Teza doctorat (pdf) - Universitatea Tehnică

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
Modulul de analiză prozodică urmăreşte detectarea elementelor de prozodie segmentală pe
baza textului de la intrare. Într-o primă fază s-au determinat locurile de accentuare a vorbirii în
cadrul cuvintelor, pe baza unui set de reguli de accentuare proiectat specific pentru limba
română.
Modulul de gestiune a bazei de date vocale efectuează toate operaţiunile legate de baza de
unităţi acustice. Baza de date vocală cuprinde un subset al silabelor limbii române obţinut din
înregistrări ale rostirii unui vorbitor uman. Baza de date este organizată în funcţie de tipul
silabelor (accentuate/neaccentuate), poziţia lor în cadrul cuvântului, precum şi după numărul de
foneme componente (două, trei sau patru).
Modulul de potrivire a unităţilor fonetice cu unităţile acustice asigură potrivirea dintre silabele
extrase din textul de sintetizat şi silabele existente în baza de date vocală în format acustic, ca
forme de undă. Potrivirea va trebui realizată într-un mod optim, ţinând cont de faptul că nu toate
silabele se regăsesc în baza de date.
Modulul de sinteză a rostirii realizează mai întâi concatenarea formelor de undă furnizate de
modulul anterior. Vorbirea propriu-zisă se obţine prin apelul unor funcţii API ce asigură
comanda plăcii audio a calculatorului.
7.2. Structura funcţională a sistemului
Sistemul este prezentat în detaliu în figura 7.2, pe blocuri funcţionale. Se observă
structura completă de tip text-to-speech în care se porneşte de la un text şi se realizează sinteza
completă a vorbirii, LIGHTVOX fiind astfel un sistem de sinteză de nivel înalt. Din punct de
vedere al tipului de abordare, este un sistem de sinteză în domeniul timp, folosind concatenarea
directă a unităţilor acustice neparametrizate. Metoda de sinteză (prezentată în secţiunea 6.4) este
mixtă, din punct de vedere al clasificării sistemelor text-to-speech, îmbinând caracteristici ale
abordării bazate pe concatenarea formelor de undă şi ale abordării bazate pe reguli.
Aşa cum se observă din figura 7.2, sistemul efectuează mai întâi o preprocesare şi o
analiză sintactică a textului iniţial pentru a-l aduce la o formă ortografică corectă. Apoi are loc
determinarea unităţilor lingvistice de bază (în cazul de faţă silabele) şi a informaţiilor prozodice
segmentale (accentul cuvintelor). Pe baza acestor elemente sunt regăsite unităţile acustice din
baza de date vocală care corespund cel mai bine unităţilor lingvistice detectate. Segmentele
acustice sunt concatenate şi apoi are loc sinteza propriu-zisă a vorbirii.
Tot în figura 7.2 se prezintă şi etapele fazei de construcţie a bazei de date vocale. Astfel,
semnalul vocal este mai întâi normalizat şi descompus în secvenţe de regiuni cu proprietăţi
distincte. Secvenţele de regiuni sunt puse în corespondenţă cu fonemele limbii române, urmând
apoi extragerea din semnalul vocal a grupurilor de foneme care alcătuiesc unităţile acustice, în
cadrul unui proces semiautomat. Unităţile acustice se memorează în final în structura ierarhică a
bazei de date.
243