Диссертация (Оценка качества селективного синтеза речи - методы и результаты), страница 9

Данный алгоритм работает спериодами основного тона сигнала. Сигнал разбивается на фрагменты, взвешенныеокном Хеннинга, захватывающим два соседних периода с перекрытием в одинпериод. Затем эти фрагменты перекомбинируются при помощи перемещения ихцентров и наложением с добавлением перекрывающихся частей (overlap and add),при этом в нужном направлении изменяется ЧОТ речевого сигнала. Иллюстрацияприменения данного алгоритма приводится на рис. 17.    60  Рис. 17. Иллюстрация применения алгоритма TD-PSOLAПри использовании модели «гармоники плюс шум» (Harmonic plus NoiseModel) [Stilianou 2001] исходный сигнал представляется как сумма периодическойистохастической(гармоническойишумовой)функций.Приэтомневокализованные участки речевого сигнала состоят только из шумовойкомпоненты.

Недостатком этого метода является высокая вычислительнаясложность его программной реализации.После модификации звуковых элементов для приведения их к необходимымхарактеристикам синтеза результирующий сигнал может (при необходимости)быть подвергнут дальнейшей обработке: фильтрации, изменению частотыдискретизации, могут добавляться эффекты реверберации.

В демо-версияхкоммерческихсинтезаторовнарезультирующийречевойсигналчастонакладывается музыка, что, с одной стороны, не даёт напрямую бесплатноиспользовать синтезированные фразы, а с другой – скрывает мелкие дефекты,которыемогутвозникатьприконкатенациизвуковыхэлементовиихмодификации.    61  2.4 ВЫВОДЫ К ГЛАВЕ 2В настоящее время имеется довольно большое количество разнообразныхрусскоязычных селективных синтезаторов. При проведении их сравнительныхоценок следует учитывать как особенности технологии селективного синтеза речи,так и общую структуру селективных синтезаторов и качество решения задач,выполняемых на каждом этапе преобразования «Текст–Речь».

   62  ГЛАВА 3. МЕТОДЫ ОЦЕНКИ КАЧЕСТВА СЕЛЕКТИВНОГОСИНТЕЗА РЕЧИВ данной главе рассматриваются основные требования к качествусинтезированной речи и существующие методы ее оценки, обсуждается общаяструктура системы оценки качества селективного синтеза речи и особенностиприменяемых в ней методов, обосновывается также необходимость адаптацииметодов оценки к особенностям селективного синтеза речи.3.1 Задачи и критерии оценки качества синтезированной речиВ государственном стандарте ГОСТ ISO 9000-2011   «Системы менеджментакачества.

Основные положения и словарь» качество определяется как степеньсоответствия совокупности присущих характеристик требованиям [ГОСТ ISO9000-2011: 10]. Синтез речи может рассматриваться как программный продукт, ккоторому предъявляются определённые требования в определённых условиях идля определённой задачи. Такой задачей может быть и озвучивание произвольноготекста.

Задача оценки качества синтезированной речи тесно переплетается стестированием синтеза речи как компьютерной программы (или аппаратнопрограммного комплекса).Среди задач, для решения которых может применяться система оценкикачества синтезированной речи можно назвать следующие:•   Тестированиесистемысинтезавпроцессееёразработки.Главная задача такого тестирования – последующее улучшение параметровоцениваемой системы. В этом случае к системе оценки предъявляются следующиетребования: она должна быть автоматической, т. е. функционировать без участиячеловека; иметь достаточно высокое быстродействие; иметь возможность    63  оценивать синтезированную речь как на соответствие голосу конкретного диктора,так и на соответствие общим параметрам речевого сигнала.

Для оценочногоанализадоступнырезультатывсехэтаповсинтеза,ипроверкаможетосуществляться с использованием промежуточной информации, генерируемойсистемой в явном виде.•   Оценка собственной системы синтеза речи в сравнении с конкурентами.Основной задачей в этом случае является сравнение разных систем синтеза сразнымиголосами.Дляэтогоможетприменятьсякакавтоматическаядикторонезависимая оценка [Falk, Möller 2008], так и оценка экспертов.

В данномтестировании может быть затруднен доступ к результатам синтеза: длякоммерческих приложений обычно доступны только интерактивные демо-версии,при помощи которых можно получить образцы синтезированной речи довольнонизкого качества, с фоновой музыкой или другими ограничениями в целях защитыоткоммерческогоиспользования,илижедоступнытолькозаранееподготовленные примеры звучания.

Для корректного сравнения результатовработы синтезаторов необходимо использовать их полнофункциональные версии.•   Участиевконкурсах,проводимыхнезависимымикомпаниями.B таких   условиях система оценки может быть не автоматической, ноавтоматизированной. Для оценки синтезаторов в этом случае могут привлекатьсябольшие человеческие ресурсы (например, заинтересованные пользователиинтернета). При этом, хотя внутренняя структура систем синтеза и останетсязакрытой, имеется возможность получения промежуточных результатов работысистемы в унифицированном виде, при заинтересованности в этом самихучастников конкурса.

Системы синтеза могут тестироваться на одной и той жеречевой базе, с использованием которой строится синтезированный голос. Можетприменяться также эталонная оценка при сравнении с диктором-донором.    64  Две последние стратегии оценочного анализа приближают нас к созданиюнекоего стандарта в оценке различных систем синтеза речи по тексту.

При этом вфокусе нашего внимания в настоящей работе будут особенности структуры ифункционирования синтезаторов речи на русском языке.Основнымиобщепринятымимерамикачествасинтезированнойречиявляются оценки её разборчивости и естественности [Фролова 1989; Dutoit 1997:195]. Государственный стандарт России [ГОСТ 1995] вводит следующиеопределения:Разборчивость речи – относительное количество (в процентах) правильнопринятых элементов (слогов, слов, фраз) артикуляционных таблиц.Качество речи – величина, характеризующая субъективную оценкузвучания речи в испытуемом тракте:•   по сравнению со звучанием в контрольном тракте (принятом за пять баллов);•   по сравнению со звучанием речи в другом тракте (в процентах предпочтения).Исходя из сказанного, можно считать, что под «качеством» синтезированнойречи понимается её естественность, то есть величина, характеризующаясубъективную оценку звучания синтезированной речи по сравнению со звучаниеместественной речи.Методы оценки качества синтеза можно разделить на две большие группы:субъективные и инструментальные.

В отдельную промежуточную группу можнотакже выделить те методы, которые требуют участия человека для детектированияналичия/отсутствиясубъективнойошибкиоценкиречи(например,понеправильногоопределённомуударения),параметруане(например,естественности) [van Santen 1998; Campbell 2007]. Такие методы обычно    65  используются для тестирования отдельных модулей синтезатора: нормализациитекста, расшифровки сокращений, чтения иноязычных вставок, расстановкиударений, фонетической обработки и т. п.Также можно провести аналогию с терминами, принятыми в областитестированияпрограммногообеспечения:такназываемымтестированием«прозрачного ящика», когда тестирующий знает, каким образом устроена система,и строит свои тесты на основании этих знаний (тестирование и оценка работыотдельных модулей синтезатора, например, лингвистической обработки) итестированием «чёрного ящика», то есть системы синтеза как некой целостнойпроцедуры, преобразующий текст в звучащую речь [Van Heuven, Van Bezooijen1995].Далее рассмотрим существующие методы оценки качества синтезированнойречи, их преимущества и недостатки для оценки современных селективныхсинтезаторов речи.3.2 Методы оценки разборчивости речиДолгое время основным критерием качества работы синтезаторов быларазборчивость синтезированной речи.

Лишь к концу 80-х годов с повышением ееразборчивости стала более актуальной проблема естественности синтезированнойречи, так как изменились ожидания и требования к качеству речи, поскольку сталопонятно,чтодажеполностьюразборчивая,но«роботизированная»или«механическая» речь синтезаторов сложна для восприятия и не может считатьсявысококачественной.Можно с определённой долей уверенности утверждать, что проблемаразборчивости речи для современных синтезаторов в целом решена [Taylor 2009:474].

Это означает, что, несмотря на возможную неразборчивость отдельных    66  ошибочно синтезированных слов или неправильно расшифрованных сокращенийили аббревиатур, общий смысл синтезированных предложений и текстов остаётсяпонятным.Существует ряд тестов для проверки разборчивости речи, порождаемойсистемами синтеза. Как было сказано выше, разборчивость определяетсяотносительным количеством правильно распознанных элементов речи.