A síntese de voz a partir de texto é uma importante e útil particularidade dos e-readers, permitindo aos utilizadores ouvir um ficheiro de leitura em vez de o ler.

 

Um sistema de conversão texto-fala, Text-to-Speech (TTS), sintetiza voz a partir de texto, realizando a leitura automática do mesmo. Este divide-se em dois principais blocos: o bloco de processamento linguístico-prosódico e bloco de processamento acústico do sinal de fala.

​

​

​

​

 

 

 

Gostava de experimentar um sistema deste género?

​

​

​

​

 

Processamento linguístico prosódico

​

O objetivo deste primeiro processamento é determinar no texto dois tipos de informação que permitem ao processamento acústico gerar uma fala natural.

 

A informação segmental diz respeito à cadeia de sons que compõem uma mensagem. Cada língua tem um conjunto de sons base que combinados permitem produzir as suas particularidades da respetiva língua, gerando fonemas.

 

A Informação supra-segmental diz respeito à prosódia, refletindo elementos linguísticos como frases, pausas, acentuação e agrupamento de elementos de significado e elementos não linguísticos. Esta é usualmente codificada utilizando três parâmetros acústicos do sinal de fala, a evolução temporal da frequência fundamental, a duração dos segmentos de som que compõem a frase e a curva temporal de energia do sinala acústico. Nos conversores atuais, os dois tipos de informação são extraídos através de uma sequência de tarefas.

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

No Pré-processamento, o texto é formatado, representando, por extenso, números, abreviaturas, acrónimos e possíveis caracteres.

​

Na Análise Linguística, são colocadas marcas nas fronteiras entre palavas, sendo realizada a divisão silábica, a marcação da sílaba acentuada e eventuais graus de acento podendo recorrer a algoritmos de divisão silábica. É também realizada uma análise morfológica com identificação da função gramatical das palavras recorrendo a dicionários e algoritmos de desambiguação e uma análise sintática que marca as fronteiras sintático-prosódicas e identifica o cerne da frase.

​

Na Transcrição Fonética, o texto é transcrito foneticamente para uma sequência ou códigos de fones, sendo o Speech Assessment Methods Phonetic Alphabet (SAMPA), o alfabeto mais utilizado. A representação fonética resulta de uma transcrição clássica do texto para fonema, enquanto a fonológica utiliza fones (variações de fonemas). Este aspeto é particularmente importante em línguas como o Português, em que a representação fonética diverge consideravelmente da fonológica.

 

No Processamento Prosódico, a informação segmental e supra-segmental é recolhida e traduzida em variações de duração segmental e inserção de pausas com duração adequada (ritmo), de frequência fundamental e de intensidade sonora.

​

​

Processamento ACÚSTICO

​

A geração e propagação de sons no sistema vocal é regida pelas leis fundamentais da física. Neste bloco, as sequências anteriores são selecionadas de uma base de dados e concatenadas de acordo com cada tipo de modelo acústico.

​

No Modelo de Formantes, é utilizado um modelo fonte-filtro onde o filtro se caracteriza por variar suavemente as formantes ao longo do tempo. A fonte de som e frequências formantes são modeladas e o trato vocal é descrito recorrendo às suas formantes e respetivas larguras de banda. Para uma boa qualidade de síntese, são necessários pelo menos quatro formantes.

​

No Modelo de Predição Linear, são estimados os parâmetros do sinal de fala em segmentos de sinal, prevendo o valor de uma amostra por combinação linear dos valores das amostras anteriores. Os coeficientes LPC são estimados por minimização do erro quadrático entre a amostra real e a sua predição, devendo ser atualizados num máximo de 30ms. Normalmente os segmentos de fala escolhidos para extração dos coeficientes são os primeiros 1, 2 ou 4 múltiplos do período fundamental. O filtro resultante, simula o trato vocal e é alimentado com impulsos que simulam os pulsos glotais e cuja periodicidade representa a frequência fundamental.

​

Na Modelização Sinusoidal, o sinal é dividido em segmentos em que cada um é descrito por uma soma de sinusoides. Determinando as frequências, amplitudes e fases de cada uma, é possível sintetizar o sinal. As sinusoides de um segmento não são independentes das utilizadas em segmentos adjacentes e sempre que duas sinusoides estejam ligadas, é necessário impor continuidade de frequência. Determinando os valores instantâneos nos extremos de cada segmento e interpolando os valores intermédios, é possível estudar a evolução das frequências, amplitudes e fases das sinusoides.

​

Os Métodos Pitch Synchronous Overlap And Add (PSOLA) geram o sinal de fala concatenando segmentos de forma síncrona, utilizando os períodos de frequência fundamental do sinal original.  Existem algumas variações deste método como o Time Domain – PSOLA, o Frequency Domain PSOLA, o Residual Excitation Linear Prediction – PSOLA e o Multiband Resynthesis Overlap and Add que procuram resolver dificuldades existentes no modelo original.

​

Nos Modelos Articulatórios, é usado um modelo físico-acústico de produção de fala que inclui todos os articuladores, modelando diretamente o sistema e não o sinal. Num sintetizador deste tipo, a naturalidade da fala depende da modelação de alguns subsistemas da fala como as cordas vocais, que funcionam como fonte do sinal e o trato vocal, que é modelado como um sistema linear.