3. ESTRUCTURA DE UN CONVERSOR TEXTO-VOZ

Transcripción

1 Capítulo 3. Estructura de un conversor texto-voz Pagina ESTRUCTURA DE UN CONVERSOR TEXTO-VOZ 3.1 INTRODUCCIÓN La conversión automática de texto a voz requiere la sucesión de una serie de procesos de diversa índole. Será necesario, un procesado lingüístico-prosódico, al igual que, posteriormente, un procesado acústico. Los procesos que componen el tratamiento lingüístico-prosódico, se encargarán de analizar el texto de entrada, con el objetivo de extraer la información adecuada para la correcta y natural lectura del texto. Esta fase de la conversión texto-voz, es sobre la que se ha trabajado e investigado, durante la realización de este proyecto fin de carrera. El procesado acústico, el cual partirá de los datos obtenidos en los procesos mencionados anteriormente, será necesario para generar la señal de voz. Por tanto, podemos decir, que todo sistema de conversión de texto a voz, constará de dos grandes bloques: Procesado lingüístico-prosódico. Procesado acústico. En la ilustración número 3.1, se muestra un esquema de las tareas fundamentales que va a desempeñar un módulo de conversión texto-voz. Texto de entrada PROCESADO LINGÜÍSTICO PROCESADO PROSÓDICO PROCESADO ACÚSTICO Voz sintetizada Procesado del texto de entrada Conjunto de sonidos Generación de la señal de voz Categorización gramatical Variación de parámetros prosódicos Ilustración 3.1. Procesos necesarios para la conversión texto-voz.

2 Capítulo 3. Estructura de un conversor texto-voz Pagina PROCESADO LINGÜÍSTICO Como ya se ha comentado, este es el módulo sobre el cual se ha trabajado en este proyecto. El objetivo principal del procesado lingüístico, es determinar los sonidos que hay que producir, y cómo producirlos para la correcta lectura del texto de entrada. De hecho, uno de los objetivos que se plantearon antes de la realización de este sistema de análisis que se ha desarrollado, fue el de conseguir un texto perfectamente marcado sintácticamente, para que, mediante esas marcas, sea posible la introducción de un pausado regular y lo más aproximado a la naturalidad en la lectura de un texto cualquiera. Para conseguir determinar esos sonidos, será necesario realizar dos tareas: Obtener la cadena de sonidos (alófonos) correspondientes al texto de entrada. Obtener información de prosodia para su producción. El resultado de la primera tarea, se conoce como información segmental, y el de la segunda como información suprasegmental. Información segmental: Los seres humanos, pueden producir infinidad de sonidos, ahora bien, el proceso de comunicación requiere establecer un número fijo y limitado de ellos, que son los que componen un idioma concreto. Estas representaciones abstractas se denominan "fonemas", y varían de unas lenguas a otras, por ejemplo, en castellano existen unos 24 fonemas mientras que en inglés hay más de 40. Sin embargo, debido al carácter continuo del habla, hay variaciones en el punto, modo y carácter sordo/sonoro de cada fonema, estas variaciones, dan lugar a la existencia de "alófonos", que no son más que variaciones de un mismo fonema. Información suprasegmental: Es la información relativa a la prosodia, es decir, información sobre pausas, acentos, carácter de la frase, énfasis, etc. Además, es información relacionada con el locutor, como por ejemplo, características personales, estado de ánimo... Hay tres parámetros acústicos, que permiten representar esta información: 1. La evolución de la frecuencia fundamental, es decir, la frecuencia de vibración de las cuerdas vocales. 2. La duración de los segmentos o sonidos que componen la frase. 3. La curva de energía de la señal acústica. Las informaciones necesarias para el procesado lingüístico, no se generan de una vez para todo el fichero de texto completo, ya que entonces habría que esperar hasta procesar todo el texto y se tardaría bastante tiempo (variable en función del tamaño del texto) en empezar a producir la voz sintética. Estas informaciones, se generarán frase a frase. Las tareas fundamentales a realizar por el bloque de procesado lingüístico, se describen en la ilustración número 3.2. A continuación, realizaremos una breve descripción de cada uno de los módulos que aparecen en dicha ilustración, con el fin de dar una visión global del funcionamiento del módulo al que nos referimos. El tercer

3 Capítulo 3. Estructura de un conversor texto-voz Pagina 29 proceso, el cual se refiere al análisis morfosintáctico-prosódico, es el objeto de estudio del presente trabajo, y a él, irán dedicados los siguientes capítulos. Texto de entrada PRE-PROCESADO Texto formateado ANÁLISIS LÉXICO- MORFOLÓGICO Función gramatical ANÁLISIS SINTÁCTICO PROSÓDICO Marcas prosódicas y acentos TRANSCRIPCIÓN FONÉTICA Símbolos fonéticos PROCESADO PROSÓDICO Variables de control prosódico Información al módulo acústico Ilustración 3.2. Etapas del procesado lingüístico.

4 Capítulo 3. Estructura de un conversor texto-voz Pagina Preprocesado Es el módulo encargado de preparar el texto de entrada, para facilitar su tratamiento posterior. Las tareas que debe realizar, se pueden resumir en dos: Dividir el texto de entrada en frases y éstas, a su vez, en palabras. Detectar los elementos con un significado especial: cifras, fechas, abreviaturas, siglas, números romanos, etc., que requieren un procesado especial para su correcta lectura. Por ejemplo, en el caso de las abreviaturas, expandirlas, o en el de las siglas, representarlas de forma textual (Jiménez[99]) Análisis léxico-morfológico Una vez preparado el texto de entrada, el siguiente paso es el análisis lingüístico del mismo. En primer lugar, se realizará un análisis morfológico para determinar las categorías gramaticales de cada palabra. La técnica más habitual, es utilizar uno o varios diccionarios con un léxico relevante (preposiciones, conjunciones, locuciones...), y una tabla de raíces, prefijos y sufijos. Una vez se ha categorizado el texto gramaticalmente, vendrá el análisis gramatical, con el fin de asignar la categoría correcta, a aquellas palabras que pueden tener varias. Para esta tarea, se emplean reglas contextuales Análisis sintáctico-prosódico Es el módulo encargado de marcar las fronteras sintáctico-prosódicas, y los acentos. Estas marcas prosódicas, hacen que el mensaje sea más inteligible y aumentan la naturalidad del mismo. En la actualidad, este análisis, suele estar basado en reglas sintáctico-prosódicas de contexto gramatical. En algunos casos, se realiza también un análisis sintáctico para obtener una información lo más completa posible (aquí, es donde entra el juego el analizador que se ha desarrollado en este proyecto). El mencionado análisis, se realizará, a partir del texto categorizado que nos proporcionan como entrada las anteriores fases; después del mismo, se obtendrá una segmentación en sintagmas del mismo (análisis sintagmático). Este análisis tendrá como base una gramática. En este último proceso se eliminarán ambigüedades, y a partir del mejor análisis del texto marcado sintácticamente, se procederá a realizar un análisis de más alto nivel para el cual, se utilizará otra gramática. Con la información resultante de los sucesivos análisis, se podrá conseguir la posición de los acentos, la cual se determinará mediante reglas de acentuación (tarea sencilla para el caso del castellano) y deacentuación léxica.

5 Capítulo 3. Estructura de un conversor texto-voz Pagina Transcripción fonética Es la función que permite el paso de letras a alófonos. Esta labor, se lleva acabo en dos pasos: Paso de letras a fonemas. Paso de fonemas a alófonos. Ambas transformaciones, se realizan, generalmente, mediante reglas contextuales que deben contemplar tanto el contexto (efecto de coarticulación), como la existencia de pausas en el texto, y la acentuación Procesado prosódico Este último módulo dentro del procesado lingüístico, es el encargado de recoger la información segmental y suprasegmental obtenida de los bloques anteriores, y así generar, a partir de ella, tres parámetros prosódicos: ritmo, entonación y pausado. Estas informaciones, ayudan a la generación de una prosodia más correcta, y así se puede dar la impresión de que el conversor "entiende" lo que está leyendo, aumentando la naturalidad de la voz sintética recibida por el oyente. El modelado prosódico, se realiza grabando un corpus de oraciones equilibradas, sintáctica y semánticamente, y leídas por un locutor a imitar. Esta corpus, debe incluir todos los alófonos del idioma considerado, sus combinaciones contextuales más frecuentes, palabras de diferentes longitudes, estructura silábica, posición dentro de la oración, sintagmas (pre-verbales, verbales, pos-verbales...) y proposiciones, tanto principales como subordinadas. 3.3 PROCESADO ACÚSTICO El objetivo de este bloque, es generar la forma de onda asociada a la voz sintetizada a partir de la cadena fonética y las variables de control prosódico. La ilustración número 3.3, muestra las dos tareas básicas que componen este módulo. Debido a que este módulo no es objeto de nuestro estudio en este trabajo, no haremos demasiado hincapié en su desarrollo, sin embargo, sí que se realizará una explicación muy general acerca de las tareas de que consta, y que se exponen, como se ha comentado, en la siguiente ilustración.

6 Capítulo 3. Estructura de un conversor texto-voz Pagina 32 B.D. parámetros Reglas concatenación Cadena fonética + Variables prosódicas PARAMETRIZACIÓN CONCATENACIÓN Y PRODUCCIÓN Ilustración 3.3. Sistema de procesado acústico. En primer lugar, es necesario llegar a un compromiso entre el número de reglas de parametrización y concatenación (reglas para evitar discontinuidades y sonidos anómalos), y el tamaño de la base de datos de parámetros. Desde este punto de vista, podemos distinguir: Sistemas dirigidos por reglas: Los parámetros necesarios para generar la voz sintetizada, se obtienen siguiendo un conjunto de reglas. Sistemas dirigidos por datos: Trabajan directamente con segmentos de voz. Entre ambos extremos, pueden existir todas las posibles combinaciones, por ejemplo, segmentos de voz parametrizados según un modelo de codificación de voz. Para finalizar, debemos destacar la importancia del modelo de producción de voz, ya que de él, va a depender la calidad de la voz sintética generada y, en definitiva, la aceptación del conversor por parte del público general.

7 Capítulo 3. Estructura de un conversor texto-voz Pagina ESTRUCTURA DE UN CONVERSOR TEXTO-VOZ INTRODUCCIÓN Procesado lingüístico Preprocesado Análisis léxico-morfológico Análisis sintáctico-prosódico Transcripción fonética Procesado prosódico Procesado acústico...31