Text-to-speech for low-resource systems

Βελτίωση Της Ποιότητας Συνθετικής Φωνής Και Εφαρμογή Σε Σύγχρονα Τηλεπικοινωνιακά Περιβάλλοντα Και Υπηρεσίες

“…Επίσης, η μείωση των απαιτήσεων σε υπολογιστικούς πόρους με ταυτόχρονη διατήρηση της υψηλής ποιότητας είναι κύριο μέλημα στην εν λόγω τεχνολογία σε κάθε τομέα εφαρμογής της. Στην παρούσα διατριβή αντιμετωπίζουμε το ζήτημα αυτό για την περίπτωση της προσαρμογής της τεχνολογίας σε περιβάλλον ενσωματωμένων συστημάτων [Schnell, 2002].…”

“…Σε επίπεδο συσκευής, το περιβάλλον ενός κινητού τηλεφώνου διαθέτει ιδιαίτερα περιορισμένους υπολογιστικούς πόρους προβάλλοντας σημαντικούς περιορισμούς τόσο σε μνήμη όσο και σε υπολογιστική ισχύ. Για την αποδοτική μεταφορά της τεχνολογίας σύνθεσης φωνής σε ένα τέτοιο περιβάλλον, είναι απαραίτητη η σημαντική μείωση των απαιτήσεων σε αποθηκευτική μνήμη και υπολογιστικών πόρων που προβάλουν οι σύγχρονες μέθοδοι σύνθεσης φωνής, χωρίς όμως σημαντική βλάβη της ποιότητας [Schnell, 2002;Nukaga, 2006]. Αναφορικά με το υποσύστημα της επεξεργασίας σήματος η βασική πρόκληση είναι η προσαρμογή της τεχνολογίας σύνθεσης φωνής στις υπολογιστικές ικανότητες του κινητού τηλεφώνου.…”

“…Η μεταφορά και προσαρμογή της τεχνολογίας σύνθεσης με επιλογή και ένωση ακουστικών μονάδων σε περιβάλλοντα μειωμένων υπολογιστικών πόρων καθίσταται αποδεκτή εφόσον διατηρείται η υψηλή τελική ποιότητα. Για το σκοπό αυτό, πρόσφατες ερευνητικές εργασίες στο τομέα αυτό επικεντρώνονται κυρίως στην αποδοτική αποκλιμάκωση της τεχνολογίας και ειδικότερα στη βελτιστοποίηση και προσαρμογή σε ζητήματα όπως, η μείωση υπάρχουσας βάσης δεδομένων φυσικής ομιλίας, η συμπίεση αυτής της βάσης, η εναλλακτική αναπαράσταση, παραμετροποίηση και παραγωγή του σήματος φωνής και η ελαχιστοποίηση των υπολογιστικών απαιτήσεων κατά τη σύνθεση [Aylett, 2006;Schnell, 2002;Nukaga, 2006;Chazan, 2002;Kedia, 2007;Rutten, 2002;; Van der Vrecken, 1997; Kumar, 2004]. Συνοψίζοντας, τα σημαντικότερα ζητήματα στη τεχνολογία σύνθεσης φωνής από κείμενο για ενσωματωμένα υπολογιστικά περιβάλλοντα, σχετίζονται με την επίτευξη ισορροπίας μεταξύ των υπολογιστικών αναγκών, της αποδοτικής αποκλιμάκωσης, και της τελικής ποιότητας.…”

“…Ωστόσο, επικεντρώνονται κυρίως στις διαδικασίες ελάττωσης της απαιτούμενης βάσης προηχογραφημένης ομιλίας (speech database reduction), στην αναπαράσταση και παραμετροποίηση του σήματος φωνής και στην ελαχιστοποίηση του υπολογιστικού φορτίου κατά την σύνθεση, με ταυτόχρονη διασφάλιση υψηλής ποιότητας συνθετικής φωνής. Παράλληλα, σημαντικό ζητούμενο αποτελεί η δυνατότητα λειτουργίας σε πραγματικό χρόνο (real time) και με μικρό χρόνο απόκρισης (response time) [Schnell, 2002;Kim, 2006;Nukaga, 2006;Chazan, 2002;Rutten, 2002;.…”

“…Για παράδειγμα, μια βάση δεδομένων ηχογραφημένης φυσικής ομιλίας διάρκειας 20 λεπτών απαιτεί περίπου 39ΜΒyte για δειγματοληψία στα 16KHz, και με 16bits για κάθε δείγμα. Φυσικά τέτοια μεγέθη είναι απαγορευτικά για την συσκευή του κινητού τηλεφώνου κρίνοντας επιτακτική την ανάγκη για αποδοτική συμπίεση [Schnell, 2002].…”