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.

Adquirir una idea básica del procesamiento mediante computador.

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 y sus futuros usos.

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 Análisis de predicción lineal (LPC) Alineamiento temporal (DTW) Cuantificación vectorial

…

Contenidos

Síntesis de la voz Introducción Sistemas de respuesta oral Vs convertidores

texto-voz Conversión texto-voz Generación de la base de unidades

Aplicaciones Aplicaciones

Contenidos



…

Historia del reconocimiento

Los inicios: años 50•Bell Labs .... Reconocimiento de dígitos aislados monolocutor•RCA Labs .... Reconocimiento de 10 sílabas monolocutor•University College in England .... Reconocedor fonético•MIT Lincoln Lab .... Reconocedor de vocales independiente del hablante

Los fundamentos: años 60•Comienzo en Japón (NEC labs)

Las primeras soluciones: años 70, el mundo probabilístico•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•Algoritmos para el habla continua y grandes vocabularios•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•Integración entre reconocimiento de voz y procesado del lenguaje natural

Actualidad, integración en el S.O.•Integración teléfono y Voice Web browsers •VoiceXML estandard•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, que trabajaba en esa época en la Academia Rusa de las Ciencias, 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.•El primer sistema de síntesis computerizado años 50, y el primer sistema completo texto a voz años 60.•Años 90 grandes avances en la síntesis debido principalmente al rápido desarrollo de los ordenadores.

Contenidos



…

El concepto de voz

Sistema fonador humano Onda de presión acústica originada

voluntariamente a partir de los movimientos de la estructura anatómica del sistema fonador.

Los distintos sonidos se producen al pasar el aire emitido por los pulmones, a través de todo el sistema de producción, en una determinada posición de cada parámetro articulatorio.

Este sistema puede modelarse como un filtro, cuya función de transferencia depende del sonido articulado. La entrada al filtro se puede modelar mediante una señal de excitación, que se corresponde con el paso del aire generado por los pulmones a través de la tráquea y las cuerdas vocales, y también será dependiente del sonido generado.

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 señal de voz es limitada en

banda, a unos 8 kHz. Sin embargo, la mayor parte de la información se encuentra en los primeros 4 kHz, que es aproximadamente el ancho de banda utilizado en las comunicaciones por vía telefónica.

Sonido sonoroSonido sordo

El concepto de voz

Análisis frecuencial (II) De las figuras de antes se pueden sacar varias conclusiones:

La periodicidad del fonema /u/. (Hay que recordar que la presencia de armónicos en el espectro indica cierta periodicidad de la señal).

El margen habitual del valor del pitch para locutores masculinos adultos del valor del pitch es de 50 a 250 Hz, mientras que para locutoras se encuentra entre 120 y 500 Hz.

Existencia de resonancias o zonas enfatizadas (formantes), en el espectro de los sonidos sonoros, por ejemplo las vocales, esto permite identificar a la vocal a partir de sus formantes.

• Nota: para formar el triángulo vocálico solo se requiere dos formantes.

El concepto de voz

Análisis frecuencial (II) Triángulo vocálico castellano

Vocal\Formante (Hz)

F1 F2

/i/ 284 2430/e/ 527 2025/a/ 689 1458/o/ 608 1215/u/ 243 770

Contenidos



…

Procesamiento digital

Fase 1ª - Digitalización de voz El procesamiento digital de señal mediante un DSP, ordenador, etc., requiere

previamente la conversión de la señal acústica a eléctrica mediante un micrófono, y la conversión de la señal analógica resultante a señal digital. Por otra parte, para restaurar o generar señal audible a partir de un sistema digital, será necesaria la conversión digital a analógica, su amplificación, y su radiación mediante un altavoz.

Etapas de digitalización: Recogida de información mediante un transductor. Filtrado antialiasing. Muestreo (Teorema de Nyquist).

Procesamiento digital

Fase 2ª - Codificación de voz Las técnicas de codificación de voz pretenden reducir el volumen de

información necesario para almacenar o transmitir una señal de voz, de forma que la pérdida de calidad de la señal decodificada respecto a la señal sin comprimir sea lo menor posible. Por supuesto, deberá mantenerse la inteligibilidad del mensaje, y existirá un compromiso calidad versus tabla de compresión, complejidad computacional, etc.

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.

Contenidos



…

Reconocimiento de voz

Introducción El reconocimiento de la voz constituye una parte importante del tratamiento

del habla. Las técnicas de reconocimiento más desarrolladas son aquellas comúnmente

usadas para el idioma inglés, las cuales incluyen el Análisis de Predicción Lineal (LPC) y el Alineamiento Temporal (DTW)

Tipos de enfoque en el reconocimiento: Reconocer palabras aislados: las palabras se pronuncian entre pausas pequeñas

de tal forma que el procesamiento se realiza teniendo como unidades lingüísticas las palabras de un vocabulario específico.

Reconocer palabras conectadas: las palabras se pronuncian sin pausas (habla normal) de tal forma que el reconocimiento se lleva a cabo basándose en la coincidencia de palabras aisladas de referencia.

Reconocer fonemas y difonos (reconocimiento continuo de voz): basada en la separación de la señal de voz en estas unidades lingüísticas, para su posterior análisis.


Introducción Ventajas/Desventajas de los diferentes tipos de reconocedores

La complejidad de los reconocedores mediante fonemas es bastante mayor en comparación con los de palabras aisladas.

Los reconocedores de palabras aisladas no permiten vocabularios medianamente extensos (<50 palabras), debido principalmente al alto coste de memoria, que esta técnica requiere. Mientras que los reconocedores de fonemas permiten una mayor extensión del vocabulario a reconocer.

• Palabras del vocabulario castellano: 300000 palabras• Fonemas existentes en el castellano: 37 fonemas

Una limitación del reconocedor de palabras aisladas es tener que “dictar”, de forma aislada, cada palabra del texto a reconocer.

Contenidos



…


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


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:

Contenidos



…


Preprocesado de la señal de voz En esta fase se modifica a la señal de voz para facilitar su posterior análisis.

Etapas: 1ª - Preénfasis 2ª - Segmentación y enventanado


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:


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.


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.

Contenidos



…


Análisis de predicción lineal (LPC) Una de las técnicas más usadas en el procesamiento de señales de voz viene a

ser el análisis de predicción lineal. Esta técnica permite parametrizar una señal con un número pequeño de patrones, además de no requerir demasiado tiempo de procesamiento, con lo que hace de este análisis una herramienta bastante potente.

Ecuación del filtro FIR (I)

Donde:• x[n] corresponde a la señal de entrada del filtro, que podrá ser un tren de impulsos o ruido.• G ganancia del filtro• y[n] salida del filtro.


Análisis de predicción lineal (LPC) Ecuación del filtro FIR (II)

Observaciones de importancia:• El modelo matemático expuesto establece que el tracto vocal puede modelarse mediante un

filtro digital siendo los parámetros los que determinan la función de transferencia. El problema consiste en, dado un segmento de palabra, extraerle sus parámetros que en este caso vienen a ser los coeficientes del filtro.

• También hay que tener en cuenta que un tren de impulsos a la entrada, producirá señales sonoras mientras que un ruido aleatorio producirá señales no sonoras a la salida del filtro.

• El filtro viene a representar el modelo del tracto vocal.

Función de transferencia del filtro FIR


Análisis de predicción lineal (LPC) Función de transferencia del filtro FIR

Donde:• x[n] corresponde a la señal de entrada del filtro, que podrá ser un tren de impulsos o ruido.• G ganancia del filtro• y[n] salida del filtro.


Análisis de predicción lineal (LPC) Autocorrelación

La función de autocorrelación proporciona una medida de la correlación de la señal con una copia desfasada en el tiempo de si mismo. De aquí se extraen los p coeficientes de autocorrelación.

Estos coeficientes son utilizados para calcular los coeficientes ak del filtro FIR descrito antes. Para calcularlos se utiliza el algoritmo de Levinson-Durbin, que permite resolver estas ecuaciones de forma eficiente.

Contenidos



…


Alineamiento temporal (DTW) La siguiente etapa del análisis viene a ser la que se encarga se 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.

Contenidos



…


Cuantificación vectorial Las técnicas de parametrización de la señal vocal se realizan tomando una

secuencia de ventanas de tiempo, cada una de las cuales es representada por un número p de parámetros.

La idea principal de la cuantificación vectorial es 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.

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.


Esquema de un reconocedor de cuantificación vectorial

Contenidos




Síntesis de la voz

Introducción La forma más habitual de comunicación entre las personas y las máquinas

suele ser a través de una pantalla o visualizador, en la que el usuario lee una determinada información. Sin embargo, resulta más agradable poder recibir ciertas informaciones de la misma manera que nos comunicamos entre personas: mediante una comunicación oral en nuestro propio idioma.

Características a tener en cuenta de un sintetizador:

Inteligibilidad: Está relacionada con la facilidad para comprender la señal oral. Normalmente se acostumbra a relacionar la inteligibilidad con el procesado segmental.

Calidad: Es un indicador de la “naturalidad” de los sonidos. Se acostumbra a relacionar con el procesado prosódico o suprasegmental (conjunto factores que afectan la pronunciación de una manera global, como la entonación, el ritmo y la intensidad del habla).

Contenidos




Síntesis de la voz

Sistemas de respuesta oral versus 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.

Contenidos




Síntesis de la voz

Conversión texto-voz Consideraciones a tener en cuenta:

La redundancia del lenguaje, facilita la comprensión global del mensaje.

Se busca que la voz sintetizada tenga una buena entonación y ritmo, para que sea agradable escucharla.

Cada idioma presenta diferentes módulos lingüísticos y bases de unidades.

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: Genera la señal acústica a partir de los parámetros extraídos en los bloques

anteriores.

Síntesis de la voz

Conversión texto-voz. 3ª - Etapa: Síntesis de la voz

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,...

Contenidos




Síntesis de la voz

Generación de las bases de unidades. Unidades

Unidad Cantidad Descripción

Palabras 300000 Unidades fundamentales de las frases.

Sílabas 20000 Consta de un núcleo (vocal o diptongo) más algunas consonantes vecinas.

Semisílabas 4500 Se obtiene dividiendo la sílaba por la mitad, con el

corte en el centro de la vocal.

Difonemas 1500 Se obtiene dividiendo la señal en fragmentos de

tamaño un fonema. El corte se hace en el centro de cada

fonema.

Alófonos 250 Se forman agrupando fonemas.

Fonemas 37 Es la unidad fundamental en fonética.

Síntesis de la voz

Generación de las bases de unidades. Unidades.

Ejemplo

Síntesis de la voz

Generación de las bases de unidades Existen dos maneras de obtenerlas:

Circuitos integrados (SP0256-AL2), que incorporan una serie de alófonos en una memoria ROM.

Mediante registros propios consiste en la grabación de un conjunto de unidades para utilizarlas posteriormente. (Demasiado tiempo y bastante trabajo).

Contenidos




Aplicaciones

Aplicaciones del reconocimiento de la voz:

Dictado automático

Control por comandos

Sistemas portátiles

Sistemas diseñados para discapacitados

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

análisis y síntesis de voz mediante ordenador

Documents