Sistemas de Conversão Texto-Fala:
estado da arte, aplicações,
arquitectura e desafios
Daniela Braga e Miguel Sales [email protected], [email protected]
Escola de Verão, Faculdade de Letras da Universidade do Porto
2 de Julho de 2009
2
Sumário
• Parte I – Parte teórica
– Processamento da Fala – o que é?
– Aplicações do processamento da fala
– Sistemas de síntese de fala – um pouco de história
– Estado da arte actual dos sistemas de síntese de fala
– Alguns key-players importantes
– Arquitectura de um sistema de síntese de fala
– Principais desafios na construção do sistema: selecção da voz,
controlo de qualidade, desenvolvimento e implementação de
regras linguísticas, teste do sistema
– Metodologias e processos de teste
– Principais desafios e problemas actuais
• Parte II – Parte prática
Síntese da Fala Reconhecimento de Voz
Processamento da Fala
TextoTexto
Processamento da Fala:
o que é?
Processamento da Fala: uma
área interdisciplinar
4
Linguística
Informática
Engenharia
Medicina
Terapia da Fala
Matemática
Ciências
da Fala
Sistemas de síntese e
reconhecimento de voz: aplicações
ORIENTAÇÃO E NAVEGAÇÃO
• Sistemas de voz aplicados a navegação por GPS
instalado em viaturas, para que as orientações
visuais sejam acompanhadas por informações
auditivas.
• Vantagens: maior segurança na navegação em
automóvel.
ENSINO
• e-learning com interfaces de voz; tele-escola
complementada com sistemas visuais em que uma
face é animada em sincronismo com a voz ,
permitindo escolher a voz e a face do orador; ensino
de línguas estrangeiras.
• Vantagens: ensino mais agradável, mais eficaz;
aumento da motivação; possibilidade de repetição.
Sistemas de síntese e
reconhecimento de voz: aplicações
SISTEMAS DE COMANDO E CONSULTA
• Controlo de sistemas por voz, aplicados por exemplo a casas inteligentes
(domótica), cadeiras de rodas que obedecem a comandos como
recuar/avançar, anterior/seguinte, etc. por voz.
• Vantagens: comodidade, rapidez na execução de tarefas.
Sistemas de síntese e
reconhecimento de voz: aplicações
TELECOMUNICAÇÕES
• Sistemas de execução da chamada por indicação do nome ou do número
do destinatário*; leitura de SMS por voz (útil a cegos) com a possibilidade
de utilizar a voz do remetente; reconhecimento da voz**.
• Vantagens: *rapidez nos comandos e na comunicação; **redução da
informação a transmitir libertando largura de banda.
Vodafone Say Net
Sistemas de síntese e
reconhecimento de voz: aplicações
QUIOSQUES DIGITAIS E MULTIMÉDIA
• e-commerce com diversas aplicações: venda de
bilhetes para espectáculos, viagens, alimentos,
livros;
• quiosques digitais com informações turísticas ou de
localização, listas telefónicas, etc.
• e-banking
• e-books
• leitura de páginas web
• leitura de e-mail
• E-cards
• Vantagens: facilitar o acesso à informação a
pessoas com necessidade especiais (invisuais ou
pessoas com deficiências de visão); agilizar a
consulta de produtos e de informações.
Projectos terminados no
MLDC: Exchange 14
• http://blogs.msdn.com/tagarela/archive/2007/02/28/bem-
vindos.aspx
Projectos terminados no
MLDC
• Voice command:
http://soapbox.msn.com/video.aspx?vi
d=945afe25-90de-4b7d-ac07-
116e286a3c06&wa=wsignin1.0
• Media Center controlled by speech:
http://soapbox.msn.com/video.aspx?vid=945afe25-90de-4b7d-ac07-
116e286a3c06&wa=wsignin1.0
Cronologia
• Até ao final dos anos 80 - técnicas de primeira geração
– síntese por formantes
– síntese articulatória
• Desde finais dos anos 90 - técnicas de segunda geração
– síntese por concatenação
– Síntese por HMMs
13
14
Técnicas de primeira geração
• 1.VODER, by Homer Dudley, 1939 (synthesizing speech by electrical means)
• 2.Pattern playback by F. Cooper (1951)
• 3.Pat (Parametric artificial talker), by Walter Lawrence (1953)
• 4.OVE I (Orator Verbis Electris) formant synthesizer, by Gunnar Fant (1953)
• 5.Pat formant synthesizer (1962) by Walter Lawrence
• 6.OVE II by Gunnar Fant (1962)
• 7.Comparison between synthesized and natural voices, by Jonh Holmes(1961, 1973)
• 8.Voice morphing D. Klatt (1987)
• 9.DAVO (Dynamic Analog of the VOcal tract) articulatory syntheziser, byGeorge Rosen (1958)
• 10.Linear Prediction Analysis and Re-synthesis, by Texas Instruments(1980)
• 11.first full TTS: Umeda et al (1968)
• 12.MIT MITalk (Allen, Hunnicut, Klatt), 1979
15
TTS modernos de segunda geração
• Commercial TTS (normally concatenative):– Loquendo
http://www.loquendo.com/en/index.htm
– Nuance (formerly Scansoft)http://www.nuance.com/realspeak/languages/
– IBMhttp://www.research.ibm.com/tts/
– Acapela
http://www.elan.fr/
– AT&T Labs
http://www.research.att.com/viewProject.cfm?prjID=315
– Cepstralhttp://www.cepstral.com/
Alguns key-players importantes
• Na Europa:
– Institute of Phonetic Sciences, University of Amsterdam,
Holanda, onde o Praat foi desenvolvido;
– KTH – The Royal Institute of Technology, Suécia, activo na área
da Fonologia, onde Gunnar Fant, um dos nomes históricos da
Síntese da Fala e da Fonologia, é Professor Emérito; activo
ainda na área da Síntese Multi-modal;
– Department of Phonetics and Linguistics, University Colledge of
London, Reino Unido, autores do SFS;
– Laboratoire de Parole et Langage, Université de Provence,
laboratório activo na área da Prosódia, dirigido por Daniel Hirts,
autor do INTSINT;
– University of Edimburgh, Reino Unido, onde Alan Black e Paul
Taylor desenvolveram o Festival;16
Alguns key-players importantes
• Nos Estados Unidos da América:
– Language Technologies Institute, Conergie Mellon University,
onde se desenvolve o projecto Festvox, responsável por
iniciativas de avaliação de sistemas de síntese da fala, os
Blizzard Challenges, entre outras;
– University of Colorado, at Boulder (Daniel Jurafsky é um dos
grandes nomes)
– MIT - Massachusetts Institute of Technology, Estados Unidos,
onde se desenvolveu o DAVO, um dos primeiros sintetizadores
articulatórios (1958) e o MITTalk, em 1979, um dos primeiros
sintetizadores baseados em dicionários (Allen et al., 1987) e o
Klattalk, em 1983;
17
Alguns key-players importantes
• Na Ásia:
– Nagoya Institute of Technology, onde Keiichi Tokuda e o seu
grupo desenvolveram o HTS, considerado o novo paradigma
nas técnicas de síntese;
– ATR – Advanced Telecommunications Research Institute
International, Japão, um dos maiores centros de
desenvolvimento estatais do Japão;
– Microsoft Research Asia – Speech Technology Group, em
Pequim, China, onde tecnologias de ponta estão a ser
desenvolvidas.
18
Arquitectura geral dos
sistemas de síntese de fala
19
Análise do texto
Análise fonética
Geração prosódica
Voz sintética
Motor de síntese
Texto
1
• Analisador morfossintáctico
• Desambiguador de homógrafos
2
• Leitor de estrangeirismos
• Conversor grafema-fone
3
• Marcador de tonicidade
• Divisor silábico
Separador de frases
Separador de palavras
Normalizador de texto
Base de
dados de voz
Geração de entoação, durações,intensidade
Determinação do foco
Geração de emoções
Front-end Back-endDependente
da línguaAgnóstico da
língua
Estado da arte
• 3 abordagens principais para o front-end
– Baseada em regras: mais robustos, requerem menos memória,
requerem conhecimento linguístico muito especializado
– Baseada em modelos estatísticos: podem ser muito robustos,
requerem muita memória, quando falham pode ser desastroso
– Modelos híbridos: preferíveis
• 2 paradigmas actuais para o back-end:
– Síntese por HTS
– Síntese por Selecção de Unidades
• Futuro:
– Melhoramentos do HTS
– RUS – técnica que combina síntese por concatenação e HMMs
20
Arquitectura TTS no MLDC
21
Data
Stu
dio
(Sc
ript &
rec
ord
ing
revie
w, p
ros
od
y
an
no
tatio
n)
LexiconRaw text
corpus
Phoneme
table
Voice talent
selection Recording
Wave process
Alignment
Font compilingVoice
Font
Script
Generation
TTS runtime
enginePolyphony
resolution
Prosody
modelling LTS rules
Text Analysis
Acoustic
models
TN rules
TESTS
Principais desafios na
construção de um TTS
• Selecção do locutor
• Controlo de qualidade da gravação e das waves
• Parte linguística do front-end:
– Obtenção de recursos linguísticos (clean text)
– Normalização de texto
– Desambiguação de homógrafos
– Expansão do léxico
22
Selecção do locutor
• Sabemos que grande parte do sucesso de um TTS está
dependente da escolha do locutor
• Problemas:
– Que requisitos deve ter um locutor?
– Que parâmetros devemos avaliar?
– Esses requisitos estão relacionados com a tecnologia? Estão
dependentes do cenário de aplicação?
23
Parte linguística: Normalização de
texto
24
Conversor de símbolos e caracteres especiais
Expansor de abreviaturas
Leitor de siglas e
acrónimos
Conversor de numerais
(cardinais, ordinais,
datas, tempo,etc.)
Baseado em
dicionário
Baseado em regras
Baseado em dicionário
Baseado em regras
Parte linguística: Desambiguação
de homógrafos
Texto
Analisador morfossintáctico
Homograph typeidentification
Biblioteca de homógrafos
Biblioteca de classes fechadas
Biblioteca de morfemas
Biblioteca de lemas
Biblioteca de verbos irregulares
Biblioteca de exp. impessoais
Identificador do tipo de homógrafo
≠ classe gramatical
Tipos 1-16
= classe gramatical
Tipos 17-24
Biblioteca de combinatórias
lexicais restritas
Biblioteca de wordnets
Análise morfossintáctica Análise semântica
Parte linguística:Desambiguação
de homógrafos
26
TipoAlternância vocálica e classe gramatical
diferenteHomógrafo
1 [e] nome / [E] verbo
aceno, acerto, apelo, aperto, apreço, arrepelo, começo, concerto, conserto,
desemprego, desespero, emprego, enredo, erro, esmero, espeto, flagelo, gelo, governo, interesse, interesses, modelo, pego, peso, pena, penas rego, remo, selo, testo, zelo
2 [o] nome / [O] verbo
abono, aborto, acordo, adorno, aforro, almoço, arrojo, arroto, choco, choro, conforto, consolo, contorno, controlo, coro, desgosto,
despojo, destroço, encosto, endosso, esforço, estorvo, folgo, gosto, jogo, logro, namoro,
olho, piloto, reforço, rodo, rogo, rolo, sopro, suborno, sufoco, toco, toldo, topo, torno,
troco, troço
3 [o] nome/ [O] verbo rola, rolha, soma4 [e] verbo / [E] nome colher, meta
5[e] contractção/ [E]
verbodesses, deste, destes
6 [o] verbo/ [O] adv fora
7 [e] Adj., nome/ [E] verbo seco, seca, secas
8 [o] Adj., nome/ [O] verbo boto
9 [e] Dem. / [E] Adj., nome este
10[e] verbo / [E] Adj.,
nomeleste
11 [o] Prep./ [O] verbo sobre
12 [@] verbo/ [E] nome pegada
13 [o] Adj./ [O] nome rota, rotas, tola, tolas
14[o] nome/ [O] nome/ [O]
verbocorte, cortes, forma, formas, molho, soco
15[e] Prep./ [e] nome/
[E]verbocerca
16[e] nome/ [E] verbo/
nome[E]pega, pegas
TipoAlternância vocálica e
mesma classe gramaticalHomógrafo
17 [e] nome / [E] nome besta, bestas
18 [e] nome / [E] nome sede, sedes
19 [e] nome / [E] nome medo, medos
20 [e] nome / [E] nome, verbo termos
21 [o] nome/ [O] nome cor
22 [o] nome/ [O] nome lobo, lobos
23 [o] nome/ [O] nome bola, bolas
24 [@] verbo/ [E] verbo pregar
Expansão do léxico: Divisor
silábico
27
Input: palavra
ortográfica
Definição de vogal, glide, consoante,
etc.
Definição de casos e
operações
Busca das vogais de
cada palavra e análise da
sua vizinhança
Regras de divisão silábica
Output: palavra
ortográfica dividida em
sílabas
Descrição dos tipos de testes
29
• Módulos de Front-end: sentence separator, word
breaker, text normalization, pronunciation (homograph
ambiguity resolution, LTS conversion);
• Funcionalidade do back-end: testes de compliance,
performance e BVT (Build Verification Tests);
• Teste da qualidade da voz sintética: testes de
compreensão e MOS (Mean Opinion Score) tests.
• Testes de usabilidade
30
Hot topics (principais desafios
e problemas actuais)
• Melhoramentos no HTS: menos ruído metálico,menos nº de waves para o treino
• Boa utilização dos parâmetros prosódicos no treino do back-end
• Síntese expressiva e de emoções
• Síntese multi-língua
• Síntese multi-modal ou síntese audio-visual
• Voice transformation, conversion
• Front-end
• Avaliação – the Blizzard Challenges
• Novas APPs
Top Related