Teza doctorat (pdf) - Universitatea Tehnică

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