Teza doctorat (pdf) - Universitatea Tehnică

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).