Teza doctorat (pdf) - Universitatea Tehnică

181
Cap. 6. Metode de sinteză de voce
În exemplul de mai sus, parametrul Ctx indică apariţia contextuală a fonemei, Tij este
costul unităţii ( Target Cost), CCij este costul de concatenare ( Concatenation Cost), aici fiind
luate în considerare ponderile asociate contextului stânga, respectiv dreapta al fonemei. Arborele
de decizie asociat acestui exemplu cu trei clase de echivalenţă este dat în figura 6.10:
Figura 6.10. Arborele de decizie pentru fonema “a”
În interiorul clasei de echivalenţă pentru o anumită fonemă, costurile se păstrează ca nişte
măsuri de similaritate acustică. Astfel, pentru costul unităţii Target Cost se calculează o distanţă
spectrală a segmentului faţă de un segment de referinţă ales din interiorul clasei, iar pentru costul
de concatenare Concatenation Cost - o distanţă spectrală calculată în punctele de concatenare,
relativă la acelaşi segment de referinţă.
Dacă în cadrul unui cuvânt de sintetizat, pentru o anumită fonemă nu se găseşte o clasă de
echivalenţă corespunzătoare contextului dorit, se va folosi aceeaşi fonemă dar dintr-o altă clasă
de echivalenţă (dintr-un alt context), iar costurile se vor interpola pe baza ponderilor existente.
La fel se va proceda şi în cazul în care nu este disponibilă o fonemă cu caracteristicile prozodice
de tipul dorit.
Selecţia unităţilor de concatenat se face pe baza arborilor de decizie fonematici, folosind
costurile de unitate şi de concatenare pentru fonemele componente. Funcţiile de cost TC (Target
Cost) şi CC (Concatenation Cost) sunt minimizate folosind un algoritm de programare dinamică.
Secvenţa de foneme care minimizează costul global pe toată propoziţia va fi secvenţa optimă de
concatenat.
T11, CC11
Avantajul metodei Context Clustering este acela că baza de date cu unităţile acustice e
organizată off-line, reducându-se astfel timpul de calcul al sintezei.
a
Ctx=[ms] Ctx=[cs] Ctx=[ft]
T1n , CC1n
T21, CC21
T2n , CC2n
T31, CC31
T3n , CC3n