Teza doctorat (pdf) - Universitatea Tehnică

2.7. Modelul producerii vorbirii
15
Cap. 2. Modalitatea producerii vorbirii
Tehnicile care au ca scop sinteza sau recunoaşterea vorbirii au la bază modelul de
producere a vorbirii umane arătat în figura 2.12. Acest model ţine cont de formarea diferită a
sunetelor, în funcţie de modul de pronunţie. Astfel, sunetele vocii umane pot fi clasificate în două
categorii: sunete sonore şi sunete fricative.
Sunetele sonore se produc prin împingerea aerului din plămâni prin corzile vocale şi apoi
pe nas şi/sau pe gură. Corzile vocale vibrează cu frecvenţe cuprinse între 50 şi 1000 Hz, fapt ce va
avea ca efect stabilirea la această valoare a frecvenţei fundamentale a sunetului emis. Vocalele
sunt un exemplu de sunete sonore. În figura 2.12, sunetele sonore sunt reprezentate de
generatorul de impulsuri, cu amplitudinea reglabilă printr-un parametru de control.
Zgomot
alb
Generator
de impulsuri
Frecvenţa fundamentală
Sunete
nesonore
Sunete
sonore
Figura 2.12. Modelul producerii vorbirii [Ste97]
Filtru
digital
Răspunsul
tractului
vocal
Voce
sintetizată
Sunetele fricative provin din generarea unor zgomote ce intervin pe calea de evacuare a
aerului, şi nu din vibraţii ale corzilor vocale. Aceasta se produce când circulaţia aerului este
blocată de limbă, buze sau dinţi, aceasta având ca rezultat generarea unor turbulenţe de aer în
apropierea locului de comprimare. Sunetele fricative includ consoane precum: /s/, /f/, /z/, /v/. În
modelul prezentat în figura 2.12, fricativele sunt reprezentate de un generator de zgomot aleator.
Ambele surse ale sunetelor sunt modificate de cavităţile acustice formate de limbă, buze,
gură, gât şi pasajele nazale. Ţinând cont că propagarea sunetului prin aceste pasaje este un proces
linear, el poate fi reprezentat ca un filtru liniar cu un răspuns la impuls ales corespunzător. De
obicei se foloseşte un filtru recurent, ai cărui coeficienţi determină caracteristicile filtrului.
Componenetele de frecvenţă maximă sunt numite frecvenţe formantice ale sunetului. Frecvenţele
formantice se modifică odată cu schimbarea poziţiei limbii şi buzelor în timpul rostirii.
După cum s-a prezentat anterior, o metodă uzuală de analiză a semnalelor foloseşte
diagrama spectrală. Semnalul audio este împărţit în segmente scurte de aproximativ 2 până la 40
milisecunde, iar prin transformata Fourier (FFT) se calculează spectrul corespunzător de frecvenţe
pentru fiecare segment. Aceste spectre pot fi alăturate şi transformate într-o imagine a
frecvenţelor componente pentru fiecare segment de timp.