Síntesis de parla
La síntesis de parla és la producció artificial del parla. El sistema computarizado que és usat en este propòsit és cridat computadora de parla o sintetisador de veu i pot ser implementat en productes software o hardware. Un sistema text-to-speech (TTS) convertix el llenguage de text normal en parla; atres sistemes recreen la representació simbòlica llingüística com transcripcions fonètiques en parla.[1]

El parla sintetisada pot ser creada a través de la concatenació de fragments de parla gravats que són almagasenats en una base de senyes. Els sistemes diferixen en el tamany de les unitats de parla almagasenades; un sistema que almagasena fonos i difonos permet un major ranc de sons pero carix de claritat. Per a usos específics, el tamany de l'almagasenament de paraules completes o oracions permet una major calitat d'àudio. De manera alternativa, un sintetisador pot incorporar un model de tracto vocal o atres característiques de la veu humana per a recrear completament una veu "sintètica".[2]
La calitat d'un sintetisador de veu es juja per la similitut que tinga en la veu humana i la seua habilitat per a ser entés en claritat. Un programa de conversió de text en parla inteligible permet que les persones en discapacitats visuals o dificultats per a llegir puguen escoltar texts en una computadora. Molts sistemes operatius tenen sintetisadors de veu integrats des de principis dels noranta.

Un sistema o "motor" de text a parla (TTS) està compost de dos parts:[3] un front-end i back-end. El front-end té dos tasques principals. Primer, convertir el text en caràcters, números, símbols i abreujaments en el seu equivalent en paraules escrites. Este procés és cridat com "normalisació del text", "pre-processament" o "tokenisació", posteriorment el front-end assigna una transcripció fonètica a cada paraula, marca i dividix el text en unitats prosódicas, com a frases, clàusules i oracions. El procés d'assignar transcripcions fonètiques a les paraules és cridat conversió "text a fonema" o "grafema a fonema". L'informació de transcripcions fonètiques o prosódicas preparen l'informació de la representació simbòlica llingüística que és el resultat del front-end. El back-end, comunament referit com el "sintetisador", convertix la representació simbòlica llingüística en sò. En alguns sistemes, esta part inclou el còmput de "intenció prosódica" (to del perfil, duració dels fonema),[4] el qual és implementat en la veu d'eixida.
Història
Ans que el processament de senyal electrònic fora inventat, va haver els qui varen intentar construir màquines per a imitar el parla humana. Algunes de les primeres llegendes de l'existència dels "Brazen Heads" varen involucrar a Silvestre II (d. 1003 AD), Alberto Magne (1198–1280) i Roger Bacon (1214–1294).
En 1779 el científic danés Christian Kratzenstein, mentres treballava en l'Acadèmia de Ciències de Rússia, va construir models del tracto vocal humà que podien reproduir els sons de les cinc vocals (en notació de l'Alfabet Fonètic Internacional per a l'anglés, són [aː], [iː], [iː], [oː] i [oː]).[5] Açò va ser continuat per la "Wolfgang von Kempelen's Speaking Machine" operada per manches feta per Wolfgang von Kempelen de Bratislava, Hongria, descrita en un text en 1791.[6] Esta màquina va integrar models de llavis i llengua, permetent produir consonants, aixina com vocals. En 1837 Charles Wheatstone va produir un "màquina parlante" basada en el disseny de Von Kempelen, i en 1857, M. Faber va construir la màquina "Euphonia". El disseny de Wheatstone va ser amprat per Paget en 1923.[7]
En la década dels trenta, els laboratoris Bell varen desenrollar el vocoder, el qual automàticament analisava el parla a través de la seua nota fonamental i resonàncies. Del seu treball en el vocoder, Homer Dudley va desenrollar un sintetisador operat per un teclat cridat The Voder, el qual va ser exhibit en la New York World's Fair de 1939.[8]
El "Pattern playback" va ser construït pel Dr. Franklin S. Cooper i els seus colegues en els laboratoris Haskins a finals dels quaranta i finalisat en els cinquanta. Hi ha hagut vàries versions d'este dispositiu d'hardware, pero solament una existix. La màquina convertix les imàgens de patrons acústics del parla (espectrograma) en sò. Usant este dispositiu, Alvin Liberman i els seus colegues varen conseguir descobrir indicadors acústics per a la percepció de segments fonètics (vocals i consonants).[9]
Els sistemes dominants en els huitanta i noranta eren el sistema DECtalk, basat en el treball de Dennis Klatt en MIT,[10] i el sistema dels laboratoris Bell;[11] que despuix es convertiria en un dels primers sistemes multi-llenguages independents, fent un us extensiu dels métodos de processament de llenguages naturals.
Els primers sintetisadors de parla tenien un sò robòtic i posseïen poca inteligibilitat. La calitat del parla sintetisada ha segut millorada, pero l'àudio d'eixida de la síntesis de parla contemporànea encara és distinguible del parla humana.
Per la proporció de cost-rendiment, els sintetisadors de parla s'han convertit cada volta més barats i accessibles per a les persones, més gent serà beneficiada per l'ús de programes text-parla.
Dispositius electrònics
Els primers sistemes de computadora basats en la síntesis de veu varen ser creats en els cinquanta. El primer sistema general d'anglés de text-parla va ser desenrollat per Noriko Umeda et al. en 1968 en Laboratori Electrotecnico en Japó.[12] En 1961, el físic John Larry Kelly, Jr i el seu colega Louis Gerstman[13] varen usar una computadora IBM 704 per a sintetisar la veu, un event important en l'història dels laboratoris Bell. El sintetisador de veu de Kelly (vocoder) va reproduir la cançó "Daisy Bell" en l'acompanyament musical de Max Mathews. Casualment, Arthur C. Clarke estava visitant al seu amic i colega John Pierce en els laboratoris Bell en Murray Hill. Clarke estava tan impressionat per la demostració que la va usar en l'escena clímax per a la seua novela 2001: A Space Odyssey,[14] a on la computadora HAL 9000 canta la mateixa cançó quan posa a dormir a l'astronauta David Bowman.[15] Pese a l'èxit de la síntesis de veu electrònica pura, encara es contínua investigant sobre els sintetisadors de veu mecànics.[16]
Dispositius mòvils electrònics incloent síntesis de veu varen començar a aparéixer en els setanta. Uns dels primers va ser la calculadora per a cegos Speech+ de Telesensory Systems Inc. (TSI) en 1976.[17][18] Atres dispositius varen ser produïts en fins educatius com el "Speak & Spell", creat per Texas Instruments en 1978.[19] Fidelity va llançar una versió parlante del seu escacs electrònic en 1979.[20] El primer videojoc en incloure la síntesis de veu va ser l'arcade Matamarcianos, Stratovox, de Sunsoft.[21] Un atre dels primers eixemples és la versió arcade de Berzerk del mateix any. El primer joc electrònic multijugador en usar la síntesis de veu va ser "Milton" de Milton Bradley Company,[22] la qual va produir el dispositiu en 1980.
Tecnologies del sintetisador
Les qualitats més importants dels sistemes de síntesis de veu són la "naturalitat" i la "inteligibilitat". La naturalitat descriu qué tan prop l'àudio d'eixida esta de la veu humana, mentres que l'inteligibilitat és el grau d'enteniment que té l'àudio. El sintetisador de veu ideal és tant natural com a inteligible. Els sistemes de síntesis de veu usualment tracten de maximizar estes característiques.[23]
Les dos tecnologies primàries que generen formes d'ones sintètiques de veu són la "síntesis concatenativa" i la "síntesis de formantes". Cada tecnologia té les seues fortalees i debilitats, depenent del seu us es podrà determinar que acostament serà usat.[24]
Síntesis concatenativa
La síntesis concatenativa està basada en la concatenació (o unió) de segments d'una veu gravada. Generalment, la síntesis concatenativa produïx el sò més natural d'una veu sintetisada. No obstant, les diferències entre les variacions naturals en el parla i la naturalea de les tècniques automatisat per a segmentació de formes d'ona algunes voltes resulta en glitches audibles en l'àudio d'eixida. Existixen tres sub-tipos de síntesis concatenaitva.
Síntesis de selecció d'unitats
La síntesis de selecció d'unitats ampra bases de senyes de veus gravades. Durant la creació de la base de senyes, cada enunciat gravat és segmentat en: fonos, difonos, mijos fonos, sílabes, morfemes, paraules, frases i oracions. Normalment la divisió en segments és feta en ajuda d'un sistema de reconeiximent de la parla modificat, usant representacions visuals com la forma d'ona i un espectrograma.[25] Un índex de les unitats de veu en la base de senyes és creat basat en la segmentació i en paràmetros acústics com la freqüència fonamental (to), duració, posició de la sílaba i fonema propencs. Durant el temps d'eixecució, l'enunciat desijat és creat determinant la major cadena possible d'unitats (selecció d'unitats). Este procés és portat a terme usant un arbre de decisió.
La selecció d'unitats permet una naturalitat major degut a que ampra un menor processament digital de senyals (DSP) en el parla gravada. El processament digital de senyals usualment ocasiona que el sò de la veu no siga tan natural, encara que alguns sistemes ampren una chicoteta cantitat de processament de la senyal en el punt de la concatenació per a ajustar la forma d'ona. L'àudio d'eixida de la millor selecció d'unitats usualment és indistinguible de les veus humanes reals, especialment en contexts en sistemes TTS. No obstant, un major naturalitat requerix de bases de senyes de selecció d'unitats molt grans, en alguns sistemes aplegant a ser de gigaoctets de senyes gravades, representant dotzenes d'hores de veu.[26] També els algoritmes de selecció d'unitats són coneguts per seleccionar segments d'un lloc menys ideal (ej. les paraules chicotetes no són clares) encara que una millor opció existix en la base de senyes.[27] Recentment, els investigadors han proposts varis métodos automatisat per a detectar segments no naturals en els sistemes de síntesis de selecció d'unitats.[28]
Síntesis de difonos
La síntesis de difonos usa una base de senyes de veu mínima que conté tots els difonos (transicions entre sons) que ocorren en el llenguage. El número de difonos depén de la fonotáctica del llenguage: per eixemple, en l'idioma espanyol existixen al voltant de 800 difonos i en l'alemà 2500. En la síntesis de difonos, solament un eixemple de cada difono és almagasenat en la base de senyes de veus. En el temps d'eixecució, la prosòdia objectius d'una oració és superposta en estes unitats mínimes a través de tècniques de processament digital de senyal com la codificació predictiva llineal, PSOLA[29] o MBROLA[30] o tècniques més recents com la codificació del to en el domini de la font amprat la transformada de coseno discreta.[31] La síntesis de difonos sofrix de glitches sons de la síntesis concatenativa i el sò de naturalea robòtica de la síntesis de formantes i té poques ventages sobre qualsevol atre acostament més que el seu tamany. El seu us en aplicacions comercials ha disminuït, encara que seguix sent investigada degut el seu número d'aplicacions en software gratuït.
Síntesis de domini específic
La síntesis de domini específic concatena paraules i frases pregrabadas per a crear enunciats complets. És usada en aplicacions a on la varietat dels texts del sistema està llimitada a una eixida d'àudio en un domini particular, com els anuncis en un calendari de trànsit o reportes del clima.[32] La tecnològica és molt simple d'implementar i ha segut amprada de manera comercial per varis anys en dispositius com a calculadores o rellonges parlantes. El nivell de naturalitat d'estos sistemes pot ser molt alt degut a que la varietat els tipos d'oracions esta llimitada i conseguixen estar molt prop de la prosòdia i entonament de les gravacions originals.
Degut a que estos sistemes estan llimitats per les paraules i frases en les seues bases de senyes, no són amprats per a propòsits generals i solament poden sintetisar combinacions de paraules i frases als que han segut programats. La adherència de les paraules en la naturalitat del llenguage pot causar problemes, a menos que les variacions siguen presa en conte. Per eixemple en els dialectes no róticos de l'anglés les paraules r com «clear» /ˈklɪə/ usualment són pronunciades quan la següent paraula té un vocal en la seua primera lletra (ej. «clear out» es pronuncia com /ˌklɪəɾˈʌʊt/). Com en l'idioma francés, vàries de les últimes consonant no són silencioses si són seguides per una paraula que comence en una vocal, l'efecte és cridat Liaison. Esta alternació no pot ser reproduïda por sistema simple de concatenació, el qual requerix una complexa gramàtica sensible al context adicional.
Síntesis de formantes
La síntesis de formantes no utilisa mostres de veu humana durant el temps d'eixecució. En el seu lloc, l'àudio d'eixida és creat a partir de la síntesis aditiva i un model acústic (síntesis per mig de modelació física).[33] Paràmetros com la freqüència fonamental, fonació i nivells de soroll són variats a través del temps per a crear una forma d'ona d'una veu artificial. Este ficat alguna voltes és nomenat síntesis basa en regles; no obstant, existixen sistemes de concatenació que també tenen components basats en regles.
Varis sistemes basats en la tecnologia de síntesis de formantes generen una veu artificial en sò robòtic que no podria ser confosa en la veu humana. No obstant, la naturalitat màxima no és l'objectiu dels sistemes de síntesis de veu, els sistemes de síntesis de formantes tenen ventages sobre atres sistemes de concatenació. El parla a través de la síntesis de formantes pot ser inteligible, inclusivament a grans velocitats, evitant glitches acústics comuns en els sistemes de concatenació. El parla sintetisada a grans velocitats és usada per persones en dificultats visuals per a navegar de manera més decorreguda en computadores usant un llector de pantalla. Els sintetisadors de formantes són programes chicotets en comparació als sistemes de concatenació degut a que no tenen un base de senyes de mostres de veu. Poden ser amprats en sistemes incrustats a on la memòria i el poder del microprocessador són llimitats. Degut a que els sistemes basats en formantes tenen complet control sobre tots els aspectes de l'àudio d'eixida, una àmplia varietat de prosòdia i entonament poden ser generades, per a transmetre no solament preguntes o declaracions, sino una varietat d'emocions i entonament en la veu.
Alguns eixemples de síntesis de formantes, no en temps real pero en gran precisió en el control de l'entonament, es troben en treballs de finals dels setanta per Texas Instruments en el joguet "Speak & Spell" i a finals dels huitanta en arcades de la companyia SEGA[34] i atres jocs d'arcade d'Atari[35] usant chips TMS5220 LPC de Texas Instrument. Crear l'entonament apropiat era difícil i els resultats tenien que ser empatats en temps real en l'interfaços text-veu.[36]
Síntesis articulatòria
La síntesis articulatòria es referix a les tècniques computacionals per a síntesis del parla basades en els models del tracto vocal humà i els processos d'articulació que ocorren. El primer sintetisador articulatori freqüentment usat en experiments de laboratori va ser desenrollat en els laboratoris Haskins a mitan dels setanta per Philip Rubin, Tom Baer i Paul Mermelstein. Este sintetisador, conegut com ASY, estava basat en models del tracto vocal desenrollat en els laboratoris Bell en els xixanta i setanta per Paul Mermelstein, Cecil Coker i els seus colegues.
Recentment, els models de síntesis articulatòria no havien segut incorporats en sistemes de síntesis de veu comercials. Una excepció notable és el sistema basat en NeXT, originalment desenrollat i lloc a la venda per Trillium Sound Research, una divisió de la companyia de l'Universitat de Calgary, a on molta de l'investigació va ser portada a terme. Següent a la desaparició de NeXT (iniciada per Steve Jobs a finals de la década dels huitanta i fusionara en Apple Computer en 1997), el software Trillium va ser publicat baix GNU General Public License, en el seu treball continuant com gnuspeech. El sistema, posat a la venda en 1994, permet una conversió de text-parla basada en una completa articulació usant una guia d'ones o una llínea de transmissió anàloga de la veu humana i conductes nassals controlats per el "model distintiu de regió" de Carré.
Síntesis basada en models HMM
La síntesis basada en HMM és un mètoto de síntesis basat en models amagats de Màrkov, també cridada síntesis estadística paramédica. En este sistema, l'espectre de freqüències (tracto vocal), la freqüència fonamental (font de la veu) i la duració (prosòdia) del parla són modelats de manera simultànea per HMM. Les formes d'ona del parla són generada pels HMM basats en un criteri màxim verosimilitut.[37]
Síntesis d'ones sinusoidals
La síntesis d'ones sinusoidals és una tècnica per a síntesis de veu a través de la tongada de formantes (principals bandes d'energia) en tons purs.[38]
Vore també
- Proyecte:Wikipedia gravada
- Conversor text-veu
- Llector de pantalla
- LibriVox
- Llingüística computacional
- Podcast
- Processament de llenguage natural
- Prosòdia
- Qwiki
- Reconeiximent de veu
- Síntesis (sò)
- Sintetisador del parla
- Transcriptor fonètic
- Loquendo
- VOCALOID (cantador)
- Microsoft Speech API (en anglés)
- Programes de reconeiximent de veu (en anglés)
- Síntesis de parla en la televisió digital (en anglés)
- Speech Synthesis Markup Language (en anglés)
- UTAU
- Chipspeech
Referències
- ↑ Allen, Jonathan; Hunnicutt, M. Sharon; Klatt, Dennis (1987). From Text to Speech: The MITalk system, Cambridge University Press. ISBN 0-521-30641-8.
- ↑ Rubin, P.; Baer, T.; Mermelstein, P.(1981).«An articulatory synthesizer for perceptual research».Journal of the Acoustical Society of America.70(2): 321–328.doi:10.1121/1.386780.
- ↑ van Santen, Jan P. H.; Sproat, Richard W.; Olive, Joseph P.; Hirschberg, Julia (1997). Progress in Speech Synthesis, Springer. ISBN 0-387-94701-9.
- ↑ Van Santen, J.(Dissabte, 16 d'abril de 1994).«Assignment of segmental duration in text-to-speech synthesis».Computer Speech & Language.8(2): 95–128.doi:10.1006/csla.1994.1005.
- ↑ History and Development of Speech Synthesis, Helsinki University of Technology, Retrieved on November 4, 2006
- ↑ Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine ("Mechanism of the human speech with description of its speaking machine," J. B. Degen, Wien). (alemà)
- ↑ Mattingly, Ignatius G.(1974).«Speech synthesis for phonetic and phonological models».Current Trends in Linguistics.Mouton, The Hague:12: 2451–2487.Consultat el 1 de juliol de 2015.
- ↑ Lawrence, J. (2007). «2», Speech Science Primer: Physiology, Acoustics, and Perception of Speech (en anglés), pp. 24.
- ↑ «The Pattern Playback» (en anglés). Archivat des de l'original, el 18 de febrer de 2006. Consultat el 3 de juliol de 2015.
- ↑ Erro en la seqüencia d'órdens: no existix el mòdul «Citas».
- ↑ Sproat, Richard W. (1997). Multilingual Text-to-Speech Synthesis: The Bell Labs Approach, Springer. ISBN 0-7923-8027-4.
- ↑ Klatt, D. (1987) "Review of Text-to-Speech Conversion for English" Journal of the Acoustical Society of America 82(3):737-93
- ↑ Lambert, Bruce. «Louis Gerstman, 61, a Specialist In Speech Disorders and Processes», New York Times, 21 de març de 1992.
- ↑ «Arthur C. Clarke Biography». Archivat des de l'original, el 11 de decembre de 1997. Consultat el 11 de decembre de 1997.
- ↑ «Where "HAL" First Spoke (Bell Labs Speech Synthesis website)». Bell Labs. Archivat des de l'original, el 29 d'abril de 2011. Consultat el 17 de febrer de 2010.
- ↑ Anthropomorphic Talking Robot Waseda-Talker Séries
- ↑ TSI Speech+ & other speaking calculators
- ↑ Gevaryahu, Jonathan, "TSI S14001A Speech Synthesizer LSI Integrated Circuit Guide"
- ↑ Breslow, et al. United States Patent 4326710: "Talking electronic game"
- Archivat el 4 de setembre de 2015 archivat en Wayback Machine. April 27, 1982
- ↑ Voice Chess Challenger
- ↑ Gaming's Most Important Evolutions
- Archivat el 15 de juny de 2011 archivat en Wayback Machine., GamesRadar
- ↑ "Far-out phonemes." Popular Mechanics (Tech Front Lines). Jun 1981
- ↑ Gahlawata, M., Malika, A., Bansalb, P. Natural Speech Synthesizer for Blind Persons Using Hybrid Approach’’. Procedia Computer Science, 2014, p. 86
- ↑ Schröder, M., Emotional Speech Synthesis: A Review’’. University of the Saarland, 2001, p.1
- ↑ Alan W. Black, Perfect synthesis for all of the people all of the clave. IEEE TTS Workshop 2002.
- ↑ John Kominek and Alan W. Black. (2003). CMU ARCTIC databases for speech synthesis. CMU-LTI-03-177. Language Technologies Institute, School of Computer Science, Carnegie Mellon University.
- ↑ Julia Zhang. Language Generation and Speech Synthesis in Dialogues for Language Learning, masters thesis, Section 5.6 on page 54.
- ↑ William Yang Wang and Kallirroi Georgila (2011). Automatic Detection of Unnatural Word-Level Segments in Unit-Selection Speech Synthesis, IEEE ASRU 2011.
- ↑ «Pitch-Synchronous Overlap and Add (PSOLA) Synthesis». Archivat des de l'original, el 22 de febrer de 2007. Consultat el 28 de maig de 2008.
- ↑ T. Dutoit, V. Pagel, N. Pierret, F. Bataille, O. van der Vrecken. The MBROLA Project: Towards a set of high quality speech synthesizers of use for senar commercial purposes. ICSLP Proceedings, 1996.
- ↑ R Muralishankar, A.G.Ramakrishnan and P Prathibha. Modification of Pitch using DCT in the Source Domain. "Speech Communication", 2004, Vol. 42/2, pp. 143-154.
- ↑ L.F. Lamel, J.L. Gauvain, B. Prouts, C. Bouhier, R. Boesch. Generation and Synthesis of Broadcast Messages, Proceedings ESCA-NATO Workshop and Applications of Speech Technology, September 1993.
- ↑ Dartmouth College: Music and Computers, 1993.
- ↑ com Astre Blaster, Space Fury i Star Trek: Strategic Operations Simulator
- ↑ com Star Wars, Firefox, Return of the Jedi, Road Runner, The Empire Strikes Back, Indiana Jones and the Temple of Doom, 720°, Gauntlet, Gauntlet II, A.P.B., Paperboy, RoadBlasters, Vindicators Part II, Escape from the Planet of the Robot Monsters
- ↑ John Holmes and Wendy Holmes (2001). Speech Synthesis and Recognition, 2ª edició, CRC. ISBN 0-7484-0856-8.
- ↑ «The HMM-based Speech Synthesis System». Hts.sp.nitech.ac.j. Archivat des de l'original, el 13 de febrer de 2012. Consultat el 22 de febrer de 2012.
- ↑ Remez, R.; Rubin, P.; Pisoni, D.; Carrell, T.(22 de maig de 1981).«Speech perception without traditional speech cues».Science.212(4497): 947–949.doi:10.1126/science.7233191.
- Este artícul conté una traducció derivada de «Síntesis de habla» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.