR ŞTIINŢIFICE / MEMOIRS
OF THE SCIENTIFIC SECTIONS, Romanian Academy Iassy Branch, Publishing House of the
Romanian Academy, ISSN 1224-1407, ISBN 978-973-27-1551-2, Series IV, Tome XXXII, 2009
[Car06] Căruntu A., Nica A., Toderean G., Puşchiţă E., Buza O., An Improved Method for
Automatic Classification of Speech, Proceedings of the IEEE-TTTC International Conference on
Automation, Quality and Testing Robotics, AQTR 2006 (Theta 15), Cluj-Napoca, Romania, Vol.
I, May 25-28 2006
[Chi94] Childers D. G., Hu H. T., Speech Synthesis by glottal excited linear prediction, Journal
of the Acoustical Society of America, 1994
[Chi00] Childers D. G., Speech Processing and Synthesis Toolboxes, John Wiley & Sons, Inc.,
New York NY, 2000
[Cio09] Ciobanu A., Negrescu C., Burileanu D., Stanomir D., Time-Frequency Processing of
Partials for High-Quality Speech Synthesis, published in the volume „From Speech Processing
to Spoken Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by
the Publishing House of the Romanian Academy, composed of the Proceedings of the 5 th IEEE
Conference on Speech Technology and Human Computer Dialogue, SpeD 2009, organized by
the University “Politehnica” of Bucharest, the Romanian Academy, the Maritime University of
Constanta, the Research Institute for Artificial Intelligence, in cooperation with EURASIP and
IEEE, Constanta, Romania, June 18-21, 2009, pp. 67-75
[Con94] Constantinescu-Dobridor G., Sintaxa limbii române, Editura Ştiinţifică, Bucureşti, 1994
[Das01] Dascălu-Jinga L., Melodia vorbirii în limba română, Academia Română, Univers
Enciclopedic, Bucureşti, 2001
[Dia09] Diaconescu Ş. et al., General System for Normal and Phonetic Inflection, published in
the volume „From Speech Processing to Spoken Language Technology”, coordinated by
Burileanu C. and Teodorescu H.-N., edited by the Publishing House of the Romanian Academy,
composed of the Proceedings of the 5 th IEEE Conference on Speech Technology and Human
Computer Dialogue, SpeD 2009, organized by the University “Politehnica” of Bucharest, the
Romanian Academy, the Maritime University of Constanta, the Research Institute for Artificial
Intelligence, in cooperation with EURASIP and IEEE, Constanta, Romania, June 18-21, 2009,
pp.149-160

279
Bibliografie
[Din04] Dinu L. P., Despărţirea automată în silabe a cuvintelor din limba română. Aplicaţii în
construcţia bazei de date a silabelor limbii române, Raport de cercetare, cod AT217/2004,
http://thor.info.uaic.ro/~fliacob/An1/2007-2008/Utilitati/U11/Despre entropie/Analiza silabelor
din limba romana.pdf, 2004
[Dom08] Domokos J., Toderean G., Buza O., Statistical Language Modeling on Susane Corpus,
The 7 th International Conference - COMMUNICATIONS 2008, organized by the Military
Technical Academy, the University “Politehnica” of Bucharest, the “Electronica 2000”
Foundation, and the IEEE Romanian Section in Bucharest, Romania, June 5-7, 2008, pp.69-72
[Dom09] Domokos J., Toderean G., Buza O., Text Conditioning and Statistical Language
Modeling for Romanian Language, published in the volume „From Speech Processing to Spoken
Language Technology”, coordinated by Burileanu C. and Teodorescu H. N., edited by the
Publishing House of the Romanian Academy, composed of the Proceedings of the 5 th IEEE
Conference on Speech Technology and Human Computer Dialogue, SpeD 2009, organized by
the University “Politehnica” of Bucharest, the Romanian Academy, the Maritime University of
Constanta, the Research Institute for Artificial Intelligence, in cooperation with EURASIP and
IEEE, Constanta, Romania, June 18-21, 2009, pp.161-168
[Dut93-1] Dutoit T., High Quality Text-To-Speech Synthesis of the French Language, Faculté
Polytechnique de Mons, TCTS Lab, Teză de doctorat, 1993
[Dut93-2] Dutoit T., Leich H., MBR-PSOLA: Text-to-speech synthesis based on an MBE resynthesis
of the segments database, Speech Communication, Vol. 13 , Issue 3-4, ISSN: 0167-
6393, pp. 435 – 440, December 1993
[Dut04] Dutoit T., High-quality text-to-speech synthesis: an overview, http://tcts.
fpms.ac.be/synthesis/introtts.html, 2004
[Edg96] Edgington M., Lowry A., LP_PSOLA: Residual-Based Speech Modification Algorithms
for Text-to-Speech Synthesis, The 4 th International Conference on Spoken Language Processing
ICSLP’96, 1996
[Esp86] Espy-Wilson C., A Phonetically Based Semivowel Recognition System, Proceedings of
the IEEE ICASSP, Tokyo, Japan, pp. 2775-2778, April 1986
[Fan60] Fant, G., Acoustic theory of speech production, 'sGravenhage, Mouton, 1960
[Feh93] Feher, K., Comunicaţii digitale avansate, Editura Tehnică Bucureşti, 1993
[Fer97] Ferencz A., Contribuţii la dezvoltarea sintezei text-vorbire pentru limba română, Teză
de doctorat, UTCN Cluj-Napoca, 1997
[Fre05] Free Software Foundation, Flex - a scanner generator, http://www.gnu.org
/software/flex/manual, October 2005
[Fur01] Furui S., Digital Speech Processing, Synthesis, and Recognition, CRC Publisher, Second
edition, 2001
[Gal02] Gâlmeanu T., Bazele procesării şi transmiterii semnalelor, Ed. UTCN, 2002
[Gav00] Gavat I., et al., Elemente de analiză, sinteză şi recunoaşterea vorbirii, Ed. Printech,
Bucureşti, 2000
[Giu03] Giurgiu M., Compresia datelor audio în aplicaţii multimedia, Ed. Risoprint, Cluj-
Napoca, 2003

280
Bibliografie
[Giu06] Giurgiu M., Peev L., Sinteza din text a semnalului vocal, Vol. I. Modelare Acustică şi
Fonologică, Ed. Risoprint, Cluj-Napoca, 2006
[Gla86] Glass, J. R., Zue V., Signal Representation for Acoustic Segmentation, Proceedings of
First Australian Conference on Speech Science and Technology, pp. 124-129, November 1986
[Gor83] Gordos G., Takacs Gy., Digitális beszédfeldolgozás (Prelucrarea digitală a vorbirii) ,
Editura Tehnică, Budapesta, 1983
[Gra08] * * * Gramatica limbii române, ediţie revizuită în 2 volume, elaborată sub egida
Institutului de Lingvistică "Iorgu Iordan - Al. Rosetti" din Bucureşti al Academiei Române,
Editura Academiei Române, 2008
[Har90] T’ Hart, Collier, Cohen, A Perceptual Study Of Intonation, Cambridge University Press,
1990
[Har01] Harma A., Linear predictive coding with modified filter structures, IEEE Transactioons
on Speech Audio Processing, 9(8), November 2001, pp.769–777
[Her90] Hermansky, H., Perceptual linear predictive (PLP) analysis for speech, The Journal of
The Acoustical Society of America, Vol. 87, April 1990, pp.1738-1752
[Hir98] Hirst D., di Cristo A., Intonation Systems, a Survey of Twenty Languages, Cambridge
University Press, 1998
[Hol01] Holmes J., Holmes W., Speech Synthesis and Recognition, 2nd Edition, Taylor &
Francis, London, 2001
[Hor00] Horne M., Prosody: Theory And Experiment, Kluwer Academic Publishers, 2000
[Hu93] Hu H.T., An improved source model for a linear prediction speech synthesizer,
Publisher: University of Florida Gainesville, FL, USA, 1993
[Hua01] Huang, Acero, Spoken Language Processing, Prentice Hall Ptr., 2001
[Hun96] Hunt A., Black A., Unit selection in a concatenative speech synthesis system using a
large speech database, Proceedings of ICASSP ’96, Atlanta, GA, May 1996, pp. 373–376
[Int00] * * * International Journal Of Speech Technology IJST, Vol. 3, No. 3/4, Kluver
Academic Publishers, 2000
[Jar05] Jarifi, S., Pastor, D., Rosec, O., Brandt’s GLR method & refined HMM segmentation for
TTS synthesis application, Proceedings of the 13 th European Signal Processing Conference
EUSIPCO 2005, September 2005
[Jar06] Jarifi, S., Pastor, D., Rosec, O., Cooperation between global and local methods for the
automatic segmentation of speech synthesis corpora, Proceedings of the 9 th International
Conference on Spoken Language Processing ICSLP 2006, September 2006
[Jar07] Jarifi, S., Segmentation automatique de corpus de parole continue dédiés à la synthèse
vocale, Ph.D. thesis, École Nationale Supérieure Des Télécommunications de Bretagne and
University of Rennes, 2007
[Jar08] Jarifi S., Pastor D., Rosec O., A fusion approach for automatic speech segmentation of
large corpora with application to speech synthesis, Speech Communication, ISSN 0167-6393,
Vol. 50, Issue 1, January 2008, pp. 67-80
[Jit09] Jitca D., Apopei V., A Prozodic Control Module for a Romanian TtS System, based on
Melodic Contour Dictionaries, published in the volume „From Speech Processing to Spoken

281
Bibliografie
Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by the
Publishing House of the Romanian Academy, composed of the Proceedings of the 5 th IEEE
Conference on Speech Technology and Human Computer Dialogue, SpeD 2009, organized by
the University “Politehnica” of Bucharest, the Romanian Academy, the Maritime University of
Constanta, the Research Institute for Artificial Intelligence, in cooperation with EURASIP and
IEEE, Constanta, Romania, June 18-21, 2009, pp. 77-85
[Jos97] Josifovski L., Mihajlov D., Gorgevik D., Speech Synthesizer Based on Time Domain
Syllable Concatenation, Proceedings SPECOM’97, Cluj-Napoca, 1997, pp. 165-170.
[Jur00] Juravski D., Speech and Language Processing: An Introduction to Natural Language
Processing, Computational Linguistics, and Speech Recognition, Prentice Hall, San Francisco,
2000
[Kel02] Keller E., Bailly G., Monaghan A., Terken J., Huckvale M., Improvements in Speech
Synthesis, Wiley Publisher, 2002
[Kel94] Keller E., Fundamentals of Speech Synthesis and Speech Recognition, Wiley Publisher,
1994
[Kle95] Kleijn W.B., Paliwal K.K., Speech Coding and Synthesis, Elseviever, Netherlands, 1995
[Kop97] Kopecek I., Speech Synthesis of Czech Language in Time Domain and Applications for
Visually Impaired, Proceedings of 2nd SQEL Workshop, Pilsen, 1997, pp. 141- 145.
[Kov97] Kovács C., Generarea bazei de date de difoneme pentru limba română utilizând o
tehnică de delimitare şi decupare semiautomată, Disertaţie, UTCN, 1997
[Kri97] Krivnova O., Zinovieva N, et al, TTS Synthesis for Russian Language, Web Journal of
Formal, Computational and Cognitive Linguistics, Issue 1, 1997.
[Lee01] Lee M. (Bell Labs, Lucent Technologies), Perceptual Cost Functions for Unit Searching
in Large Corpus-Based Concatenative Text-To-Speech, Eurospeech, 2001, pp. 2227-2230
[Lew99] Lewis E., Tatham M., Word And Syllable Concatenation in Text-To-Speech Synthesis,
Proceedings of the 6 th European Conference on Speech Communications and Technology,
ESCA’99, September 1999, pp. 615—618
[Lup04] Lupu E., Pop P., Prelucrarea numerică a semnalului vocal, Vol.1, Ed. Risoprint, Cluj-
Napoca, 2004
[Mat01] Mateescu A., Semnale şi sisteme- Aplicaţii în filtrarea semnalelor, Ed. Teora, Bucureşti,
2001
[Mat03] Matousek, J., Tihelka, D., Psutka, J., Automatic segmentation for czech concatenative
speech synthesis using statistical approach with boundary-specific correction, Proceedings of
the 8 th European Conference on Speech Communication and Technology, Eurospeech ‘03,
September 2003, pp. 301–304
[Men02] Meng, H. et. al., CU VOCAL: Corpus-based Syllable Concatenation for Chinese
Speech Synthesis across Domains and Dialects, Proceedings of ICSLP’02, 2002.
[Mob00] Mobius B., Corpus-based speech synthesis: methods and challenges, Arbeitspapiere
des Instituts fur Maschinelle Sprachverarbeitung, Vol. 6, No. 4, 2000, pp. 87-116
[Moi08] Moise A., Dan A., An Automated System for the Vocal Synthesis of Text Files in
Romanian, Buletinul Universităţii Petrol-Gaze din Ploieşti, Vol LX, No. 3, 2008

282
Bibliografie
[Nag05] Nageshwara M. Rao, Thomas S., Nagarajan T., Murthy H.A., Text-to-speech synthesis
using syllable like units, in National Conference on Communication, IIT Kharagpur, India, Jan
2005, pp. 227-280.
[Nav05] Nave R., The Place Theory of Pitch Perception, http://hyperphysics.phy -
astr.gsu.edu/hbase/sound/souref.html, 2005
[Nay07] Naylor P.A., Kounoudes A., Gudnason J., Brookes M., Estimation of Glottal Closure
Instants in Voiced Speech Using the DYPSA Algorithm, IEEE Transactions on Audio, Speech,
and Language Processing, Volume 15, Issue 1, Jan. 2007, pp. 34 - 43
[Nic06-1] Nica A., Căruntu A., Toderean G., Buza O., Analysis and Synthesis of Vowels Using
Matlab, Proceedings of the IEEE-TTTC International Conference on Automation, Quality and
Testing Robotics, AQTR 2006 (Theta 15), Cluj-Napoca, Romania, Vol. II, ISBN 1-4244-0360-
X, May 25-28, 2006, pp. 371-374
[Nic06-2] Nica A., Căruntu A., Toderean G., Buza O., Features Extraction from Romanian
Vowels Using Matlab, Buletinul Ştiintific al Universităţii “Politehnica” din Timişoara, Seria
Electronică şi Telecomunicaţii (Transactions on Electronics and Communications), Tom 51(65),
Fascicola 2, 2006, pp. 81-84
[Ode95] Odell, J.J., The use of context in large vocabulary speech recognition, Ph.D. thesis, The
University of Cambridge, 1995
[Ola00] Olaszy, Németh, et al., Profivox – A Hungarian Text-To-Speech System for Telecommunications
Applications, International Journal of Speech Technology (Ijst), Vol. 3, No. 3/4,
Kluver Academic Publishers, 2000
[Pic93] Picone, J.W., Signal modeling techniques in speech recognition, Proceedings IEEE, Vol.
81, September 1993, pp. 1215-1246
[Pop00] Pop G.P., Toderean G., Lupu E., Sofware for speech analysis, Proceedings of the
Symposium on Electronics and Telecommunications, ETc’2000, Timisoara, Romania,
November 23-24, 2000, in Buletinul Ştiinţific al Universităţii ”Politehnica” Timişoara,
Timişoara, Romania, vol. II, 2000, pp. 109-112
[Pop01] Popescu V., Semnale, circuite şi sisteme – Teoria semnalelor, Casa Cărţii de Ştiinţă,
Bucureşti, 2001
[Pop07] Popescu V., Caelen J., Burileanu C., Generic Architecture for Natural Language
Generation in Spoken Human-Computer Dialogue, published in the volume “Advances in
Spoken Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by
the Publishing House of the Romanian Academy, composed of the Proceedings of the 4 th
Conference on Speech Technology and Human Computer Dialogue SpeD 2007, organized by the
Romanian Academy, the University “Politehnica” of Bucharest, and the Technical University of
Iasi, Iasi, Romania, May 10-12, 2007, pp. 57-72
[Rad07] Radu M., Toma S., Popescu F., Aspects Regarding Synthetic Speech Quality
Evaluations for Military Systems, published in the volume “Advances in Spoken Language
Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by the Publishing
House of the Romanian Academy, composed of the Proceedings of the 4 th Conference on Speech
Technology and Human Computer Dialogue SpeD 2007, organized by the Romanian Academy,
the University “Politehnica” of Bucharest, and the Technical University of Iasi, Iasi, Romania,
May 10-12, 2007, pp. 99-108

283
Bibliografie
[Rol09] Rolingva, Dicţionarul morfologic al limbii române, http://rolingva.ro/aplicatii_
dictionar.php, 2009
[Sag96] Sagisaka Y., Campbell N., Higuchi N., Computing Prosody. Computational Models For
Processing Spontaneous Speech, Springer, 1996
[Sag99] Sagisaka Y., Rules, measures, and corpora for speech synthesis, Journal of the
Acoustical Society of America, Vol. 105, Issue 2, February 1999, pp. 1029-1038
[Sak03] Sakai S., Glass J., Fundamental Frequency Modeling for Corpus-Based Speech
Synthesis Based on a Statistical Learning Technique, Spoken Language System Publications,
2003
[Sam04] Samsudin, Nur-Hana and Kong, Tang Enya, A Simple Malay Speech Synthesizer Using
Syllable Concatenation Approach, MMU International Symposium on Information and
Communications Technologies (M2USIC 2004), October 2004
[Sch04] Schroeder M. R., Quast H., Strube H.W., Computer Speech: Recognition, Compression,
Synthesis, Springer Series in Information Sciences, Springer Publisher, ISBN-10: 3540212671,
2 nd edition, 2004
[Sha00] O´Shaughnessy D., Speech Communications. Human and Machine, IEEE Press, 2000
[Shr01] Shriver S., Toth A., A unified design for human-machine voice interaction, Conference
on Human Factors in Computing Systems, Seattle, 2001
[Spr98] Sproat R., Multilingual Text-To-Speech Synthesis, Kluwer Academic Publishers, 1998
[Ste97] Steven W. Smith, The Scientist and Engineer's Guide to Digital Signal Processing,
California Technical Publishing, 1997
[Sto84] Stolojanu, G. et al., Prelucrarea numerică a semnalului vocal, Ed. Militară, Bucureşti,
1984
[Sun77] Sundberg, J., The Acoustics of the Singing Voice, Scientific American, March 1977
[Sur07] Surmei M., Burileanu D., Negrescu C., Pîrvu R., Ungurean C., Dervis A., Text-to-
Speech Engines as Telecom Service Enablers, published in the volume “Advances in Spoken
Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by the
Publishing House of the Romanian Academy, composed of the Proceedings of the 4 th
Conference on Speech Technology and Human Computer Dialogue SpeD 2007, organized by the
Romanian Academy, the University “Politehnica” of Bucharest, and the Technical University of
Iasi, Iasi, Romania, May 10-12 2007, pp. 89-98
[Tat05] Tatham M., Morton K., Developments in Speech Synthesis, Wiley Publisher, ISBN 978-
0470855386, 2005
[Tay09] Taylor P., Text-to-Speech Synthesis, Cambridge University Press, ISBN 0521899273, 1 st
edition, 2009
[Teo09] Teodorescu H.N., Feraru M., Zbancioc M., Assessing the Quality of Voice Synthesizers,
published in the volume „From Speech Processing to Spoken Language Technology”,
coordinated by Burileanu C. and Teodorescu H.-N., edited by the Publishing House of the
Romanian Academy, composed of the Proceedings of the 5 th IEEE Conference on Speech
Technology and Human Computer Dialogue, SpeD 2009, organized by the University
“Politehnica” of Bucharest, the Romanian Academy, the Maritime University of Constanta, the

284
Bibliografie
Research Institute for Artificial Intelligence, in cooperation with EURASIP and IEEE,
Constanta, Romania, June 18-21, 2009, pp. 53-64
[Tod05] Toderean G., Căruntu A., Metode de recunoaştere a vorbirii, Editura Risoprint Cluj-
Napoca, 2005
[Tod08] Toderean G., Buza O., Căruntu A., Metode de Recunoaştere a Vorbirii pentru Limba
Română, Lucrările celei de-a II-a Conferinţe Internaţionale de Telecomunicaţii, Electronică şi
Informatică ICTEI 2008, Chişinău, Rep. Moldova, 15-18 Mai 2008, pp. 205-208
[Tod09] Toderean G., Buza O., Bodo A. Zs., Metode de Sinteză a Vorbirii, Editura Risoprint
Cluj-Napoca, ISBN 978-973-53-0114-9, 2009
[Tok06] Tokuda K., Hidden Markov model-based speech synthesis as a tool for constructing
comunicative spoken dialog systems, Journal of the Acoustical Society of America, Vol. 120,
Issue 5, ISBN-13: 978-3540212676, November 2006, pp. 3006-3006
[Tom09] Toma S., Oancea E., Munteanu D., Automatic Rule-Based Syllabication for Romanian,
published in the volume „From Speech Processing to Spoken Language Technology”,
coordinated by Burileanu C. and Teodorescu H.-N., edited by the Publishing House of the
Romanian Academy, composed of the Proceedings of the 5 th IEEE Conference on Speech
Technology and Human Computer Dialogue, SpeD 2009, organized by the University
“Politehnica” of Bucharest, the Romanian Academy, the Maritime University of Constanta, the
Research Institute for Artificial Intelligence, in cooperation with EURASIP and IEEE,
Constanta, Romania, June 18-21, 2009, pp. 87-94
[Ver90] Verhelst W., An Implementation of the PSOLA/KDG Waveform Synthesis Technique,
IPO raport 733, 1990
[Ver93] Verhelst W., Roelands M., An overlap-add technique based on waveform similiarity for
high-quality time-scale modifications of speech, Proceedings of the International Conference on
Acoustics, Speech, and Signal Processing, 1993
[Vla97] Vlaicu A., Dobrotă V., Tehnologii Multimedia - Sisteme, reţele şi aplicaţii, Editura
UTCN, Cluj-Napoca, 1997
[Wan04] Wang L., Zhao Y., Chu M., Zhou J., Cao Z., Refining segmental boundaries for TTS
Database using fine contextual-dependent boundary models, Proceedings of the IEEE
International Conference on Acoustics, Speech and Signal Processing ICASSP‘04, Vol. I, May
2004, pp. 641–644
[Web02] Andrew R. Webb, Statistical Pattern Recognition, Second Edition, ISBN 0-470-84513-
9 (Cloth), 0-470-84514-7 (Paper), John Wiley and Sons Ltd., 2002
[Wie49] Wiener N., Extrapolation, Interpolation and Smoothing of Stationary Time Series with
Engineering Applications, Technology Press and John Wiley & Sons, Inc., New York, 1949.
[You02] Young S., Evermann G., Hain T., Kershaw D., Moore G., Odell J., The HTK Book for
HTK v3.2.1., 2002

Anexa 1. Notaţia Backus-Naur Form şi gramatica LEX
Gramatica folosită în cadrul proiectării analizoarelor generate de LEX utilizează
următoarele simboluri şi secvenţe speciale de caractere (notaţie Backus-Naur Form):
1. Un grup de caractere între paranteze drepte [ ] - specifică orice caracter cuprins în grup
Exemplu: [abc] - specifică regăsirea de la intrare a unui caracter ce poate fi doar ‘a’, ‘b’ sau
‘c’
2. Un grup de caractere între paranteze simple ( ) - specifică grupul ca atare
Exemplu: (abc) - specifică regăsirea de la intrare a grupului ‘abc’ , adică a celor trei
caractere, unul după altul
3. Un grup de caractere între acolade { } - specifică un macro
Exemplu: {CONS} - specifică expandarea macro-ului CONS, adică definiţia pentru o
consoană
4. Caracterul | semnifică alegerea între două opţiuni :
Exemplu: (ab|cd) - specifică regăsirea de la intrare a două caractere ce pot fi ‘ab’ sau ‘cd’
5. Caracterul \ permite specificarea caracterelor speciale
6. Caracterul * înseamnă zero sau mai multe apariţii ale unei litere sau grup de litere
Exemplu: {VOC}* - specifică regăsirea la intrare a zero, una, două sau mai multe vocale
7. Caracterul + înseamnă una sau mai multe apariţii ale unei litere sau grup de litere
Exemplu: {VOC}+ - specifică regăsirea la intrare a una, două sau mai multe vocale
8. Caracterul ? înseamnă zero sau cel mult o apariţie a unei litere sau grup de litere
Exemplu: a? - specifică regăsirea la intrare a literei ‘a’, cel mult o singură apariţie
9. Caracterul / semnifică contextul dreapta al expresiei curente
Exemplu: {CONS}+/{SEP} specifică regăsirea unui grup de consoane urmat de un
separator
10. Macro-ul REJECT revocă intrarea curentă, determinând analizorul să meargă la potrivirea
următoare.
Datorită faptului că gramatica specifică mai multe reguli pentru regăsirea caracterelor de la
intrare, potrivirea se face în felul următor: se parcurge setul de reguli şi se caută potrivirea cea
mai lungă de la intrare (se urmăreşte potrivirea unui număr maxim de caractere). Dacă există
două sau mai multe reguli care se pot aplica pentru acelaşi set de caractere, se alege prima regulă
în ordinea de apariţie.
285

Anexa 2. Silabele din setul S2 după frecvenţa de apariţie
Nr.
Crt.
Silabă
Număr
apariţii
Procent
1 de 21289 5.308845
2 te 18624 4.644273
3 în 16678 4.158999
4 re 16111 4.017606
5 le 12698 3.166505
6 ca 10845 2.704421
7 şi 10119 2.523378
8 se 9084 2.26528
9 ce 9033 2.252562
10 ta 8476 2.113663
11 cã 8387 2.091469
12 ri 7669 1.912421
13 ne 7588 1.892222
14 tã 7358 1.834867
15 cu 7245 1.806688
16 sã 6477 1.615172
17 nu 6186 1.542605
18 pe 6006 1.497718
19 ţi 5779 1.441111
20 la 5739 1.431136
21 ti 5640 1.406449
22 na 5387 1.343358
23 ni 5336 1.33064
24 ma 4976 1.240867
25 li 4812 1.19997
26 ra 4753 1.185257
27 fi 4498 1.121668
28 me 4482 1.117678
29 ci 4305 1.073539
30 to 4126 1.028902
31 tu 3981 0.992743
32 in 3978 0.991995
33 mi 3957 0.986758
34 di 3805 0.948854
35 pu 3709 0.924915
36 rã 3568 0.889753
37 va 3334 0.831401
38 co 3213 0.801227
39 si 3211 0.800728
40 da 3110 0.775542
41 un 2999 0.747862
286
Nr.
Crt.
Silabă
Număr
apariţii
Procent
42 du 2974 0.741627
43 pã 2883 0.718935
44 su 2629 0.655595
45 vi 2560 0.638388
46 bi 2496 0.622428
47 nã 2476 0.617441
48 lu 2415 0.602229
49 mã 2362 0.589013
50 ve 2267 0.565323
51 po 2212 0.551607
52 es 2209 0.550859
53 al 2187 0.545373
54 pa 2158 0.538141
55 bu 2122 0.529164
56 sa 1997 0.497993
57 fa 1982 0.494252
58 zi 1957 0.488018
59 lã 1778 0.44338
60 lo 1752 0.436897
61 ie 1696 0.422932
62 zã 1664 0.414952
63 vã 1664 0.414952
64 ge 1537 0.383282
65 oa 1531 0.381786
66 fe 1524 0.38004
67 ţã 1499 0.373806
68 do 1488 0.371063
69 so 1483 0.369816
70 ei 1468 0.366076
71 ţa 1424 0.355103
72 no 1417 0.353358
73 mo 1402 0.349617
74 au 1399 0.348869
75 bã 1375 0.342884
76 ar 1349 0.336401
77 gã 1348 0.336151
78 ia 1337 0.333408
79 fã 1332 0.332161
80 za 1302 0.32468
81 ţe 1295 0.322935
82 gu 1266 0.315703

Anexa 2. Silabele din setul S2 după frecvenţa de apariţie
Nr.
Crt.
Silabă
Număr
apariţii
Procent
83 mu 1194 0.297748
84 ze 1192 0.297249
85 ga 1179 0.294008
86 gi 1171 0.292013
87 ex 1159 0.28902
88 ba 1153 0.287524
89 ru 1143 0.28503
90 pi 1066 0.265829
91 ea 1041 0.259595
92 dã 1030 0.256851
93 vo 1001 0.24962
94 ur 988 0.246378
95 ro 917 0.228673
96 îm 893 0.222688
97 şa 815 0.203237
98 im 757 0.188773
99 or 715 0.1783
100 el 705 0.175806
101 ac 703 0.175307
102 as 690 0.172066
103 ju 656 0.163587
104 be 636 0.1586
105 am 632 0.157602
106 fu 613 0.152864
107 en 606 0.151118
108 an 582 0.145134
109 fo 570 0.142141
110 pî 511 0.127428
111 îi 494 0.123189
112 mî 483 0.120446
113 ul 473 0.117952
114 bo 421 0.104985
115 îl 400 0.099748
116 at 391 0.097504
117 şe 390 0.097254
118 uã 385 0.096008
119 ai 377 0.094013
120 zu 354 0.088277
121 cî 346 0.086282
122 eu 323 0.080547
123 ţu 319 0.079549
287
Nr.
Crt.
Silabă
Număr
apariţii
Procent
124 go 313 0.078053
125 ob 308 0.076806
126 ui 294 0.073315
127 şu 282 0.070322
128 it 273 0.068078
129 iu 268 0.066831
130 jo 266 0.066333
131 ho 263 0.065584
132 aş 261 0.065086
133 rî 260 0.064836
134 ua 260 0.064836
135 hi 253 0.063091
136 zo 240 0.059849
137 ja 228 0.056856
138 je 211 0.052617
139 xi 176 0.043889
140 is 172 0.042892
141 tî 156 0.038902
142 io 154 0.038403
143 ad 153 0.038154
144 xe 149 0.037156
145 ha 142 0.035411
146 on 133 0.033166
147 ii 132 0.032917
148 os 129 0.032169
149 ab 126 0.031421
150 om 124 0.030922
151 um 122 0.030423
152 iz 119 0.029675
153 of 112 0.027929
154 ji 110 0.027431
155 şã 108 0.026932
156 vî 99 0.024688
157 şo 97 0.024198
158 vu 93 0.0232
159 xa 86 0.021454
160 ut 74 0.01846
161 er 71 0.017712
162 jã 69 0.017213
163 us 66 0.016465
164 zî 64 0.015966

Anexa 2. Silabele din setul S2 după frecvenţa de apariţie
Nr.
Crt.
Silabă
Număr
apariţii
Procent
165 gî 55 0.013721
166 hu 41 0.010228
167 op 41 0.010228
168 uş 40 0.009979
169 ãs 32 0.007983
170 et 30 0.007484
171 oc 26 0.006486
172 ţî 24 0.005987
173 he 24 0.005987
174 ki 24 0.005987
175 ud 22 0.005488
176 ot 17 0.004241
177 ou 17 0.004241
178 em 16 0.003991
179 oi 14 0.003492
180 id 14 0.003492
181 il 14 0.003492
182 eş 13 0.003243
183 hã 13 0.003243
288
Nr.
Crt.
Silabă
Număr
apariţii
Procent
184 ez 11 0.002744
185 bî 10 0.002495
186 od 10 0.002495
187 iv 9 0.002245
188 ir 8 0.001996
189 ţo 8 0.001996
190 fî 7 0.001746
191 ol 7 0.001746
192 uz 5 0.001247
193 ic 5 0.001247
194 lî 5 0.001247
195 ev 4 0.000998
196 ah 4 0.000998
197 oh 4 0.000998
198 dî 3 0.000748
199 if 2 0.000499
200 af 2 0.000499
201 oz 1 0.000249
202 ih 1 0.000249

Anexa 3. Silabe din setul S3 după frecvenţa de apariţie (extras)
Nr.
Crt.
Silabă
Număr
apariţii
Procent
1 lor 4813 2.665035
2 lui 4567 2.528821
3 rea 4187 2.318409
4 con 3953 2.188839
5 mai 3911 2.165583
6 tre 3517 1.947419
7 din 3427 1.897585
8 tru 2833 1.568677
9 tul 2807 1.554281
10 pre 2675 1.48119
11 pro 2447 1.354943
12 pen 2415 1.337224
13 tea 2256 1.249183
14 rii 1958 1.084176
15 pri 1845 1.021606
16 ţii 1647 0.91197
17 men 1528 0.846078
18 rul 1517 0.839987
19 toa 1515 0.83888
20 sau 1511 0.836665
21 cum 1451 0.803442
22 ces 1360 0.753054
23 ter 1275 0.705988
24 des 1273 0.70488
25 mul 1258 0.696575
26 nea 1232 0.682178
27 tor 1147 0.635112
28 cît 1135 0.628468
29 por 1119 0.619608
30 dar 1092 0.604658
31 par 1085 0.600782
32 nii 976 0.540427
33 cul 956 0.529352
34 bli 912 0.504989
35 vor 911 0.504435
36 poa 910 0.503882
37 tri 879 0.486716
38 for 863 0.477857
39 per 850 0.470659
40 nul 814 0.450725
41 cre 811 0.449064
289
Nr.
Crt.
Silabă
Număr
apariţii
Procent
42 sta 788 0.436328
43 tra 780 0.431898
44 cea 778 0.430791
45 ori 769 0.425808
46 lul 726 0.401998
47 fel 720 0.398676
48 com 711 0.393692
49 iar 695 0.384833
50 chi 664 0.367667
51 cat 663 0.367114
52 tot 661 0.366006
53 ten 625 0.346072
54 trã 623 0.344965
55 nor 623 0.344965
56 cla 620 0.343304
57 tat 617 0.341643
58 dis 605 0.334998
59 dea 589 0.326139
60 pul 585 0.323924
61 cel 581 0.321709
62 res 576 0.31894
63 pli 569 0.315064
64 mea 560 0.310081
65 nei 555 0.307312
66 cãr 549 0.30399
67 pra 548 0.303436
68 cut 548 0.303436
69 mãr 543 0.300668
70 ver 542 0.300114
71 mar 522 0.28904
72 pla 519 0.287379
73 rat 516 0.285717
74 noi 510 0.282395
75 gra 510 0.282395
76 cer 497 0.275197
77 cei 495 0.274089
78 nui 491 0.271875
79 sul 488 0.270213
80 rãs 480 0.265784
81 ast 480 0.265784
82 îşi 472 0.261354

Anexa 3. Silabe din setul S3 după frecvenţa de apariţie (extras)
Nr.
Crt.
Silabă
Număr
apariţii
Procent
83 vîn 472 0.261354
84 mîn 454 0.251387
85 pun 443 0.245296
86 gîn 440 0.243635
87 ple 437 0.241974
88 zul 434 0.240313
89 şti 428 0.23699
90 min 427 0.236437
91 spe 420 0.232561
92 bil 413 0.228685
93 sub 408 0.225916
94 sim 407 0.225362
95 ciu 404 0.223701
96 vin 401 0.22204
97 pot 397 0.219825
98 cep 395 0.218718
99 vea 394 0.218164
100 ser 387 0.214288
101 sea 386 0.213734
102 spu 386 0.213734
103 cii 385 0.213181
104 nit 381 0.210966
105 dul 378 0.209305
106 sin 371 0.205429
107 mun 368 0.203767
108 ţin 365 0.202106
109 sis 363 0.200999
110 lea 362 0.200445
111 tei 361 0.199891
112 poi 360 0.199338
113 dat 359 0.198784
114 tît 354 0.196015
115 tin 353 0.195462
116 tro 351 0.194354
117 zen 351 0.194354
118 tem 347 0.192139
119 vei 342 0.189371
120 fun 336 0.186049
121 tiv 333 0.184387
122 cri 332 0.183834
123 soa 332 0.183834
290
Nr.
Crt.
Silabă
Număr
apariţii
Procent
124 nat 332 0.183834
125 loa 331 0.18328
126 les 329 0.182173
127 sen 329 0.182173
128 ind 323 0.17885
129 tic 323 0.17885
130 tim 322 0.178297
131 dum 321 0.177743
132 zut 320 0.177189
133 den 319 0.176635
134 dus 316 0.174974
135 cru 315 0.174421
136 ţei 314 0.173867
137 fec 311 0.172206
138 tan 309 0.171098
139 rit 308 0.170545
140 pec 304 0.16833
141 put 303 0.167776
142 sti 300 0.166115
143 niş 300 0.166115
144 plã 299 0.165561
145 nos 293 0.162239
146 plu 293 0.162239
147 rin 290 0.160578
148 cio 289 0.160024
149 loc 289 0.160024
150 cli 288 0.15947
151 pãr 288 0.15947
152 sem 288 0.15947
153 trî 286 0.158363
154 vre 284 0.157255
155 rau 284 0.157255
156 che 277 0.153379
157 car 276 0.152826
158 jun 276 0.152826
159 mer 276 0.152826
160 cîn 271 0.150057
161 nal 271 0.150057
162 cam 271 0.150057
163 vom 270 0.149503
164 mic 269 0.14895

Anexa 3. Silabe din setul S3 după frecvenţa de apariţie (extras)
Nr.
Crt.
Silabă
Număr
apariţii
Procent
165 fap 268 0.148396
166 pia 268 0.148396
167 gre 264 0.146181
168 cen 262 0.145074
169 stã 257 0.142305
170 cur 256 0.141751
171 xem 256 0.141751
172 nic 252 0.139536
173 via 250 0.138429
174 flu 248 0.137322
175 pus 245 0.13566
176 ang 239 0.132338
177 mod 237 0.131231
178 sus 237 0.131231
179 mii 235 0.130123
180 zis 235 0.130123
181 can 227 0.125694
182 ris 227 0.125694
183 pie 227 0.125694
184 alt 227 0.125694
185 ziu 226 0.12514
186 tai 226 0.12514
187 gru 225 0.124586
188 nis 224 0.124032
189 pes 224 0.124032
190 mit 222 0.122925
191 tîm 221 0.122371
192 man 220 0.121818
193 mij 220 0.121818
194 cin 219 0.121264
195 zat 218 0.12071
196 jul 217 0.120156
197 fac 216 0.119603
198 doi 210 0.11628
199 ran 206 0.114065
200 ves 205 0.113512
201 zeu 204 0.112958
202 zin 203 0.112404
203 vul 200 0.110743
204 fir 199 0.110189
205 fru 199 0.110189
291
Nr.
Crt.
Silabă
Număr
apariţii
Procent
206 nou 199 0.110189
207 cor 197 0.109082
208 sãu 197 0.109082
209 gen 197 0.109082
210 dez 197 0.109082
211 ici 196 0.108528
212 fla 195 0.107975
213 ven 194 0.107421
214 spi 193 0.106867
215 fle 193 0.106867
216 flã 193 0.106867
217 tit 189 0.104652
218 şit 188 0.104099
219 tar 187 0.103545
220 clu 187 0.103545
221 ren 186 0.102991
222 mis 185 0.102437
223 toc 185 0.102437
224 gur 184 0.101884
225 dom 183 0.10133
226 ani 182 0.100776
227 sit 181 0.100223
228 mei 181 0.100223
229 rîn 181 0.100223
230 sec 178 0.098561
231 roa 173 0.095793
232 van 173 0.095793
233 lec 171 0.094685
234 run 171 0.094685
235 biş 170 0.094132
236 cos 169 0.093578
237 diu 169 0.093578
238 vîr 167 0.092471
239 lii 167 0.092471
240 ral 167 0.092471

Anexa 4. Silabe din setul S4 după frecvenţa de apariţie (extras)
Nr. Crt. Silabă
Număr
apariţii
Procent
1 prin 1697 4.86944
2 sunt 1123 3.222382
3 cînd 1026 2.944046
4 ceas 809 2.321377
5 fost 788 2.261119
6 nici 712 2.043042
7 foar 508 1.457676
8 mult 493 1.414634
9 timp 454 1.302726
10 meni 452 1.296987
11 trac 451 1.294118
12 cest 433 1.242468
13 tori 423 1.213773
14 ment 410 1.176471
15 spre 402 1.153515
16 noas 350 1.004304
17 turi 347 0.995696
18 creş 344 0.987088
19 fran 313 0.898135
20 spus 298 0.855093
21 doar 289 0.829268
22 tãţi 273 0.783357
23 port 257 0.737446
24 crea 252 0.723099
25 pier 233 0.66858
26 trei 231 0.662841
27 prea 224 0.642755
28 trea 211 0.605452
29 scri 208 0.596844
30 mari 199 0.571019
31 toţi 164 0.470588
32 laşi 163 0.467719
33 strã 161 0.46198
34 stra 161 0.46198
35 curi 155 0.444763
36 tînd 154 0.441894
37 puns 153 0.439024
38 juns 148 0.424677
39 zînd 144 0.413199
40 rînd 142 0.407461
292
Nr. Crt. Silabă
Număr
apariţii
Procent
41 sfîr 141 0.404591
42 zeci 141 0.404591
43 chii 140 0.401722
44 drul 139 0.398852
45 ploa 135 0.387374
46 gînd 132 0.378766
47 stan 130 0.373027
48 puri 129 0.370158
49 cioa 129 0.370158
50 tuşi 129 0.370158
51 diat 122 0.350072
52 greu 120 0.344333
53 eaşi 118 0.338594
54 deşi 118 0.338594
55 prac 117 0.335725
56 stru 115 0.329986
57 stea 109 0.312769
58 stri 108 0.3099
59 poar 107 0.30703
60 trat 106 0.304161
61 mînt 103 0.295552
62 teau 103 0.295552
63 iesc 102 0.292683
64 sesc 102 0.292683
65 mici 101 0.289813
66 frun 100 0.286944
67 taţi 100 0.286944
68 rect 99 0.284075
69 floa 98 0.281205
70 seam 97 0.278336
71 teas 94 0.269727
72 vînd 93 0.266858
73 deci 91 0.261119
74 resc 91 0.261119
75 rent 90 0.25825
76 stat 90 0.25825
77 reas 89 0.25538
78 fapt 88 0.252511
79 plan 87 0.249641
80 neas 87 0.249641

Anexa 4. Silabe din setul S4 după frecvenţa de apariţie (extras)
Nr. Crt. Silabă
Număr
apariţii
Procent
81 nînd 87 0.249641
82 caţi 86 0.246772
83 dent 85 0.243902
84 furi 85 0.243902
85 sãri 84 0.241033
86 eşti 84 0.241033
87 tran 83 0.238164
88 duri 83 0.238164
89 tici 83 0.238164
90 spun 82 0.235294
91 ting 81 0.232425
92 tant 78 0.223816
93 deri 78 0.223816
94 tãri 78 0.223816
95 vrea 77 0.220947
96 vreo 76 0.218077
97 hris 76 0.218077
98 vrei 76 0.218077
99 zuri 75 0.215208
100 vînt 73 0.209469
101 toar 73 0.209469
102 bani 73 0.209469
103 tesc 73 0.209469
104 lori 72 0.2066
105 cãri 71 0.20373
106 suri 71 0.20373
107 luri 70 0.200861
108 grup 70 0.200861
109 cret 69 0.197991
110 veau 68 0.195122
111 teţi 68 0.195122
112 ceau 68 0.195122
113 guri 67 0.192253
114 nesc 67 0.192253
115 tras 66 0.189383
116 neau 66 0.189383
117 vind 66 0.189383
118 reac 66 0.189383
119 sfin 66 0.189383
120 voas 65 0.186514
293
Nr. Crt. Silabă
Număr
apariţii
Procent
121 bãri 65 0.186514
122 sfîn 64 0.183644
123 trîn 64 0.183644
124 poţi 63 0.180775
125 scoa 63 0.180775
126 cear 63 0.180775
127 rãşi 63 0.180775
128 chis 63 0.180775
129 nent 62 0.177905
130 chin 62 0.177905
131 plin 62 0.177905
132 trem 61 0.175036
133 stîn 61 0.175036
134 ochi 60 0.172166
135 tãzi 60 0.172166
136 cres 59 0.169297
137 raţi 59 0.169297
138 plîn 58 0.166428
139 vezi 57 0.163558
140 cãci 56 0.160689
141 pres 56 0.160689
142 zãri 56 0.160689
143 cred 55 0.157819
144 cîţi 55 0.157819
145 ches 55 0.157819
146 stin 54 0.15495
147 preţ 54 0.15495
148 ştii 54 0.15495
149 nuri 53 0.15208
150 deau 53 0.15208
151 cani 53 0.15208
152 legi 52 0.149211
153 gini 51 0.146341
154 veţi 51 0.146341
155 scop 51 0.146341
156 puşi 51 0.146341
157 teri 51 0.146341
158 neri 51 0.146341
159 trul 50 0.143472
160 plet 49 0.140603

Anexa 4. Silabe din setul S4 după frecvenţa de apariţie (extras)
Nr. Crt. Silabă
Număr
apariţii
Procent
161 drum 48 0.137733
162 nind 47 0.134864
163 drãz 47 0.134864
164 blon 47 0.134864
165 scur 47 0.134864
166 naţi 47 0.134864
167 fect 47 0.134864
168 lung 46 0.131994
169 chea 46 0.131994
170 xact 45 0.129125
171 buri 45 0.129125
172 vrut 45 0.129125
173 clar 44 0.126255
174 veas 44 0.126255
175 reau 44 0.126255
176 blic 44 0.126255
177 pros 44 0.126255
178 mani 44 0.126255
179 plat 43 0.123386
180 bili 43 0.123386
181 tent 43 0.123386
182 peri 43 0.123386
183 scor 43 0.123386
184 sînt 43 0.123386
185 tins 42 0.120516
186 luni 42 0.120516
187 feri 42 0.120516
188 treg 42 0.120516
189 scos 42 0.120516
190 lalt 42 0.120516
191 ţãri 42 0.120516
192 sens 42 0.120516
193 beas 41 0.117647
194 cris 41 0.117647
195 saţi 41 0.117647
196 brii 40 0.114778
197 soni 40 0.114778
198 suşi 40 0.114778
199 şcoa 40 0.114778
200 zind 40 0.114778
294
Nr. Crt. Silabă
Număr
apariţii
Procent
201 prit 40 0.114778
202 blîn 39 0.111908
203 besc 39 0.111908
204 ceri 38 0.109039
205 siţi 37 0.106169
206 semn 37 0.106169
207 geau 37 0.106169
208 mãri 37 0.106169
209 rind 36 0.1033
210 stre 35 0.10043
211 ciul 35 0.10043
212 muri 35 0.10043
213 faci 35 0.10043
214 clan 35 0.10043
215 ghea 34 0.097561
216 trun 34 0.097561
217 mers 34 0.097561
218 tini 34 0.097561
219 lari 34 0.097561
220 deţi 34 0.097561
221 desc 34 0.097561
222 cuţi 34 0.097561
223 trec 34 0.097561
224 grea 33 0.094692
225 nalt 33 0.094692
226 miţi 33 0.094692
227 riţi 33 0.094692
228 tors 33 0.094692
229 tind 33 0.094692
230 trol 33 0.094692
231 buni 32 0.091822
232 meas 32 0.091822
233 chip 32 0.091822
234 stau 32 0.091822
235 tris 32 0.091822
236 zaţi 32 0.091822
237 spui 32 0.091822
238 cesc 31 0.088953
239 daţi 31 0.088953
240 teni 31 0.088953

Anexa 5. Activitatea ştiinţifică a autorului
Lucrări ştiinţifice comunicate sau publicate
Lucrări publicate în domeniul tezei
1. A. Nica, A. Căruntu, G. Toderean, O. Buza, Features Extraction from Romanian Vowels
Using Matlab, Buletinul Ştiinţific al Universităţii “Politehnica” din Timişoara, Seria
Electronica şi Telecomunicaţii, Transactions on Electronics and Comunications, Tom
51(65), Fascicola 2, 2006, pp. 81-84
2. O. Buza, G. Toderean, Syllable Detection for Romanian Text-to-Speech Synthesis,
Proceedings of the 6th International Conference on Communications, Bucharest,
Romania, ISBN 978-973-718-479-5, June 2006, pp.135-138
3. O. Buza, G. Toderean, A. Nica, A. Căruntu, Voice Signal Processing For Speech
Synthesis, 2006 IEEE-TTTC International Conference on Automation, Quality and
Testing Robotics, AQTR 2006 (Theta 15), May 25 -28 2006, Cluj-Napoca, Romania,
Proceedings, Tome II, ISBN: 1-4244-0360-X , 2006, pp. 360-364
4. A. Căruntu, A. Nica, G. Toderean, E. Puşchiţă, O. Buza, An Improved Method for
Automatic Classification of Speech, IEEE-TTTC International Conference on
Automation, Quality and Testing Robotics, AQTR ‘06 (Theta 15), May 25-28 2006, Cluj-
Napoca, Romania, Proceedings, Tome I, 2006
5. A. Nica, A. Căruntu, G. Toderean, O. Buza, Analysis and Synthesis of Vowels Using
Matlab, 2006 Proceedings of the IEEE-TTTC International Conference on Automation,
Quality and Testing Robotics, AQTR 2006 (Theta 15), Cluj-Napoca, Romania, Tome II,
ISBN 1-4244-0360-X, May 25-28, 2006, pp. 371-374
6. A. Z. Bodo, O. Buza, G. Toderean, Acoustic Database for Romanian TTS Synthesis.
Design and Realisation Results (I) , “Acta Tehnica Napocensis Electronics and
Telecommunications”, Cluj-Napoca, Volume 48, Number 2/2007, pp.24-31
7. A. Z. Bodo, O. Buza, G. Toderean, Realisation Results of a Speech Synthesis
Development Environment, “Acta Tehnica Napocensis Electronics and
Telecommunications”, Cluj-Napoca, Volume 48, Number 2/2007, pp.32-37
8. O. Buza, G. Toderean, A Romanian Syllable-Based Text-to-Speech Synthesis, Proc. of
the 6th WSEAS Internat. Conf. on Artificial Intelligence, Knowledge Engineering and
Data Bases (AIKED ’07), Corfu Island, Greece, 16-19 February, 2007, CD
9. O. Buza, G. Toderean, About Construction of a Syllable-Based TTS System, WSEAS
TRANSACTIONS on COMMUNICATIONS, Issue 5, Volume 6, May 2007, ISSN
1109-2742, 2007
295

296
Anexa 5. Activitatea ştiinţifică a autorului
10. O. Buza, G. Toderean, A. Nica, Zs. Bodo, Original Method for Romanian Text-to-
Speech Synthesis Based on Syllable Concatenation, published in the volume “Advances
in Spoken Language Technology”, coordinated by Corneliu Burileanu and Horia-Nicolai
Teodorescu, ed. by The Publishing House of the Romanian Academy, composed of the
Proceedings of the 4th Conference on Speech Technology and Human Computer
Dialogue “SpeD 2007”, organized by the Romanian Academy, the University
“Politehnica” of Bucharest, and the Technical University of Iasi, Iasi, Romania, May 10-
12, 2007, pp. 109-118
11. G. Toderean, O. Buza, A. Căruntu, Metode de Recunoaştere a Vorbirii pentru Limba
Română, A II-a Conferinţă Internaţională "Telecomunicaţii, Electronică şi Informatică"
ICTEI 2008, Chişinău, Republica Moldova, 15-18 Mai 2008, pp. 205-208
12. O. Buza, G. Toderean, Metode de Sinteză din Text a Vorbirii pentru Limba Română, A
II-a Conferinţă Internaţională "Telecomunicaţii, Electronică şi Informatică" ICTEI 2008,
Chişinău, Republica Moldova, 15-18 Mai 2008, pp. 209-214
13. O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Voice Synthesis Application based on
Syllable Concatenation, IEEE International Conference on Automation,
Quality and Testing, Robotics AQTR ‘08 - THETA 16 th edition, Cluj-Napoca, Romania,
May 22-25, 2008
14. J. Domokos, G. Toderean, O. Buza, Statistical Language Modeling on Susane Corpus,
The 7 th International Conference COMMUNICATIONS 2008, organized by the Military
Technical Academy, University Politehnica of Bucharest, Electronica 2000 Foundation,
and the IEEE Romanian Section in Bucharest, Romania, June 5-7, 2008, pp.69-72
15. O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-
To-Speech System for Romanian, MEMORIILE SECŢIILOR ŞTIINŢIFICE / MEMOIRS
OF THE SCIENTIFIC SECTIONS, Romanian Academy Iassy Branch, Publishing House
of the Romanian Academy, ISSN 1224-1407, ISBN 978-973-27-1551-2, Series IV, Tome
XXXII, 2009
16. O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Building a Text to Speech System for
Romanian through Concatenation, The 5 th IEEE Conference on Speech Technology and
Human Computer Dialogue SpeD 2009, organized by the University “Politehnica” of
Bucharest, the Romanian Academy, the Research Institute for Artificial Intelligence, in
cooperation with EURASIP and IEEE, Constanta, Romania, June 18-21, 2009, accepted
to be published
17. A. Zs. Bodo, O. Buza, G. Toderean, TTS Experiments: Romanian Prosody, Acta
Technica Napocensis, UTCN, Volume 50, 2009, pp. 31-36
18. A. Zs. Bodo, O. Buza, G. Toderean, Experiments with the prediction and generation of
Romanian intonation, published in the volume „From Speech Processing to Spoken
Language Technology”, coordinated by Burileanu C. and Teodorescu H.-N., edited by
the Publishing House of the Romanian Academy, composed of the Proceedings of the 5 th
IEEE Conference on Speech Technology and Human Computer Dialogue, SpeD 2009,
organized by the University “Politehnica” of Bucharest, the Romanian Academy, the

297
Anexa 5. Activitatea ştiinţifică a autorului
Maritime University of Constanta, the Research Institute for Artificial Intelligence, in
coop. with EURASIP and IEEE, Constanta, Romania, June 18-21, 2009, pp.103-114
19. A. Zs. Bodo, O. Buza, G. Toderean, TTS Framework Building Results, the 5 th IEEE
Conference on Speech Technology and Human Computer Dialogue SpeD 2009,
organized by the University “Politehnica” of Bucharest, the Romanian Academy, the
Maritime University of Constanta, the Research Institute for Artificial Intelligence, in
cooperation with EURASIP and IEEE, Constanta, Romania, June 18-21, 2009, accepted
to be published
20. J. Domokos, G. Toderean, O. Buza, Text Conditioning and Statistical Language
Modeling for Romanian Language, published in the volume „From Speech Processing to
Spoken Language Technology”, coordinated by Burileanu C. and Teodorescu H. N.,
edited by the Publishing House of the Romanian Academy, composed of the Proceedings
of the 5 th IEEE Conference on Speech Technology and Human Computer Dialogue,
SpeD 2009, organized by the University “Politehnica” of Bucharest, the Romanian
Academy, the Maritime University of Constanta, the Research Institute for Artificial
Intelligence, in cooperation with EURASIP and IEEE, Constanta, Romania, June 18-21,
2009, pp.161-168
Carte publicată în domeniul tezei
1. G. Toderean, O. Buza, A. Zs. Bodo, Metode de Sinteză a Vorbirii, Editura Risoprint,
ISBN 978-973-53-0114-9, Cluj-Napoca 2009
Lucrări publicate în afara domeniului tezei
1. O. Buza, O nouă variantă a metodei Hyper în recunoaşterea de forme, Simpozionul
Ştiinţific al Universităţii Tehnice Cluj, Cluj-Napoca, Mai 1993
2. O. Buza, M. Vaida, Multimedia Devices Used in Biomedical Applications, Simpozionul
de Electronică Profesională REP '95, Bucureşti, Noiembrie 1995
3. M. Vaida, O Buza, s.a. (cooperare ), Aplicaţii ale informaticii in imagistica medicală,
Editura Tipocolor, Cluj-Napoca, 1995
4. O. Buza, M. Vaida, Video Inspection in Industrial and Medical Applications International
Conference on Automation and Quality Control, Cluj-Napoca, Mai 1998
5. M. Vaida, A. Suciu, O. Buza, T. Moldovan, Image Pattern Recognition Application in
Microscopic Medical Image Analysis using Multimedia Boards, International Conference
on Information Technology Interfaces ITI '99, Zagreb, Croatia, Mai 1999
6. M. Vaida, O. Buza, P. Pop, L. Miclea, Medical Image Processing for Developing
Multimedia Atlases Q&A-R 2000 Theta 12, International Conference on Quality Control,
Automation and Robotics, Cluj-Napoca, Romania, 19-20 May 2000

298
Anexa 5. Activitatea ştiinţifică a autorului
7. O. Buza, M. Vaida, R. Ciupa, Developing Multimedia Interactive Internet-Intranet
Documents using Medical Image Processing, Second European Symposium on
Biomedical Engineering, University of Patras, Greece, 5-8 October 2000, pp. 5-10
8. M. Vaida, C.D.Olinici, O. Buza, Web Design facilities for Medical Image Processing
dedicated software, Revista “Clujul Medical”, Vol. LXXIII, Nr. 3, 2000, pp. 478-485
2001
9. M. Vaida, C.D.Olinici, O. Buza, Image Processing Software Development for Distributed
Education The forth edition of the International Symposium "The Role of Academic
Education and Research in the Development of Information Society", "Politehnica"
University of Bucharest, 18-19 May 2000
10. M. Vaida, O. Buza, Interactive Internet-Intranet Documents with Image Processing
Facilities, rev. “Acta Tehnica Napocensis Electronics and Telecommunications”, Cluj-
Napoca, Vol. 42, No.2, 2001
11. O. Buza, M. Vaida, K. Pusztai, Streaming Audio-Video Content Over Internet With a
Multimedia Presentation Generator, the 4 th IASTED International Conference on Web-
Based Education, WBE2005, February 21-23, 2005, Grindelwald, Switzerland, ISBN: 0-
88986-482-9, ISSN: 1482-7905, 2005, pp. 1-6
12. O. Buza, K. Pusztai, M. Vaida, Multimedia Presentations Generator for Streaming
Audio-Video Content Over Internet, Acta Tehnica Napocensis Electronics and
Telecommunications, Cluj-Napoca, Vol. 46, No.1, 2005, pp. 8-15
13. P. Mitrea, O. Buza, D. Mitrea, Multimedia Technology Involved in E-Learning Platform
Generators, International Symposium on System Theory, Automation, Robotics,
Computers, Informatics, Electronics and Instrumentation SINTES 20-22 October 2005,
Craiova, Romania, ISBN 978-973-742-839-4, 978-973-742-841-7, 2005, pp. 635-638
14. G. Toderean, A. Căruntu, O. Buza, A. Nica, Sisteme cu Microprocesoare – Îndrumător
de laborator, Ed. Risoprint Cluj-Napoca, ISBN 978-973-751-466-0, 2007
15. P. Mitrea, O. Buza, D. Mitrea, MLG- MultiMedia On-Line Lesson Generator,
International Conference “Assistive Technology From Adapted Equipment To Inclusive
Environment” AAATE 2009, published in the volume: Assistive Technology Research
Series, Vol. 25, IOS Press Amsterdam, ISSN 1383-813X, 2009, pp. 607-612.

Programe de cercetare
299
Anexa 5. Activitatea ştiinţifică a autorului
În perioada 1993-2008, autorul a participat ca proiectant, respectiv conducător de proiect,
la realizarea a 8 proiecte de cercetare, după cum urmează :
1993-1995: “Sistem computerizat pentru analiza microbiologică, fizică, biochimică a
resurselor alimentare şi produselor industrializate”
Sistemul este capabil sa detecteze gradul de infestare a produselor cu microorganisme de tip comun;
este bazat pe viziune artificială şi recunoaşterea formelor.
1995-1996: “Sistem pentru analiză citometrică automată”
Proiectul este folosit în investigarea automată a imaginilor în morfopatologie, bazat pe viziune
artificială şi procesarea imaginilor.
1996: “Studiu privind realizarea unui sistem de supraveghere automată utilizând
metode specifice analizei de imagini”
Pe baza acestui studiu s-a realizat un sistem capabil să detecteze mişcările dintr-o arie fixă;
sistemul captează semnal video din mai multe surse şi realizează analiza automată a acestuia.
1997-1998: “Sistem multimedia destinat analizei medicale inteligente în vederea
realizării de atlase medicale”
Sistemul este proiectat pentru asistarea cadrelor medicale atât în prelucrarea informaţiilor din
imaginile medicale, cât şi în obţinerea de atlase multimedia.
2001-2002: “Sistem pentru detecţia tumorilor ovariene din imagini medicale”
A fost realizat un sistem semi-automat pentru asistarea medicului morfopatolog în depistarea
tumorilor ovariene pe baza testului Papa-Nicolau.
2002-2003: “Generator de prezentări audio-video sincronizate”
În cadrul acestei teme de cercetare a fost proiectată o aplicaţie multimedia care răspunde
cerinţelor pieţii internaţionale în domeniul prezentării informaţiei şi distribuţiei de date audio şi
video prin protocol TCP/IP.
2003-2005: „Sistem integrat pentru învăţământul la distanţă”
A fost realizat un sistem pentru generarea de lecţii interactive multimedia pentru învăţământul la
distanţă.
2006-2008: „Sistem interactiv pe bază de voce destinat persoanelor nevăzătoare
În cadrul acestui proiect s-a construit o bibliotecă electronică specială pentru deficienţi de
vedere, care oferă posibilitatea rostirii automate a textului prin intermediul unui sistem de sinteză
vocală. Sinteza textului s-a realizat prin metoda concatenării de unităţi lexicale, ce favorizează o
rostire apropiată de cea naturală.

Anexa 6. Lucrări ştiinţifice ale autorului prezentate în extenso
1. O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-
To-Speech System for Romanian, MEMORIILE SECŢIILOR ŞTIINŢIFICE / MEMOIRS OF
THE SCIENTIFIC SECTIONS, Romanian Academy Iassy Branch, Publishing House of the
Romanian Academy, ISSN 1224-1407, ISBN 978-973-27-1551-2, Series IV, Tome XXXII, 2009
300

CONSTRUCTION OF A SYLLABLE-BASED TEXT-TO-SPEECH SYSTEM
FOR ROMANIAN
OVIDIU BUZA, GAVRIL TODEREAN, JOSZEF DOMOKOS and ARPAD ZSOLT BODO
We present in this article our experience in building a text-to-speech system for Romanian through
concatenation method. Main stages of this work were following: voice signal analysis; voice signal
segmentation; vocal database construction; text analysis: pre-processing, unit detection, prosody retrieval; unit
matching; unit concatenation and speech synthesis. In our approach we consider word syllables as basic units
and stress indicating intrasegmental prosody. A special characteristic of current approach is rule-based
processing of both speech signal analyse and text analyse stages.
Keywords: text-to-speech, syllable approach, rule-based processing.
1. INTRODUCTION
In the last decades many methods have been developed for generating acoustical
parameters requested for a high quality voice synthesis. Researches proved that among methods
with best results are those methods which store the real acoustic waveform uttered by a human
speaker. These methods achieve voice synthesis through concatenation of acoustic units, so they
are called concatenation methods ([9],[14]).
The authors have worked on this line of attaining a voice synthesis complying with quality
parameters of natural, human speech. Our researches led into projecting a voice synthesis method
specifically adapted to Romanian language, and also into a working approach for constructing an
automated speech synthesis system.
Using syllables as basic units, the projected method is integrated into high quality methods
category, based on concatenation. We propose here an original approach based on rules that apply
in the most important stages of projecting a speech synthesis system: construction of the vocal
database and text processing stage.
In building our text-to-speech system, we have followed two directions (figure 1) :
A. Vocal database construction flow (off -line process), including: voice signal analysis,
speech segmentation and vocal database construction;
B. Text to voice processing flow (on -line process), including: text pre-processing, unit
detection, prosody prediction, unit matching, unit concatenation and voice synthesis.
301

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Figure 1. Main stages in building LIGHTVOX text-to-speech system
In the first flow, in voice signal analysis stage, we have extracted main parameters of pre-
recorded speech, working in time domain of analysis. These parameters, such as: amplitude,
energy, zero-crosses, were used in the second stage for speech segmentation. In this second stage,
we have designed an algorithm for automated speech segmentation in ten different classes of
regions, that we have put into correspondence with main phonetic categories of Romanian
language. After phonetic segmentation of speech signal, we have used a semi-automated algorithm
for detecting and storing waveform syllables from uttered words into vocal database. Processing
has been applied onto a paralel text/voice corpus: voice corpus provides speech signal on which
apply signal analysis and segmentation methods, and text corpus provides phonetical transcription
of voice corpus.
SIGNAL
ANALYSIS
TEXT
PROCESSING
In the second flow, in text processing stage, special phonetic rules have been developed for
text pre-processing, syllables units detection and intrasegmental prosody (i.e. stress) prediction.
Next, unit matching was done by selecting acoustic units from vocal database according to the
linguistic units detected from the input text. And finally, acoustic units are concatenated to form
the output speech signal that is synthesized by the mean of a digital audio card.
2. VOICE SIGNAL ANALYSIS
SPEECH
SEGMENTATION
A. VOCAL DATABASE CONSTRUCTION FLOW
UNIT DETECTION
AND PROSODY
PREDICTION
B. TEXT TO VOICE CONVERTION FLOW
Voice signal analysis is the first stage in vocal database construction flow. Voice signal
analysis means the detection of signal parameters from speech samples recorded by the human
speaker. These parameteres will be further used in signal segmentation stage. Analysis can be done
in time or frequency domain. Time domain analysis, as our approach is, leads to the detection of
signal characteristics directly from waveform samples.
We have extracted following parameters: maximum and median amplitude, signal energy,
number of zero-crosses and fundamental frequency.
302
VOCAL
DATABASE
CONSTRUCTION
UNIT MATCHING,
CONCATENATION
AND SYNTHESIS

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Signal Amplitude gives information about presence or absence of speech, about voiced and
unvoiced features of the signal on analyzed segment. In the case of a voiced segment of speech, as
a vowel utterance, the amplitude is higher, beside the case of an unvoiced speech segment, where
amplitude is lower.
Mean amplitude for N samples has the following form ([7]):
1
M ( n)
x(
m)
| w(
n m
)
(1)
|
N m
where: x(m) represents the current sample of speech signal, and
w(n-m) is the considered windowing function.
Signal Energy is used for getting the characteristics of transported power of speech signal.
For a null-mean signal, short term mean energy is defined as [8]:
1
2
E(
n)
x(
n)
w
( n m
)]
(2)
[
N m
Voiced segments (like vowels) have a higher mean energy, while the unvoiced segments
(like fricative consonants) have a lower mean energy. For the majority speech segments, energy is
concentrated in 300-3000 Hz band.
Number of zero-crosses is used for determining frequency characteristics inside a segment.
The number of zero-crossings is calculated as follows ([7]):
1
[ N
n0
NTZ
1sgn(
s(
n 1
) T ) sgn(
s(
nT ))]
2
(3)
where sgn(n) represents the sign function:
1,
n 0
sgn( n )
. (4)
1,
n 0
303

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Number of zero-crosses is a characteristic used in determining voiced/unvoiced feature of
speech segments. Inside voiced segments number of zero-crosses is lower, while inside unvoiced
segments this parameter has much higher values.
Fundamental Frequency is an important parameter used in voice synthesis that
corresponds with the signal periodicity. This parameter must be computed on short segments of
time, because of speech signal variability. Fundamental frequency is calculated only for voiced
segments where the signal is almost periodical, while unvoiced segments are nonperiodical signals
and they have not fundamental frequency.
For computing this parameter we have developed a time-domain method based on local
maximum and minimum values of signal amplitude, as one can find in [9].
3. SPEECH SEGMENTATION
Finding an optimal approach for speech signal segmentation is an imperative in building
acoustic database of a voice synthesis system. This section presents a segmentation method that
have been designed and implemented by the authors, method which is capable to detect S/U/V
(Silence- Unvoiced- Voiced) components of speech signal, to divide these components in regions
with specific characteristics, and to associate regions with a known phonetic input sequence
(figure 2):
Speech signal
S/U/V Segmentation
Compaction
Region
Classification
Phonetic
Segmentation
Figure 2. Speech signal segmentation
304

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
3.1. S/U/V SEGMENTATION
Our segmentation method uses time domain analysis of speech signal. After low-pass
filtering of signal, zero-crossing waveform points ( Zi) are detected. Then minimum ( mi) and
maximum (Mi) values between two adjacent zero points are computed.
Separation between silence and speech segments is realized by using a threshold value Ts
on signal amplitude. In silence segments, all mi and Mi points must be lower than this threshold:
|
M i | T
s
|
mi
| T
s
, i = s… s+n, (5)
where s is the segment sample index and n is the number of samples in that segment.
For speech segments, distance Di between two adjacent zero points is computed.
Decision of voiced segment is assumed if distance is greater than a threshold distance V:
Di V , i = s,… , s+n (6)
Z1
Figure 3. A voiced segment of speech
For the zero points between A and B from figure 3 to be included in the voiced segment, a
look-ahead technique has been applied. A number of maximum Nk zero points between Zi and Zi+k
can be inserted in voiced region if Di-1>V and Di+k >V :
D
D
i
D
i
j
1
k
V
V
V
A
B
305
Zn
, j = i..k; k

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
threshold U:
A segment is assumed unvoiced if distance between two adjacent zeros is smaller than a
Di U , i = s,… , s+n (8)
Transient segments are also defined and they consist of regions for which conditions (6),
(7) and (8) are not accomplished. In these rel ations, V and U thresholds have been chosen
according to statistical median frequency for vowels and fricative consonants.
3.2. COMPACTING REGIONS
After first appliance of above algorithm, a large set of regions will be created. Since voiced
regions are well determined, the unvoiced are broken by intercalated silence regions. This situation
appears because unvoiced consonants have low amplitude so they can break in many
silence/unvoiced subregions.
Transient segments can also appear inside the unvoiced segment because of signal
bouncing above zero line.
Figure 4 shows such an example, in which numbered regions are unvoiced, simple-line and
unnumbered are silence regions, and double-line are transient regions.
All these regions will be packed together in the second pass of the algorithm, so the result
will be a single unvoiced region – as one can see in figure no. 5.
After segmentation, voiced and unvoiced segments are coupled according to the syllable
chain that is used in vocal database construction process. Appropriate acoustic units will be
detected, labeled and stored in vocal database.
Figure 4. Determining regions for an unvoiced segment of speech
Figure 5. Compacting regions of above segment
306

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
3.3 REGIONS CLASSIFICATION
The SUV segmentation process presented above divides the signal in four basic categories:
Silence, Voiced, Unvoiced and Transition. Each category will be further classified in distinct types
of regions, totally 10 classes: silence, unvoiced-silence, voiced, voiced glide, voiced plosive,
voiced jump, transition, irregular (rugged), high density and unvoiced consonant (figure 6). The
aim of this classification is to associate Romanian phonemes with signal regions having some
particular traits.
CLASS
Figure 6. The four categories and ten classes of regions
These ten classes of regions are shortly presented as follows:
1. Silence Region (S)
Represents a region without speech, where signal amplitude is very low.
2. Unvoiced Silence (US)
This region is a combination of silence S and unvoiced consonant C region. Detecting of
this region as separate class was necessary because of fricative consonants that can be
uttered at low amplitude, and so they could be found in these US regions.
3. Voiced Region (V)
The voiced region contains all vowels from Romanian: /A/, /E/, /I/, /O/, /U/, /Ǎ/, /Î/, glide
/L/, nasals /M/, /N/, and some voiced plosive consonants as /P/, /B/, /D/.
4. Voiced Glide (VG)
This is a region corresponding to a voiced discontinuity and is associated with a minimum
of energy. This situation may occur when a glide consonant like /R/ splits a sequence of
vowels.
CATEGORY
5. Voiced Plosive (VP)
Region
S V T U
S US V VG VP VJ T IR HD C
307

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Also a region of voiced discontinuity corresponding to intermediate frequencies associated
with plosive consonants like /C/ or /G/, occurring when these consonants are splitting a
sequence of vowels.
6. Voiced Jump (VJ)
Is a region similar with voiced region V, but it has no periodicity. It is due to the balance of
vocal signal only above or underlying median zero line. This region has no vowel or other
phoneme correspondence in speech signal, but a transition or co-articulation.
7. Irregular Region (IR)
This is a region in which one can find plosive consonants like /C/, /G/ or /P/. Usually it
comes after a silence region, it has a short duration and a frequency band intermediate
between vowels and fricative consonants.
8. High Density transition (HD)
Is a transition region with high frequency values, which could indicate emergency of
fricative consonants. Signal is not integrated in C or US classes because of positive or
negative balance relative to median zero value.
9. Transition (T)
This is an intermediate region between voiced and unvoiced and which has no the
characteristics of IR or HD classes.
10. Unvoiced Consonant (C)
For Romanian language, this class contains fricative consonants /S/, /Ş/, /Ţ/, /F/, /Z/, /J/,
/H/, and non-fricatives /Ce/, /Ci/, /Ge/, /Gi/ .
For detecting these classes, median amplitude MA(n), number of zero-cross points NTZ,
signal energy E(n) have been used as section 2 describes in (1)-(4), and also short-term Fourier
coefficients for detection of VP and HD special cases.
3.4. PHONETIC SEGMENTATION
Phonetic segmentation is the process of associating phonetic symbols with the speech
signal. This process is very usefull when we want to develop an acoustic database from a large
speech corpus. Phonetic segmentation gives the capability of detecting and separating phonetic
units from speech, units that will be used in achieving the output acoustic chain sequence through
concatenation.
308

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
State of the art on this field exposes some different methods for automated or semi-
automated phonetic segmentation of speech signal: iterative methods with training stages (as
HMM segmentation or region frontiers refinement), methods based on association rules, statistical
methods (like segmentation based on generalized likelihoods GLR), a.o.
Phonetic sgmentation method proposed by the authors is a method based on association
rules, which realises a correspondence between phonetic groups taken from an input stream and
distinct types of regions detected from the speech signal. Segmentation algorithm parses the input
text and tries to find the best match for each phonetic group with one or more regions of speech
signal.
Input text is first written into a special phonetic transcription, using a simple look-after
table, which includes phoneme and word transitions. Transcripted text is splitted into a sequence
of phonetic groups. Special association rules will establish a correspondence with specific regions
detected from speech signal.
For associating phonetic groups with sequences of regions, as further in our approach, we
have used LEX parser generator. We have written a set of association rules, each rule specifying a
phonetic pattern for associating a particular group with a sequence of regions, and also specifying
a condition to be verified in order to make that association. Each condition outlines: type of region,
minimal and maximal duration, type of association: unique region or sequence of regions.
Figure 7 presents association between a phonetic group i
i i
G F F ,..., F
309
i
, where Fk i are
1 , 2
phonetic symbols, and a sequence of regions i
i
i
SR REG REG ,..., REG
correspondence rule Ri : Gi COND_REGi .
Text
Rules
Signal
…
…
…
REG1 i
F1 i
N
, by the meaning of a
1 , 2
F2 i … Fk i … …
R1: G1 Cond_Reg1
Ri: Gi Cond_Regi
Rn: Gn Cond_Regn
REG2 i
Figure 7. Association between phonetic groups and signal regions
Gi
…
REGN i
…
N
k

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Here are two samples of rules for associating with regions:
(a) a generic fricative consonant and
(b) a specific group of consonants:
{CONS} { /* FRICATIVE CONSONANT */
CheckRule(i); // check processing rule for current group for
// going only forward
SetLen(L_CONS1,L_CONS2); // set minimum and maximum duration
CheckRegion(R_CONS); // check next region to be an unvoiced
// consonant
TestReject(); //if above conditions are not complied,
}
TR { /* GROUP OF TWO CONSONANTS: /TR/ */
//rejects the rule and go to the next matching
CheckRule(j); // check processing rule
SetLen(L_TR1,L_TR2); // set minimum and maximum duration
CheckSumReg(R_ANY && !R_VOC); // check a sequence of regions
310
// of any type but not voiced
TestReject(); // if above conditions are not complied,
}
//rejects the rule and go to the next matching
In figure 8 one can see the result of applying our method of association phonemes-regions
on a sample male utterance:
Figure 8. Phonetic segmentation for the expression:

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
4. BUILDING THE VOCAL DATABASE
Phonetic segmentation method described in previous section has been designed for
segmentation and labelling of speech corpora, having as main objective the construction of vocal
database of our speech synthesis system. In our approach, realisation of vocal database implies
separation of acoustic segments that correspond with phonetic syllables of Romanian language
and storing these segments into a hierarchical structure. Vocal database includes in this moment
only a subset of Romanian language syllables. We have not considerred in this implementation
diphones.
The speech corpus used for extracting acoustic units was built from common Romanian
sentences, from separate words containing syllables, and also from artificial words constructed for
the emphasis of one specific syllable. After recording, speech signal was normalized in pitch and
amplitude. Then phonetic segmentation was applied and acoustic syllables were stored in database.
The vocal database has a tree data structure; each node in the tree corresponds with a
syllable characteristic, and a leaf represents appropriate syllable.
Units are stored in database following this classification (figure 9):
- after length of syllables : we have two, three or four characters syllables (denoted S2, S3
and S4) and also singular phonemes (S1);
- after position inside the word: initial or median (M) and final syllables (F);
- after accentuation: stressed or accentuated (A) or normal (N) syllables.
S2 syllables, that are two-character syllables, have following general form:
- {CV} (C=consonant, V=vowel), for example: ‚ba’, ‚be’, ‚co’, ‚cu’, etc, but we have also
recorded syllable forms like:
- {VC}, as ‚ar’, ‚es’, etc., forms that usually appear at the beginning of Romanian words.
S3 syllables, composed from three phonemes, can be of following types:
- {CCV} , for example: ‚bra’, ‚cre’, ‚tri’, ‚ghe’;
- {CVC} , like: ‚mar’, ‚ver’;
- {CVV} , for example: ‚cea’, ‚cei’, ‚soa’.
S4 four-character syllables have different forms from {CCVV} , {CVCV} to {CVVV}.
311

Level 3
O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Level 2
Level 1
5. TEXT ANALYSIS
Figure 9. Database hierarchical structure
Text analysis is the first on-line process of text-to-voice conversion flow. This stage begins
with the detection of linguistic units from the input text that has to be synthesized. Linguistic units
are sentences, words and segmental units, that in our approach are the syllables.
Detection of sentences and words is done based on punctuation and literal separators. For
detection of syllables we had to design a set of linguistic rules for splitting words into syllables,
inspired from Romanian syntax rules ([3]).
The principle used in detecting linguistic units is illustrated in figure no. 10. Here we can
see the structure of text analyzer that corresponds to four modules designed for detection of units,
prosody information and unit processing.
These modules are:
- a lexical analysis module for detection of basic units;
- a phonetic analysis module for generating prosody information;
- a high level analysis module for detection of high-level units;
- the processing shell for unit processing.
S2 S3 S4
Med Fin Med Fin Med Fin
312
R
N A
A N A N A N A N A N
bá zú ba zu bea zoa chea sunt beau zeau

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Figure 10. Text analysis for syllable detection
Lexical analyzer extracts text characters and clusters them into basic units. We refer to the
detection of alphabetical characters, numerical characters, special characters and punctuation
marks. Using special lexical rules (that have been presented in [9] - [13]), alphabetical characters
are clustered as syllables, digits are clustered as numbers and special characters and punctuation
marks are used in determining of word and sentence boundaries.
Phonetic analyzer gets the syllables between two breaking characters and detects stress
position, i.e. the accentuated syllable from corresponding word.
Then, high-level analyzer takes the syllables, special characters and numbers provided by
the lexical analyzer, and also prosodic information, and constructs high-level units: words and
sentences. Also basic sentence verification is done here.
Processing shell finally takes linguistic units provided from the previous levels and, based on
some computing subroutines, classifies and stores them in appropriate structures. From these
structures, synthesis module will construct the acoustic waves and will synthesize the text.
5.1. SYLLABLE DETECTION
Lexical analyzer is called by the higher level modules for detection of basic lexical units:
syllables, breaking characters and numbers. The lexical analyzer is made by using LEX scanner
generator [4]. LEX generates a lexical scanner starting from an input grammar that describes the
parsing rules. Grammar is written in BNF standard form and specifies character sequences that can
be recognized from the input. These sequences refer to syllables, special characters, separators and
numbers.
Text
Syntactical
Rules
Lexical
Analysis
Lexical
Rules
High Level
Sentences
Analysis Words
Shell
Syllables
Numbers
Separators
313
Phonetic
Analysis
Phonetic
Rules
Stress
position

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
Hereby, input text is interpreted as a character string. At the beginning, current character is
classified in following categories: digit, alphanumeric character, and special character. Taking into
account left and right context, current character and the characters already parsed are grouped to
form a lexical unit: a syllable, a number or a separator. Specific production rules for each category
indicate the mode each lexical unit is formed and classified, and also realize a subclassification of
units (integer or real numbers, type of separators: word or sentence separator, etc).
A syllable-detection rule may have following general forms:
{PATTERN} { Proceed_Syllable;} (F1)
{ROOT_PATTERN}/{PATTERN} { Proceed_Syllable;} (F2)
{PATTERN}{TERMINATION}/{SEP} { Proceed_Syllable;} (F3)
Rule (F1) is applied for diphthongs like /OA/ or /IU/ that always occur in same syllable
inside the root of a word, regardless of subsequent (right) context. Rule (F2) applies for middle -
word syllables with a right context of specific phonems or other syllables, since rule (F3) applies
for ending-word syllables (having a right context of a word separator).
Regarding rule matching process inside lexical analyzer, two types of rule sets were made:
a basic set consisting of three general rules, and a large set of exception rules which states the
exceptions from the basic set.
The basic set shows the general decomposition rules for Romanian.
First rule is that a syllable consists of a sequence of consonants followed by a vowel:
syllable ={CONS}*{VOC} (R1)
Second rule statues that a syllable can be finished by a consonant if the beginning of the
next syllable is also a consonant:
syllable={CONS}*{VOC}{CONS}/{CONS} (R2)
Third rule says that one or more consonants can be placed at the final part of a syllable if
this is the last syllable of a word :
syllable={CONS}*{VOC}{CONS}*/{SEP} (R3)
314

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
The exception set is made up from the rules that are exceptions from the three rules of
above. These exceptions are situated in the front of basic rules. If no rule from the exception set is
matched, then the syllable is treated by the basic rules. At this time, the exception set is made up
by more then 180 rules. Rules are grouped in subsets that refer to resembling character sequences.
All these rules were completely explained in [9].
5.2. SYLLABLE ACCENTUATION
The principle for determining syllable accentuation resembles with that of lexical analyzer
for detecting syllables already exposed. After the text parser returns from input stream current
word consisting of phonemes F1, F2, …, Fk and delimited by a separator, phonetic analyzer reads
this word and detects syllable accentuation based on phonetic rules. Rules have been also written
in BNF form and set into LEX input.
In Romanian, stressed syllable can be one of last four syllables of the word: Sn, Sn-1, Sn-2 or
Sn-3, ( Sn is the last syllable). Most often, stress is placed at next to last position.
and
The rules set for determining accentuation consists of:
a) One general rule meaning Sn-1 syllable is stressed:
{LIT}+/{SEP} { return(SN-1);} (G1)
b) A consistent set of exceptions, organized in classes of words having the same
termination. Each rule from exceptions set presents following form:
{PATTERN}{TERMINATION}/{SEP} { return(SN-x);} (E1)
where x can be one of 0, 1, 2, 3.
At this time, the exception set is made up by more then 250 rules. All these rules were
presented and completely explained in [9].
6. UNIT MATCHING, CONCATENATION AND SYNTHESIS
Matching process is done according to the three–layer classification of units: number of
characters in the syllable, accentuation and the place of syllable inside the word.
If one syllable is not found in vocal database, this will be constructed from other syllables
and separate phonemes that are also recorded. Following situations may appear:
315

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
(a) Syllable is matched in appropriate accentuated form. In this case acoustic unit will be
directly used for concatenation.
(b) Syllable is matched but not the accentuation. In this case, unit is reconstructed from
other syllables and phonemes which abide by the necessary accentuation.
(c) Syllable is not matched at all, so it will be constructed from separate phonemes.
After matching, units are simply concatenated to result the acoustic chain that will be
synthesized. In this stage of development, our system works with intrasegmental prosody i.e.
accentuation inside words, and doesn’t support sentence-level prosody like intonation. The rhythm
of speech can be adjusted by intercalating different periods of silence between syllables, words and
sentences.
7. IMPLEMENTATION
The purpose of our work was to build a speech synthesis system based on concatenation of
syllables. The system includes a syllable database in which we have recorded near 400 two-
character syllables, 150 most frequent three-character syllables and 50 four-character syllables.
Syllables that are not included in database are synthesized from existing syllables and separate
phonemes that are also recorded.
The speech synthesis system first invokes text analyzer for syllable detection, then phonetic
analyzer for determining the accentuation. Appropriate units (stressed or unstressed) are matched
from vocal database, and speech synthesis is accomplished by syllable concatenation.
8. CONCLUSIONS AND RESULTS
We have presented in this article a complete method for building a syllable-based text-to-
speech system. Our approach is based on rules that apply in the most important stages of
projecting a speech synthesis system: construction of the vocal database, by extracting acoustic
units from speech, and text processing stage, by extracting linguistic units using phonetic and
lexical rules.
First, speech signal was segmented in basic categories and ten different classes of regions.
Then, a rule-based segmentation method was invoked onto a speech corpus in order to associate
input phonemes with regions. We have used this segmentation method to separate phonetic units
from speech corpora and create the vocal database.
Special efforts have been done to accomplish the text processing stage. Here we have
designed two sets of rules: one set of rules for detecting word syllables and a second set for
316

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
determining the accentuation inside each word. Although these sets are not complete, they cover
yet a good majority of cases. The lexical analyzer is based on rules that assure more than 98%
correct syllables detection, since accentuation analyzer provides about 93% correct detection rate
(computed on near 50000 words collection consisting of various Romanian texts from literature,
religion, science and technical fields).
The advantages of detecting syllables through a rules-driven analyzer are: separation
between syllables detection and system code, facile readability and accessibility of rules. Other
authors ([ 1]) have used LEX only for pre-processing stage of text analysis, and not for units
detection process itself. Some methods support only a restricted domain ([6]), since our method
supports all Romanian vocabulary. The rules-driven method also needs fewer resources than
dictionary-based methods (like [5]).
About speech synthesis outcome, the results are encouraging, and after a post-recording
stage of syllable normalization we have obtained a good, near-natural quality of speech synthesis.
Even diphones have not been considered in our method, the speech outcome is not affected. For
the future implementations, we have in mind the completion of syllable and accentuation rules sets
and also the completion of syllables database according to a self-generated statistics of Romanian
syllables, aspects that will improve the system performance.
REFERENCES
1. BURILEANU, D., et al., A Parser-Based Text Preprocessor for Romanian Language TTS
Synthesis, Proceedings of EUROSPEECH'99, Budapest, Hungary, vol. 5, pp. 2063-2066, Sep.
1999.
2. BURILEANU, C., et al., Text-to-Speech Synthesis for Romanian Language: Present and
Future Trends, in the volume “Recent Advances in Romanian Language Technology” (D.
Tufiş, P. Andersen – Eds.), Publishing House of the Romanian Academy, Bucharest, pp. 189-
206, 1997.
3. CIOMPEC, G., et al., Limba română contemporană. Fonetică, fonologie, morfologie, Editura
Didactică şi Pedagogică, Bucharest, 1985.
4. FREE SOFTWARE FOUNDATION, Flex - a scanner generator, http://www.gnu.org/
software/flex/manual, October 2005.
5. HUNT, A., BLACK, A., Unit selection in a concatenative speech synthesis system using a
large speech database, IEEE International Conference on Acoustics, Speech and Signal
Processing ICASSP ’96 Proceedings, Atlanta, GA, pp. 373–376, May 1996.
317

O. Buza, G. Toderean, J. Domokos, A. Zs. Bodo, Construction of a Syllable-Based Text-To-Speech System for Romanian
6. LEWIS, E., TATHAM, M., Word and Syllable Concatenation in Text-To-Speech Synthesis,
Sixth European Conference on Speech Communications and Technology, pp. 615—618,
ESCA, September 1999.
7. PICONE, J.W., Signal modeling techniques in speech recognition, Proceedings IEEE vol. 81,
pp. 1215-1246, September 1993.
8. LUPU E., POP P., Prelucrarea numerică a semnalului vocal, vol.1, Ed. Risoprint, 2004.
9. BUZA, O., Vocal interactive systems, doctoral paper, Electronics and Telecommunications
Faculty, Technical University of Cluj-Napoca, 2005.
10. BUZA, O., TODEREAN, G., Syllable detection for Romanian text-to-speech synthesis, Sixth
International Conference on Communications COMM’06 Bucharest, pp. 135-138, June 2006.
11. BUZA, O., TODEREAN, G., A Romanian Syllable-Based Text-to-Speech Synthesis, Proc. of
the 6th WSEAS Internat. Conf. on Artificial Intelligence, Knowledge Engineering and Data
Bases (AIKED ’07), CD Proceedings, Corfu Island, Greece, 16-19 February, 2007.
12. BUZA, O., TODEREAN, G., About Construction of a Syllable-Based TTS System, WSEAS
Transactions on Communications, Issue 5, Volume 6, May 2007, ISSN 1109-2742, 2007.
13. BUZA, O., TODEREAN, G., NICA, A., BODO, Z., Original Method for Romanian Text-to-
Speech Synthesis Based on Syllable Concatenation, published in the volume “Advances in
Spoken Language Technology”, coordinated by Corneliu Burileanu and Horia-Nicolai
Teodorescu, ed. by The Publishing House of the Romanian Academy, composed of the Proc. of
the 4th Conference on Speech Technology and Human Computer Dialogue “SpeD 2007”,
organized by the Romanian Academy, the University “Politehnica” of Bucharest, and the
Technical University of Iasi, Iasi, Romania, pp. 109-118, 10-12 May, 2007.
14. BUZA, O., TODEREAN, G., Metode de Sinteză din Text a Vorbirii pentru Limba Română,
The Second International Conference "Telecommunications, Electronics and Computer
Science" ICTEI 2008, Chişinău, Republica Moldova, pp. 209-214, 15-18 May, 2008.
318
Technical University of Cluj-Napoca
Baritiu 26-28, Cluj-Napoca, Romania
E-mail address: Ovidiu.Buza@com.utcluj.ro

319
Anexa 6. Lucrări ştiinţifice ale autorului prezentate în extenso
2. O. Buza, G. Toderean, About Construction of a Syllable-Based TTS System, WSEAS
TRANSACTIONS on COMMUNICATIONS, Issue 5, Volume 6, May 2007, ISSN 1109-
2742, 2007
WSEAS TRANSACTIONS
on COMMUNICATIONS
Issue 5, Volume 6, May 2007
ISSN 1109-2742 http://www.wseas.org
Estimation of a Partial Transmitter Contribution to the Total Electromagnetic Field
Exposure in a Multi-Transmitter Environment
D. Stratakis, A. Miaoudakis, N. Farsaris, T. Xenos, V. Zacharopoulos
Reflection and Transmission Characteristics of Layered Bianisotropic Metamaterials 683
Ruyen Ro, Sean Wu
Optimal Statistical Energy Balancing Protocols for Wireless Sensor Networks 689
B. Hegyi, J. Levendovszky
Efficient and Transparent Service Discovery Mechanisms in Wireless Ad Hoc
Networks
Vladimir Atanasovski, Liljana Gavrilovska
Optical Label Switching Method based on Optical CDM Code Processing 701
Wang-Hsai Yang, Chih-Chao Wen
About Construction of a Syllable-Based TTS System 707
Ovidiu Buza, Gavril Toderean
Wavelet-Based Image Compression using a New Partial Search LBG Algorithm 715
Somphob Soongsathitanon
675
695

About Construction of a Syllable-Based TTS System
OVIDIU BUZA, GAVRIL TODEREAN
Department of Telecommunications
Technical University of Cluj-Napoca
26 – 28 G. Baritiu Str., 400027, Cluj-Napoca
ROMANIA
Ovidiu.Buza@cs.utcluj.ro Gavril.Toderean@com.utcluj.ro http://bavaria.utcluj.ro/~toderean
Abstract: - This article presents several steps that we have accomplished in order to construct a syllablebased
TTS system for Romanian. These steps are: projecting a text analysis method capable to separate
syllables from input text and detect accentuation, building a vocal database from speech recordings,
projecting a unit matching algorithm and a synthesizer method. Our approach uses rule-driven text analysis
and automated wave segmentation for database generation.
Key-Words: - syllable-based TTS system, rule-driven text analyzer, automatic wave signal segmentation
1 Introduction
Concatenation of waveforms represents a method
more and more used in our days because of high
level of naturalness in produced speech. Corpusbased
methods are among best approaches, but
they need great efforts for database maintaining.
Syllable-based methods can be an alternative,
as they need a limited units database. Using of
syllables in synthesis also leads to a good level of
speech naturalness and low concatenation error
rate because of small number of concatenation
points inside the synthesized text.
This article presents an original approach for
constructing a syllable-based TTS system for
Romanian. The syllable approach is very
appropriate in our case, because Romanian spoken
language contains a big number of opened vowels
that gives a constant rhythm of speech and similar
manner of accentuating words.
Text
Text
Analysis
Basic
units
Prosody
data
Fig.1. Main functionalities of our Text-to-Speech system
320
Also, Romanian language contains a relative
small number of syllables, so we have obtained a
reduced size of vocal database.
Our text-to-speech system consists of ([7]):
- a text analysis module that brings input text and
produces basic units, that in our approach are
syllables, and prosody data, which mean the
information about how words are accentuated;
- a unit matching module that generates acoustic
units sequence according to the linguistic units
detected from the input and prosody data;
- a speech synthesis module that generates speech
based on the acoustic units sequences.
The particular aspects of our work are:
- using of linguistic and phonetic rules based of
which we have done text analysis and obtained
appropriate units and prosody data;
- automatic generation of database from recorded
sequences.
Unit
Matching
Synthesis

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
First of all we have built a linguistic analyzer
module that is capable to split the input text into
syllables. Next step was to determine accentuation
by mean of a phonetic analyzer. Then we have
automatically produced a database with PCM
coded syllables of Romanian language. Synthesis
was done by concatenating acoustic units from
database and giving appropriate commands to the
computer’ sound blaster for voice generation.
2 Text Analysis
First stage in text analysis is the detection of
linguistic units: sentences, words and segmental
units that in our approach are the word syllables.
Detection of sentences and words is done
based on punctuation and literal separators. For
Text
Sub
Routines
Sintactical
Rules
Lexical
Analysis
Lexical
Rules
Processing shell accomplishes the unit
processing task and controls the subsequent
modules. The shell calls high-level analyser for
returning main syntactic units. High-level
analyser calls the lexical analyser for input text
parsing and detection of basic units. Then
phonetic analysis module is called for generating
stress information.
Lexical analyser extracts text characters and
clusters them into basic units. We refer to the
detection of alphabetical characters, numerical
Processing
Shell
Fig, 2. Text analyser for syllable detection
321
detection of syllables we had to design a set of
linguistic rules for splitting words into syllables,
inspired from Romanian syntax rules ([2], [3]).
The principle used in detecting linguistic units
is illustrated in figure no. 2. Here we can see the
structure of text analyser that corresponds to four
modules designed for detection of units, prosody
information and unit processing.
These modules are:
- lexical analysis module for detection of basic
units;
- phonetic analysis module for generating prosody
information;
- high level analysis module for detection of highlevel
units;
- processing shell for unit processing.
Unit
processing
High Level
Sentences
Analysis Words
Syllables
Numbers
Separators
Phonetic
Analysis
Phonetic
Rules
Stress
position
characters, special characters and punctuation
marks. Using special lexical rules (that have been
presented in [8]), alphabetical characters are
clustered as syllables, digits are clustered as
numbers and special characters and punctuation
marks are used in determining of word and
sentence boundaries.
Phonetic analyser gets the syllables between
two breaking characters and detects stress
position, i.e. the accentuated syllable from
corresponding word.

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
Then, high-level analyser takes the syllables,
special characters and numbers provided by the
lexical analyser, and also prosodic information,
and constructs high-level units: words and
sentences. Also basic sentence verification is done
here.
Processing shell finally takes linguistic units
provided from the previous levels and, based on
some computing subroutines, classifies and stores
them in appropriate structures. From here synthesis
module will construct the acoustic waves and will
synthesize the text.
3 Lexical Analysis for Syllable
Detection
Lexical analyzer is called by the higher level
modules for detection of basic lexical units:
syllables, breaking characters and numbers. The
lexical analyzer is made by using LEX scanner
generator [4]. LEX generates a lexical scanner
starting from an input grammar that describes the
parsing rules. Grammar is written in BNF standard
form and specifies character sequences that can be
recognized from the input. These sequences refer
to syllables, special characters, separators and
numbers. Also BNF grammar specifies the actions
to be taken in the response of input matching,
actions that will be accomplished by the processing
shell subroutines.
The whole process realized by the lexical
analyzer is illustrated in figure no. 3. As we can
see, input text is interpreted as a character string.
At the beginning, current character is classified in
following categories: digit, special character or
separator, and alphanumeric character. Taking into
account left and right context, current character
and the characters already parsed are grouped to
form a lexical unit: a syllable, a number or a
separator. Specific production rules for each
category indicate the mode each lexical unit is
formed and classified, and also realize a
subclasification of units (for numbers if they are
integer or real numbers, and for separators – the
type: word or sentence separator, affirmative,
interrogative, imperative or special separator).
Once the unit type and subtype is identified,
corresponding character sequence is stored and
transmitted to the high-level analyzer by mean of
specific actions, as they will be described in next
paragraph ( Process syllable, Process number,
Process separator).
322
Text
C C C C C C C C C C
Digit Separator Alphabetic
Rules
Rules
Rules
Integer Real Sep 1 … Sep n Syllable
Process number Process separator Process syllable
Fig.3. Lexical analyser for syllable detection
3.1 Specific actions of lexical analyser
Specific actions inform high-level module about
matching of syllables, numbers and breaking
characters. Inside lexical parser three types of input
response actions are defined as follows:
A. Process syllable – this is the action to be
taken when a syllable is matched in specific
location of one word.
Special attention is taken when a syllable is
matched at the beginning of a word. In Romanian,
different word decomposition rules apply when a
character sequence occurs at the beginning or in
the middle or the final part of a word.
B. Process number – is the action to be taken
when a number is matched from the input. The
number is identified as INTEGER or REAL type.
In future stage, numbers will be translated in
orthographic alphabetical form.
C. Process separator - is the action
corresponding to a breaking character matching
from the input. Breaking characters and
punctuation marks are used for detecting word and
sentence boundaries.
3.2 Syllable rules matching
Regarding syllable rules matching process inside
lexical analyser, two types of rule sets were made:
a basic set consisting of three general rules, and a
large set of exception rules which statues the
exceptions from the basic set.

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
(A) The basic set shows the general
decomposition rules for Romanian. First rule is
that a syllable consists of a sequence of consonants
followed by a vowel:
syllable ={CONS}*{VOC} (R1)
Second rule statues that a syllable can be
finished by a consonant if the beginning of the next
syllable is also a consonant:
syllable={CONS}*{VOC}{CONS}/{CONS}(R2)
Third rule says that one or more consonants can
be placed at the final part of a syllable if this is the
last syllable of a word :
syllable={CONS}*{VOC}{CONS}*/{SEP}(R3)
(B) The exception set is made up from the rules
that are exceptions from the three rules of above.
These exceptions are situated in the front of basic
rules. If no rule from the exception set is matched,
then the syllable is treated by the basic rules. At
this time, the exception set is made up by more
then 100 rules. Rules are grouped in subsets that
refer to resembling character sequences. All these
rules are explained in [7], [8].
4 Syllable Accentuation
The principle for determining syllable accentuation
is shown in the following diagram:
WORD
Text
Parser
F1 F2 ... Fk S
Phonetic
Rules
Phonetic
Analyzer
STRESS
Fig.4. The principle of detecting syllable
accentuation
Sn-3
Sn-2
Sn-1
The parser returns current word from input
stream. The word consists of series of phonemes
F1, F2, …, Fk and is delimited by a separator S.
Sn
323
Phonetic analyser reads this word and detects
syllable accentuation based on phonetic rules.
In Romanian, stressed syllable can be one of
last four syllables of the word: Sn, Sn-1, Sn-2 or Sn-3, (
Sn is the last syllable). Most often, stress is placed
at last but one position.
The rules set consists of this general rule (Sn-1
syllable is stressed):
{LIT}+/{SEP} { return(SN_1);}
and a consistent set of exceptions, organized in
classes of words having the same termination. In
[7] one can find the complete set of rules.
5 High Level Analysis
High-level analyser takes low-level information:
syllables, special characters and numbers from the
lexical analysis module and constructs high-level
structures: words and sentences.
High-level analysis module takes a regular
production rules set which specifies the syntax of
input text. Input text is considered to be a set of
sentences, each sentence – a set of words and each
word is composed by one, two or more syllables.
Sentences, and words respectively, are bounded by
separators.
Hierarchical structure of high-level units is
presented in figure no.5. In this diagram, greyed
units (syllables, numbers and separators) are the
outcome of lexical analyser. Thereby, high-level
or syntactical analyser module invokes lexical
analyser for providing next lexical unit from input
text: a syllable, a number or a separator.
Based on the lexical units, at this level are
formed syntactical units as words, sentences and
text. High-level analyser also has the capability to
call, for each syntactical unit separated from text, a
specific subroutine from processing shell module.
In our implementation, words and sentences are
processed by calling two subroutines from
processing shell: Process_Word and
Process_Sentence.
Based on corresponding terminators, at this
level, sentences are classified as regular,
imperative or interrogative. Such a classification is
very important for modifying speech prosody (in
future developments).

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
Text
Sentence Separator Sentence Separator Sentence Separator
Fig.5. Hierarchical structure of high-level analysis
6 Wave Signal Segmentation
For the construction of vocal database, an
appropriate method for wave signal segmentation
is a request. In our approach, segmentation was
done through an automated procedure which can
detect silence/speech and voiced/unvoiced signal.
The automated procedure uses time domain
analysis of signal. After a low-pass filtering of
the signal, zero-cross (Z i) wave samples were
detected. Minimum (m i) and maximum (M i)
points between two zeros were also computed.
Separation between silence and speech is done
using an amplitude threshold Ts . In silence
segments all MIN and MAX points have to be
smaller than Ts:
|
M i | T
s
|
mi
| T
s
. ! Tab ? ;
Word Separator Word Separator Word Separator
Number
Alphabetic
, i = s… s+n (1)
In (1) s is the segment sample index and n is
the number of samples in that segment.
For speech segments distance between two
adjacent zero-cross points (D i = d(Zi,Zi+1)) is
computed. Decision of voiced segment is assumed
if distance is greater than a threshold distance V:
Space Tab . , ? !
Integer Real
Syllable Syllable Syllable
324
Di V , i = s,… , s+n (2)
Z1
A
B
Fig.6. A voiced segment of speech
For the zero points between A and B from
figure 6 to be included in the voiced segment, a
look-ahead technique has been applied. A number
of maximum Nk zero points between Zi and Zi+k
can be inserted in voiced region if Di-1>V and
Di+k >V :
D
D
i
D
i
j
1
k
V
V
V
Zn
, j = i..k; k

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
A segment is assumed unvoiced if distance Di
between two adjacent zeros is smaller than a
threshold U:
Di U , i = s,… , s+n (4)
Transient segments are also defined and they
consist of regions for which conditions (2), (3)
and (4) are not accomplished.
After first appliance of above algorithm, a
large set of regions will be created. Since voiced
regions are well determined, the unvoiced are
broken by intercalated silence regions. This
situation appears because unvoiced consonants
325
have low amplitude so they can break in many
silence/unvoiced subregions.
Transient segments can also appear inside the
unvoiced segment because of signal bouncing
above zero line.
Figure 7 shows such an example, in which
numbered regions are unvoiced, simple-line and
unnumbered are silence regions, and double-line
are transient regions.
All these regions will be packed together in the
second pass of the algorithm, so the result will be
a single unvoiced region – as one can see in figure
no. 8.
Fig.7. Determining regions for an unvoiced segment of speech
After segmentation, voiced and unvoiced
segments are coupled according to the syllable
chain that is used in vocal database construction
process. Acoustic units are labelled and stored in
database. Each region boundary can be viewed
with a special application and, if necessary, can be
adjusted.
7 Vocal Database Construction
Vocal database includes a subset of Romanian
language syllables. Acoustic units were separated
from male speech and normalized in pitch and
amplitude.
Vocal database with recorded syllables has a
tree data structure. Each node in the tree
corresponds with a syllable characteristic, and a
leaf represents appropriate syllable.
Fig.8. Compacting regions of above segment
Units have been inserted in database following
this classification:
- after length of syllables : we have two, three or
four character syllables (denoted S2, S3 and S4)
and also singular phonemes;
- after position inside the word: initial or median
(Med) and final syllables (Fin);
- after accentuation: stressed or accentuated (A) or
normal (N) syllables.
This classification offers the advantage of
reducing time for matching process between
phonetic and acoustic units.
Organization of vocal database is shown in
figure no. 9. Level one nodes indicate length of
syllables, level two nodes indicate median or final
syllables, and level three accentuated or normal
syllables.

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
Level 1
Level 2
Level 3
8 Unit Matching Process
The matching process is done according to the
three–layer classification of units: number of
characters in the syllable, accentuation and the
place of syllable inside the word.
If one syllable is not founded in vocal
database, this will be constructed from other
syllables and separate phonemes that are also
recorded. Following situations may appear:
(a) Syllable is matched in appropriate
accentuated form. In this case acoustic unit will be
directly used for concatenation.
(b) Syllable is matched but not the
accentuation. In this case, unit is reconstructed
from other syllables and phonemes which abide
by the necessary accentuation.
(c) Syllable is not matched, so it will be
constructed from existing syllables and phonemes.
9 Implementation
The purpose of our work was to build a speech
synthesis system based on concatenation of
syllables. The system includes a syllable database
in which we have recorded 386 two-character
syllables: 283 middle-word syllables and 103
ending-word syllables, 139 most frequent threecharacter
syllables and 37 four-character syllables.
S2 S3 S4
Med Fin Med Fin Med Fin
Fig.9. The tree data structure of vocal database
R
N A
A N A N A N A N A N
bá zú ba zu bea zoa chea sunt beau zeau
326
Syllables that are not included in database are
synthesized from existing syllables and separate
phonemes that are also recorded.
The speech synthesis system first invokes text
analyzer for syllable detection, then phonetic
analyser for determining the accentuation.
Appropriate unit (stressed or unstressed) is
matched from vocal database, and speech
synthesis is accomplished by syllable
concatenation.
10 Conclusions and Results
We have presented in this article a complete
method for construction of a syllable-based TTS
system. Special efforts have been done to
accomplish the text processing stage. After
serious researches in linguistic field, we have
designed one set of rules for detecting word
syllables and a second set for determining which
syllable is accentuated in each word. Even these
sets are not complete, they cover yet a good
majority of cases. The lexical analyzer is entirely
based on rules that assure more than 85% correct
syllable detection at this moment, since
accentuation analyser provides about 75% correct
detection rate.

WSEAS TRANSACTIONS ON COMMUNICATIONS Ovidiu Buza, Gavril Toderean
Text
Lexical analysis
Syllable
detection
Basic units:
Syllables
Phonetic
analysis
Accentuation
Prosodic info:
Stress
Unit
Concatenation
and Synthesis
Unit
Matching
Vocal
Database
Fig.10. The principle of our syllable-based
speech synthesis system
The advantages of detecting syllables through
a rules-driven analyser are: separation between
syllables detection and system code (different
from [9], where syllables detection algorithm is
integrated in source code); from here we have
easy readability and accessibility of rules. Other
authors [1] have used LEX only for preprocessing
stage of text analysis, and not for units
detection process itself. Some methods support
only a restricted domain [6], since our method
supports all Romanian vocabulary. The rulesdriven
method also needs less resources than
dictionary-based methods (like [5]).
Our automated segmentation method assures
less errors in concatenation points: waves begin
and stop at zero-points and contain integer
numbers of periods.
About speech synthesis outcome, first results
are encouraging, and after a post-recording stage
of syllable normalization we have obtained a good
quality of speech synthesis. In future
implementations, F0 adaptive correction in
concatenation points will improve this
performance.
327
References:
[1] Burileanu D., et al., A Parser-Based Text
Preprocessor for Romanian Language TTS
Synthesis, Proceedings of EUROSPEECH'99,
Budapest, Hungary, vol. 5, pp. 2063-2066, Sep.
1999.
[2] Constantinescu-Dobridor G., Sintaxa limbii
române, Editura Ştiinţifică, Bucureşti, 1994
[3] Ciompec G. et al., Limba română
contemporană. Fonetică, fonologie, morfologie,
Editura Didactică şi Pedagogică, Bucureşti, 1985.
[4] Free Software Foundation, Flex - a scanner
generator, http://www.gnu.org/software/flex
/manual, October 2005.
[5] Hunt A., Black A., Unit selection in a
concatenative speech synthesis system using a
large speech database, Proc. ICASSP ’96, Atlanta,
GA, May 1996, pp. 373–376.
[6] Lewis E., Tatham M., Word And Syllable
Concatenation In Text-To-Speech Synthesis, Sixth
European Conference on Speech Communications
and Technology, pages 615—618, ESCA,
September 1999.
[7] Buza O., Vocal interractive systems, doctoral
paper, Electronics and Tele-communications
Faculty, Technical University of Cluj-Napoca,
2005
[8] Buza O., Toderean G., Syllable detection for
Romanian text-to-speech synthesis, Sixth
International Conference on Communications
COMM’06 Bucarest, June 2006, pp. 135-138.
[9] Burileanu C. et al., Text-to-Speech Synthesis
for Romanian Language: Present and Future
Trends, http://www.racai.ro/books/awde/
burileanu.htm