Análisis y síntesis de voz mediante ordenador
Objetivos
Aprender como “se forma” la voz y sus características principales.
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.
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Contenidos
Síntesis de la voz Introducción Sistemas de respuesta oral Vs convertidores
texto-voz Conversión texto-voz
Aplicaciones Aplicaciones
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Historia del reconocimiento
Los inicios: años 50•Bell Labs .... Reconocimiento de dígitos aislados monolocutor
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 •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
Actualidad, integración en el S.O.•VoiceXML standard•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, 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.•Años 90 grandes avances en la síntesis debido principalmente al rápido desarrollo de los ordenadores.
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
El concepto de voz
Sistema fonador humano
Onda de presión acústica.
Los distintos sonidos se producen al pasar el aire emitido por los pulmones, a través de todo el sistema de producción.
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 mayor parte de la información de la señal de voz se encuentra en los
primeros 4 kHz.
Sonido sonoroSonido sordo
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Procesamiento digital
El procesamiento digital de señal mediante un DSP, ordenador, etc.
Fase 1ª - Digitalización de voz
Etapas de digitalización: Recogida de información mediante un transductor. Filtrado antialiasing. Muestreo (Teorema de Nyquist).
Procesamiento digital
Fase 2ª - Codificación de voz Pretenden reducir el volumen de información necesario para almacenar o
transmitir una señal de voz. Minimizar la pérdida de calidad de la señal decodificada respecto a la señal
original.
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
Historia de estas tecnologías El concepto de voz Procesamiento digital Reconocimiento de voz
Introducción Modelado del tracto vocal Preprocesado de la señal de voz Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
Introducción El reconocimiento de la voz constituye una parte importante del tratamiento
del habla. Técnicas de reconocimiento utilizadas:
Análisis de Predicción Lineal (LPC) Alineamiento Temporal (DTW) Modelos ocultos de Markov
Tipos de enfoque en el reconocimiento: Reconocer palabras aislados
Reconocer palabras conectadas
Reconocer fonemas y difonos (reconocimiento continuo de voz)
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
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
Reconocimiento de voz
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
Historia de estas tecnologías El concepto de voz Procesamiento digital Reconocimiento de voz
Introducción Modelado del tracto vocal Preprocesado de la señal de voz Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
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:
Reconocimiento de voz
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.
Reconocimiento de voz
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
Historia de estas tecnologías El concepto de voz Procesamiento digital Reconocimiento de voz
Introducción Modelado del tracto vocal Preprocesado de la señal de voz Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
Procesamiento mediante LPC Permite parametrizar una señal con un número pequeño de patrones. Coste computacional pequeño.
●Problema: No sabemos como calcular los coeficientes ak del filtro
Reconocimiento de voz
Procesamiento mediante LPC Autocorrelación en combinación con algoritmo de Levinson-
Durbin
Cálculo de los coeficientes del filtro FIR:
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 Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
Alineamiento temporal (DTW) La siguiente etapa del análisis viene a ser la que se encarga de 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
Historia de estas tecnologías El concepto de voz Procesamiento digital Reconocimiento de voz
Introducción Modelado del tracto vocal Preprocesado de la señal de voz Procesamiento mediante LPC Alineamiento temporal (DTW) Cuantificación vectorial
…
Reconocimiento de voz
Cuantificación vectorial
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.
Decisión: 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.
Reconocimiento de voz
Esquema de un reconocedor de cuantificación vectorial
Contenidos
Síntesis de la voz Introducción Sistemas de respuesta oral Vs convertidores
texto-voz Conversión texto-voz
Aplicaciones Aplicaciones
Síntesis de la voz
Introducción
Características a tener en cuenta de un sintetizador:
Inteligibilidad: Está relacionada con la facilidad para comprender la señal oral.
Calidad: Es un indicador de la “naturalidad” de los sonidos.
Contenidos
Síntesis de la voz Introducción Sistemas de respuesta oral Vs convertidores
texto-voz Conversión texto-voz
Aplicaciones Aplicaciones
Síntesis de la voz
Sistemas de respuesta oral vs 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 Introducción Sistemas de respuesta oral Vs convertidores
texto-voz Conversión texto-voz
Aplicaciones Aplicaciones
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: 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,...
Síntesis de la voz
Conversión texto-voz. 3ª - Etapa: Síntesis de la voz
Función: Genera la señal acústica a partir de los parámetros extraídos en los bloques
anteriores.
Unidades lingüísticas
Contenidos
Síntesis de la voz Introducción Sistemas de respuesta oral Vs convertidores
texto-voz Conversión texto-voz
Aplicaciones Aplicaciones
Aplicaciones
Aplicaciones del reconocimiento de la voz:
Dictado automático
Control por comandos
Sistemas diseñados para discapacitados
etc
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
etc
Conclusiones
Obteniendo varios ejemplos de diferentes programas
de síntesis: Software 2000-2001: Software 2005-2006:
Universidad de Vigo: • Basada en técnica de corpus:• Basada en técnica de difonemas:
Top Related