E.T.S. DE INGENIERÍA INFORMÁTICA

Transcripción

1 Universidad de Valladolid E.T.S. DE INGENIERÍA INFORMÁTICA Ingeniería Técnica en Informática de Gestión Desarrollo de un componente para PDA (un reproductor de sonido) Autor: Maria Jesús Carnicero Sierra Tutores: Miguel Ángel Laguna Serrano Bruno González Baixauli

2

3 Dedicado a mi familia, por ser como son, con sus virtudes y con sus defectos, por su paciencia y por estar siempre en todo momento.

4

5 Índice Índice Parte I Introducción Capítulo 1 Presentación del proyecto Descripción del proyecto Alcance Sobre la documentación Capítulo 2 Objetivos propuestos Objetivos Parte II - Estudio de las tecnologías Texto-a-Voz Capítulo 3 Síntesis de voz Visión general Orígenes Tecnologías de síntesis de voz Síntesis concatenativa Síntesis por selección de unidades Síntesis de difonos Síntesis específica para un dominio Síntesis de formantes Tecnologías de síntesis: Síntesis por formantes versus Síntesis por concatenación de unidades

6 Índice Desafíos de la síntesis de voz Desafíos de la normalización de texto Desafíos de los sistemas Texto a fonema...28 Capítulo 4 Estudio de los sintetizadores de voz disponibles Sintetizadores de voz disponibles gratuitamente Festival Flite FreeTTS MBROLA Microsoft Speech SDK Otros Sintetizadores de voz disponibles comercialmente SodelsCot Loquendo Cepstral AT&T Natural Voices Acapela Group TextAloud RealSpeak VerbioTTS...37 Capítulo 5 La silaba Introducción Definición y clasificación Segmentación de las palabras en silabas Reproducción Método para silabear...44 Parte III Desarrollo Componente...47 Capítulo 6 Análisis del componente Introducción Descripción del problema Identificación de los actores Diagrama de los casos de uso Presentación de los casos de uso Preparar reproductor para reproducir texto Iniciar reproducción Detener reproducción Pausar reproducción

7 Índice Reanudar reproducción Deletrear texto Modificar volumen Estructura estática del sistema Diagrama inicial de clases Capitulo 7. Diseño del componente Introducción Especificación de los casos de uso y diagramas de secuencia Preparar reproductor Iniciar reproducción Detener reproducción Pausar reproducción Reanudar reproducción Deletrear texto Modificar volumen Diagrama final de clases Especificación de las clases Capitulo 8. Manual de Usuario Introducción Uso de componentes en Visual Studio.NET Uso del componente sonido Creación de ficheros de voces Parte IV Desarrollo de la aplicación Capitulo 9. Análisis de la aplicación Introducción Descripción del problema Identificación de los actores Diagrama de los casos de uso Presentación de los casos de uso Introducir texto Borrar texto Configurar reproductor Salir aplicación Reproducir texto Deletrear texto Reproductor Iniciar reproducción

8 Índice Detener reproducción Pausar reproducción Continuar reproducción Modificar volumen Estructura estática del sistema Diagrama inicial de clases Capitulo 10. Diseño de la aplicación Introducción Especificación de los casos de uso y diagramas de secuencia Introducir texto Borrar texto Configurar reproductor Salir aplicación Reproducir texto Deletrear texto Reproductor Iniciar reproducción Detener reproducción Pausar reproducción Continuar reproducción Modificar volumen Diagrama final de clases Especificación de las clases Capitulo 11. Pruebas Introducción Pruebas realizadas Parte V - Manual de usuario de la aplicación Capítulo 12. Manual de usuario Introducción Descripción de la aplicación por pantallas Pantalla principal Pantalla caracteres Pantalla menú Pantalla configuración Pantalla del reproductor Descripción de la aplicación por la forma de uso

9 Índice Escribir un texto Borrar un texto Cambiar las opciones del reproductor Deletrear un texto Reproducción del un texto Instalación y desinstalación de la aplicación Parte VI Conclusiones Capítulo 13 Conclusiones Dificultades encontradas Objetivos alcanzados Posibles mejoras Capítulo 14 Bibliografía Bibliografía Fuentes Web Apéndices Apéndice A Tecnologías A.1 Introducción A.2 Visual Studio.NET A.3 Desarrollo para sistemas móviles A.4.NET Compact Framework A.5 Visual C#.NET Apéndice B Programación en Visual Studio.NET B.1 Ejecución de la aplicación desde Visual Studio.NET B.2 Creación de archivos CAB con Visual Studio.NET B.3 Creación de componentes con Visual Studio.NET Apéndice C Hardware y software utilizado C.1 Hardware usado C.2 Software usado Apéndice D Contenido del CD

10 Índice 10

11 Parte I Introducción

12

13 Capitulo 1 Presentación del proyecto Capítulo 1 Presentación del proyecto 1.1. Descripción del proyecto El proyecto consta de dos tareas: primero, el estudio de la reproducción de voz; y segundo, el desarrollo de una aplicación permita reproducir voz a partir de un texto. Ampliando esta primera descripción, el estudio de la reproducción de voz consta del estudio de la síntesis de voz desde el estudio teórico de la formación de la voz y el estudio de las distintas herramientas existentes en el mercado, ya sean libres o propietarias. La aplicación del proyecto desarrollará: 1 - un componente capaz de reproducir voz sobre PDAs. 2 - una aplicación sobre Pocket PC que reproduzca un texto previamente introducido (un comunicador) usando el componente creado anteriormente Alcance Este proyecto se enmarca en el trabajo que el Grupo GIRO está realizando dentro del dominio de aplicación de Software para Discapacitados, y en particular en la comunicación alternativa. 13

14 Capitulo 1 Presentación del proyecto La comunicación alternativa es otra forma de comunicación que no utiliza la voz humana, debido a las características de las personas afectadas por diversos trastornos o desórdenes del habla o del lenguaje. Debido a que la aplicación está pensada y diseñada para personas con discapacidad motora y del habla, ésta se ha diseñado pensando en sus necesidades y para facilitarles la comunicación, tales como grandes botones para un mejor manejo. Dadas las ventajas que aportan los dispositivos móviles y a su cada vez mayor uso en la vida cotidiana, el usuario va a poder ampliar su independencia ya que va a aumentar su capacidad de comunicación con los demás. La aplicación final va a poder poner voz a esas personas que la han perdido, por distintos motivos, o a aquellas personas que tengan discapacidades del habla. Para ello se ha pensado en poder personalizar la voz, pudiendo elegir el sexo de la voz según sea el usuario. Sin embargo, el usuario final de la aplicación ha de saber escribir, ya que va a ser ese texto que escriba el que posteriormente se va a reproducir Sobre la documentación Esta memoria pretende ser de utilidad para la comprensión de este proyecto y ofrecer una visión sobre la síntesis de voz sin entrar en gran profundidad en su estudio. La memoria se organiza en partes, y éstas a su vez en capítulos para una mejor lectura y comprensión. Las partes de la memoria son: Parte I: Introducción Breve descripción sobre el tema a desarrollar en el proyecto y los objetivos propuestos Parte II: Estudio de las tecnologías texto-a-voz Estudio teórico sobre la síntesis de voz, sus orígenes, evolución y su desarrollo. También se hace un estudio de las alternativas disponibles en el mercado, ya sean comerciales o de libre distribución. En este estudio se ofrece una descripción de ellos, la empresa o laboratorio que lo desarrolla y la plataforma para su instalación, entre otros. Por ultimo también se hace un breve estudio de la sílaba, como unidad de sonido. Parte III: Desarrollo del componente Análisis, diseño y manual de uso del componente. 14

15 Capitulo 1 Presentación del proyecto Parte IV: Desarrollo de la aplicación Análisis, diseño y pruebas de la aplicación. Parte V: Manual de usuario de la aplicación Manual de usuario de la aplicación, donde se explica detalladamente el uso de la aplicación, su manejo y sus opciones, así como su instalación en un dispositivo móvil (PDA) Parte VI: Conclusiones Dificultades encontradas y objetivos alcanzados Apéndice Estudio de los dispositivos móviles Descripción sobre las tecnologías usadas, como Visual Studio.NET, Compact Framework, programación de componentes, etc. 15

16 Capitulo 1 Presentación del proyecto 16

17 Capitulo 2 Objetivos propuestos Capítulo 2 Objetivos propuestos 2.1. Objetivos A continuación se describen los objetivos propuestos: Conocer la evolución histórica de la síntesis de voz, desde la voz sintética y metálica hasta la voz artificial natural actual. Comprender el proceso de la síntesis de voz desde el punto de vista teórico. Conocer las distintas alternativas que existen para el desarrollo de la síntesis de voz. Conocer la síntesis de voz, para qué se usa y hacia quien está pensado su uso. Conocer un entorno de trabajo especifico, como es el desarrollo de aplicaciones bajo Visual Studio.NET y mas en concreto el lenguaje C#. Que similitudes y que diferencias existen con los lenguajes de programación en los que ya se sabe programar. Que ventajas ofrece programar con Visual Studio.NET 2003 y en C# frente a otras alternativas. Conocer y comprender la programación de componentes. En que se basa y para que sirve. Conocer y utilizar la metodología necesaria para la creación de software para dispositivos móviles, los distintos programas y herramientas con las que poder crear estas aplicaciones. 17

18 Capitulo 2 Objetivos propuestos Conocer las limitaciones de la programación para dispositivos móviles frente a las aplicaciones para PC, ya que no es lo mismo, diseñar aplicaciones para PC sin restricciones de tamaño, que para dispositivos móviles, puesto que poseen prestaciones limitadas. Aunque esto en la actualidad comienza a no ser tan relevante, con la aparición en el mercado de memorias de gran capacidad a unos precios asequibles 18

19 Parte II Estudio de las tecnologías Texto-a-Voz

20

21 Capítulo 3 Síntesis de voz Capítulo 3 Síntesis de voz La Síntesis de voz es la producción artificial de habla humana. Un sistema usado con este propósito recibe el nombre de sintetizador de voz y puede implementarse en software o en hardware. La síntesis de voz se llama a menudo en inglés text-to-speech (TTS), en referencia a su capacidad de convertir texto en habla. Sin embargo, hay sistemas que en lugar de producir voz a partir de texto lo hacen a partir de representación lingüística simbólica en habla Visión general Un sistema texto a voz se compone de dos partes: un front-end y un back-end. A grandes rasgos, el front-end toma como entrada texto y produce una representación lingüística fonética. El back-end toma como entrada la representación lingüística simbólica y produce una forma de onda sintetizada. El front-end desempeña dos tareas principales. Primero, toma el texto y convierte partes problemáticas como números y abreviaturas en palabras equivalentes. Este proceso se llama a menudo normalización de texto o preprocesado. Entonces asigna una trascripción fonética a cada palabra, y divide y marca el texto en varias unidades prosódicas, como frases y oraciones. El proceso de asignar transcripciones fonéticas a las palabras recibe el nombre de conversión texto a fonema (TTP en inglés) o grafema a fonema (GTP en inglés). La combinación de transcripciones fonéticas e información prosódica constituye la representación lingüística fonética. 21

22 Capítulo 3 Síntesis de voz La otra parte, el back-end, toma la representación lingüística simbólica y la convierte en sonido. El back-end se llama a menudo sintetizador Orígenes Uno de los retos que ha tenido la persona humana en el siglo pasado ha sido la de lograr que una máquina aprendiera a hablar, a leer y a escribir. Especialmente en la discapacidad visual, una máquina que lee textos es una ayuda de gran importancia para el acceso a la cultura de las personas con este tipo de minusvalías. 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 podría producir las cinco vocales largas (a, e, i, o y u). Wolfgang von Kempelen de Vienna, Austria, describió en su obra Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine ("mecanismo del habla humana con descripción de su máquina parlante", J.B. Degen, Wien) una máquina accionada con un fuelle. Esta máquina tenía, además, modelos de la lengua y los labios, para producir consonantes, así como vocales. En 1837 Charles Wheatstone produjo una 'máquina parlante' basada en el diseño de von Kempelen, y en 1857 M. Faber construyó la máquina 'Euphonia'. El diseño de Wheatstone fue resucitado en 1923 por Paget. En los años 30, los laboratorios Bell Labs desarrollaron el VOCODER, un analizador y sintetizador del habla operado por teclado que era claramente inteligible. Homer Dudley refinó este dispositivo y creo VODER, que exhibió en la Exposición Universal de Nueva York de Los primeros sintetizadores de voz sonaban muy robóticos y eran a menudo inteligibles a duras penas. Sin embargo, la calidad del habla sintetizada ha mejorado en gran medida, y el resultado de los sistemas de síntesis contemporáneos es, en ocasiones, indistinguible del habla humana real. A pesar del éxito de los sintetizadores puramente electrónicos, sigue investigándose en sintetizadores mecánicos para su uso en robots humanoides. Incluso el mejor sintetizador electrónico está limitado por la calidad del transductor que produce el sonido, así que en un robot un sintetizador mecánico podría ser capaz de producir un sonido más natural que un altavoz pequeño. El primer sistema de síntesis computerizado fue creado a final de la década de 1950 y el primer sistema completo texto a voz se finalizó en Hacia finales de los años 70, aparecieron las primeras máquinas capaces de convertir texto tecleado en voz (conversor texto-voz), que junto con los programas de reconocimiento óptico de caracteres (Optical carácter Recognition en inglés) produjeron los primeros sistemas comerciales para leer libros en voz alta. Uno de los más famosos es la Kurzweil Reading Machine, que por su precio en aquella época, sólo estaba accesible en algunas bibliotecas importantes del mundo, en particular la del MIT (Massachussets Institute of Technology). Fue precisamente en esa Universidad donde se desarrolló uno de los primeros conversores texto-voz del mundo (EL MIT- Talk).Este sistema, fue convertido en producto por la Empresa Telesensory Speech Systems (más 22

23 Capítulo 3 Síntesis de voz tarde Speech Plus Inc y después adquirida por Centigram). El producto se llamaba Prose 2000 y convertía en voz todo texto enviado a su puerto serie en formato ASCII. La primera versión funcionó sólo para el idioma inglés americano. Otros sistemas le siguieron como el DEC-Talk, el Klat-talk, el Infovox, y muchos otros. Unos años más tarde empezaron a aparecer conversores texto-voz en otros idiomas, español, francés, sueco, alemán, italiano etc. Posteriormente, ya a finales de los años 80, las principales operadoras telefónicas del mundo tomaron cartas en el asunto, y produjeron sus propios conversores texto a voz, en un conjunto de idiomas diverso. Cabe citar Bell Labs de ATT, más tarde escindida en Lucent Technologies y ATT Research, British Telecom., France Telecom., Deutsche Telecom., CSELT, NTT y, por descontado, Telefónica. El interés de todas estas últimas centrado sobre todo en la automatización de servicios de información telefónica, en los que los datos disponibles están sobre todo almacenados en el ordenador en modo texto. Precisamente los servicios de información y atención telefónica automática son uno de los pilares económicos importantes de todos los desarrollos actuales de la Tecnología del Habla Tecnologías de síntesis de voz Las dos características utilizadas para describir la calidad de un sintetizador de voz son la naturalidad e inteligibilidad del texto reproducido. La naturalidad de un sintetizador de voz se refiere a cuánto suena como la voz de una persona real. La inteligibilidad de un sintetizador se refiere a la facilidad de la salida de poder ser entendida. El sintetizador ideal debe de ser a la vez natural e inteligible, y cada tecnología intenta conseguir el máximo de ambas. Algunas de las tecnologías son mejores en naturalidad o en inteligibilidad y las metas de la síntesis determinan a menudo qué aproximación debe seguirse. Hay dos tecnologías principales usadas para generar habla sintética: síntesis por concatenación y síntesis de formantes Síntesis concatenativa La síntesis concatenativa se basa en la concatenación de segmentos de voz grabados. Generalmente, la síntesis concatenativa produce los resultados más naturales. Sin embargo, la variación natural del habla y las técnicas automatizadas de segmentación de formas de onda resultan en defectos audibles, que conllevan una pérdida de naturalidad. Hay tres tipos básicos de síntesis concatenativa Síntesis por selección de unidades La síntesis por selección de unidades utiliza una base de datos de voz grabada (más de una hora de habla grabada). Durante la creación de la base de datos, el habla se segmenta en algunas o 23

24 Capítulo 3 Síntesis de voz todas de las siguientes unidades: fonemas, sílabas, palabras, frases y oraciones. Típicamente, la división en segmentos se realiza usando un reconocedor de voz modificado para forzar su alineamiento con un texto conocido. Después se corrige manualmente, usando representaciones como la forma de onda y el espectrograma. Se crea un índice de las unidades en la base de datos basada en parámetros acústicos de la segmentación como la frecuencia fundamental, el pitch, la duración, la posición en la sílaba y los fonemas vecinos. En tiempo de ejecución, el objetivo deseado se crea determinando la mejor cadena de candidatos de la base de datos (selección de unidades). Este proceso se logra típicamente usando un árbol de decisión especialmente ponderado. La selección de unidades da la máxima naturalidad debido al hecho de que no aplica mucho procesado digital de la señal al habla grabada, lo que a menudo hace que el sonido grabado suene menos natural, aunque algunos sistemas usan un poco de procesado de señal en la concatenación para suavizar las formas de onda. De hecho, la salida de la mejor selección de unidades es a menudo indistinguible de la voz humana real, especialmente en contextos en los que el sistema ha sido adaptado. Por ejemplo, un sistema de síntesis de voz para dar informaciones de vuelos puede ganar en naturalidad si la base de datos fue construida a base grabaciones de informaciones de vuelos, pues será más probable que aparezcan unidades apropiadas e incluso cadenas enteras en la base de datos. Sin embargo, la máxima naturalidad a menudo requiere que la base de datos sea muy amplia, llegando en algunos sistemas a los gigabytes de datos grabados Síntesis de difonos La síntesis de difonos usa una base de datos mínima conteniendo todos los difonos que pueden aparecer en un lenguaje dado. El número de difonos depende de la fonotáctica del lenguaje: el español tiene unos 800 difonos, el alemán unos En la síntesis de difonos, la base de datos contiene un sólo ejemplo de cada difono. En tiempo de ejecución, la prosodia de una oración se sobreimpone a estas unidades mínimas mediante procesado digital de la señal, como codificación lineal predictiva, PSOLA o MBROLA. La calidad del habla resultante es generalmente peor que la obtenida mediante selección de unidades pero más natural que la obtenida mediante sintetización de formantes. La síntesis difonos adolece de los defectos de la síntesis concatenativa y suena robótica como la síntesis de formantes, y tiene pocas ventajas respecto a estas técnicas aparte del pequeño tamaño de la base de datos, así que su uso en aplicaciones comerciales experimenta un declive, aunque continúa usándose en investigación porque hay unas cuantas implementaciones libres Síntesis específica para un dominio La síntesis específica para un dominio concatena palabras y frases grabadas para crear salidas completas. Se usa en aplicaciones donde la variedad de textos que el sistema puede producir está limitada a un particular dominio, como anuncios de salidas de trenes o información metereológica. Esta tecnología es muy sencilla de implementar, y se ha usado comercialmente durante largo tiempo: es la tecnología usada por aparatos como relojes y calculadoras parlantes. La naturalidad de estos sistemas puede ser muy alta porque la variedad de oraciones está limitada y corresponde a la entonación y la prosodia de las grabaciones originales. Sin embargo, al estar 24

25 Capítulo 3 Síntesis de voz limitados a unas ciertas frases y palabras de la base de datos, no son de propósito general y sólo pueden sintetizar la combinación de palabras y frases para los que fueron diseñados Síntesis de formantes La síntesis de formantes no usa muestras de habla humana en tiempo de ejecución. En lugar de eso, la salida se crea usando un modelo acústico. Parámetros como la frecuencia fundamental y los niveles de ruido se varían durante el tiempo para crear una forma de onda o habla artificial. Este método se conoce también como síntesis basada en reglas pero algunos aducen que muchos sistemas concatenativos usan componentes basados en reglas para algunas partes de sus sistemas, como el front-end, así que el término no es suficientemente específico. Muchos sistemas basados en síntesis de formantes generan habla robótica y de apariencia artificial, y la salida nunca se podría confundir con la voz humana. Sin embargo, la naturalidad máxima no es siempre la meta de un sintetizador de voz, y estos sistemas tienen algunas ventajas sobre los sistemas concatenativos. La síntesis de formantes puede ser muy inteligible, incluso a altas velocidades, evitando los defectos acústicos que pueden aparecer con frecuencia en los sistemas concatenativos. La síntesis de voz de alta velocidad es a menudo usada por los discapacitados visuales para utilizar computadores con fluidez. Por otra parte, los sintetizadores de formantes son a menudo programas más pequeños que los sistemas concatenativos porque no necesitan una base de datos de muestras de voz grabada. De esta forma, pueden usarse en sistemas empotrados, donde la memoria y la capacidad de proceso son a menudo exiguas. Por último, dado que los sistemas basados en formantes tienen un control total sobre todos los aspectos del habla producida, pueden incorporar una amplia variedad de tipos de entonaciones, que no sólo comprendan preguntas y enunciaciones Tecnologías de síntesis: Síntesis por formantes versus Síntesis por concatenación de unidades En la figura 1: aparecen los distintos módulos de los que consta un conversor texto a voz. Como vemos, un conversor texto habla consta básicamente de dos módulos, el módulo de análisis de texto y el módulo de síntesis de habla. En el módulo de análisis, se realizan las siguientes operaciones: Normalización de texto y de abreviaturas, análisis sintáctico, análisis semántico, silabización, acentuación y conversor grafema-alófono (la unidad más elemental del sonido). Una vez analizado el texto, se dispone de un conjunto de parámetros textuales que son necesarios en el proceso de síntesis, por ejemplo, se traduce Sr. por señor y se indica que la segunda sílaba debe ir acentuada, se eliminan las letras que no se pronuncian (ej. la h ) y se marcan los lugares posibles de cambios prosódicos en el habla, (ej. detrás de un punto o detrás del sujeto de la oración). El módulo de síntesis de voz consta fundamentalmente de dos partes, la síntesis prosódica y la síntesis segmental. En cuanto a la síntesis prosódica, ésta se encarga de generar los parámetros de duración y entonación de los sonidos conforme a la sintaxis de la frase y al estilo del habla y la 25

26 Capítulo 3 Síntesis de voz emoción del conversor. En cuanto a la síntesis segmental existen dos tipos de tecnologías, la llamada síntesis por formantes y la llamada síntesis por concatenación. Fig. 1 - Diagrama de módulos de un conversor texto-habla Históricamente, los primeros sintetizadores utilizaban el método de síntesis por formantes (además de utilizar módulos de las otras etapas muy rudimentarios). Un sintetizador por formantes es capaz de producir los diferentes alófonos del habla a partir de una serie de parámetros que controlan el sintetizador. El sintetizador no es más que un conjunto de filtros, unos en serie y otros en paralelo, excitados por una fuente de pulsos o una fuente de ruido. Los diferentes filtros simulan cada uno la posición de uno de los formantes del alófono. El formante es una prominencia en el espectro del sonido. El tono se genera a través del período entre el tren de pulsos de la excitación. Existen modelos más sofisticados en los que la excitación no es un tren de pulsos sino una onda más compleja que es capaz de simular la fuente glotal de diferentes locutores y de diferentes estados emocionales. El método de síntesis por concatenación utiliza una base de datos de alófonos de un locutor previamente grabada y el proceso de síntesis consiste en el peor de los casos en la concatenación simple y llana de estos alófonos. Dependiendo del método de concatenación y de la magnitud de la base de datos, puede ser necesaria una búsqueda costosa para seleccionar el mejor alófono de la base de datos que cumple 26

27 Capítulo 3 Síntesis de voz las condiciones de síntesis, tanto en su aspecto prosódico como en su aspecto contextual (un alófono suena diferente según el contexto de los alófonos anteriores y posteriores al mismo que deben pronunciarse). En el caso de que no se disponga de un alófono de las características deseadas, es necesario modificar adecuadamente (sintetizar) el más cercano que se disponga al objeto de generar una voz lo más natural posible. Los sistemas que producen más calidad en el día de hoy son los sintetizadores por concatenación. El hecho de poder disponer de gran cantidad de memoria a precio razonable hace posible el poder almacenar muchos ejemplos de alófonos de un locutor en distintos contextos prosódicos y léxicos por lo que es más factible que el alófono que haya que sintetizar, con sus parámetros, se encuentre disponible en la base de datos. Por el contrario, la calidad de los sistemas basados en formantes es menor, sobre todo debido a la dificultad de generar por regla los parámetros que controlan los filtros del sintetizador, tanto para un único alófono como para todas las combinaciones posibles de alófonos. Sin embargo esta tecnología puede implementarse en sistemas computacionales con capacidad de memoria muy limitada, lo que los hace útiles para algunas aplicaciones en las que existen limitaciones de memoria. También, y no menos importante, los sistemas de síntesis por formantes, son una muy buena herramienta para la investigación, tanto de modelos de síntesis como de modelos de percepción de habla, dado que todos los controles de entrada al sintetizador, permiten una flexibilidad enorme, tanto para generar nuevas voces, como para modificar el estado anímico (simulado) del conversor en su vertiente segmental (la vertiente prosódica forma parte de otro módulo de síntesis, como hemos visto) Desafíos de la síntesis de voz Desafíos de la normalización de texto El proceso de normalizar texto es pocas veces simple. Los textos están llenos de homógrafos, números y abreviaturas que tienen que ser transformados en una representación fonética. Por supuesto, en lenguas donde la correspondencia entre el texto escrito y su equivalente fonético es poca (inglés) o ninguna (mandarín), la creación de estos sistemas se complica. Muchos sistemas de texto a voz no generan representaciones semánticas de los textos de entradas, pues los sistemas para hacerlo no son fiables o computacionalmente efectivos. Como resultado, se usan varias técnicas heurísticas para estimar la manera correcta de desambiguar homógrafos, como buscar palabras vecinas y usar estadísticas sobre la frecuencia de aparición de las palabras. Decidir como convertir números en palabras es otro problema que tienen que solucionar los sintetizadores de voz. Es un desafío bastante simple programar un sistema que convierta números en palabras, como por ejemplo transformar 1325 en "mil trescientos veinticinco". Sin embargo, los números aparecen en diferentes contextos, y 1325 puede ser un ordinal, "uno tres dos cinco" si son los últimos dígitos de un DNI o "trece veinticinco" si es un número de teléfono. A menudo un sistema de síntesis de voz puede inferir como expandir un número en base a las 27

28 Capítulo 3 Síntesis de voz palabras o números vecinos y la puntuación, y algunos sistemas proporcionan un sistema de especificar el tipo de contexto si es ambiguo. De la misma forma, abreviaturas como "etc." se pueden transformar fácilmente en "etcétera", pero a menudo las abreviaturas pueden ser ambiguas. Por ejemplo la abreviatura "am" puede ser "ante meridiam" en el ejemplo: "El vuelo aterrizará a las 11 am" o puede ser "modulación de amplitud" o simplemente "a eme" en el ejemplo "Nos puede encontrar en la sintonía 1425 am". Los sistemas con front-end inteligentes pueden hacer estimaciones adecuadas acerca de como tratar abreviaturas ambiguas, mientras que otros pueden hacer lo mismo en todos los casos, dando resultados en ocasiones cómicos Desafíos de los sistemas Texto a fonema Los sintetizadores de voz usan dos aproximaciones básicas al problema de determinar la pronunciación de una palabra basándose en su pronunciación, un proceso que a menudo recibe el nombre de conversión texto a fonema o grafema a fonema, dado que fonema es el término usado por los lingüistas para describir sonidos distintivos en una lengua. La aproximación más simple a este problema es la basada en diccionario, donde se almacena en el programa un gran diccionario que contiene todas las palabras de la lengua y su correcta pronunciación. Determinar la pronunciación correcta de cada palabra consiste en buscar cada palabra en el diccionario y reemplazar el texto con la pronunciación especificada en el diccionario. La otra aproximación para convertir texto en fonemas es la aproximación basada en reglas, donde dichas reglas para la pronunciación de las palabras se aplican a palabras para extraer sus pronunciaciones basadas en su forma escrita. Cada aproximación tiene ventajas y desventajas. La técnica basada en diccionarios tiene como ventajas ser rápida y precisa, pero falla completamente si una palabra dada no aparece en el diccionario, y a medida que crece el diccionario crecen los requerimientos de memoria del sistema de síntesis. Por otra parte, la técnica basada en reglas funciona con cualquier entrada, pero la complejidad de las reglas crece sustancialmente a medida que se van teniendo en cuenta ortografías y pronunciaciones irregulares. Como resultado, casi cualquier sintetizador de voz usa una combinación de las dos técnicas. Algunos lenguajes como el español tiene un sistema de escritura muy regular y la predicción de la pronunciación de palabras basada en deletreos es prácticamente correcta. Los sistemas de síntesis de voz para este tipo de lenguajes generalmente usan un enfoque basado en reglas como el enfoque central para la conversión texto-fonema y auxiliándose de diccionarios pequeños para algunas palabras de origen extranjero cuya pronunciación no se deduce de la escritura. En lenguajes como el inglés, dado que se trata de sistemas muy irregulares en su escritura, el enfoque se basa principalmente en diccionarios y solo para palabras no usuales se basa en reglas. 28

29 Capítulo 4 Estudio de los sintetizadores de voz disponibles Capítulo 4 Estudio de los sintetizadores de voz disponibles Primero se nombran los sintetizadores libres y los comerciales, para posteriormente hacer una breve descripción de ellos. Obviamente no están todos los existentes en el mercado, ya que su número es altamente elevado. Simplemente se enumeran algunos de los más usados y comunes. 4.1 Sintetizadores de voz disponibles gratuitamente Microsoft Speech Application Programming Interface (Sapi 4.0) soporta los motores TTS3000 de Lernout y Hauspie para español, inglés americano, inglés británico, holandés, francés, alemán, italiano, japonés, coreano, ruso y portugués de brasil. Festival es un sintetizador de voz disponible libremente basado en concatenación de difonos y selección de unidades. Está disponible para español, inglés británico y americano y galés. Flite (Festival-lite) es una alternativa más pequeña de Festival diseñado para sistemas empotrados y servidores de gran volumen de trabajo. FreeTTS escrito enteramente en Java, basado en Flite. MBROLA es un sistema de concatenación de difonos para unas 25 lenguas (sólo nackend). Gnuspeech es un paquete extensible de texto a voz basado en síntesis por reglas articulatorias en tiempo real. 29

30 Capítulo 4 Estudio de los sintetizadores de voz disponibles Voces HTS son voces sintetizadas basadas en modelos ocultos de Markov para Festival. El usuario puede construir su propia voz HTS usando una pequeña cantidad de habla grabada (unos 30 minutos) usando las herramientas de entrenamiento distribuidas en Web de HTS Festival Festival es uno de los mejores motores TTS de código abierto libre disponibles. La calidad de voz es, en general, buena y soporta varios idiomas y tipos de voz. Es un sistema de síntesis de voz de propósito general para múltiples lenguajes desarrollado originalmente por el Centro de Investigación de Tecnologías del Lenguaje de la Universidad de Edimburgo, la Universidad Carnegie Mellon así como otros centros de enseñanza han realizado contribuciones substanciales al proyecto. Festival ofrece un marco general para los sistemas de la síntesis de voz, e incluye ejemplos de varios módulos. El proyecto festival es multilingüe, actualmente inglés británico, inglés americano y español aunque el inglés es el más avanzado. Posee gran cantidad de información y módulos para la lengua española y permite una fácil integración al sistema operativo GNU/Linux. Otros grupos lanzan los nuevos idiomas para el sistema. Y las herramientas y la documentación completas para la utilización de las nuevas voces en el sistema están disponibles con el proyecto de FestVox de Carnegie Mellon University. ( La documentación se da en el formato del textinfo del FSF que puede generar un manual impreso, archivos del Info o HTML. El proyecto incluye la documentación completa para desarrollar sistemas de síntesis de voz con varios APIs, siendo un entorno ideal para el desarrollo e investigación de las técnicas de síntesis de voz. y esta implementado como un interprete de comandos el cual puede conectarse con diversos módulos y aplicaciones. Además existen librerías para el desarrollo de aplicaciones en los lenguajes Java y C++, así como un interfaz para el editor de textos Emacs. Festival se distribuye como software libre. Festival y las herramientas de síntesis de voz se distribuyen bajo licencia de X11-type permitiendo uso comercial y no comercial sin restricción. Dirección Web: Flite Flite (Festival lite) es un motor libre de código abierto que en estos momentos soporta un número limitado de voces y de idiomas. Es ligero, pero para ello sacrifica la calidad. 30

31 Capítulo 4 Estudio de los sintetizadores de voz disponibles Flite es un pequeño y rápido motor de síntesis desarrollado por la Universidad de Carnegie Mellon y dirigido principalmente a su uso en dispositivos móviles. Esta diseñado como una alternativa al motor de síntesis Festival usando las mismas voces construidas con FestVox. Características de Flite: Escrito completamente en C (no C++ o Scheme) lo que favorece su portabilidad, tamaño y velocidad Reimplantación de partes del núcleo de la arquitectura Festival, lo que mantiene la compatibilidad entre las voces construidas para cada sistema Soporte para utilizar las voces creadas en FestVox. Dirección Web: FreeTTS FreeTTS es un motor libre de síntesis de voz de código abierto escrito completamente en Java. Por ello es necesario tener instalado en el sistema el software de la máquina virtual de java para poder utilizarlo. Esta maquina virtual Java se obtiene gratuitamente de Internet. Esta basado en Flite que a su vez esta basado en Festival. Creado por Sun Microsystems, ofrece una buena calidad de voz, la documentación es buena y existen foros de discusión acerca del desarrollo basado en este sintetizador. No existen voces en español para este sintetizador, aunque en la documentación se afirma que las voces creadas mediante el FestVox (una aplicación del sintetizador de voz Festival) pueden ser portadas a este sintetizador, no se explica cuál es el procedimiento para realizar esta interacción. FreeTTS incluye: Motor de síntesis de voz Soporte para distintas voces o 8khz voz masculina, ingles americano o 16khz voz masculina, ingles americano Posibilidad de importar voces desde FestVox (solo ingles americano) Soporta las voces MBROLA, pero hay que descargarlas por separado: o 16khz voz femenina, ingles americano o 16khz 2 voces masculinas, ingles americano Dirección Web: 31

32 Capítulo 4 Estudio de los sintetizadores de voz disponibles MBROLA El objetivo del proyecto de MBROLA, iniciado por el Laboratorio TCTS de la Facultad Politécnica de Mons (Bélgica), es obtener un conjunto de sintetizadores de voz para tantos idiomas como sea posible, y proporcionarlos libremente para aplicaciones no comerciales. El objetivo último es el de incentivar la investigación académica sobre la síntesis de voz. MBROLA es un sintetizador del habla humana basado en la concatenación de difonos. Toma como entrada una lista de fonemas junto con la información prosódica (duración de los fonemas y una descripción del tono de los mismos) y produce una salida de audio a 16 bits. Por tanto no es un Conversor texto-voz (Text-To-Speech o TTS) dado que no acepta texto como entrada. La licencia es algo curiosa, ya que es libre para uso no comercial y no militar. En la página del Proyecto MBROLA hay ejemplos que puedes escuchar en varios idiomas. Hay gran cantidad de bases de datos de difonos para muchos idiomas en la sección de descargas. Las bases de datos de difonos adaptadas al formato MBROLA son necesarias para la ejecución del sintetizador. Las voces francesas están disponibles por los autores de MBROLA, y desde el proyecto de MBROLA se incita a otros laboratorios de investigación o empresas para compartir sus bases de datos de difonos. Los términos y condiciones de esta política pueden ser resumidos así: Después del acuerdo oficial entre el autor de MBROLA y el propietario de la base de datos de difonos, la base de datos es procesada por el autor y adaptada al formato de MBROLA gratuitamente. Dirección Web: Microsoft Speech SDK 5.1 El Microsoft Speech SDK 5.1 añade soporte a las características de las versiones previas de Speech SDK. Es posible usar el Win32 Speech API (SAPI) para desarrollar aplicaciones de voz con las herramientas Visual (Visual Basic, Visual C++, ). Las aplicaciones desarrolladas con la Interfaz de programación de aplicaciones de voz (SAPI, Speech Application Programming Interface) versión 5.1 requieren que se instale el componente principal de SAPI 5.1 en el equipo cliente. El SDK también incluye gratuitamente motores text-to-speech (TTS) para ingles americano y chino simplificado y motores de reconocimiento del habla (SR) para ingles americano, chino simplificado y japonés. Requisitos del sistema: Sistemas operativos soportados: Windows XP, 2000, Me, NT 4.0 Workstation o Server 32

33 Capítulo 4 Estudio de los sintetizadores de voz disponibles Microsoft Internet Explorer 5.0 o superior. Microsoft Visual C Microsoft Visual Studio.NET necesario para compilar ejemplos escritos en C# Dirección Web: Otros Además de estos sintetizadores, existen aplicaciones que no son propiamente sintetizadores de voz, pero permiten leer un texto. Una de estas aplicaciones es Adobe Reader. La función Leer en voz alta utiliza las voces instaladas en el sistema. Nos permite elegir entre las voces que proporciona el sistema o que se instalan con los motores de conversión a voz (como SAPI 4 y SAPI 5 en Windows). Sin embargo, la función Leer en voz alta puede leer el texto de un archivo PDF a viva voz, pero no es un lector de pantalla, por lo que puede que algunos sistemas no sean compatibles con esta función. 4.2 Sintetizadores de voz disponibles comercialmente SodelsCot lee el texto de cualquier programa Windows y distribuye voces de Loquendo Loquendo TTS para español (varios acentos), catalán, holandés, inglés, portugués, italiano, francés, alemán, griego, sueco y chino. Hay disponibles demostraciones interactivas vía web. Cepstral para español, inglés, italiano, alemán y francés. Voces naturales AT&T para español, inglés, alemán y francés. NeoSpeech VoiceText tiene voces en inglés americano, coreano, japonés y chino. Acapela Group con muchos sintetizadores de voz que soportan muchas lenguas DSC Text To Speech Software Aplicaciones y demostraciones de texto a voz Fonix Speech Ofrece muchos motores de texto a voz para sistemas empotrados y servidores RealSpeak por Nuance para español, inglés, alemán y griego entre otros muchos. IBM Research TTS (ejemplos para inglés americano, árabe, chino, francés y alemán) Sakrament Text-to-Speech Engine para ruso y algunas otras lenguas. SVOX Especialista suizo en soluciones empotradas de voz para 18 lenguas. Verbio TTS - Applied Technologies on Language and Speech (ATLAS) para francés, español e inglés. ASY es un sistema de síntesis de voz articulatoria desarrollado en los Laboratorios Haskins VoiceText es un sistema de síntesis de voz concatenativo realizado por Voiceware, Corea. Wizzard Software ofrece sistemas texto a voz. 33

34 Capítulo 4 Estudio de los sintetizadores de voz disponibles SodelsCot Nombre SoldelsCot Empresa Sodels Factory S.L. Dirección Web Plataforma Windows 95, 98, Me, NT4.0 SP3, 2000, XP, 2003 Voces Español-Castellano de IBM Puede utilizar voces de otros fabricantes compatibles con SAPI5 (Speech Application Programming Interface) siempre que el equipo lo tenga instalado. La edición Empresarial además de incluir las voces de IBM, incorpora un idioma de Loquendo, pudiendo elegir entre Español-España (Jorge y Carmen) o Español- América (Carlos). Idiomas voces Multilingüe Características Es un sintetizador de voz que habla automáticamente el texto copiado al portapapeles de Microsoft Windows o tecleado por el usuario en cualquier aplicación. Lee el texto copiado o tecleado en editores, navegadores, correos electrónicos, mensajería instantánea, etc. Otros Versión demo de 7 días. Requisitos mínimos: - Procesador Intel Pentium 100MHz o equivalente - 32MB de RAM - 20MB disponibles de disco - Tarjeta de sonido de 16 bits Loquendo Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Observaciones Loquendo Text-to-Speech (TTS) Loquendo - Vocal Technology and Services Windows NT, 2000, 2003 Server, XP, 98, ME; Linux Dependiendo del idioma posee distintas voces (masculino femenino) Multilingüe El software Loquendo TTS trae voces verdaderamente naturales que pueden leer cualquier dato y comando de las aplicaciones vocales basadas en servidor, multimedia, embebidas y multimodales Usa un habla sintética y expresiva: voces de alta calidad, casi naturales, con gran precisión en la pronunciación y la entonación. Como curiosidad, no solo tienen idioma español, sino que tiene españolmexicano, español-argentino, cada uno con sus distintos acentos. Requisitas mínimos: - Loquendo TTS Multimedia: 10 MB RAM para el motor, 50 MB por voz, 3 MB por canal - Loquendo TTS Multimedia Compacto 10 MB RAM para el motor, 20 MB por voz 34

35 Capítulo 4 Estudio de los sintetizadores de voz disponibles Cepstral Nombre Cepstral voices Empresa Cepstral LLC Dirección Web Plataforma Microsoft Windows 98, 98SE, 2000, XP, Server 2003 Voces Dependiendo del idioma posee distintas voces (masculino femenino) Idiomas voces Multilingüe Características Es una empresa que Las voces Cepstral son compatibles con SAPI 5, así que cualquier aplicación que use voces SAPI 5 puede usar voces Cepstral. Las voces se mostraran en el Speech Control Panel cuando SAPI 5 está instalado en el sistema. Allí se puede escuchar cada voz y seleccionar cual de ellas usar como voz por defecto del sistema. Observaciones Requisitos mínimos: CPU: Intel Pentium II, AMD K6 64 Mb RAM Mb por voz AT&T Natural Voices Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Otros AT&T Natural Voices TTS AT&T Business EMEA (Europa, Oriente Medio, Africa) Windows 98,Me, NT 4.0 SP6, 2000 SP2, XP RedHat Linux 6.1, 6.2, 7.1 Dependiendo del idioma posee distintas voces (masculino femenino) Multilingüe Los motores de AT&T Natural Voices TTS proporcionan servicios de síntesis en múltiples lenguajes. La aplicación necesita el motor TTS de Microsoft SAPI 4, SAPI 5.1, o un conjunto de C++ APIs incluidos en la aplicaron. Están incluidas voces de alta calidad femenina y masculina en 8 KHz y 16 KHz. Requisitos mínimos: RAM: 128 Mb (mínimo) CPU: 300 MHz III Disco duro: 500 Mb 35

36 Capítulo 4 Estudio de los sintetizadores de voz disponibles Acapela Group La empresa Acapela Group esta dedicada enteramente a desarrollar soluciones de voz, tanto de síntesis de voz (TTS) como de reconocimiento de voz (ASR). Posee numerosas aplicaciones, para distintas plataformas: - PC (Key2Speak, Agent reader, ), - PocketPc (Digit pocket, Universal Translator for Pocket PC, ), - Mac y Linux. Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Otros Digit pocket Acapela Group ( Pocket PC Dependiendo del idioma posee distintas voces (masculino femenino) Multilingüe Digit es un lector de portapapeles que lee cualquier texto en varios idiomas. Incluye un motor TTS de alta calidad. Es fácil de usar y disponible con la mayoría de aplicaciones. Lee cualquier texto simplemente con copiarlo en el portapapeles de Windows, seleccionar el lenguaje y el tipo de voz. Versión demo de 15 días. No funciona en Windows Mobile TextAloud Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Otros TextAloud NextUp Technologies Windows 95, 98, Me, NT, 2000, XP Dependiendo del idioma posee distintas voces (masculino femenino) Dependiendo de la empresa suministradora de las voces, éstas serán de un idioma o de otro. TextAloud lee el texto del , paginas Web, informes y otros, en voz alta en su PC. Puede usar (y descargar) voces de AT&T Natural Voices, NeoSpeech, Cepstral, Acapela, todas ellas compatibles con SAPI 4 y SAPI 5. Periodo de evaluación de 15 días Requisitos mínimos: - Pentium MB RAM - 10MB Espacio de disco - Tarjeta de sonido 36

37 Capítulo 4 Estudio de los sintetizadores de voz disponibles RealSpeak Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Otros RealSpeak Solo Nuance Windows 98, Me, 4.0, 2000, XP Dependiendo del idioma posee distintas voces (masculino femenino) Multilingüe Reproduce el texto a una alta calidad. Está diseñado para aplicaciones móviles (como navegadores de coche o lectores de pantalla 8-20 Mb) y para aplicaciones de escritorio (100 Mb). Requisitos mínimos Windows: - Pentium Mb RAM - Tarjeta de sonido Requisitos mínimos WinCE: - Microsoft Embedded Visual C o superior - Pocket PC 2003 ( WinCE 3.0 o superior) VerbioTTS Nombre Empresa Dirección Web Plataforma Voces Idiomas voces Características Otros VerbioTTS Verbio Technologies S.L. Windows NT, 2000, XP, 2003, Vista Linux compatibles Red Hat, compatibles Debian Dependiendo del idioma posee distintas voces (masculino femenino) Castellano, catalán, gallego, euskera, portugués, mexicano, inglés y francés Diccionario de abreviaturas y acrónimos Diccionario de excepciones Entonación dinámica y adaptativa: selección de la curva de entonación original del locutor que mejor se adapta a cada contexto Requisitos mínimos: Pentium 4-3 Ghz >=512 MB RAM Motor de síntesis (Vox Server): >10 MB Módulo de voz 8khz: +/- 80 MB Módulo de voz 16khz: +/- 160 MB 30MB en RAM como mínimo por locutor. 37