Teza doctorat (pdf) - Universitatea Tehnică

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.