Машины, которые говорят и слушают

делает более плавными пере­ходы между звуками.

После объединения аллофонов и сглаживания переходов между ними в аллофонной цепочке должны быть расставлены ударения и указана интонация в соответствии с метками пользователя при ко­дировании входного текста. Алгоритм конструирования речи устанав­ливает частоту основного тона только для отмеченных слогов.Управ­ление интонацией основано на градиентном управлении частотой основного тона в ударных слогах. В нейтральных интонациях безу­дарным слогам соответствует среднее значение частоты основного тона, тогда как ударные будут располагаться несколько выше сред­ней линии тона. Наклон создается программой, а пользователь толь­ко помечает ударные слоги.

Как уже отмечалось, синтез речи в системе преобразования "текст - речь" системы Texas instruments основан на линейном пред-сказуемостном кодировании, являющемся математической моделью го­лосового тракта, реализованной в виде фильтра. Коэффициенты линей­ных уравнений фильтра, определяемые путем анализа естественной речи, используются в модели для управления "конфигурацией" го­лосового тракта при формировании речевого сигнала. В системе за­поминаются соответствующие различным аллофонам коэффициенты фильт­ра, коэффициент передачи фильтра, частота сигнала возбуждения,ис­пользуемого для управления фильтром. Система Texas Instruments обеспечивает [100] хорошее качество речи при использовании ЛПК со скоростью передачи информации от 1200 до 2400 бит/с.

В Cl40] отмечалось, что разработанная в 1976 г. система дискретного распознавания слов was, предназначенная для ввода речевых команд в ЭВМ управления огнем тактической артиллерии, использовала систему речевого ответа (обратной связи) YS фирмы Vo-fcrax. Блок речевс" о ответа повторял слова устного донесения, которые по радио или телефонному каналу поступали к корректиров­щику стрельбы. В случае, если устная команда распознавалась ма­шиной верно,корректировщик произносил ключевое слово, означающее, что команда может поступить в систему управления огнем.

В [30,129] рассматриваются новая интегральная схема синте­затора речи sc-OI и система для проектирования словаря cds-ii. Речевой интегральный синтезатор sg-oi реализует фонемный син­тез. Для преобразования фонем в параметры речи используется фо-

48

немный контроллер.Синтезатор работает с внешней памятью, где хра­нятся 6-разрядные коды фонем. В отличие от системы Texas Inntru-ments синтезатор sc-OI использует для моделирования голосо­вого тракта человека не кодирование, основанное на линейном пред­сказании, а более традиционный метод, основанный на применении аналоговых полосовых фильтров, на вход которых поступают сиг­налы возбуждения от генератора с регулируемой частотой, модели­рующего работу голосовых связок, и от генератора псевдослучайных сигналов, моделирующего шумовой источник.

На входе синтезатора SC-OI стоит фонемный контроллер, ко­торый преобразует код фонемы (их 64) в матрицу спектральных пара­метров. Контроллер же может изменять частоту основного тона;

что позволяет устранять монотонность звучания синтезированной ре­чи. Управление синтезатором осуществляет генератор синхронизирую­щих импульсов, находящийся в интегральной схеме. Управление час-'тотой основного тона производите"! внешним воздействием на источ­ник тонального сигнала.

После поступления кода фонем на фонемный контроллер послед­ний в соответствии с тем, какой звук должен быть порожден,управ­ляет моделью голосового тракта, воздействуя на цепи с переключае­мыми емкостями. Длительность каждой фонемы устанавливается в пре­делах 50 - 250 мс.

Фонемная информация, поступающая на вход, создается про­граммой преобразования, которая анализирует тексг, вводимый в па­мять из ведущей ЭВМ или с клавиатуры. В кодах фонетических сим-всдов, формируемых этой программой, содержатся числа, означающие длительность генерируемого звука, которая зависит от ударения.

Информация для синтезатора sc-OI вырабатывается системой для проектирования словаря типа cds -II, на входной клавиату­ре которой набираются слова или фразы, подлежащие синтезу. Сис­тема базируется на микропроцессоре типа 6У08 фирмы Motorola.Дд-горитм преобразования "текст-речь" и операционная система зани­мают 24 кбайта ПЯУ и рабочую часть оперативной памяти емкостью 2 кбайта. Выходная информация ciis-11 используется для программиро­вания памяти стираемого ПСУ, где хранятся данные для ИС синтезато­ра. Для программирования ПЗУ информация из cds-ii передается последовательным кодом в ведущую ЭВМ (которую можно использо­вать для перевода слов в фонемы), ленточный перфоратор или дру­гое устройство с целью последующей записи в ПЗУ. В систему про­ектирования словаря входят также печатающее устройство, позволяю­щей печатать речевую информацию в шестнадцатиричном коде (исполь-

^зaк.480 49

ауя, как отмечено, 6 бит на фонему), а затем вручную вводить в программатор ПЗУ.

Наряду с системой cDy-II ^той же фирмой выпускается уни­версальный речевой модуль fYHtl), не обладающий возможностью пре­образования текста в речь. В памяти этого устройства в таблич­ном виде записаны коды 1300 слов, а также 25 суффиксов и префик­сов. Как и система проектирования словаря cds-ii, УРЫ вклю­чает в свой состав микропроцессор типа 6806. Он также содержит синтезатор типа ас-01, операционную систему, хранящуюся в ПЗУ ем­костью 2 кбайта, таблицу слов, записанную в перепрограммируемом ПЗУ емкостью 2 кбайта, и I кбайт рабочей области оперативного за­поминающего устройства. УРМ можно использовать в качестве рабоче­го модуля а различной аппаратуре. При этом модуль может управ­ляться внешним процессором или ведущей ЭВМ.

Некоторые сведения о других синтезаторах содержатся в [51, 52, 55, 142].

1.4.2. Повышение качества синтезируемой речи. Несмотря на появление коммерческих систем автоматического речевого ответа,син­тетическая речь еще ке качественна. Поэтому в лабораториях мира продолжают энергично работать над проблемой синтеза речи. В тру­дах ежегодных международных конференций по акустике речи и обра­ботке сигналов, которые проводятся Институтом инженеров по электро­технике и радиоэлектронике США с 1976 г., большинство докладов посвящено автоматическому синтезу. Работы относятся к самым раз­личным языкам.

В С 115] описана разрабатываемая для шведского языка сис­тема "текст-речь", базирующаяся на правилах перевода буквенной информации в фонетическую. Система синтеза состоит из последова­тельности преобразований, каждое из которых отражает часть знаний о речевое процессе. Отмечается, что для получения качественной речи целесообразно математизировать использование таких просоди­ческих параметров, как длительность звуков и интонация. При фор­мализации правил преобразования был использован опыт работ по созданию систем "текст-речь", проводимых в США, и учтен тот факт, что фонетическое представление высказываний в шведском языке бо-яее простое, чем в английском.

Наибольшие трудности вызывает поиск в неразмеченном знаками ударения тексте ударных слогов, а также слогов вторичного ударе­ния ( aecondary stressed syllable ). Во время этого поиска сле­дует использовать различные ключевые индикаторы, такие как сдво­енные гласные, некоторые окончания и комбинации гласных с соглас­ными, образующими ударные слоги.

50

разработаны основные правила преобразования фонетической це­почки в синтезированную акустическую волну.Эти правила, для фор­мализации которых создан специальный язык, работают на сегмент­ном уровне. Например, правило, определяющее длительность сегмента, запювется<"segment>—< DURATION - Т * ЙХР (-ЬОО(В)* 0,12 - LOG(A>*

« 0,35)> ,

где Т - номинальная длительность; А,В,С, - переменные, зависящие от позиции и длительности слова или фразы.

В [Иб] сообщается о системе речевого синтеза, разрабо­танной для английского языка в Bell Laboratories. Система обес­печивает более высокое качество синтезируемой речи за счет» I) более точных правил определения длительности звуков речи, осно­ванных на измерениях, которые продесаны на участках естествен­ной речи; 2) расширяющихся правил учета аллофонических изменений как функции словесных и других границ; 3) введения большого числа правил просодии нижнего уровня, учитывающих особенности речеобра-эования (ассимиляцию звуков, изменения внутри звукосочетания сог­ласных, контекстную зависимость гласных и т.д.); 4) правил, учиты­вающих медленные изменения параметров модели голосовых связок и шумового источника возбуждения. Многие особенности системы син­теза речи Bell Laboratories рассмотрены также в С75,Ь9].В [69], в частности, довольно подробно описаны свойства просодии англий­ского языка.Предполагается различать просодию высшего (собственна Просодические функции) и просодию низшего уровней (их акустичес­кие компоненты) и использовать правила просодии для повышения ка­чества синтезируемой речи.

При исследовании слитной речи выявилось, что в английском языке:

- главный фактор, определяющий длительность гласных, - пози­ция гласной в слове, а слова - в предложении (или в синтагме);

гяасная имеет наибольшую длительность, если она находится в пос­леднем слоге перед паузой; это объясняется особенностями кон­тура основного тона перед паузой, что значительно удлиняет глас­ный; различие длительности гласных в предпауэальной и непредпау-эальной позициях приблизительно находится в соотношении 2:1;

- последующие согласные укорачивают длительность гласного Ьо сравнению с некоторым средним значением), если за гласным сле­дует глухой взрывной (характеризуемый смычкой), и удлиняют, если за гласным следует звонкий фрикативный; наибольшее влияние на дли­тельность гласных согласные оказывают в предпаузальной позиции;

-.длительность безударных гласных, если они не находятся

в конце слова, составпяет около 40 мс; в конечных позициях они Содее длительны;

51

- дифтонгизация сильно удлиняет гласную;

- на длительность согласных основное влияние оказывают 2 фак­тора: положение согласной относительно ударного сдога и границ слова или предложения и консонантность окружения;

- длительности консонантных согласных (а именно глухих фри­кативных f,s,S) подчинены точному аддитивному правилу, ударение и границы слова действуют как факторы приращения, а согласные , смежные с фрикативными, действуют как фактор укорачивания;

- наибольшее непостоянство длительностей в зависимости от ударения и позиции проявляют переднеязычные согласные t , d, n ',

- звонкие Фрикативные в середине и конце счов значительно ко­роче глухих фрикативных, находящихся в такой же позиции;

- влияние окружающих согласных на длительность конкретной сог­ласной зависит от способа и места их артикуляции; длительность согласной зависит также от степени консонантности ее окружения;

- в связи с этим комбинации двух последовательных согласных, характеризующихся одним и тем же местом артикуляции, проявляют тенденцию к уменьшению длительности обеих, например, пй и nt;

звонкие фрикативные обычно удлиняют соседнкж. согласную;

- длительность плавных и носовых,согласных сильнее других подвергается воздействию смежных согласных с ослыпей степенью кон­сонантности, влияние которых проявляется даже через границы слов;

- начальная согласная функциональных слов (артикля и пред­логов) значительно короче, чем в случаях значимых слов;

- легко предсказуемые слова обычно состоят из более корот­ких гласных и согласных, чем непредсказуемые;

- в английском языке согласные в начале слова могут обла­дать другими акустическими характеристиками, чем те же согласные в конце слова (это явление называют селективной аллофонией в от­личие от позиционно обусловленной адлофонии, связанной с явле­нием коартикуляции);

- начальные аллофоны (по сравнению с конечными и средними) имеют более сильные консонантные признаки - большую прерывность, четкость интонационных составляющих (основного тона и гармоничес­кой структуры) в потоке рачи, более интенсивную шумовую состав­ляющую фрикативных, более сильный взрыв с явным участком аспира­ции в глухих взрывных и т.п.; эти свойства начальных аллофонов нвняются признаками начала сообщения, обычно слова.

В С89] рассмотрены и некоторые другие свойства просодии, по­ложенные в о&нову правил преобразования "текст - речь" и обеспечи­вающие высокую разборчивость и естественность синтетической речи.

52

вГ2] подробно описана лингвистическая и фонетическая сторона паботы, которую необходимо выполнить при реализации качественно­го синтеза речи по произвольному тексту. Важнейшими этапами иссяедований здесь являются:

- создание более совершенной модели речевого тракта;

- определение более полного набора абстрактных правил линг­вистического описания текста;

- разработка полного свода правил, позволяющих вывести фоне­тические описания по правилам лингвистического описания текста (дравид преобразования букв в звуки);

- формализация морфофонематичаских правил и правил лексичес­кого ударения, которые дают на уровне слов окончательную коррек­цию цепочки фонем (аллофонов);

- грамматический анализ предложений, раскрывающий иерархичес­кую природу их построения для определения правильности интонацион­ного контура;

- более тщательное иосдедование просодических коррелят линг­вистических структур.

Отметим особую важность создания хорошей модели речевого трак­та, параметры которой изменяются в соответствии с правилами ре-чвобразования. Хорошая модель позволяет существенно онизить объем информации, описывающей форму речевого сигнала (вырабатываемого на Мходе модели из небольшого числа параметров), а также более глубоко и еотеотвенно описать речевые явления. При параметри­ческом синтезе информация о фонемах (аллофонах) запоминается в виде комплекса параметров и правил модификации отих параметров под влиянием различных ограничений. В связи о этим для повыше­ния качества синтеза необходимы структурные модели, отражающие ащ ограничения на различных уровнях - артикуляторном, дистрибу­тивом, словообразовательном, синтаксическом и семантическом. Эти иодеди должны координироваться гибкой структурой управления,обео-почивающей их взаимодействие.

Для повышения естественности и разборчивости речи, генерируе-"ой форматными синтезаторами, в [176 ] предлагается использо­вать вычисление форматных параметров на более коротких интервалах, что позволяет улучшило синхронный с основным тоном анализ. 1домен-^т^ смыкания голосовых связок характеризуются импульсным воабужде" нием. На первом этапе анализа оцифрованной волны такие точки воз-°Й<дения легко выделяются (со средней точностью) процедурой пи-Чового детектирования. (Во время шумового возбуждения эти точки ^определяются случайно, тогда как при возбуждении речевого сиг-

53

нала импульсами голосовых связок большинство таких точек соот­ветствует моментам смыкания связок.) Даяее, для каждого отрезка волны длительностью 10 мс с помощью ДПФ вычисляется 33-точечный логарифмированный энергетический спектр. Временные отсчеты для получения спектра берутся, начиная с момента, соответствующего найденной точке возбуждения. Если десятимиллисекундный сегмент содержит одну точку возбуждения, то логарифмы энергетического спектра вычисляются по формуле

^ = '° Чю Ц, ^ ^ехр (-^^тп/³² '•

где п = 0 - 32; Л„, - отсчеты речевой волны, следующие за момен­том возбуждения; У - оценка (в дБ) логарифма энергетического спектра на частотах 156, 25 х п (в Гц).

Итеративный анализ составляющих этого спектра и позволяет оценить все требуемые для синтезатора формантные параметры. Процедура итеративного анали-а посредством синтеза (когда спектр, синтезированный по приближенным формантным параметрам речи, сравнивается с реальным спектром входной речевой волны, и если расхождения велики, производится уточнение формант) позволяет получать параметры качественной синтетической речи.

В ряде работ подчеркивается, что для повышения естествен­ности синтезированной речи целесообразно разработать хорошие правила корректировки микро- и макровариаций частоты основного тона, длительности звуков и интенсивности. Полная модель генера­ции частоты основного тона, его микро- и макровариаций рассмот­рена в Ll04] , где исследовались различные синтетические струк­туры, позволившие выявить, в частности, влияние модальности на контур основного тона в вопросо-ответных системах при переме­щении центрального слова фразы (слово, на которое делается ак­цент при вопросе). (Формирование контура ochobhofj тона будет более подробно рассмотрено в п.1.4.4).

В [113'] предлагается для повышения качества синтезирован­ной речи (полученной методом линейного предсказания), поступаю­щей на наушники, использовать эффект бинауральной реверберации который можно смоделировать, подав синтезированную речь на гром­коговоритель и записав (в условиях реальной комнаты) прошедшув через громкоговоритель речь в два канала через разнесенные мик­рофоны. Полученные таким способом сигналы поступают на правый и левый наушники, создавая у слушателя впечатление более естест' венной речи.

54

для повышения натуральности речи в [162] предлагается про-записывать на магнитный диск больший емкости сообщения в Siawe параметров, представляющих собой набор раноон -коэффициен­тов. Требуемые фразы считываются в буферную память. На стоме­габайтном диске можно таким образом записать 5000 сообщений яжительностыо по 15 с каждое. Время выборки сообщения 0,1 с,мак-симвльное число возможных каналов, по которым может поступать информация, - 128.

Ряд работ, появившихся в последние годы, посвящен повыше-шф качества синтезированной речи за счет модернизации модели источников возбуждения. Модель смешанного источника возбуждения рассмотрена в [1523 . Смешение достигается делением речевого спектра на две области - низкочастотную, возбуждаемую импульс-нк« источником, и высокочастотную, которая возбуждается шумовым источником. Для определения степени оэвончения вводится пара­метр fc • показывающий частоту отсечки между звонкой и глухой областями. Для компрессии речи Fp может выцеляться автомати­чески из речевого спектра и передаваться в управляющие цепи. Эксперименты, при которых использовалась новая модель, показали ее эффективность при синтезе звонких фрикативных и помогли ис-кяючить характерное "жужжание" вокодерной речи.

8 [166 3 описана новая функция возбуждения для синтеза,ис­пользующего коэффициенты линейного предсказания. Эта функция за счет соответствующего сглаживания, инверсной фильтрации и усече­ния верхушки сохраняет фазовые характеристики импульсов возбуж­дения, Поступающих из голосовой щели. Отмечается, что качество речи при этом существенно улучшается, а между тем до последнего времени в lpg-синтезаторах слишком мало усилий было направлено на поиск более соответствующих реальным функций возбуждения рачаобразующего тракта из-за того, что не были установлены чет­кие соотношения между остатком линейного предсказания и формой возбуждающей волны.

В [137] описан LPU-синтеэатор речи, разработанный в Норвегии. По мнении авторов, он обеспечивает высококачественную речь (при высокой компрессии) за счет использования более совер-аенной модели смешанного возбуждения. В модели предусмотрено использование:

- фильтра импульсов основного тона - двухполюсного фильтра, Делающего импульсы возбуждения более похожими на реальные импуль-^i поступающие с голосовых связок в полоогя речеобрааующего тракта;

55

Орфограф^еский текст

I

Трансляция "графема-фонема"

фонетическая цепочка

- фильтра, моделирующего влияние излучения речевого потока с губ (liP - radiation filter)!

- дополнительного фрикативного источника, который автомати­чески подключается при формировании звонких взрывных и фрика­тивных.

Ряд работ, связанных с повышением качества синтезированной речи, относится к проблеме формализации правил наложения на фо­нетическую цепочку интонационного контура. Они -Зудут подробно рассмотрены в п. 1.4.4.

1.4.3. Дифонный синтез речи. Одним из направлений, обеспе­чивших синтез более высококачественной речи, стало направление, связанное с выбором иной, чем фонема (или аллофон) структурной единицы, лежащей в основе формирования высказывания.Выяснилось, что основные неприятности, приводящие к ухудшению естествен­ности и разборчивости речи, связаны с явлениями на стыках зву­ков. Поэтому в ряде последних работ по автоматическому синтезу речи в качестве опорного элемента выбирается участок речевого сигнала, включающий переход между звуками. Такие элементы назы­вают "диадами", "дифонами", "транземами", парами фонем, машин­ными слогами...

В Ll433 описан диадный синтез французской речи. В памяти хранятся эталоны 1000 дифонов (пар фонем), представленных спек­тром, полученным с гребенки фильтров (отсчеты спектра брались каждые 13,3 мс) и частотой основного тона. Система предусматри­вает использование довольно простой грамматики для сцепления диад и автоматического определения просодии фразы. При обработке це­почки диад, соответствующей тексту для генерации синтезируемой волны, корректируются длительности звуков, микро- и макровариа­ции частоты основного тона, контур интенсивности.

Дифонный синтез рассматривается и в [.1463 . Блок-схема этой системы "текст - речь" приводится на рис. 1.2.

Система юорвомйз (рис."1.2 ) превращает орфографическую за­пись предложения в звучащую речь. Скорость преобразования 0,1 с на предложение, состоящее из 70 символов. Система, включающая мини-компьютер, является полностью автономной.

Преобразование "текст - речь" в первом приближении не тре­бует синтаксического анализа структуры предложения (во француз­ском языке). Основным графическим понятием при преобразованиях яв­ляется в этой системе слово, представляющее собой субцепочку графем между пробелами или знаками пунктуации. Слова сравниваются со списком предварительно записанных слов - исключений, произ­ношение которых не соответствует стандартам. Если слова в спис-'

Ь6

Последовательность дифснов Словарь дифонов

Буфер

Синтезатор речи из 44 синусо- |___гт1 гх,.,. ___идальных колебаний____ UJ -

рис. 1.2. Блок-схема системы "текст - речь" основанной на исполь­зовании дифонов

ке исключений нет, оно разделяется на множество буквенных сим­волов, которые обрабатываются элементарными правилами типа

Р—[Р]/Н;

P—[f]/H, т.е. р произносится как [/?] , если за ней не следует Н, и как [/З.всли следует Н .

Числа, встречающиеся в тексте, также преобразуются в фоне­тическую цепочку по соответствующим правилам. Последняя глас­ная перед знаком пунктуации удваивает длительность. Общий объем памяти, которую использует этот алгоритм, 6 кбайт.

В память словаря должно быть записано для французской речи 627 дифонов. Однако если учесть, что для некоторых дифонов неко­торые спектры в первом приближении можно считать симметричными, обв(ее число хранящихся в памяти дифонов уменьшается до 425 (при использовании параметров 8 временных отрезков каждого дифона). Ойций объем памяти после сильного сжатия информации о дифонах составил около 8 Кбайт. Средняя разборчивость слов в предложени­ях была около 96%. Система автоматически находила по тексту про­содические характеристики. Для управления просодическими парамет­рами использовались различные уровни языка: акустический, фонети­ческий, лексический, синтаксический и семантический. Несколько Дикторов читали один и тот же текст; при этом сравнивались кон-'Уры основного тона и длительности, полученные после нормализации. Несмотря на различие' в индивидуальных просодических характери.-^чках, удалось выявить общие закономерности, позволяющие форма-

Зак.480 57

дизовать просодику по фонетической цепочке. Так, для выявления динамики основного тона на всем высказывании учитывалось,что од, повременно накладываются друг на друга три явления. Первое обус­ловлено изменением основного тона на всем предложении, второе -контуром основного тона на двух соседних словах ( "элементарный контур") и третье - ыикроваризции основного тона на отдельных звуках.

Структура системы синтеза, основанного на объединении ди-фонов, рассмотрена также и для итальянского языка [160, 181].Ди-фоны представлены кодами lpc. Система проектируется с ориен­тацией на многоканальность и ответ в реально».' времени. Для каж­дого выходного канала этой системы автоматического речевого от­вета выполняются действия: предварительная обработка входной це­почки символов, трансляция в соответствующую последовательность дифонов, порождение просодического контура и управление в реаль­ном времени аппаратурой синтезатора.

Блокл речевого ответа, подключенные к телефонным линиям, могут обеспечивать пользователям получение информации в речевом виде. Основное применение такого оборудования - информационно-по­исковые системы, читающие текст автоматические устройства для сле­пых, в связи с чем к системе предъявляются требования: неогра­ниченный словарь, хорошее качество и естественность речи, возмож­ность подключения систем речевого ответа к разным каналам.Матобе с-печение выполняет все действия, необходимые для преобразования входного текста в последовательность команд, необходимых для уп­равления аппаратурой синтезатора, описанного в [160].

Система синтеза основывается на объединении коротких ре­чевых элемэнтов (дифонов), которые включают переходный участок от согласного к последующему гласному CV , квазистационарный участок гласного V2 и начальный участок гласного звука в на­чале слова VI.

Элементарные дифоны, извлекаемые из естественной речи, ко­дировались в соответствии с акустической моделью речеобразова ния. Математическая модель состоит только из полюсного фильтра, представляющего вокальный тракт, и источника возбуждения. Пара­метры, описывающие вокальный тракт, - это коэффициенты отражения неоднородной акустической трубы, подученные использованием методе линейного предсказания.

При записи информации о дифонах в память используется сле­дующая схема. Первый байт каждого дифона показывает число сре' зов, Используемых для кодирования втого дифона. После атог» каждый фрейм, кодирующий срез