Teza doctorat (pdf) - Universitatea Tehnică

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];
. . . . .