Análisis y síntesis de voz mediante ordenador

Análisis y síntesis de voz mediante ordenador

Objetivos • Aprender como “se forma” la voz y sus características principales. • Tener una idea básica sobre en que se basa el reconocimiento del habla y que técnicas son utilizadas para llevarlo a cabo. • Conocer el estado actual de tecnologías de interacción como la síntesis o el reconocimiento de voz. • Ver las aplicaciones actuales de esta tecnología.

Contenidos • Historia de estas tecnologías • El concepto de voz • Procesamiento digital • Reconocimiento de voz • Introducción • Modelado del tracto vocal • Preprocesado de la señal de voz • Procesamiento mediante LPC • Alineamiento temporal (DTW) • Cuantificación vectorial • …

Contenidos • Síntesis de la voz • Introducción • Sistemas de respuesta oral Vs convertidores texto-voz • Conversión texto-voz • Aplicaciones • Aplicaciones

Historia del reconocimiento • Los inicios: años 50•Bell Labs .... Reconocimiento de dígitos aislados monolocutor • Los fundamentos: años 60•Comienzo en Japón (NEC labs) • Las primeras soluciones: años 70, el mundoprobabilístico•Reconocimiento de palabras aisladas•LPC, programación dinámica•IBM: inicio proyecto reconocimiento de grandes vocabularios•Gran inversión en los USA: proyectos DARPA

Historia del reconocimiento • Reconocimiento del Habla Continua: años 80, expansión • •Explosión de los métodos estadísticos: Modelos Ocultos de Markov•Introducción de las Redes Neuronales en el reconocimiento de voz • Empieza el negocio: años 90, primeras aplicaciones•Ordenadores y procesadores baratos y rápidos•Sistemas de dictado • Actualidad, integración en el S.O.•VoiceXML standard•Sistema V2C (interacción voz-radio, voz-teléfono, voz-navegador)

Historia de la síntesis • Síntesis del Habla: Comienzos tempranos•El Papa Silvestre II (1003), Alberto Magno (1198-1280) y Roger Bacon (1214-1294) crearon ejemplos tempranos de 'cabezas parlantes'. • Fijación de las bases: siglo XIX, modelado de la voz•En 1779, el científico danés Christian Gottlieb Kratzenstein, construyó modelos del tracto vocal que podían producir las cinco vocales largas (a, e, i, o, u). • Y por fin: siglo XX, síntesis mediante computador•En los años 30, los laboratorios Bell Labs desarrollaron el VOCODER, un analizador y un sintetizador del habla operado por teclado. •Años 90 grandes avances en la síntesis debido principalmente al rápido desarrollo de los ordenadores.

El concepto de voz • Sistema fonador humano • Onda de presión acústica. • Los distintos sonidos se producen al pasar el aire emitido por los pulmones, a través de todo el sistema de producción.

El concepto de voz • Clasificación de sonidos • Sonidos sonoros En ellos las cuerdas vocales vibran y el aire pasa a través del tracto vocal sin impedimentos importantes. • Sonidos sordos En ellos las cuerdas vocales no vibran y existen restricciones importantes al paso del aire que proviene de los pulmones, por lo que son de amplitud menor y normalmente de naturaleza más ruidosa que los sonoros.

El concepto de voz • Análisis frecuencial (I) • La mayor parte de la información de la señal de voz se encuentra en los primeros 4 kHz. Sonido sordo Sonido sonoro

Procesamiento digital • El procesamiento digital de señal mediante un DSP, ordenador, etc. • Fase 1ª - Digitalización de voz • Etapas de digitalización: • Recogida de información mediante un transductor. • Filtrado antialiasing. • Muestreo (Teorema de Nyquist).

Procesamiento digital • Fase 2ª - Codificación de voz • Pretenden reducir el volumen de información necesario para almacenar o transmitir una señal de voz. • Minimizar la pérdida de calidad de la señal decodificada respecto a la señal original. • Tipos de codificación: • Codificación de forma de onda: intentan reproducir fielmente la forma de la onda de la señal a codificar • Codificación paramétrica(*): se basan en un modelo de producción del habla, e intentan reproducir en el proceso de decodificación una señal que al escucharla se parezca a la original, aunque existan distorsiones en la forma de onda generada. • (*)Nota: en el reconocimiento de voz, la codificación paramétrica es ampliamente utilizada.

Reconocimiento de voz • Introducción • El reconocimiento de la voz constituye una parte importante del tratamiento del habla. • Técnicas de reconocimiento utilizadas: • Análisis de Predicción Lineal (LPC) • Alineamiento Temporal (DTW) • Modelos ocultos de Markov • Tipos de enfoque en el reconocimiento: • Reconocer palabras aislados • Reconocer palabras conectadas • Reconocer fonemas y difonos (reconocimiento continuo de voz)

Reconocimiento de voz • Modelado del tracto vocal (I) • Como ya se vio, existen dos tipos de señales, que pueden describir el proceso del habla: • Sonidos sonoros • Alta energía • 300-4000 Hz • Cierta periodicidad • Matemáticamente modelables como un tren de impulsos • Sonidos sordos • Baja energía • Componente frecuencial uniforme • Cierta aleatoriedad • Matemáticamente modelables como un ruido blanco

Reconocimiento de voz • Modelado del tracto vocal (II) • Teniendo presente la clasificación anterior y que el tracto vocal modelado se manifiesta como un filtro variable en el tiempo, en el que únicamente existen dos posibles señales de entrada (sonoras o sordas), se puede hacer el siguiente sistema:

Reconocimiento de voz • Preprocesado de la señal de voz • 1ª- Preénfasis • La etapa de preénfasis se realiza con el propósito de suavizar el espectro y reducir las inestabilidades del cálculo asociadas con las operaciones aritméticas de precisión finita. Básicamente esta etapa consiste en un filtro digital de primer orden, cuya ecuación y repuesta en frecuencia corresponde a:

Reconocimiento de voz • Preprocesado de la señal de voz • 2ª- Segmentación y enventanado • La siguiente etapa del preprocesado, consiste en la segmentación de la señal de voz en tramas de 20 ó 30 mseg, con un desplazamiento típico de 10 mseg.

Reconocimiento de voz • Preprocesado de la señal de voz • 2ª- Segmentación y enventanado • Por último a cada trama generada se le aplica una ventana de Hamming, que elimina los problemas causados por los cambios rápidos de la señal en los extremos de cada trama de voz.

Reconocimiento de voz • Procesamiento mediante LPC • Permite parametrizar una señal con un número pequeño de patrones. • Coste computacional pequeño.  ●Problema: No sabemos como calcular los coeficientes ak del filtro

Reconocimiento de voz • Procesamiento mediante LPC • Autocorrelación en combinación con algoritmo de Levinson-Durbin Cálculo de los coeficientes del filtro FIR:

Reconocimiento de voz • Alineamiento temporal (DTW) • La siguiente etapa del análisis viene a ser la que se encarga de realizar la comparación de patrones acústicos. Esta técnica tiene en cuenta la variación en la escala de tiempo de dos palabras a comparar. • Que problema se intenta resolver con el DTW? • El problema que se presenta cuando se pronuncia una palabra es que esta no siempre se realiza a la misma velocidad, lo que produce importantes distorsiones. • Como resolverlo? • La forma de resolver este problema se realiza mediante algoritmos de programación dinámica.

Reconocimiento de voz • Cuantificación vectorial • Particionar el espacio vectorial en sectores, cada uno de los cuales será representado por un solo vector que puede ser el centroide. El conjunto de centroides viene a ser el libro índice (codebook) que conforman los niveles de cuantificación y a cada una se le asignará una etiqueta o una dirección. • Decisión: • El funcionamiento básico de esta técnica se basa en la comparación de un vector de entrada, con los vectores del codebook, intentando minimizar la distancia entre ambos vectores. La decisión se toma según un umbral de distorsión. Si resulta mayor se vuelve a comparar hasta que la de distancia total sea inferior al umbral.

Reconocimiento de voz • Esquema de un reconocedor de cuantificación vectorial

Síntesis de la voz • Introducción • Características a tener en cuenta de un sintetizador: • Inteligibilidad: Está relacionada con la facilidad para comprender la señal oral. • Calidad: Es un indicador de la “naturalidad” de los sonidos.

Síntesis de la voz • Sistemas de respuesta oral vs convertidores texto-voz • Tipos: • Sistemas de respuesta oral • Basados en la reproducción de segmentos de voz grabados previamente. Por ejemplo, en el caso de información de telefónica. • Convertidores texto-voz • Sistemas capaces de convertir cualquier cadena de texto de entrada a una señal de voz. • Ventajas/Desventajas • Los sistemas de respuesta oral solo permiten sintetizar un número muy limitado de frases, mientras que los sintetizadores permiten un cualquier frase de entrada. • Los convertidores texto-voz son más complejos, pero ofrecen una mayor flexibilidad. • Los sistemas de respuesta oral requieren un menor gasto de memoria.

Síntesis de la voz • Conversión texto-voz. Esquema del sintetizador

Síntesis de la voz • Conversión texto-voz. 1ª - Etapa: Análisis del texto • Función: • Realiza la conversión de los símbolos fonéticos que integran el texto escrito, usando reglas gramaticales propias del lenguaje.

Síntesis de la voz • Conversión texto-voz. 2ª - Etapa: Generación de prosodia • Función: • Se divide en dos bloques: • Control suprasegmental: Trata la entonación de la frase en su conjunto. • Control segmental: controla la micromelodía, o fenómenos locales de coarticulación, acentuación,...

Síntesis de la voz • Conversión texto-voz. 3ª - Etapa: Síntesis de la voz • Función: • Genera la señal acústica a partir de los parámetros extraídos en los bloques anteriores.

Unidades lingüísticas

Aplicaciones • Aplicaciones del reconocimiento de la voz: • Dictado automático • Control por comandos • Sistemas diseñados para discapacitados • etc

Aplicaciones • Aplicaciones de la síntesis: • Revisar grandes volúmenes de texto • Confirmación de órdenes y selecciones • Operar bajo condiciones en las que una visualización no es práctica • Oír el correo electrónico por teléfono • etc

Conclusiones • Obteniendo varios ejemplos de diferentes programas de síntesis: • Software 2000-2001: • Software 2005-2006: • Universidad de Vigo: • Basada en técnica de corpus: • Basada en técnica de difonemas:

Análisis y síntesis de voz mediante ordenador