Teza doctorat (pdf) - Universitatea Tehnică

Cap. 7. Proiectarea sistemului de sinteză de voce în limba română
a) lungime: silabe alcătuite din două, trei sau patru litere, precum şi foneme singulare;
b) poziţia silabei în interiorul cuvântului: silabe iniţiale/mediane sau finale;
c) accentuare: silabe accentuate sau neaccentuate.
În final, în baza de date au fost înregistrate aproximativ 600 de unităţi acustice, foneme şi
silabe, considerând atât silabele de segment median şi final, cât şi silabele accentuate şi
neaccentuate, astfel: 386 de silabe de două litere, 139 de silabe de trei litere, 37 de silabe
alcătuite din patru litere şi 36 de foneme singulare.
2. Conversia text-voce
Conversia text-voce reprezintă a doua fază, ce decurge on-line, în funcţionarea sistemului
LIGHTVOX şi cuprinde toate etapele ce trebuie parcurse pentru ca dintr-un text iniţial să se
genereze vorbirea sintetică asociată.
Etapele componente ale acestei faze sunt următoarele:
a) preprocesarea textului,
b) corectarea ortografică,
c) detecţia unităţilor lingvistice,
d) determinarea prozodiei locale,
e) regăsirea unităţilor acustice,
f) îmbinarea unităţilor,
g) sinteza de voce.
Aceste etape au fost pe larg prezentate în cadrul metodei de sinteză bazată pe silabe, în
secţiunea 6.4.
Mai întâi a fost implementat un analizor lexical de preprocesare a textului, pentru
exapandarea abrevierilor şi transcrierea fonetică a numerelor din text.
Apoi s-a implementat analizorul şi setul de reguli corespondent pentru corectarea
ortografică a textului.
A fost apoi creat analizorul lexical pentru despărţirea în silabe, apoi cel pentru regăsirea
accentelor (silabele accentuate din compunerea cuvintelor). Ambele au necesitat găsirea unor
reguli de despărţire în silabe şi de accentuare a cuvintelor pentru limba română.
Odată găsite unităţile lexicale de bază (silabele), a fost proiectat un analizor sintactic care
să preia aceste unităţi lexicale şi să construiască structura de cuvinte şi propoziţii a textului de la
intrare.
A urmat implementarea unui algoritm de potrivire a unităţilor fonetice extrase din text cu
unităţile acustice înregistrate în baza de date. Deoarece unităţile din baza vocală constituie un
subset al silabelor existente în limba română, a trebuit proiectat un algoritm de selecţie optimală
a unităţilor, care să asigure o rostire optimă din punct de vedere acustic şi perceptual.
Îmbinarea unităţilor regăsite din baza de date şi sinteza vocală propriu-zisă nu au ridicat
dificultăţi deosebite, aceste module fiind proiectate cu ajutorul funcţiilor API Windows.
264