СИНТЕЗАТОР РЕЧИ «ФОНЕМАФОН – 2000»

Синтезатор речи – это наукоёмкий программный продукт, в котором реализуется модель устного чтения человеком произвольного текста. Обращение к нему осуществляется средствами Windows через стандартное устройство ввода-вывода.

С точки зрения пользователя синтезатор – это новое средство для осуществления голосового вывода информации из персонального компьютера, дополняющее, а в отдельных случаях и замещающее визуальный вывод на дисплей. Пользователь персонального компьютера, применяющий синтезатор, сможет ослабить зрительное напряжение, получая часть информации голосом. Он может также получать информацию, находясь в движении на некотором удалении от компьютера, а при использовании дополнительного телефонного интерфейса – передавать или получать речевую информацию по телефону. Синтезатор речи – уникальное средство передачи информации для незрячих и отличная возможность создания компьютерных систем обучения устной речи.

Под синтезом речи (СР) понимается чтение вслух компьютером произвольной текстовой информации, а не проигрывание заранее записанных звуковых файлов. Фактически благодаря синтезатору речи по тексту открывается ещё один канал передачи данных от компьютера к человеку, аналогичный тому, который мы имеем благодаря дисплею. С точки зрения пользователя наиболее удобное (разумное) использование СР – это включение синтеза речи (в перспективе многоязычного, с возможностью перевода) в состав операционной системы. Точно также, как обычно пользуются командой Print (Печатать), для вызова СР могла бы применяться команда Talk (Говорить). С использованием СР компьютеры смогут озвучивать навигацию по меню, читать (дублировать голосом) экранные сообщения, каталоги файлов, передавать речевые сообщения по телефону и т.д. Эти функции особенно важны для лиц, имеющих проблемы со зрением. Для всех остальных они создадут новое измерение удобства пользования компьютером и значительно снизят нагрузку на нервную систему и зрение.

Синтезатор речи может использоваться не только пользователями персональных компьютеров. Он полезен также в автоматизированных системах для создания голосового интерфейса управления, в бытовой технике для озвучивания аппаратурой команд и выполняемых действий, в карманных компьютерах и электронных словарях, органайзерах и мобильных телефонах для проговаривания появляющихся на экране сообщений, в портативных сканерах для озвучивания в реальном времени сканируемой информации.

Принцип работы синтезатора речи основан на создании речевого сигнала, соответствующего введённому тексту, из большого числа (свыше 2000) мельчайших звуковых единиц, которые содержатся в голосовой базе. Для создания голосовой базы необходимые звуковые единицы вырезаются из образцов естественной речи конкретного диктора. Таким образом, синтезированная речь сохраняет персональные особенности голоса, акцента и интонации. Изменяя используемую голосовую базу, можно генерировать сообщения различными голосами. Образно говоря, благодаря такому подходу реализуется компьютерное клонирование персонального голоса и речи.

Общая схема работы синтезатора речи следующая: входной орфографический текст обрабатывается сначала текстовым процессором, в котором осуществляется расстановка словесных ударений, букво-фонемное преобразование текста, разбиение его на синтагмы, выбор интонационного типа для каждой синтагмы. Полученный в результате этих преобразований размеченный фонемный текст поступает на вход двух процессоров: просодического и фонетического. Фонетический процессор генерирует позиционные и комбинаторные аллофоны фонем. Просодический процессор определяет текущие значения амплитуды и длительности звуков, а также частоты основного тона.

Синтезатор речи реализован в среде визуального программирования MS Visual C++ 6.0 для операционных систем семейства Windows. Минимальные технические требования к компьютеру: объем свободного места на жестком диске - 20Mb, тактовая частота процессора - 166MHz, объем оперативной памяти - 32Mb, наличие звуковой карты.

Система состоит из набора компонент, соответствующих текстовому, фонетическому, просодическому и акустическому процессорам. Каждый процессор является COM-объектом и работает независимо от других процессоров по мере поступления данных. В качестве ресурсов система использует базу данных (БД) словесных ударений и звуковую базу аллофонов и мультифонов. Обе базы находятся в динамически подключаемых библиотеках, что позволяет быстро загружать и выгружать их при инициализации и завершении работы системы. Для нахождения ударения в слове используется алгоритм бинарного поиска слова в БД ударений. Текст анализируется по синтагмам: после выделения синтагмы осуществляется расстановка в ней ударений, букво-фонемное, а затем фонемно-аллофонное преобразования. По типу синтагмы определяются её просодические (интонационные) характеристики. Как только синтагма сформирована, она проговаривается. Параллельно с этими действиями идентифицируется следующая синтагма, с которой осуществляются аналогичные преобразования. За каждое действие отвечает отдельный поток или целый процессор. Таким образом, задержка между проговариванием синтагм практически не заметна. Имеется возможность сохранить синтезированную речь в wav-файле.