Диссертация (1101009), страница 4
Текст из файла (страница 4)
Кнаправлению акустического синтеза относится формантный синтез и синтез сиспользованиемлинейногопредсказания.Присозданииакустическихсинтезаторов не ставится задача непосредственного отражения в синтезепроцессов, связывающих артикуляцию с акустикой речевого сигнала, а вместоэтого они воспроизводят в синтезируемом сигнале существенные для восприятияакустические характеристики естественной речи. В этом смысле акустическийсинтез является продолжением того направления, которое было начато созданиемвокодеров и электрических параметрических синтезаторов разного типа [Кодзасов,Кривнова 2001].1.2.3.1 Артикуляционный синтезАртикуляционный(илиартикуляторный)синтезвнекотороймерепродолжил направление, заданное первыми механическими синтезаторами. В нёмделается попытка синтезировать речевой сигнал на основе моделированияпроцесса речеобразования с учетом сведений об артикуляции, используемых дляколичественной оценки формы речевого тракта, его резонансных свойств и 21 характеристик звуковых источников.
Затем на основе расчетных данныхгенерируется речевой сигнал [Кодзасов, Кривнова 2001]. В артикуляционноймодели трубка, соответствующая речевому тракту, обычно разделяется намножество небольших секций, и таким образом она может быть представлена вкачестве неоднородной электрической линии передачи [Фланаган 1968].Первые электронные артикуляционные модели были статическими итребовали ручной настройки. Первый синтезатор американского исследователяХ.
Данна 1950 года состоял из 25 одинаковых звеньев, между которыми для учётавлияния положения языка можно было ввести переменную индуктивность, аиндуктивность на конце линии отражала влияние губ. Для произнесениявокализованных звуков синтезатор возбуждался пилообразным напряжениемрегулируемой частоты, а шумные звуки получались подключением белого шума ксоответствующей точке линии [Фланаган 1968].Первый артикуляционный синтезатор с динамическим контролем (рис. 7)DAVO (Dynamic Analog of the VOcal tract) был разработан Д. Розеном в 1958 годув Массачусетском технологическом институте. Он управлялся записанными наленту контролирующими сигналами, созданными вручную [Lemetty 1999].
22 Рис. 7. Аналог речевого тракта с линией передачи, управляемый непрерывно[Фланаган 1968]С течением времени артикуляционные синтезаторы развивались, в нихвводилось дополнительное моделирование ослабления сигнала в речевом тракте,взаимодействия источника и фильтра, распространения сигнала от губ и, конечно,совершенствовалось моделирование голосового источника сигнала.
Кроме этого,многие подходы включают моделирование движений и параметров мышц иуправления моторикой. Однако из-за сложностей подобного моделирования вбольшинстве современных систем синтеза речи, позволяющих получать речьвысокого качества, используются более «простые» подходы, а артикуляционныйсинтез чаще применяется в научных исследованиях в области артикуляционнойфонетикиифизиологииречи.Кромеэтого,артикуляционныйсинтезнепосредственно связан с областью аудиовизуального синтеза (или «говорящейголовы»), задачей которого является построение визуальной модели головы и лицав процессе говорения [Taylor 2009].1.2.3.2 Формантный синтезПервым формантным синтезатором стал PAT (Parametric Artificial Talker)английского исследователя У.
Лоуренса, представленный в 1953 году. Этот 23 синтезатор состоял из трёх электронных формантных резонаторов, соединённыхпараллельно, на вход которым подавался шум или гармонический сигнал.Синтезатор управлялся шестью временными функциями (три форманты, частотаосновного тона, амплитуда шума и амплитуда голосового источника), которыесчитывались с шаблонов, нарисованных на движущейся стеклянной дорожке [Klatt1987].СинтезаторЛоуренсабылпервымизпараллельныхформантныхсинтезаторов. Их главное преимущество состояло в относительной простотеуправления.Вторымтипомформантныхсинтезаторовсталикаскадныесинтезаторы (см.
рис. 8), в которых формантные резонаторы были соединеныпоследовательно, что позволило более точно моделировать передаточнуюфункцию речевого тракта, но несколько усложнило их структуру [Klatt 1980].Рис. 8. Каскадный и параллельный синтезаторы. В параллельномсинтезаторе амплитуда каждого формантного резонатора должнаконтролироваться отдельно. В каскадном – выходной сигнал каждогорезонатора является входным сигналом следующего [Klatt 1980] 24 В том же 1953 году известный шведский исследователь речи, авторклассической акустической модели речеобразования «источник-фильтр» ГуннарФант продемонстрировал свой каскадный формантный синтезатор OVE I (OratorVerbis Electris). В нём частота двух нижних резонаторов контролироваласьмеханической рукой, а амплитуда и частота основного тона определялись ручнымипотенциометрами [Klatt 1987].В дальнейшем оба типа синтезаторов усложнялись и совершенствовались,позволяя каждой новой версии звучать всё ближе к естественной речи.
В 1973 годуанглийскому исследователю Дж. Холмсу удалось вручную настроить на своёмсинтезаторе (рис. 9) озвучивание предложения «I enjoy the simple life» так хорошо,что обычный слушатель не мог отличить его от произнесения того же текстачеловеком [Lemmetty 1999]. Однако оставалась существенная проблема савтоматическимконтролемработысинтезатора,которыйнемогпокаприблизиться к ручной настройке произнесения.
25 Рис. 9. Формантный синтезатор Холмса, состоящий из резонаторов длячетырёх формант и носовой форманты, каждый из которых возбуждалсявариативной смесью сигналов шумового и голосового источников [Klatt1987]С развитием компьютерной техники и появлением вычислительных машин всередине 50-х годов электрические аналоговые синтезаторы стали постепеннозамещаться компьютерными программами или специально сконструированнойцифровой аппаратурой, позволявшими работать с цифровым представлениемречевого сигнала.В 1972 году американский исследователь Д. Клатт предложил вариантгибридного формантного синтезатора, в котором сонорные и шумные звукисинтезировались каскадными и параллельными формантными резонаторамисоответственно.
Публикация исходного кода программы на языке Фортран в 1980 26 году позволила учёным в различных лабораториях оценить работу этогосинтезатора, а также помогла в проведении перцептивных экспериментов [Klatt1987].Первая модель формантного синтезатора русской речи «Фонемофон-1»(рис. 10) была разработана в Минске в начале 70-х годов, а в его последующихверсиях удалось добиться синтеза русской речи по произвольному тексту весьмавысокого качества [Лобанов, Цирульник 2008].Рис. 10. Внешний вид синтезатора «Фонемофон-1»1.2.3.3 Синтезаторы, использующие линейное предсказаниеМетод линейного предсказания позволяет использовать при синтезеискусственной речи параметры передаточной функции речевого тракта и являетсясвоеобразнойальтернативойописанномувышеаппаратно-цифровомуформантному синтезу.
Первые эксперименты с кодированием речи при помощикоэффициентов линейного предсказания (КЛП) были проведены в середине 60-х 27 годов. Эта технология впервые была использована в недорогих устройствах типаTI Speak’n’Spell (1980) [Lemmetty 1999].Для синтеза речевого сигнала в КЛП-синтезаторе используются следующиеизменяющиеся во времени параметры: период основного тона, средняя громкостьзвука, признак тон-шум и определённые заранее числовые коэффициентылинейного предсказания, связанные с передаточной функцией речевого тракта.При этом качество синтезированной речи зависит от числа коэффициентов,точности их вычисления, а также от того, насколько хорошо моделируютсяисточники возбуждения [Обжелян, Трунин-Донской 1987].
В общем видепростейший цифровой КЛП-синтезатор имеет достаточно сложную структурнуюсхему, представленную на рис. 11.Рис. 11. Структурная схема КЛП-синтезатора [Обжелян, Трунин-Донской1987] 28 ДляработыКЛП-синтезаторапооцифрованнойречивычисляютсятребуемые параметры, а далее все необходимые единицы синтеза (слова или болеекороткие единицы) записываются в цифровом параметризованном виде в память изатем при синтезе извлекаются и соединяются, или конкатенируются вопределённом порядке, затем преобразуются в звуковую волну и озвучиваются сиспользованием цифро-аналогового преобразователя.
Таким образом, модельлинейногопредсказаниякосвенноспособствоваларазвитиютехнологииконкатенативного синтеза речи.Синтезаторыпервогоаппаратно-компьютерногопоколенияобычнотребовали детального фонетико-акустического описания того, что должно бытьпроизнесено, и не включали какого-либо автоматического способа полученияподобного описания для произвольного сообщения или текста. Критериямикачества оставались разборчивость речи и её сходство с живой человеческойречью.1.2.4 ХХ век: синтезаторы второго поколенияВ середине 60-х годов, в связи с продолжающимся развитием компьютернойтехникиивозросшимипотребностямиобщества,передразработчикамиавтоматического синтеза речи была поставлена более сложная задача озвучиваниялюбого сообщения, вводимого в компьютер в текстовом виде и неизвестногозаранее системе синтеза.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
