Syntéza řeči z psaného textu

Syntéza řeči z psaného textu

Kód předmětu: NPFL042 Přednáší: Jiří Hanika

Následující text je snahou o velmi stručné a mnohdy zkratkovité zaznamenání oscannovaných zápisků z přednášek, které jsou samy o sobě místy neúplné.

Stručný nástin problematiky

Proces syntézy řeči lze rozdělit do několika fází.

První úsek syntézy obsahuje kroky, které lze zařadit do fonetiky, jeho vstupem je text.

• předzpracování (normalizace)
• fonetická transkripce a vymezení jednotek
  • jednotky: hláska, slabika, přízvukový takt (věměstě), fráze, promluva.
• modelování prosodie
  • suprasegmentální jevy - nedělitelné jevy nad dělitelnými celky
    • intonace (frekvence kmitání hlasivek)
    • pauzy
    • intenzita (akustická energie)
    • časové členění
• volba řečových jednotek
  • silně redundantní řečové korpusy
  • potřeba volit nejvhodnější z mnoha možných vzorků dané jednotky
    • vhodnost - důležitější je kontrast než absolutní hodnota

Druhý úsek můžeme zařadit do oboru zpracování signálu. V této fázi je syntetizován řečový signál (wav,...). Programy realizující tuto část se nazývají syntetizéry.

Řečový signál

Jedná se o soubor signálů různých frekvencí. Můžeme vnímat významné (silné) frekvence, které vytvářejí "hlavní jádro" zvuku. Tyto významné frekvence nazýváme formanty a označujeme je po řadě (se vzrůstající frekvencí) jako F0, F1, ...

Signál o dané frekvenci f má tzv. vyšší harmonické frekvence, což jsou celé násobky f (2, zejména pak 3 násobky), které jsou ve výsledném signálu rovněž zvýrazněné (formanty vytváří na spektrogramu pravidelný vzor).

Formantový syntetizér - vytváří zvukový signál skládáním formantů.

Na spektrogramu signálu rozpoznáváme (velmi nejasné, zda-li je následující vysvětleno pravdivě)

• formant - silný signál určité frekvence
• exploze - prudký ráz v signálu (překonání překážky)
• tranzient - přechod mezi stacionárními kmitáními různé frekvence
• locus - ticho před explozí ??? vrchol, ke kterému směřují formanty před explozí ???

Samohlásky

Stacionární signál. F0 je základní hlasivkový tón, poloha jazyka určuje F1 (nahoře x dole) a F2 (vpředu x vzadu).

Poloha jazyka při vyslovování samohlásek

	nahoře
vzadu	ú,u	ü	i	í	vpředu
		o,ó		é
			a,á
	dole

Souhlásky

Jedná se o prudké změny v signálu (samohlásky jsou naopak stacionární). Rozlišujeme je podle místa a způsobu artikulace.

místo artikulace	bilabiála	labiodentála	pre-alveoláta	post-alveoláta	palatála	velára	glotála
způsob artikulace
explozíva (závěrová)	p,b,m	retozubné m	t,d,n		ť, ď, ň	k, g, velární n	hlasový ráz
frikativa		f,v	s,z	š,ž
afrikáta			c,dz	č, dž
aproximanta	w			j
vibranta			r	ř
laterála			l

Přesnější a přehlednější tabulky IPA

Vysvětlení pojmů

• labia - rty
• dentes - zuby
• alveoles - dásně (horní)
• uvula - čípek
• larynx - hrtan

• frikatíva - při artikulaci dochází ke zúžení dutiny, které se projeví syčením, šumem a turbulencemi. Překážka je neúplná, ale výrazna. Při rezonanci se artikulační ústrojí chová pasivně, energie je dodávána hlasivkami.
• explozíva - závěr, ticho, exploze, návrat
• afrikáta - závěr, ticho, zůžení, návrat

Po fázi ticha mohou nastat:

• klasická exploze
• aspirace (prodloužení uzávěru)
• postupné uvolnění

Výše uvedené neumělé tabulky a další informace můžete najít na stránkách IPA

Suprasegmentály

• frekvence F0
• intenzita
• časové členění (například délka lhásek)

Úrovně

• slabika - hranice mohou být spekulativní, v různých jazycích jsou slabiky vnímány různě (polské [parů] je jednoslabičné, čech označuje jako dvojslabičné)
• přízvukový takt
  • stress-timed jazyky - přízvuky přicházejí pravidelně, nepřízvučné dlouhé části se zkracují (kupř. angličtina)
  • syllable-timed jazyky
  • rozlišujeme rovněž jazyky s volným/pevným přízvukem v rámci taktu
• promluvový úsek
• výpověď

(a spekulativní meziúrovně)

Syntéza

tomáš sedláček

Linky

• webové syntetizéry: [1] [2]