Teza doctorat (pdf) - Universitatea Tehnică

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.