طراحي و ارزيابي يك مدل بازسازي گفتار به روش هم گذاري واحدهاي حساس به بافت نوايي

Design and Evaluation of a Persian TTS system using prosodically-sensitive concatenative units

در اين مقاله، سه گونه گفتاري متفاوت از كلماتي يكسان از طريق هم گذاري هجاها به سه روش متفاوت بازسازي شدند. در روش اوّل، كلمات از طريق هم گذاري هجاهاي حساس به بافت نوايي بدون پردازش فركانس پايه و ديرش هجاها ساخته شدند. در روش دوم، ابتدا كلمات با هجاهاي غيرنوايي هم گذاري و سپس هجاهاي درون كلمات هم گذاري شده با توجه به جايگاه نوايي كلمات در سطح جمله در حوزه فركانس پايه و ديرش پردازش شدند. در روش سوم، كلمات بدون هر گونه پردازش نوايي از طريق هم گذاري هجاهاي غيرنوايي ساخته شدند. كلمات بازسازي شده سپس در جايگاه هاي نوايي آغاز و پايان IP، AP و PW در درون سه جمله حامل قرار داده شده و پس از توليد در يك آزمون ادراكي به آزمودني ها ارايه شدند. نتايج آزمون ادراكي نشان داد كه كيفيت گفتار بازسازي شده نوع اوّل و دوم در تمامي جايگاه هاي نوايي به طور معني داري از نوع سوم طبيعي تر است. همچنين بر اساس نتايج به دست آمده كيفيت گونه هاي گفتاري نوع اوّل و دوم در حد "طبيعي" است ولي ميزان طبيعي بودن گونه گفتاري نوع اوّل در تمامي جايگاه ها از نوع دوم بيشتر است و اين تفاوت در بعضي از جايگاه ها معني دار است. اين نتايج نشان مي دهد واحدهاي بازسازي حساس به بافت نوايي، كيفيت گفتار بازسازي شده را تا حدّ قابل قبولي بهبود مي بخشد.