Teza doctorat (pdf) - Universitatea Tehnică
Share Embed Flag
Download ePaper

Teza doctorat (pdf) - Universitatea Tehnică

Teza doctorat (pdf) - Universitatea Tehnică Teza doctorat (pdf) - Universitatea Tehnică

users.utcluj.ro
from users.utcluj.ro More from this publisher
15.06.2013 Views

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română Aceste unităţi silabice pot genera silabe care nu au fost cuprinse în baza de date vocală, dar care apar în componenţa unor cuvinte din dicţionar. Câteva exemple sunt date în tabelul următor: Tabelul 7.1. Unităţi silabice din afara dicţionarului care generează silabe din dicţionar Silabă Context Accent Notaţie 248 Cuvânt în dicţionar Silabă generată Cuvânt în dicţionar ce FIN ACC cé A F - cél A F acél de FIN ACC dé A F - dél A F modél ţe FIN ACC ţé A F - ţél A F oţél … zo FIN ACC zó A F - zót A F azót … 3) Înregistrarea digitală a rostirii După constituirea seturilor de cuvinte, s-a trecut la rostirea efectivă a acestora, în scopul înregistrării corpusului vocal. A fost ales un vorbitor masculin, urmărindu-se rostirea corpusul textual într-un ritm constant, cu o aceeaşi tonalitate a vocii. Construirea bazei de date a început efectiv odată cu procesul de înregistrare a rostirii vorbitorului uman, rostire care a inclus unităţile fonetice silabice în diferite contexte şi moduri de pronunţie. După cum am văzut, în baza de date nu au fost înregistrate toate silabele limbii române, ci doar un subset al acestora, silabele care n-au fost incluse fiind apoi generate pe baza celor existente. Procesul de înregistrare a semnalului vocal a presupus folosirea unei aparaturi speciale constituită dintr-un microfon, o placă digitizoare de semnal acustic, şi un program software specializat pentru lucrul cu fişiere audio. Autorul a folosit un microfon dinamic semiprofesional, o placă audio Creative SoundBlaster şi programul de digitizare audio Cool Edit Pro v2.0. Parametrii de înregistrare au fost următorii: înregistrare de tip uni-canal, frecvenţa de eşantionare: 16 kHz, dimensiunea eşantioanelor: 16 biţi, codificare: PCM, formatul fişierului audio: WAVE. 4) Normalizarea înregistrării În urma înregistrării, eşantioanele audio au urmat o fază de normalizare, adică de aducere a lor la o formă unitară în tot cuprinsul bazei vocale. Normalizarea presupune prelucrarea digitală a semnalului vocal înregistrat, proces care poate fi făcut manual sau semiautomat, prin intermediul unui program software specializat, sau automat, în cazul în care se proiectează algoritmi speciali de normalizare. Autorul a folosit o procedură semiautomată, disponibilă prin intermediul aplicaţiei Cool Edit Pro v2.0.

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română În urma normalizării, corpusul vocal conţine toate înregistrările de aceeaşi amplitudine (rostirile prezentând aceeaşi tărie sonoră), precum şi frecvenţă fundamentală constantă (corespunzând unor rostiri de aceeaşi tonalitate, acelaşi ritm şi intonaţie constantă). În primul rând, aceste cerinţe legate de amplitudine şi frecvenţă fundamentală se referă la segmentele vocale care prezintă aceste caracteristici, cu alte cuvinte la segmentele corespunzătoare vocalelor fonetice. 5) Crearea corpusului paralel text-voce În vederea prelucrării semnalului şi descompunerii acestuia în unităţi acustice, înregistrările au fost salvate în fişiere audio în format WAVE. Fiecare fişier audio conţine una sau mai multe secvenţe de cuvinte din corpusul vorbit, depinzând de capacitatea vorbitorului de a păstra un ritm şi o tonalitate constante pe parcursul înregistrării. Pentru a realiza segmentarea automată a semnalului în regiuni fonematice a fost necesară utilizarea a două corpusuri în paralel, şi anume: corpusul vorbit, înregistrat în fişiere audio, şi respectiv corpusul textual corespondent. Astfel, odată cu salvarea fiecărui fişier audio, a fost stocat şi fişierul text asociat conţinutului său. VOCE TEXT Figura 7.4. Crearea corpusului paralel text-voce 6) Segmentarea semnalului vocal în regiuni fonematice Această etapă urmăreşte descompunerea semnalului vocal în regiuni corespunzătoare secvenţelor fonematice (şiruri de foneme). Această operaţie va d uce în final la separarea unităţilor silabice din semnalul vocal înregistrat. Paşii care au fost realizaţi sunt ilustraţi în figura 7.5. ANALIZA SEMNALULUI VOCAL Parametri de semnal FIS1.WAV FIS1.TXT SEGMENTARE S/U/V Regiuni de semnal FIS2.WAV FIS2.TXT COMPACTARE REGIUNI Regiuni compacte Figura 7.5. Paşii realizaţi pentru segmentarea semnalului în regiuni fonematice a) Analiza semnalului vocal presupune determinarea parametrilor semnalului utili în faza de segmentare. Conform paragrafului 4.2.1 (analiza în domeniul timp a semnalului vocal), au 249 FIS3.WAV FIS3.TXT CLASIFICARE REGIUNI Clase de regiuni ….. SEGMENTARE FONEMATICǍ Regiuni fonematice

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română<br />

Aceste unităţi silabice pot genera silabe care nu au fost cuprinse în baza de date vocală,<br />

dar care apar în componenţa unor cuvinte din dicţionar. Câteva exemple sunt date în tabelul<br />

următor:<br />

Tabelul 7.1. Unităţi silabice din afara dicţionarului care generează silabe din dicţionar<br />

Silabă Context Accent Notaţie<br />

248<br />

Cuvânt în<br />

dicţionar<br />

Silabă<br />

generată<br />

Cuvânt în<br />

dicţionar<br />

ce FIN ACC cé A F - cél A F acél<br />

de FIN ACC dé A F - dél A F modél<br />

ţe FIN ACC ţé A F - ţél A F oţél<br />

…<br />

zo FIN ACC zó A F - zót A F azót<br />

…<br />

3) Înregistrarea digitală a rostirii<br />

După constituirea seturilor de cuvinte, s-a trecut la rostirea efectivă a acestora, în scopul<br />

înregistrării corpusului vocal. A fost ales un vorbitor masculin, urmărindu-se rostirea corpusul<br />

textual într-un ritm constant, cu o aceeaşi tonalitate a vocii.<br />

Construirea bazei de date a început efectiv odată cu procesul de înregistrare a rostirii<br />

vorbitorului uman, rostire care a inclus unităţile fonetice silabice în diferite contexte şi moduri de<br />

pronunţie. După cum am văzut, în baza de date nu au fost înregistrate toate silabele limbii<br />

române, ci doar un subset al acestora, silabele care n-au fost incluse fiind apoi generate pe baza<br />

celor existente.<br />

Procesul de înregistrare a semnalului vocal a presupus folosirea unei aparaturi speciale<br />

constituită dintr-un microfon, o placă digitizoare de semnal acustic, şi un program software<br />

specializat pentru lucrul cu fişiere audio. Autorul a folosit un microfon dinamic semiprofesional,<br />

o placă audio Creative SoundBlaster şi programul de digitizare audio Cool Edit Pro v2.0.<br />

Parametrii de înregistrare au fost următorii: înregistrare de tip uni-canal, frecvenţa de<br />

eşantionare: 16 kHz, dimensiunea eşantioanelor: 16 biţi, codificare: PCM, formatul fişierului<br />

audio: WAVE.<br />

4) Normalizarea înregistrării<br />

În urma înregistrării, eşantioanele audio au urmat o fază de normalizare, adică de aducere<br />

a lor la o formă unitară în tot cuprinsul bazei vocale. Normalizarea presupune prelucrarea<br />

digitală a semnalului vocal înregistrat, proces care poate fi făcut manual sau semiautomat, prin<br />

intermediul unui program software specializat, sau automat, în cazul în care se proiectează<br />

algoritmi speciali de normalizare. Autorul a folosit o procedură semiautomată, disponibilă prin<br />

intermediul aplicaţiei Cool Edit Pro v2.0.

logo

products

Resources

Company

Terms of service
Privacy policy
Cookie policy
Cookie settings
Imprint
Change language
Made with love in Switzerland
© 2024 Yumpu.com all rights reserved

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!