Teza doctorat (pdf) - Universitatea Tehnică

274
Cap. 8. Concluzii finale
- nivelul Categorie : silabe de două, trei sau patru foneme (S2, S3, S4);
- nivelul Context : segment median sau final, relativ la poziţia din cadrul cuvântului;
- nivelul Accent : silabe accentuate sau neaccentuate în interiorul cuvântului;
- nivelul Silabă : unităţile acustice înregistrate în format WAVE.
8) Proiectarea şi implementarea unui algoritm de regăsire în baza de date a unităţilor
acustice în funcţie de caracteristicile acestora: lungime, context şi accentuare. Algoritmul
construieşte seturile de diviziune pentru fiecare silabă şi realizează o potrivire optimă cu unităţile
din baza de date vocală, asigurându-se astfel o redare sonoră cât mai fidelă a unităţii lingvistice
din text.
13. Proiectarea şi implementarea unui sistem de sinteză vocală adaptat special limbii
române, ce foloseşte ca şi unităţi fonetice silabele, numit LIGHTVOX. Sistemul a fost conceput
ca un sistem text-to-speech, în care sinteza vorbirii se realizează pornind de la un text în limba
română. Sistemul utilizează metoda de sinteză pe bază de silabe dezvoltată de autor.
A fost propusă o metodologie de proiectare a sistemului de sinteză de voce, urmărind
două direcţii principale: construirea bazei de date acustice şi conversia text-voce. Construirea
bazei de date a inclus următoarele etape: înregistrarea eşantioanelor de voce, normalizarea
semnalului, segmentarea semnalului în regiuni, segmentarea fonematică, separarea unităţilor
acustice şi construirea bazei de date. Conversia text-voce include etapele: preprocesarea textului,
corectarea ortografică, detecţia unităţilor lingvistice, determinarea prozodiei locale, regăsirea
unităţilor acustice, îmbinarea unităţilor şi sinteza de voce.
Implementarea prototipului sistemului LIGHTVOX s-a făcut pe o structură modulară
având cinci componente:
- modulul de analiză lingvistică, având sarcina de a face analiza textului de la intrare în
scopul extragerii unităţilor fonetice de bază - silabele;
- modulul de analiză prozodică, ce urmăreşte detectarea elementelor de prozodie
segmentală, respectiv a accentelor din cadrul cuvintelor;
- modulul de gestiune a bazei de date vocale, care efectuează toate operaţiunile legate de
baza de date ce conţine unităţile acustice;
- modulul de potrivire a unităţilor fonetice, ce asigură punerea în cores-pondenţă între
silabele extrase din textul de sintetizat şi silabele existente în baza de date vocală;
- modulul de sinteză propriu-zisă a rostirii, care realizează concatenarea formelor de undă
şi produce sinteza propriu-zisă.
Acest prototip al sistemului LIGHTVOX a fost implementat în limbajul Visual C++ şi
testat pe un calculator Pentium, rezultatele experimentale arătând o calitate bună a sintezei
rostirii, având un grad ridicat de fluenţă şi naturaleţe.
14. Generarea bazei de date vocale pentru sistemul de sinteză, alcătuită dintr-un subset al
silabelor limbii române. Silabele au fost înregistrate în diferite contexte şi moduri de pronunţie,
incluzând aspectele prozodice intrasegmentale (accentuaţia). 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: 386 de silabe alcătuite din două
foneme, 139 de silabe tri-fonematice, 37 de silabe tetra-fonematice şi 36 de foneme singulare.