WO1997034291A1 - Auf mikrosegmenten basierendes sprachsyntheseverfahren - Google Patents

Auf mikrosegmenten basierendes sprachsyntheseverfahren Download PDF

Info

Publication number
WO1997034291A1
WO1997034291A1 PCT/DE1997/000454 DE9700454W WO9734291A1 WO 1997034291 A1 WO1997034291 A1 WO 1997034291A1 DE 9700454 W DE9700454 W DE 9700454W WO 9734291 A1 WO9734291 A1 WO 9734291A1
Authority
WO
WIPO (PCT)
Prior art keywords
vowel
speech
segments
microsegments
synthesis method
Prior art date
Application number
PCT/DE1997/000454
Other languages
English (en)
French (fr)
Inventor
William Barry
Ralf BENZMÜLLER
Andreas LÜNING
Original Assignee
G Data Software Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by G Data Software Gmbh filed Critical G Data Software Gmbh
Priority to EP97917259A priority Critical patent/EP0886853B1/de
Priority to DE59700315T priority patent/DE59700315D1/de
Priority to US09/142,728 priority patent/US6308156B1/en
Publication of WO1997034291A1 publication Critical patent/WO1997034291A1/de

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
    • G10L13/07—Concatenation rules
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management

Definitions

  • the invention relates to a digital speech synthesis method according to the preamble of claim 1.
  • the acoustic conditions in the attachment tube are modeled so that the articulatory positions and movements are simulated mathematically when speaking.
  • An acoustic model of the extension tube is therefore calculated, which leads to a considerable computing effort and requires a large computing capacity. Nevertheless, the automatically generated language sounds unnatural and technical.
  • the concatenation synthesis is known, in which parts of utterances spoken are chained in such a way that new utterances arise.
  • the individual parts of the language thus form the building blocks for the generation of language.
  • the size of the parts can range from words and phrases to sections of sounds. For the artificial generation of speech with unlimited vocabulary, half-syllables or smaller are available as units
  • Cutouts Larger units only make sense if a limited vocabulary is to be synthesized.
  • concatenation synthesis uses signal modules that range from the middle of an acoustically defined speech to the middle of the next speech. This takes into account the perceptually important transitions from one sound to another, which occur as an acoustic consequence of the movements of the speech organs in the speech signal.
  • the signal modules are joined together at spectrally relatively constant locations, which is what the potentially available
  • Triphone and half-syllable synthesis are based on a principle similar to that of diphone synthesis.
  • the cutting point is in the middle of the lute.
  • larger units are covered, which means that larger phonetic contexts can be taken into account.
  • the number of combinations increases proportionally.
  • a cutting point for the units used lies in the middle of the vowel of a syllable.
  • the other cutting point is at the beginning or end of a syllable, which means that, depending on the structure of the syllable, sequences of several consonants are also recorded in one language element.
  • Speech synthesis system known in which parts of diphones are used for several sounds. There, a speech synthesizer is described which stores standardized speech signal forms which are generated by dividing a double sound and equates them to certain expression symbols. A synthesizer reads the unit speech waveforms according to the Output symbols of the converted sequence of expression symbols from the memory.
  • unit speech waveforms are either connected directly if the input speech portion of the input characters is unvoiced, or a predetermined first interpolation method is used if the input speech portion of the input times is voiced, where the same unit waveform is used for both a voiced / g, d, b / and its corresponding unvoiced / k, t, p / sound.
  • unit speech waveforms are also to be stored in the memory, which represent the vowel part following a consonant or the vowel part preceding a consonant.
  • transition areas from a consonant to a vowel or from a vowel to a consonant can be set equal for the consonants k and g, t and d as well as p and b.
  • the storage space requirement is thus reduced, but the specified interpolation process requires a not inconsiderable computing effort.
  • each phoneme is formed by phoneme elements stored in a memory, periods of sound vibrations being obtained from natural speech or being artificially synthesized.
  • the text to be synthesized is analyzed sentence by sentence grammatically and phonetically according to the rules of language.
  • each phoneme is compared to certain types and a number of time segments of noise phonemes with the corresponding duration, amplitudes and spectral distribution. posed.
  • the periods of the sound vibrations and the elements of the noise phonemes are stored in digital form as a result of the amplitude values of the corresponding vibration and are changed during the reading process in accordance with the frequency characteristics and to achieve the naturalness of the speech.
  • Speech segments that represent phonemes or transitions are generated from synthetic waveforms that are reproduced in a predetermined manner several times, possibly shortened in length and / or reproduced in a voiced manner.
  • synthetic waveforms that are reproduced in a predetermined manner several times, possibly shortened in length and / or reproduced in a voiced manner.
  • use is made of an inverted reproduction of certain time series. It is also disadvantageous here that considerable storage capacity is required due to extensive analysis and synthesis processes, with a considerably reduced storage space requirement.
  • speech reproduction lacks the natural variance.
  • Segments for quasi-stationary vowel parts These segments are separated from the middle of long vowel realizations, which are perceived relatively constant in sound. They are used in different text positions or contexts, for example at the beginning of the word, after the semi-vowel segments that follow certain consonants or consonant sequences, in German for example after / h /, / j / and /? /, For the final stretch, between Not diphthongic vowel-vowel sequences and in diphthongs as start and end positions.
  • consonant segments are formed in such a way that, regardless of the type of neighboring sounds, they can be used for several occurrences of the sound either generally or, as with plosives, in the context of certain sound groups.
  • micro-segments broken down into three categories can be used several times in different phonetic contexts. This means that in the case of sound transitions, the perceptually important transitions from one sound to the other are taken into account without the need for separate acoustic segments for each of the possible connections between two speech sounds.
  • the division into microsegments according to the invention which divides a sound transition, enables the use of identical segments for different sound transitions for a group of consonants. With this principle of generalization when using speech signal modules, the memory space required for storing the speech signal modules is reduced. Nevertheless, the quality of the synthetically output speech is very good due to the consideration of the perceptually important sound transitions.
  • the language segments for Vowels allow multiple use of the microsegments for different phonetic contexts and thus achieve a significant reduction in storage space.
  • segments for quasi-stationary vowel parts are intended for vowels at the beginning of words and vowel-vowel sequences, a significant improvement in the sound of the synthetic speech for word beginnings, diphthongs or vowel-vowel sequences is achieved with a small number of additional microsegments.
  • consonant segments for plosives are divided into two microsegments, a first segment which comprises the closing phase and a second segment which comprises the solution phase, a further generalization of the speech segments is achieved.
  • the closure phase for all plosives can be represented by a time series of zeros. No storage space is therefore required for this part of the sound reproduction.
  • the solution phase of the plosive is differentiated according to the sound that follows in the context.
  • a further generalization can be achieved in that when solving for vowels only after the following four vowel groups - front, unrounded vowels; front, rounded
  • Vowels deep or centralized vowels and rear, rounded vowels - and in the case of a solution to consonants, a distinction is only made according to three different articulation points, labial, alveolar or velar, so that, for example, for the German language 42 micro-segments for the six plosives / p, t, k, b, d, g / zu three consonant groups according to the articulation point and four vowel groups must be saved. This further reduces the storage space requirement due to the multiple use of the microsegments for different phonetic contexts.
  • the start is advantageous for a vowel segment that runs from one articulation point to the middle of the vowel, and for a vowel segment that runs from the middle of the vowel to the following articulation point
  • Target position always reached while the movement to or from the "vocal center” is shortened.
  • Such a shortening of the microsegment reproduces, for example, unstressed syllables, the deviations from the spectral target quality of the respective vowel to be found in natural, flowing speech being reproduced, thus increasing the naturalness of the synthesis. It is also advantageous that no further memory space requirement corresponding to the segment is required for such linguistic modifications of segments already stored.
  • language pauses can be recognized with the analysis on the text to be output as speech.
  • the phoneme chain is supplemented with a break symbol to form a symbol chain, digital zeros being inserted in the time series signal when the microsegments are lined up on the break symbols.
  • the additional information about a break point and its break duration is determined on the basis of the sentence structure and predetermined rules.
  • the pause duration is realized by the number of digital zeros to be inserted depending on the sampling rate.
  • Strain symbols is supplemented to form a symbol chain, whereby when the microsegments are lined up, the microsegments experience an extended playing time in the time range corresponding to the symbols, a phrase-final stretch can be simulated in synthetic speech reproduction. This manipulation in the time domain is carried out on the microsegments already assigned. There is therefore no need for additional language modules for realizing final expansions, which keeps the space requirement low.
  • Both the length of play for phrase-final syllables and the different reduction levels for stresses can preferably be achieved with the same reduction levels in the microsegments.
  • the end syllables of phrases namely of language units, which are noted in the written language with the punctuation marks comma, semicolon, period and colon, for example, become a progressive extension the playing time provided. This is achieved by increasing the playing time of the Microsegments in the phrase-final syllables from the second microsegment by one level each.
  • the range of values for the expansion levels goes from 1-6, whereby larger numbers correspond to a longer duration.
  • The% symbol does not change the roof.
  • Intonation symbols is supplemented to form a symbol chain, whereby when the micro-segments are lined up on the intonation symbols, a change in the fundamental frequency of certain parts of the periods of micro-segments is carried out in the time domain, the melody of linguistic utterances is simulated.
  • the fundamental frequency change is preferably carried out by skipping and adding certain samples. For this, the voiced micro-segments, i.e. Vowels and sonorants, marked. Each period is automatically treated separately with the spectrally important first part, in which the vocal folds are closed, and the less important second part, in which the vocal folds are open.
  • the markings are set in such a way that only the spectrally non-critical second parts of each period are shortened or lengthened to change the fundamental frequency when the signal is output. This does not significantly increase the storage space required to simulate intonations during speech output and the computing effort due to the manipulation in the time domain is kept low.
  • microsegments When chaining different microsegments together for speech synthesis a largely interference-free acoustic transition between successive microsegments is achieved in that the microsegments begin with the first sample value after the first positive zero crossing, ie a zero crossing with a positive signal increase, and with the last sample value before the last positive one End zero crossing.
  • the digitally stored time series of the microsegments are thus strung together almost continuously. This prevents cracking noises due to digital jumps.
  • closure phases of plosives or word breaks and general speech pauses represented by digital zeros can be inserted essentially continuously at any time.
  • Fig. 2 is a spectrogram and time signal of the word
  • the input for the speech synthesis system is a text, for example a text file.
  • the words of the text are assigned a phoneme chain which represents the pronunciation of the respective word by means of a lexicon stored in the computer.
  • new words are often formed by combining words and parts of words, for example with prefixes and suffixes.
  • the pronunciation of words such as "house building”, “development”, “buildable” etc. can be derived from a stem, here "building”, and combined with the pronunciation of the prefixes and suffixes.
  • the syntactic-semantic analysis is shown in FIG. 1 under the phoneme chain generated as shown above.
  • the phoneme chain which comes from the pronunciation information of the lexicon, is modified and additional information about the pause duration and pitch values of the microsegments is inserted.
  • a phoneme-based, prosodically differentiated arises Symbol chain that provides the input for the actual speech output.
  • the syntactic semantic analysis takes into account word accents, phrase boundaries and intonation.
  • the gradations of the emphasis of syllables within a word are marked in the lexicon entries.
  • the emphasis levels are thus specified for the reproduction of the microsegments forming this word.
  • the stress level of the microsegment of a syllable results from:
  • the phonological length of a sound which is designated for each phoneme, for example / e: / for long ⁇ e 'in / fo'ne: tIK /,
  • the phrase boundaries at which the final phrase expansion takes place in addition to certain intonational courses are determined by linguistic analysis.
  • the sequence of phrases is used to determine the limit of phrases using predefined rules.
  • the implementation of the intonation is based on an intonation and pause description system, in which between intonation courses that take place at phrase boundaries (rising, falling, constant, falling-rising) and those that are localized by accents (low, high, rising, falling) is distinguished.
  • the assignment of the Intonation processes are based on the syntactic and morphological analysis with the inclusion of certain key words and characters in the text.
  • questions with bursting (recognizable by the question mark at the end and the information that the first word of the sentence is a finite verb) have a low accent tone and a high-pitched border tone.
  • Normal statements have a high accent tone and a falling final phrase limit.
  • the course of the intonation is generated according to predefined rules.
  • the phoneme-based symbol chain is converted into a micro-segment sequence for the actual speech output.
  • the conversion of a sequence of two phonemes into microsegment sequences takes place via a rule set in which a sequence of microsegments is assigned to each phoneme sequence.
  • microsegments specified by the microsegment chain When the successive microsegments specified by the microsegment chain are lined up, the additional information about stress, pause duration, final stretch and intonation is taken into account.
  • the microsegment sequence is only modified in the time domain.
  • a speech pause is implemented, for example, by inserting digital zeros at the point marked by a corresponding pause symbol.
  • the voice output then takes place by digital / analog conversion of the manipulated time series signal, for example via one arranged in the computer "Soundblaster" card.
  • Fig. 2 shows a spectrogram in the upper part and the associated time signal for the word example "phonetics" in the lower part.
  • the word "phonetics” is represented in symbols as a phoneme sequence between slashes as follows / fone: tIk /.
  • This phoneme sequence is plotted on the abscissa representing the time axis in the upper part of FIG. 2.
  • the ordinate of the spectrogram of FIG. 2 denotes the frequency content of the speech signal, the degree of blackening to
  • Amplitude of the corresponding frequency is proportional.
  • the ordinate corresponds to the instantaneous amplitude of the signal.
  • the micro-segment boundaries are shown in the middle field with vertical lines.
  • the letter abbreviations given therein indicate the designation or symbolization of the respective microsegment.
  • the example word "phonetics" thus consists of twelve microsegments.
  • the names of the microsegments are chosen so that the sounds outside the brackets indicate the context, the sounding sound being given in the brackets.
  • the context-dependent transitions of the speech sounds are thus taken into account.
  • the consonant segments ... (f) and (n) e are segmented at the respective sound boundary.
  • the plosives / t / and / k / are in a closure phase (t (t) and k (k)), which is digitally simulated by zeroed samples and is used for all plosives, and a short solution phase (here: (t ) I and (k) 7), which is context sensitive, divided.
  • the vowels are each divided into vowel halves, the intersection points being at the beginning and in the middle of the vowel.
  • FIG. 3 shows another example of a word " womanizer" in the time domain.
  • the phoneme sequence is specified with / fraU @ nhElt /.
  • the word shown in FIG. 3 comprises 15 microsegments, with quasi-stationary microsegments also occurring here.
  • the first two microsegments ... (f) and (r) a are consonant segments whose context is only specified on one side. After the semi-vowel r (a), the one
  • aU contains the perceptually important transition between the start and the target position u (U).
  • U contains the transition from / U / to l®l, which should normally be followed by @ (@). This would cause / @ / to take too long, so that this segment is omitted from / @ / and / 6 / for long-term reasons and only the second vowel half (@) n is played.
  • h represents a consonant segment. The transition from consonants to / h / - unlike vowels - is not specified.
  • E contains the breathed portion of the vowel / E / followed by the quasi-stationary E (E).
  • E) l contains the second vowel half of / E / with the transition to the dental articulation point.
  • E (l) is a consonant microsegment in which only the precontext is specified.
  • the / t / is divided into a closure phase t (t) and a solution phase (t) ... which goes to silence
  • the large number of possible articulation points is based on three essential areas limited.
  • the grouping is based on the similar movements carried out by the articulators to form the sounds. Because of the comparable articulator movements, the spectral transitions between the sounds are similar within the three groups listed in Table 1.
  • a further generalization is achieved by grouping the postalveolar consonants / S / (as in Masche) and / Z / (as in Gage) to the alveolar and labiodental consonants / f / and / v / with the labial, so that how given above, / fa (tS) /, / va (tS) /, / fa (dZ) / and / va (dZ) / can also contain the same vowel segments.
  • segments for quasi-stationary vowel parts are required to simulate the middle of a long vowel realization.
  • the language modules With the generalization according to the invention shown in the language modules, it is theoretically possible to get by with a number of 266 micro-segments for the German language, namely 16 vowels to 3 articulation positions, stationary, to the end; 6 plosives for 3 consonate groups by articulation point and 4 vowel groups; / h /, / j / and /? / to more differentiated vowel groups.
  • the number of micro segments required for the German language should be between 320 and 350, depending on the differentiation of sounds. This corresponds to a storage space requirement of approx. 700 kB with 8 bit resolution and 22 kHz sampling rate due to the relatively short time of the microsegment. Compared to the known diphone synthesis, this provides a reduction by a factor of 12 to 32.
  • markings are made in the individual microsegments, the one
  • Microsegment together with the unabridged rendering has six different levels of play time.
  • This method enables a further generalized use of the microsegments.
  • the same signal modules provide the basic elements for long and short sounds in both stressed and unstressed syllables.
  • the reductions in sentence-unaccented words are also derived from the same micro-segments recorded in sentence-emphasized position.
  • the intonation of linguistic utterances can be generated by changing the fundamental frequency of the periodic parts of vowels and sonorants. This is carried out by fundamental frequency manipulation in the time domain on the microsegment, with hardly any loss of sound.
  • the first voting period and the "closed phase" (1st part of the period) that is to be kept constant are marked. Due to the monotonous way of speaking, all other periods in the microsegment can be found automatically and thus define the closed phases.
  • Microsegment performed uniformly.
  • the resulting intonation is largely smoothed out by the natural "auditory integration" of the hearing person.
  • the digital signal has, for example, a bandwidth of 8 bits and a sampling rate of 22 kHz.
  • microsegments thus separated out are addressed according to the loud and de context and stored in a memory.
  • a text to be output as language is fed into the system with the corresponding order of addresses.
  • the order of sounds determines the choice of addresses.
  • the microsegments are read from the memory and strung together in accordance with this address sequence.
  • This digital time series is converted in a digital / analog converter, for example in a so-called sound blaster card, into an analog signal which can be output via voice output devices, for example a loudspeaker or headphones.
  • the speech synthesis system according to the invention can be implemented on an ordinary PC, a working memory of approximately 4 MB being sufficient.
  • the vocabulary that can be realized with the system is practically unlimited.
  • the language is easy to understand, and the computational effort for modifications of the microsegments, for example reductions or changes in the fundamental frequency, is low since the voice signal is processed in the time domain.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Machine Translation (AREA)
  • Document Processing Apparatus (AREA)

Abstract

Die Erfindung betrifft ein digitales Sprachsyntheseverfahren, bei dem vorab Äußerungen einer Sprache aufgenommen, die aufgenommenen Äußerungen in Sprachsegmente geteilt und die Segmente bestimmten Phonemen zuordbar abgespeichert werden, wobei dann jeweils ein als Sprache auszugebender Text in eine Phonemkette überführt wird und die abgespeicherten Segmente in einer durch diese Phonemkette definierten Reihenfolge aufeinanderfolgend ausgegeben werden, wobei eine Analyse an dem als Sprache auszugebenden Text erfolgt und damit die Phonemkette ergänzende Informationen liefert, die das Zeitreihensignal der für die Sprachausgabe aneinanderzureihenden Sprachsegmente beeinflussen. Die Erfindung ist dadurch gekennzeichnet, daß Mikrosegmente als Sprachsegmente verwendet werden, die bestehen aus: Segmenten für Vokalhälften und Halbvokalhälften, wobei Vokale, die zwischen Konsonanten stehen, in zwei Mikrosegmente, eine erste Vokalhälfte beginnend kurz hinter dem Vokalanfang bis zur Mitte des Vokals und eine zweite Vokalhälfte von der Vokalmitte bis kurz vor das Vokalende, geteilt sind, Segmenten für quasi stationäre Vokalteile, die aus der Mitte eines Vokals herausgeschnitten werden, konsonantischen Segmenten, die kurz hinter der vorderen Lautgrenze beginnen und kurz vor der hinteren Lautgrenze enden, und Segmenten für Vokal-Vokal-Folgen, die aus der Mitte eines Vokal-Vokalübergangs herausgeschnitten werden.

Description

AUF MIKROSEGMENTEN BASIERENDES SPRACHSYNTHESEVERFAHREN
Digitales Sprachsyntheseverfahren
Die Erfindung betrifft ein digitales Sprachsynthesever¬ fahren nach dem Oberbegriff von Anspruch 1.
Bei der synthetischen Erzeugung von Sprache mit Compu¬ tern sind im wesentlichen drei Verfahren bekannt.
Bei der Formantsynthese werden mit einer Anregungsquelle mit nachgeschalteten Filtern die Resonanzeigenschaften des menschlichen Ansatzrohres und deren Veränderungen beim Sprechen, die durch die
Bewegungen der Artikulationsorgane verursacht werden, nachgebildet. Diese Resonanzen sind charakteristisch für die Struktur und Wahrnehmung von Vokalen. Zur Begrenzung des Rechenaufwandes werden die ersten drei bis fünf Formanten eines Sprachlautes synthetisch mit der Anregungsquelle erzeugt. Bei dieser Syntheseart ist daher für die verschiedenen Anregungswellenformen nur ein geringer Speicherplatzbedarf in einem Rechner vorzusehen. Ferner kann eine einfache Veränderung von Dauer und Grundfrequenzanregungswellenformen realisiert werden. Nachteilig ist jedoch, daß zur Sprachausgabe ein ausgedehnter Regelapparat benötigt wird, der oft den Einsatz von digitalen Verarbeitungsprozessoren notwendig macht. Ferner ist nachteilig, daß die ausgegebene Sprache unnatürlich und metallisch klingt und besondere Schwachpunkte bei Nasalen und Obstruenten, d. h. Plosiven /p, t, k, b, d, g/, Aff ikaten /pf, ts ,tS/ und Frikativen /f, v, s, z, S, Z, C, j, x, h/ aufweist. In diesem Text stellen die zwischen Schrägstrichen // dargestellten Buchstaben Lautsymbole dar nach SAMPA- Notation, siehe: Wells, J.; Barry, W.J.; Grice, M. ; Fourcin, A. ; Gibbon D. (1992) ; Standard Computer- Compatible Transcription, in: ESPRIT PROJECT 2589 (SAM) Multi-lingual speech input/output assessment, methodology and standardisation; Final Report; Doc. SAM-UCL-037, Seiten 29ff.
Bei der artikulatorischen Synthese werden die akustischen Gegebenheiten im Ansatzrohr modelliert, so daß die artikulatorischen Positionen und Bewegungen beim Sprechen rechnerisch nachgebildet werden. Es wird also ein akustisches Modell des Ansatzrohres berechnet, was zu einem erheblichen Rechenaufwand führt und eine große Rechenkapazität erfordert. Dennoch klingt die so automatisch erzeugte Sprache unnatürlich und technisch.
Darüber hinaus ist die Konkatenationssynthese bekannt, bei der Teile von real gesprochenen Äußerungen so verkettet werden, daß neue Äußerungen entstehen. Die einzelnen Sprachteile bilden also Bausteine für die Erzeugung von Sprache. Die Größe der Teile kann - je nach Anwendungsgebiet - von Wörtern und Phrasen bis zu Ausschnitten aus Lauten reichen. Für die künstliche Erzeugung von Sprache bei unbegrenztem Wortschatz bieten sich als Einheiten Halbsilben oder kleinere
Ausschnitte an. Größere Einheiten sind nur sinnvoll, wenn ein begrenzter Wortschatz synthetisiert werden soll.
In Systemen, die ohne Resynthese auskommen, ist die Wahl des richtigen Schneidepunktes der
Sprachbausteine entscheidend für die Qualität der Synthese. Dabei gilt es, melodische und spektrale Brüche zu vermeiden. Konkatenative Syntheseverfahren erzielen dann - insbesondere mit großen Bausteinen - einen natürlicheren Klang als die anderen Verfahren. Der Regelaufwand für die Erzeugung der Laute ist außerdem recht gering. Die Beschränkungen dieses Verfahrens liegen im relativ großen Speicherplatzbedarf für die benötigten Sprachbausteine. Eine weitere Einschränkung dieses Verfahrens liegt darin, daß einmal aufgenommene Bausteine bei den bekannten Systemen nur mit aufwendigen Resyntheseverfahren (z. B. in der Dauer oder Frequenz) verändert werden können, die sich zudem nachteilig auf den Sprachklang und die Verständlichkeit auswirken. Es werden daher auch mehrere unterschie - liehe Varianten eines Sprachbausteins aufgenommen, was den Speicherplatzbedarf erhöht.
Unter den Konkatenationssyntheseverfahren sind im wesentlichen vier Syntheseverfahren bekannt, die es erlauben, Sprache ohne Einschränkung des Wortschatzes zu synthetisieren.
Bei der Phonsynthese wird eine Konkatenation von Lauten oder Phonen vorgenommen. Bei westeuropäischen Sprachen mit einem Lautinventar von ca. 30-50 Lauten und einer durchschnittlichen Dauer der Laute von ca. 150 ms ist der Speicherplatzbedarf überschaubar klein. Allerdings fehlen diesen Sprachsignalbausteinen die perzeptiv wichtigen Übergänge zwischen den einzelnen Lauten, die auch nur unvollständig durch Überblenden von einzelnen Lauten bzw. aufwendigere Resyntheseverfahren nachempfunden werden können. Daher ist diese
Syntheseart qualitativ nicht befriedigend. Auch die Berücksichtigung des phonetischen Kontextes einzelner Laute durch Ablegen von lautlichen Varianten eines Lautes in eigenen Sprachsignalbausteinen in der sogenannten Allophonsynthese verbessert das Sprachergebnis aufgrund der Nichtbeachtung der artikulatorisch-akustischen Dynamik nicht wesentlich.
Die gängigste Form der Konkatenationssynthese ist die Diphonsynthese; diese benutzt Signalbausteine, die von der Mitte eines akustisch definierten Sprachlautes bis zur Mitte des nächsten Sprachlautes reichen. Dadurch werden die perzeptorisch wichtigen Übergänge von einem Laut zum anderen berücksichtigt, die als akustische Folge der Bewegungen der Sprechorgane im Sprachsignal auftreten. Außerdem werden dadurch die Signalbausteine an spektral relativ gleichbleibenden Stellen aneinandergefügt, was die potentiell vorhandenen
Störungen des Signalflusses an den Fugen der einzelnen Diphone verringert. Das Lautinventar westeuropäischer Sprachen besteht aus 35 bis 50 Lauten. Für eine Sprache mit 40 Lauten ergeben sich also theoretisch 1600 Diphonpaare, die dann durch phonotaktische
Einschränkungen real auf etwa 1000 reduziert werden. In natürlicher Sprache unterscheiden sich unbetonte und betonte Laute sowohl klanglich als auch in der Dauer voneinander. Um diese Unterschiede in der Synthese adäquat zu berücksichtigen, werden in einigen Systemen für betonte und unbetonte Lautfolgen unterschiedliche Diphone aufgenommen. Je nach Ansatz werden also 1000 bis 2000 Diphone mit einer durchschnittlichen Dauer von ca. 150 ms benötigt, woraus sich je nach den Anforderungen an Dynamik und Signalbandbreite ein
Speicherplatzbedarf für die Signalbausteine von bis zu 23 MB ergibt. Ein üblicher Wert liegt bei etwa 8 MB. Auf einem ähnlichen Prinzip wie die Diphonsynthese beruhen auch die Triphon- und die Halbsilbensynthese. Auch hier liegt der Schneidepunkt in der Mitte der Laute. Allerdings werden größere Einheiten erfaßt, wodurch größere phonetische Kontexte berücksichtigt werden können. Die Anzahl der Kombinationen nimmt dabei allerdings proportional zu. Bei der Halbsilbensynthese liegt ein Schneidepunkt für die verwendeten Einheiten mitten im Vokal einer Silbe. Der andere Schneidepunkt liegt am Anfang bzw. Ende einer Silbe, wodurch je nach der Struktur der Silbe auch Sequenzen von mehreren Konsonanten in einem Sprachbaustein aufgenommen werden. Im Deutschen werden etwa 52 unterschiedliche Lautfolgen in Anfangssilben von Morphemen und ca. 120 Lautfolgen für mediale bzw. finale Silben von Morphemen gezählt. Daraus ergibt sich eine theoretische Anzahl von 6240 Halbsilben für das Deutsche, von denen einige ungebräuchlich sind. Da Halbsilben meist länger sind als Diphone, übersteigt der Speicherplatzbedarf für die Sprachsignalbausteine den bei den Diphonen um einiges.
Das größte Problem ist daher bei einem qualitativ hochwertigen Sprachsynthesesystem der erhebliche Speicherplatzbedarf. Zur Verringerung dieses Bedarfs wurde beispielsweise vorgeschlagen, die Stille im Verschluß von Plosiven für alle Plosiwerschlüsse zu nutzen. Aus der EP 0 144 731 Bl ist ein
Sprachsynthesesystem bekannt, in dem Teile von Diphonen für mehrere Laute benutzt werden. Dort wird ein Sprachsynthesizer beschrieben, der Einheits-Sprachsig- nalformen, die durch Teilen eines Doppellautes erzeugt werden, abspeichert und bestimmten AusdrucksSymbolen gleichsetzt. Eine Synthetisiereinrichtung liest die Einheits-Sprachsignalformen entsprechend den Ausgangssymbolen der konvertierten Sequenz von AusdrucksSymbolen aus dem Speicher. Auf der Basis des Sprachteils der Eingangszeichen wird bestimmt, ob zwei gelesene Einheits-Sprachsignalformen entweder direkt verbunden werden, wenn der Eingangs-Sprachteil der Eingangszeichen stimmlos ist, oder ein vorgegebenes erstes Interpolationsverfahren angewendet wird, wenn der Eingangs-Sprachteil der Eingangszeiten stimmhaft ist, wobei die gleiche Einheits-Signalform sowohl für einen stimmhaften /g, d, b/ als auch für seinen entsprechenden stimmlosen /k, t, p/ Laut verwendet wird. Ferner sollen in dem Speicher auch Einheits- Sprachsignalformen abgelegt werden, die den einem Konsonanten folgenden Vokalteil bzw. den einem Konsonanten vorangehenden Vokalteil repräsentieren. Die Übergangsbereiche von einem Konsonanten zu einem Vokal bzw. von einem Vokal zu einem Konsonanten kann jeweils für die Konsonanten k und g, t und d sowie p und b gleich gesetzt werden. Der Speicherplatzbedarf wird somit zwar reduziert, jedoch erfordert der angegebene Interpolationsvorgang einen nicht unerheblichen Rechenaufwand.
Aus der DE 27 40 520 AI ist ein Verfahren zur Synthese von Sprache bekannt, bei dem jedes Phonem von in einem Speicher gespeicherten Phonem-Elementen gebildet wird, wobei Perioden von LautSchwingungen aus natürlicher Sprache gewonnen oder künstlich synthetisiert sind. Der zu synthetisierende Text wird Satz für Satz grammatisch und phonetisch nach den Regeln der Sprache analysiert. Neben den Perioden der LautSchwingungen sind jedem Phonem bestimmte Arten und eine Anzahl von Zeit- Abschnitten von Rausch-Phonemen mit entsprechender Dauer, Amplituden und Spektralverteilung gegenüber- gestellt. Die Perioden der LautSchwingungen und die Elemente der Rausch-Phoneme sind in digitaler Form als Folge von Amplitudenwerten der entsprechenden Schwingung in einem Speicher abgelegt und werden beim Lesevorgang entsprechend der Frequenzcharakteristik und zum Erreichen der Natürlichkeit der Sprache verändert.
Demnach ist hieraus ein digitales Sprachsynthesever¬ fahren nach dem Konkatenationsprinzip entsprechend dem Oberbegriff des Patentanspruches 1 bekannt.
Um mit einem möglichst kleinen Speicherbedarf auszukommen, werden nach dem Syntheseverfahren der DE 27 40 520 AI einzelne Perioden von Lautschwingungen mit charakteristischer Formant-Verteilung gespeichert. Die jedem Phonem bei Festhalten der Grundcharakteristik des Satzes bestimmte Arten und Anzahl von den gespei¬ cherten Perioden von LautSchwingungen werden bestimmt und bilden dann zusammen den akustischen Sprachein¬ druck. Danach werden also extrem kurze Zeitreihenele- mente von der Länge einer Periode der Grundschwingung eines Lautes vom Speicher abgerufen und je nach vorher festgestellter Wiedergabeanzahl aufeinanderfolgend wiederholt. Zur Realisierung glatter Phonemübergänge werden Perioden (synthetische) mit Formant-Vertei¬ lungen, die dem Übergang zwischen den Phonemen entsprechen, verwendet oder die Amplituden im Bereich der betreffenden Übergänge vermindert.
Nachteilig ist, daß eine ausreichende Natürlichkeit der Sprachwiedergabe aufgrund der mehrfachen Wiedergabe gleicher Periodenstücke, ggf. nur synthetisch gekürzt oder verlängert, nicht erreicht wird. Ferner wird der erheblich verringerte Speicherbedarf durch einen vermehrten Analyse- und Interpolationsaufwand erkauft, was Rechenzeit kostet.
Ein zum Sprachsyntheseverfahren der DE 27 40 520 AI ähnliches Verfahren ist aus der WO 85/04747 bekannt, bei dem jedoch von einer vollständig synthetischen Erzeugung der Sprachsegmente ausgegangen wird. Die
Sprachsegmente, die Phoneme oder Übergänge darstellen, werden aus synthetischen Wellenformen, die nach einer vorbestimmten Art und Weise mehrfach, ggf. in der Länge gekürzt und/oder stimmhaft wiedergegeben werden, erzeugt. Insbesondere bei den Phonemübergängen wird auch von einer invertierten Wiedergabe von bestimmten Zeitreihen Gebrauch gemacht. Nachteilig ist auch hier, daß bei erheblich verringertem Speicherplatzbedarf aufgrund umfangreicher Analyse- und Synthetisiervorgänge eine erhebliche Rechenkapazität benötigt wird. Der Sprachwiedergabe fehlt gleichwohl die natürliche Varianz.
Aufgabe der Erfindung ist es daher, ausgehend von der DE 27 40 520 AI ein Sprachsyntheseverfahren anzugeben, bei dem bei geringem Speicherplatzbedarf ohne hohen
Rechenaufwand eine qualitativ hochwertige Sprachausgabe erreicht wird.
Gelöst wird diese Aufgabe mit einem Sprachsynthese- verfahren gemäß Anspruch 1.
Mit dem erfindungsgemäßen Sprachsyntheseverfahren wird eine Generalisierung bei der Verwendung der Sprachsignalbausteine in Form von Mikrosegmenten erreicht. Es wird damit die in der Diphonsynthese nötige Verwendung eines eigenen akustischen Segments für jede der möglichen Verbindungen zweier Sprachlaute vermieden. Die für die Sprachausgabe benötigten Mikrosegmente können in drei Kategorien aufgegliedert werden. Dies sind:
1. Segmente für Vokalhälften und Halbvokalhälften: Sie geben in der Dynamik der spektralen Struktur die Bewegungen der Sprechorgane von bzw. zu der Artikulationsstelle des benach¬ barten Konsonanten an. Aufgrund der Silben¬ struktur der meisten Sprachen ist häufig eine Konsonant-Vokal-Konsonant-Folge anzutreffen. Da die Bewegungen der Sprechorgane für eine gegebene Artikulationsstelle entsprechend den relativ unbeweglichen Teilen des menschlichen Ansatzrohres unabhängig von der Artikulationsart, d. h. , unabhängig von den vorangehenden oder nachfolgenden Konsonanten, vergleichbar sind, ist daher für jeden Vokal nur ein Mikrosegment pro globaler Artikulationsstelle des vorherigen Konsonanten (= erste Hälfte des Vokals) und ein Mikrosegment pro Artikulationsstelle des folgenden Konsonanten (=. zweite Hälfte des Vokals) nötig.
2. Segmente für quasi stationäre Vokalteile: Diese Segmente sind aus der Mitte von langen Vokalrealisierungen, die klanglich relativ konstant wahrgenommen werden, herausgetrennt. Sie werden in verschiedenen Textpositionen bzw. Kontexten eingesetzt, beispielsweise am Wort- anfang, nach den HalbvokalSegmenten, die be- stimmten Konsonanten bzw. Konsonantfolgen folgen, im Deutschen beispielsweise nach /h/, /j/ sowie /?/, zur Enddehnung, zwischen nicht diphthongischen Vokal-Vokalfolgen und in Diphthongen als Start- und Zielpositionen.
3. Konsonantische Segmente:
Die konsonantischen Segmente sind so gebildet, daß sie unabhängig von der Art der Nachbarlaute für mehrere Vorkommen des Lautes entweder generell oder wie vornehmlich bei Plosiven im Kontext von bestimmten Lautgruppen verwendet werden können.
Wichtig ist, daß die in drei Kategorien aufgegliederten Mikrosegmente mehrfach in unterschiedlichen lautlichen Kontexten verwendet werden können. D. h., daß bei Lautübergängen die perzeptorisch wichtigen Übergänge von einem Laut zum anderen berücksichtigt werden, ohne daß dabei für jede der möglichen Verbindungen zweier Sprachlaute eigene akustische Segmente erforderlich sind. Die erfindungsgemäße Aufteilung in Mikrosegmente, die einen Lautübergang teilt, ermöglicht die Verwendung identischer Segmente für verschiedene Lautübergänge für eine Gruppe von Konsonanten. Bei diesem Prinzip der Generalisierung bei der Verwendung von Sprachsignalbausteinen wird der zur Abspeicherung der Sprachsignalbausteine benötigte Speicherplatz ver¬ ringert. Dennoch ist die Qualität der synthetisch ausgegebenen Sprache aufgrund der Berücksichtigung der wahrnehmungsgemäß wichtigen Lautübergänge sehr gut.
Dadurch, daß die Segmente für Vokalhälften und Halbvokalhälften in einer Konsonan -Vokal- oder Vokal- Konsonant-Folge für jede der Artikulationsstellen der benachbarten Konsonanten, nämlich labial, alveolar oder velar, gleich sind, wird bei den Sprachsegmenten für Vokale eine Mehrfachnutzung der Mikrosegmente für unterschiedlichen lautlichen Kontext ermöglicht und damit eine erhebliche Speicherplatzverringerung erreicht.
Wenn die Segmente für quasi stationäre Vokalteile vorgesehen sind für Vokale an Wortanfängen sowie Vokal-Vokal-Folgen, wird mit einer geringen Anzahl von zusätzlichen Mikrosegmenten eine erhebliche Klangverbesserung der synthetischen Sprache für Wortanfänge, Diphthonge oder Vokal-Vokalfolgen erreicht.
Dadurch, daß die konsonantischen Segmente für Plosive in zwei Mikrosegmente geteilt sind, ein erstes Segment, das die Verschlußphase umfaßt, und ein zweites Segment, das die Lösungsphase umfaßt, wird eine weitere Gene¬ ralisierung der Sprachsegmente erreicht. Insbesondere läßt sich die Verschlußphase für alle Plosive durch eine Zeitreihe von Nullen darstellen. Für diesen Teil der Lautwiedergabe ist daher kein Speicherplatz erforderlich.
Die Lösungsphase der Plosive wird nach dem im Kontext folgenden Laut differenziert. Dabei kann eine weitere Generalisierung erreicht werden, in dem bei der Lösung zu Vokalen nur nach den folgenden vier Vokalgruppen - vordere, ungerundete Vokale; vordere, gerundete
Vokale; tiefe bzw. zentralisierte Vokale und hintere, gerundete Vokale - und bei einer Lösung zu Konsonanten nur nach drei unterschiedlichen Artikulationsstellen, labial, alveolar oder velar, unterschieden wird, so daß beispielsweise für die deutsche Sprache 42 Mikro¬ segmente für die sechs Plosive /p, t, k, b, d, g/ zu drei Konsonantengruppen nach Artikulationsstelle und zu vier Vokalgruppen abgespeichert werden müssen. Dies verringert aufgrund der Mehrfachverwendung der Mikrosegmente für unterschiedlichen lautlichen Kontext den Speicherplatzbedarf weiter.
Vorteilhaft wird zur Kürzung von VokalSegmenten bei einem Vokalsegment, das von einer Artikulationsstelle zur Mitte des Vokals verläuft, die Start- und bei einem Vokalsegment, das von der Mitte des Vokals zur folgenden Artikulationsstelle verläuft, die
Zielposition immer erreicht, während die Bewegung zur oder von der "Vokalmitte" verkürzt wird. Eine derartige Verkürzung der Mikrosegmente bildet beispielsweise unbetonte Silben nach, wobei die in der natürlichen, fließenden Rede zu findenden Abweichungen von der spektralen Zielqualität des jeweiligen Vokals wiedergegeben werden und somit die Natürlichkeit der Synthese erhöht wird. Vorteilhaft ist dabei ferner, daß für derartige sprachliche Abwandlungen bereits gespeicherter Segmente kein dem Segment entsprechender weiterer Speicherplatzbedarf benötigt wird.
Mit der Analyse des als Sprache auszugebenden Textes wird eine Manipulation der Mikrosegmente in Abhängigkeit des Analyseergebnisses erreicht. Damit können Abwandlungen der Aussprache in Abhängigkeit des Satzbaus und der Semantik sowohl Satz für Satz als auch in den Sätzen Wort für Wort nachgebildet werden, ohne daß zusätzliche Mikrosegmente für verschiedene Aussprachen nötig sind. Der Speicherplatzbedarf kann somit gering gehalten werden. Darüber hinaus erfordert die Manipulation im Zeitbereich keine aufwendigen Rechenoperationen. Gleichwohl hat die mit dem Sprachsyntheseverfahren erzeugte Sprache ein sehr natürliches Gepräge.
Insbesondere können mit der Analyse an dem als Sprache auszugebenden Text, Sprachpausen erkannt werden. Die Phonemkette wird an diesen Stellen mit Pausesymbolen zu einer Symbolkette ergänzt, wobei bei der Aneinander¬ reihung der Mikrosegmente an den Pausesymbolen digitale Nullen im Zeitreihensignal eingefügt werden. Die zusätzlichen Informationen über eine Pausenstelle und deren Pausendauer wird aufgrund des Satzbaus und vorbestimmten Regeln ermittelt. Die Pausendauer wird durch die Anzahl der einzufügenden digitalen Nullen in Abhängigkeit der Abtastrate realisiert.
Dadurch, daß mit der Analyse Phrasengrenzen erkannt werden und die Phonemkette an diesen Stellen mit
DehnungsSymbolen zu einer Symbolkette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente die Mikrosegmente entsprechend der Symbole eine Abspieldauerdehnung im Zeitbereich erfahren, kann eine phrasenfinale Dehnung bei der synthetischen Sprachwiedergabe nachgebildet werden. Diese Manipulation im Zeitbereich wird an den bereits zugeordneten Mikrosegmenten ausgeführt. Es werden daher keine zusätzlichen Sprachbausteine zur Realisierung von Enddehnungen benötigt, was den Speicherplatzbedarf gering hält.
Dadurch, daß mit der Analyse Betonungen erkannt werden und die Phonemkette an diesen Stellen mit Betonungs¬ symbolen für verschiedene Betonungswerte zu einer Symbolkette ergänzt wird, wobei bei der Aneinander¬ reihung der Mikrosegmente an den Mikrosegmenten mit BetonungsSymbolen eine Veränderung der Dauer der Sprachlaute erfolgt, werden die in natürlicher Sprache vorkommenden Betonungsarten nachgebildet. Die Hauptinformation bezüglich des durch die Abspieldauer gebildeten Wortakzents steht in einem Lexikon. Die dann für intonatorisch getragene Satzakzente auszuwählende Betonung wird bei der Analyse des als Sprache auszugebenden Textes aus dem Satzaufbau und vorbestimmten Regeln ermittelt. Je nach ermittelter Betonung wird das betreffende Mikrosegment ungekürzt oder durch Fortlassen bestimmter Mikrosegmentabschnitte gekürzt wiedergegeben. Zur Erzeugung einer wandlungsreichen Sprache bei gleichzeitig vertretbarem Rechenaufwand haben sich fünf Kürzungsstufen für vokalische Mikrosegmente als ausreichend erwiesen, so daß insgesamt sechs Abspieldauermöglichkeiten zur Verfügung stehen. Diese Kürzungsstufen sind an dem vorab abgespeicherten Mikrosegment markiert und werden kontextabhängig bei der Textanalyse entsprechend des Analyseergebnisses, d. h. des zu wählenden Betonungswertes, angesteuert.
Sowohl die Abspieldauerdehnung bei phrasenfinalen Silben, wie auch die verschiedenen Kürzungsstufen für Betonungen können bevorzugt mit den gleichen Kürzungsstufen in den Mikrosegmenten realisiert werden. Im Gegensatz zu betonten Silben, bei denen sich die zeitliche Dehnung auf alle Mikrosegmente gleichmäßig verteilt, wird bei den Endsilben von Phrasen, nämlich von Spracheinheiten, die beispielsweise in der Schriftsprache mit den Satzzeichen Komma, Semikolon, Punkt und Doppelpunkt notiert sind, eine progressive Verlängerung der Abspieldauer vorgesehen. Dies wird erreicht durch eine Erhöhung der Abspieldauer der Mikrosegmente bei den phrasenfinalen Silben ab dem zweiten Mikrosegment um jeweils eine Stufe.
Beispeilsweise wird bei dem Satz "Er hat in Paris gewohnt." die letzte Silbe "-wohnt", ausgesprochen /vo.-nt/, so gedehnt, daß die in der Tabelle in der ersten Zeile dargestellte Mikrosegmentkette mit der in Klammern angegebenen normalen Dauerstufe, wenn diese Silbe nicht am Phrasenende steht, gemäß den DehnungsSymbolen in die in der dritten Zeile dargestellte Mikrosegmentkette überführt wird. Der
Wertebereich für die Dehnungsstufen geht von 1-6, wobei größere Zahlen einer längeren Dauer entsprechen. Das Symbol % erzeugt keine Daüerveränderung.
normal [2v]o v[5o] [5o]n [2n]t t[2t] [2t]
Symbol % % + 1 +2 +3 +4 gedehnt [2v]o v[5o] [6o]n [4n]t t[5t] [6t]
Ähnlich ist die Bildung in anderen Sprachen oder
Dialekten. In Englisch würde die Enddehnung beispielsweise vom Satz "He saw a shrimp." für das letzte Wort durch Mikrosegmente wie folgt gebildet werden :
normal [2S]r [2r] I r[3I] [3I]m [2m]p p[2p] [2p] Symbol % % % +1 +2 +3 +4 gedehnt [2S] r [2r] I r[3I] [4I]m [4m]p p[5p] [6p]
Bei offenen Silben, d.h. die mit einem Vokal enden, wie beispielsweise "Er war da.", wird die Abspieldauer des zweiten Mikrosegmentes von "da", ausgesprochen /da:/, um 2 Stufen erhöht . normal d[2d] [2d]a d[4a] [4a] ... Symbol % % % +2 gedehnt d[2d] [2d]a d[4a] [6a] ...
Diese Prozedur wird so lange ausgeführt, bis die längste Dauerstufe (=6) erreicht ist.
Dadurch, daß mit der Analyse Intonationen zugeordnet werden und die Phonemkette an diesen Stellen mit
Intonationssymbolen zu einer Symbolkette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente an den IntonationsSymbolen eine GrundfrequenzVeränderung bestimmter Teile der Perioden von Mikrosegmenten im Zeitbereich durchgeführt wird, wird die Melodie sprachlicher Äußerungen nachgebildet. Die Grundfrequenzveränderung erfolgt dabei vorzugsweise durch Überspringen und Hinzufügen bestimmter Abtastwerte. Dafür werden die vorab aufgenommenen stimmhaften Mikrosegmente, d.h. Vokale und Sonoranten, markiert. Dabei wird automatisch jede Stimmperiode mit dem spektral informationswichtigen ersten Teil, in dem die Stimmlippen geschlossen sind, und dem unwichtigeren zweiten Teil, in dem die Stimmlippen offen sind, getrennt behandelt. Die Markierungen werden so gesetzt, daß bei der Signalausgabe lediglich die spektralun¬ kritischen zweiten Teile jeder Periode zur Grundfrequenzveränderung gekürzt oder verlängert wiedergegeben werden. Damit wird der Speicherplatzbe- darf zur Nachbildung von Intonationen bei der Sprachausgabe nicht wesentlich erhöht und der Rechenaufwand aufgrund der Manipulation im Zeitbereich gering gehalten.
Bei der Aneinanderkettung verschiedener Mikrosegmente zur Sprachsynthes-e wird ein weitestgehend störungs¬ freier akustischer Übergang zwischen aufeinander¬ folgenden Mikrosegmenten dadurch erreicht, daß die Mikrosegmente mit dem ersten Abtaεtwert nach dem ersten positiven Nulldurchgang, d. h. einem Nulldurchgang mit positivem Signalanstieg, beginnen und mit dem letzten Abtastwert vor dem letzten positiven Nulldurchgang enden. Die digital abgespeicherten Zeitreihen der Mikrosegmente reihen sich somit nahezu stetig aneinander. So werden aufgrund von Digitalsprüngen entstehende Knackgeräusche vermieden. Außerdem können jederzeit durch digitale Nullen wiedergegebene Verschlußphasen von Plosiven oder Wortunterbrechungen und allgemeine Sprachpausen im wesentlichen stetig eingefügt werden.
Nachfolgend wird ein Ausführungsbeispiel der Erfindung anhand der Zeichnungen detailliert beschrieben.
Darin zeigt:
Fig. 1 ein Ablaufdiagramm des Sprachsynthesever- fahrens,
Fig. 2 ein Spektrogramm und Zeitsignal des Wortes
"Phonetik" und Fig. 3 das Wort "Frauenheld" im Zeitbereich.
Die Verfahrensschritte des erfindungsgemäßen Sprachsyn- thesesystems sind in Fig. l in einem Ablaufdiagramm dargestellt. Die Eingabe für das Sprachsynthesesystem ist ein Text, beispielsweise eine Textdatei. Den Wörtern des Textes wird mittels eines im Rechner gespeicherten Lexikons eine Phonemkette zugeordnet, die die Aussprache des jeweiligen Wortes repräsentiert. In der Sprache, insbesondere in der deutschen Sprache, erfolgt die Wortneubildung häufig durch Zusammensetzung von Worten und Wortteilen, z.B. mit Vor- und Nachsilben. Die Aussprache von Wörtern, wie "Hausbau", "Bebauung", "bebaubar" usw., können aus einen Stamm, hier "bau", abgeleitet und mit der Aussprache der Vor- und Nachsilben verbunden werden. Dabei können auch Verbindungslaute, wie "s" in "Gerichtsdiener", "es" in "Landessportschule" und "n" in "Grubenarbeiter", berücksichtigt werden. Somit greifen für den Fall, daß ein Wort nicht im Lexikon steht, verschiedene Ersatzmechanismen, um die Aussprache des Wortes zu verifizieren. Dabei wird zunächst versucht, das gesuchte Wort aus Teileinträgen des Lexikons, wie oben beschrieben, zusammenzusetzen. Falls dies nicht gelingt, wird versucht, über ein Silbenlexikon, in dem Silben mit ihren Aussprachen eingetragen sind, zu einer Aussprache zu gelangen. Mißlingt auch dies, so gibt es Regeln, wie Folgen von Buchstaben in Phonemfolgen umzusetzen sind.
Unter der, wie oben dargestellt, erzeugten Phonemkette ist in Fig. 1 die syntaktisch-semantische Analyse dargestellt. Dort sind zusätzlich zu den bekannten Ausspracheangaben im Lexikon syntaktische und morphologische Informationen enthalten, die zusammen mit bestimmten Schlüsselwörtern des Textes eine lokale linguistische Analyse ermöglichen, die Phrasengrenzen und akzentuierte Wörter ausgibt. Aufgrund dieser Analyse wird die Phonemkette, die aus den Aussprache- angaben des Lexikons stammt, modifiziert und zusätzliche Informationen über Pausendauer und Tonhöhenwerte der Mikrosegmente werden eingefügt. Es entsteht eine phonembasierte, prosodisch differenzierte Symbolkette, die die Eingabe für die eigentliche Sprachausgabe liefert.
Beispielsweise berücksichtigt die syntaktisch¬ semantische Analyse Wortakzente, Phrasengrenzen und Intonation. Die Abstufungen der Betontheit von Silben innerhalb eines Wortes sind in den Lexikoneinträgen markiert. Für die Wiedergabe der dieses Wort bildenden Mikrosegemente sind somit die Betonungsstufen vorgegeben. Die Betonungsstufe der Mikrosegmente einer Silbe ergibt sich aus:
- der phonologischen Länge eines Lautes, die bei jedem Phonem bezeichnet ist, beispielsweise /e:/ für langes ■e' in /fo'ne:tIK/,
- der Akzentuierung der Silbe, die in der Phonemkette vor der betonten Silbe bezeichnet ist, beispielsweise,
/fo'ne.tIK/,
- den Regeln für phrasenfinale Dehnung und
- ggf. andere Regeln, die auf der Abfolge von akzentuierten Silben beruhen, wie beispielsweise die Längung von zwei betonten aufeinanderfolgenden Silben.
Die Phrasengrenzen, an denen neben bestimmten intonatorischen Verläufen die Phrasenenddehnung stattfindet, werden durch linguistische Analyse ermittelt. Aus der Folge von Wortarten wird mit vorgegebenen Regeln die Grenze von Phrasen bestimmt. Die Umsetzung der Intonation beruht auf einem Intonations- und Pausenbeschreibungssystem, bei dem grundsätzlich zwischen Intonationsverläufen, die an Phrasengrenzen stattfinden (steigend, fallend, gleichbleibend, fallend-steigend) und solchen, die um Akzente lokalisiert sind (tief, hoch, steigend, fallend) , unterschieden wird. Die Zuordnung der Intonationsverläufe erfolgt auf der Basis der syntaktischen und morphologischen Analyse unter Einbeziehung von bestimmten Schlüsselwörtern und -zeichen im Text. So haben beispielsweise Fragen mit Verberststellung (erkennbar durch das Fragezeichen am Ende und die Information, daß das erste Wort des Satzes ein finites Verb ist) einen tiefen Akzentton und einen hoch steigenden Grenzton. Normale Aussagen haben einen hohen Akzentton und eine fallende finale Phrasengrenze. Der Verlauf der Intonation wird nach vorgegebenen Regeln erzeugt.
Für die eigentliche Sprachausgabe wird die phonembasierte Symbolkette in eine Mikrosegmentfolge umgewandelt. Die Umwandlung einer Folge von zwei Phonemen in Mikrosegmentfolgen erfolgt über einen Regelsatz, in dem jeder Phonemfolge eine Folge von Mikrosegmenten zugeordnet wird.
Dabei wird bei der Aneinanderreihung der durch die Mikrosegmentkette angegebenen nacheinanderfolgenden Mikrosegmente die zusätzlichen Informationen über Betonung, Pausendauer, Enddehnung und Intonation berücksichtigt. Die Modifikation der Mikrosegmentab- folge erfolgt dabei ausschließlich im Zeitbereich. In dem Zeitreihensignal der aneinandergereihten Mikroseg- mente wird beispielsweis eine Sprachpause durch Einfügen von digitalen Nullen an der durch ein entsprechendes Pausensyτnbol markierten Stelle realisiert.
Die Sprachausgabe erfolgt dann durch digital/analog- Umwandlung des manipulierten Zeitreihensignals, beispielsweise über eine im Rechner angeordnete "Soundblaster"-Karte.
Fig. 2 zeigt im oberen Teil ein Spektrogramm und im unteren Teil das dazu gehörige Zeitsignal für das Wortbeispiel "Phonetik". Das Wort "Phonetik" wird in Symbolen als Phonemfolge zwischen Schrägstrichen wie folgt dargestellt /fone:tIk/. Diese Phonemfolge ist auf der die Zeitachse repräsentierenden Abszisse im oberen Teil der Fig. 2 aufgetragen. Die Ordinate des Spektrogramms der Fig. 2 bezeichnet den Frequenzinhalt des Sprachsignals, wobei der Grad der Schwärzung zur
Amplitude der entsprechenden Frequenz proportional ist. Im in Fig. 2 oben dargestellten Zeitsignal entspricht die Ordinate der momentanen Amplitude des Signals. Im mittleren Feld sind mit senkrechten Strichen die Mikrosegmentgrenzen dargestellt. Die darin angegebenen Buchstabenkürzel geben die Bezeichnung oder Symbolisierung des jeweiligen Mikrosegmentes an. Das Beispielwort "Phonetik" besteht somit aus zwölf Mikrosegmenten.
Die Bezeichnungen der Mikrosegmente sind so gewählt, daß die Laute außerhalb der Klammer den Kontext kennzeichnen, wobei in der Klammer der klingende Laut angegebenen ist. Es werden damit die kontextabhängigen Übergänge der Sprachlaute berücksichtigt.
Die konsonantischen Segmente ... (f) und (n)e sind an der jeweiligen Lautgrenze segmentie t. Die Plosive /t/ und /k/ sind in eine Verschlußphase (t(t) und k(k)), die digital durch auf Null gesetzte Abtastwerte nachgebildet ist und für alle Plosive verwendet wird, und eine kurze Lösungsphase (hier: (t)I und (k) ... ) , die kontextsensitiv ist, aufgeteilt. Die Vokale sind jeweils in Vokalhälften geteilt, wobei die Schnitt¬ punkte am Anfang und in der Mitte des Vokals liegen.
In Fig. 3 ist ein weiteres Wortbeispiel "Frauenheld" im Zeitbereich wiedergegeben. Die Phonemfolge wird mit /fraU@nhElt/ angegeben. Das in Fig. 3 dargestellte Wort umfaßt 15 Mikrosegmente, wobei hier auch quasi stationäre Mikrosegmente vorkommen. Die ersten beiden Mikrosegmente ... (f) und (r)a sind konsonantische Segmente, deren Kontext nur nach einer Seite spezifiziert ist. Nach dem Halbvokal r(a), der einen
Übergang der velaren Artikulationsstelle zur Mitte des a umfaßt, schließt zur Bildung des Diphthongs /aU/ die Startposition a(a) an. aU(aU) beinhaltet die perzeptiv wichtige Transition zwischen der Start- und der Zielposition u(U) . (U)@ enthält den Übergang von /U/ nach l®l , der normalerweise von @(@) gefolgt werden müßte. Dadurch würde /@/ zu lange dauern, so daß dieses Segment aus Dauergründen bei /@/ und /6/ entfällt und nur die zweite Vokalhälfte (@)n abgespielt wird. (n)h stellt ein konsonantisches Segment dar. Der Übergang von Konsonanten zu /h/ wird - anders als bei Vokalen - nicht spezi iziert. Daher gibt es kein Segment n(h) . (h)E enthält den behauchten Anteil des Vokals /E/, der von dem quasi-stationären E(E) gefolgt wird. (E)l enthält die zweite Vokalhälfte von /E/ mit dem Übergang zur dentalen Artikulationsstelle. E(l) ist ein konsonantisches Mikrosegment, bei dem nur der Vorkontext spezifiziert ist. Das /t/ wird aufgeteilt in eine Verschlußphase t(t) und eine Lösungsphase (t) ... , die zu Stille (...) geht.
Erfindungsgemäß wird die Vielzahl der möglichen Artikulationsstellen auf drei wesentliche Bereiche beschränkt. Die Zusammenfassung der Gruppen basiert auf den ähnlichen Bewegungen, die zur Bildung der Laute von den Artikulatoren ausgeführt werden. Wegen der vergleichbaren Artikulatorbewegungen ähneln sich die spektralen Übergänge zwischen den Lauten jeweils innerhalb der drei in Tabelle 1 genannten Gruppen.
Tabelle 1: Artikulatoren und Artikulationsstellen und deren Bezeichnung
Zusammen¬ Bezeichnung Artikulator Artikulationsstelle fassung labial bilabial Unterlippe Oberlippe labiodental Unterlippe obere Schneidezähne alveolar dental Zungenspitze ober Schneidezähne alveolar Zungenspitze Zahndamm, Alveolen oder Zungen¬ blatt velar palatal vorderer harter Gaumen,
Zungenrücken Palatum velar mittlerer weicher Gaumen,
Zungenrücken Velum uvular hinterer Zäpfchen, Uvulum Zungenrücken
-- pharyngeal Zungenwurzel hintere Rachenwand glottal Stimmlippe Stimmlippe
Daher wird für jeden Vokal nur ein Mikrosegment pro Artikulationsstelle des vorherigen Konsonanten (= 1. Hälfte des Vokals) und ein Mikrosegment pro Artikulationsstelle des folgenden Konsonanten (= 2. Hälfte des Vokals) gebraucht. Es können z. B., für die Silben
/pat pad pas paz pa(ts)
/bat bad bas baz ba(ts)
/mat mad mas maz ma (tε)
/(pf)at (pf)ad (pf)as (pf)az (pf)a(ts
/fat fad fas faz fa(ts)
/vat vad vas vaz va (ts)
Fortsetzung:
pa(tS) pa(dZ) (pan) pal/ ba(tS) ba(dZ) (ban) bal/ ma(tS) ma(dZ) (man) mal/
(pf)a(tS) (pf)a(dZ) ((pf)an) (pf)al/ fa(tS) fa(dZ) (fan) fal/ va(tS) va(dZ) (van) val/
jeweils dieselben zwei Vokalhälften verwendet werden, weil der Anfangskonsonant jeweils mit dem Verschluß der beiden Lippen (bilabial) und der Endkonsonant durch Anhebung der Zungenspitze zum Zahndamm (= alveolar) gebildet werden. Neben der labialen und der alveolaren gibt es noch die velare Artikulationsstelle. Eine weitere Generalisierung wird durch die Gruppierung der postalveolaren Konsonanten /S/ ( wie in Masche) und /Z/ (wie in Gage) zu den alveolaren und der labiodentalen Konsonaten /f/ und /v/ mit den labialen erreicht, so daß, wie oben angegeben, auch /fa(tS)/, /va(tS)/, /fa(dZ)/ und /va(dZ)/ dieselben Vokalsegmente enthalten können. Für die Mikrosegmente der o.g. Beispielsilben gilt also: p (a) = b ( a) = m (a) a = (pf ) (a) = f (a) = v ( a) und (a) t = (a) d = (a) s = (a) z = (a) (ts) = (a) (tS) = (a) (dZ) = (a) n = ( a) l .
Neben den eben beschriebenen Vokalhälften für den Vokal "a" gehören auch die nachfolgenden Mikrosegmente zur Kategorie der Vokalhälften und Halbvokalhälften:
- die ersten Hälften der Monophthonge
/i:, I, e:, E, E:, a(:), 0, O:, U, U:, y:, Y, 2:, 9,
@, 6/, die nach einem labial, alveolar bzw. velar gebildeten Laut auftreten;
- die zweiten Hälften der Monophthonge
/! : , I , e:, E, E:, a(:), 0, O:, U, U:, y:, Y, 2:, 9, @, 6/ vor einem labialen, alveolaren oder velaren Laut; - Erste und zweite Hälften der Konsonanten /h/ und /j/ aus den Kontexten:
- nicht-offener ungerundeter Vordervokal /i:, I, e, E, E:/,
- nicht-offener gerunder Vordervorkai /y:, Y, 2:, 9/, - offener ungerundeter zentrale Vokal /a(:), @; 6/,
- nicht-offener gerunderter Hinterzungenvokal /0, o:, U, u:/.
Darüber hinaus sind Segmente für quasi-stationäre Vokalteile zur Nachbildung der Mitte einer langen Vokalrealisierung erforderlich. Diese Mikrosegmente werden in folgenden Positionen eingesetzt:
- wortinitial,
- nach den HalbvokalSegmenten /h/, /j/ sowie um /?/,
- zur Enddehnung, wenn auf einer Endsilbe komplexe Tonbewegungen realisiert werden müssen,
- zwischen nicht diphthongischen Vokal-Vokal-Folgen, sowie - in Diphthongen als Start- und Zielpositionen.
Durch die mehrfache Verwendung der Mikrosegmente in unterschiedlichen lautlichen Kontexten wird der bei der Diphonsynthese entstehende Multiplikationseffekt der Lautkomibinatorik beträchtlich reduziert, ohne die Dynamik der Artikulation zu beeinträchtigen.
Bei der erfindungsgemäß dargestellten Verallgemeinerung in den Sprachbausteinen ist es theoretisch möglich, für die deutsche Sprache mit einer Anzahl von 266 Mikro- Segmenten auszukommen, nämlich 16 Vokale zu 3 Artikula- tionsstellen, stationär, zu Ende; 6 Plosive zu 3 Konsonatengruppen nach Artikulationsstelle und zu 4 Vokalgruppen; /h/, /j/ und /?/ zu differenzierteren Vokalgruppen. Zur Verbesserung der Klangqualität der synthetisch gebildeten Sprache sollte die Anzahl der benötigten Mikrosegmente für die deutsche Sprache je nach Lautdifferenzierung zwischen 320 und 350 liegen. Dies entspricht aufgrund der zeitlich relativ kurzen Mikrosegmente einem Speicherplatzbedarf von ca. 700 kB bei 8 bit Auflösung und 22 kHz Abtastrate. Das liefert gegenüber der bekannten Diphonsynthese eine Reduktion um den Faktor 12 bis 32.
Zur weiteren Klangverbesserung der synthetisch gebildeten Sprache ist es vorgesehen, in den einzelnen Mikrosegmenten Markierungen anzubringen, die eine
Kürzung, Dehnung oder Frequenzveränderung am Mikro¬ segment im Zeitbereich erlauben. Die Markierungen werden an den Nulldurchgängen mit positiver Steigung des Zeitsignals der Mikrosegmente gesetzt. Insgesamt werden fünf Kürzungsstufen ausgeführt, so daß das
Mikrosegment zusammen mit der ungekürzten Wiedergabe sechs verschiedene Stufen der Abspieldauer hat. Bei den Kürzungen wird so verfahren, daß bei einem Vokal- segment, das von einer Artikulationsstelle zur Mitte des Vokals verläuft die Start-, und bei einem Vokalsegment, das von der Mitte des Vokals zur folgenden Artikulationsstelle verläuft, die Zielposition (= Artikulationsstelle des folgenden Konsonanten) immer erreicht wird, während die Bewegung zur oder von der "Vokalmitte" verkürzt wird. Durch dieses Verfahren wird eine weitere generalisierte Verwendung der Mikrosegmente ermöglicht. Dieselben Signalbausteine liefern die Grundelemente für lange und kurze Laute sowohl in betonten als auch in unbetonten Silben. Die Reduktionen in satzmäßig nicht akzentuierten Wörtern werden ebenfalls von denselben in satzakzentuierter Position aufgenommenen Mikrosegmenten abgeleitet.
Darüber hinaus kann die Intonation sprachlicher Äußerungen durch eine Grundfrequenzveränderung der periodischen Teile von Vokalen und Sonoranten erzeugt werden. Dies wird durch eine Grundfrequenzmanipulation im Zeitbereich am Mikrosegment durchgeführt, wobei kaum klangliche Einbußen entstehen. Der spektral informationswichtige Teil (1. Teil = Phase der geschlossenen Glottis) jeder Stimmperiode und der unwichtigere zweite Teil (= Phase der offenen Glottis) werden getrennt behandelt. Die erste Stimmperiode und die darin enthaltene, konstant zu haltende "geschlossene Phase" (1. Teil der Periode) wird markiert. Aufgrund der monotonen Sprechweise lassen sich alle anderen Perioden im Mikrosegment automatisch finden und damit die geschlossenen Phasen definieren. Bei der Signalausgabe werden die spektral unkritischen "offenen Phasen" zur Frequenzerhöhung proportional kürzer ausgegeben, was eine Verkürzung der Gesamtperioden bewirkt. Bei Frequenzsenknung wird die offene Phase proportional zum Senkungsgrad verlängert. Frequenzerhöhung und -Senkung werden über ein
Mikrosegment uniform durchgeführt. Die dadurch in Stufen verlaufende Intonation wird durch die natürliche "auditive Integration" des hörenden Menschen weitgehend geglättet. Prinzipiell ist es jedoch möglich, die Frequenzen auch innerhalb eines Mikrosegments zu verändern, bis hin zur Manipulation einzelner Perioden.
Nachfolgend wird die Aufnahme und Segmentation von Mikrosegmenten sowie die Sprachwiedergabe beschrieben.
Einzelwörter, die die entsprechenden Lautkombinationen beinhalten, werden von einer Person monoton und betont gesprochen. Diese real gesprochenen Äußerungen werden aufgenommen und digitalisiert. Aus diesen digitali- ierten Sprachäußerungen werden die Mikrosegmente herausgeschnitten. Die Schnittpunkte der konsonantischen Segmente werden so gewählt, daß der
Einfluß benachbarter Laute an den Mikrosegmentgrenzen minimiert wird und der Übergang zum nächsten Laut nicht mehr exakt wahrnehmbar ist. Die Vokalhälften werden aus der Umgebung von stimmhaften Plosiven geschnitten, wobei geräuschhafte Teile der Verschlußlösung eliminiert werden. Die quasi-stationären Vokalteile werden aus der Mitte von langen Lauten herausgetrennt.
Alle Segmente werden so aus dem digitalen Signal der sie enthaltenden Äußerung geschnitten, daß sie mit dem ersten Abtaεtwert nach dem ersten positiven
Nulldurchgang beginnen und mit dem letzten Abtastwert vor dem letzten positiven Nulldurchgang enden. Damit werden Knackgeräusche vermieden.
Das digitale Signal hat zur Begrenzung des Speicher¬ bedarfs beispielsweise eine Bandbreite von 8 bit und eine Abtastrate von 22 kHz.
Die so herausgetrennten Mikrosegmente werden entsprechend des Lauteε und deε Kontextes adressiert und in einem Speicher abgelegt.
Ein als Sprache auszugebender Text wird mit der ent- prechenden Adressenreihenfolge dem System zugeführt. Die Lautreihenfolge bestimmt dabei die Auswahl der Adressen. Entsprechend dieser Adressenreihenfolge werden die Mikrosegmente aus dem Speicher gelesen und aneinandergereiht. Diese digitale Zeitreihe wird in einem digital/analog-Wandler, beispielsweise in einer sogenannten Soundblaster-Karte, in ein analoges Signal umgewandelt, das über Sprachausgabevorrichtungen, beispielsweise einen Lautsprecher oder Kopfhörer, ausgegeben werden kann.
Das erfindungsgemäße Sprachsynthesesystem kann auf einem gewöhnlichen PC realisiert werden, wobei ein Arbeitsspeicher von etwa 4 MB ausreicht. Der mit dem System realisierbare Wortschatz ist praktisch unbegrenzt. Die Sprache ist dabei gut verständlich, wobei auch der Rechenaufwand für Abwandlungen der Mikrosegmente, beispielsweise Kürzungen oder GrundfrequenzVeränderungen, gering ist, da das Sprachsignal im Zeitbereich bearbeitet wird.

Claims

PATENTANS PRÜCHE
Digitales Sprachsyntheseverfahren, bei dem vorab Äußerungen einer Sprache aufgenommen, die aufgenom¬ menen Äußerungen in Sprachsegmente geteilt und die Segmente bestimmten Phonemen zuordbar abgespeichert werden, wobei dann jeweils ein als Sprache auszuge¬ bender Text in eine Phonemkette überführt wird und die abgespeicherten Segmente in einer durch diese Phonemkette definierten Reihenfolge aufeinander- folgend ausgegeben werden, wobei eine Analyse an dem als Sprache auszugebenden Text erfolgt und damit der Phonemkette ergänzende Informationen liefert, die das Zeitreihensignal der für die Sprachausgabe aneinanderzureihenden Sprachsegmente beeinflussen, dadurch gekennzeichnet, daß Mikro¬ segmente als Sprachsegmente verwendet werden, die bestehen aus:
-Segmenten für Vokalhälften und Halbvokalhälften, wobei Vokale, die zwischen Konsonanten stehen, in zwei Mikrosegmente, eine erste Vokalhälfte beginnend kurz hinter dem Vokalanfang bis zur Mitte des Vokals und eine zweite Vokalhälfte von der Vokalmitte bis kurz vor das Vokalende, geteilt sind, -Segmenten für quasi stationäre Vokalteile, die aus der Mitte eines Vokals herausgeschnitten werden,
-konsonantischen Segmenten, die kurz hinter der vorderen Lautgrenze beginnen und kurz vor der hinteren Lautgrenze enden, und -Segmenten für Vokal-Vokal-Folgen, die aus der
Mitte eines Vokal-Vokalübergangs herausgeschnitten werden.
2. Sprachsyntheseverfahren nach Anspruch l, dadurch gekennzeichnet, daß die Segmente für Vokalhälften und Halbvokalhälften in einer Konsonant-Vokal- oder Vokal-Konsonant-Folge für jede der Artikulations- stellen des benachbarten Konsonanten, nämlich labial, alveolar oder velar, gleich sind.
3. Sprachsyntheseverfahren nach Anspruch l oder 2, dadurch gekennzeichnet, daß die Segmente für quasi stationäre Vokalteile vorgesehen sind für Vokale an Wortanfängen und Vokal-Vokal-Folgen sowie für die Laute /h/, /j/ und GlottalVerschlüsse.
4. Sprachsyntheseverfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, daß die konsonantischen Segmente für Plosive in zwei Mikrosegmente geteilt sind, ein erstes Segment, das die Verschlußphase umfaßt, und ein zweites Segment, das die Lösungs- phase umfaßt.
5. Sprachsyntheseverfahren nach Anspruch 4, dadurch gekennzeichnet. daß die Verschlußphase für alle Plosive durch Aneinanderreihen von digitalen Nullen erreicht wird.
6. Sprachsyntheseverfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, daß die Lösungsphase der Plosive nach dem im Kontext folgenden Laut wie folgt differenziert werden;
Lösung zu Vokalen:
-vorderen, ungerundeten Vokalen;
-vorderen, gerundeten Vokalen;
-tiefen bzw. zentralisierten Vokalen und -hinteren, gerundeten Vokalen sowie Lösung zu Konsonanten gemäß der globalen Artikulationsstelle:
- labial
- alveolar und - velar.
7. Sprachsyntheεeverfahren nach Anεpruch 1, 2, 3, 4, 5 oder 6, dadurch gekennzeichnet, daß mit der Analyse Sprachpausen erkannt werden und die Phonemkette an diesen Stellen mit Pausesymbolen zu einer Symbol- kette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente an den Pausesymbolen digitale Nullen im Zeitreihensignal eingefügt werden.
8. Sprachsyntheseverfahren nach Anspruch 1, 2, 3, 4, 5, 6 oder 7, dadurch gekennzeichnet. daß mit der Analyse Phrasengrenzen erkannt werden und die
Phonemkette an diesen Stellen mit DehnungsSymbolen zu einer Symbolkette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente an den Markierungen eine Abspieldauerdehnung im Zeit- bereich erfolgt.
9. Sprachsyntheseverfahren nach Anspruch 1, 2, 3, 4,
5, 6, 7 oder 8, dadurch gekennzeichnet, daß mit der Analyse Betonungen erkannt werden und die Phonem¬ kette an diesen Stellen mit Betonungssymbolen für verschiedene Betonungswerte zu einer Symbolkette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente entsprechend dem Betonungssymbol das Zeitεignal ungekürzt oder gekürzt wiedergegeben wird.
10. Sprachsyntheseverfahren nach Anspruch 8 oder 9, dadurch gekennzeichnet, daß 5 Kürzungsstufen durch Markierungen am Zeitreihensignal der Mikrosegmente vorgesehen sind.
11. Sprachsyntheseverfahren nach Anspruch 8 und 10, dadurch gekennzeichnet, daß die Abspieldauerdehnung für phrasenfinale Silben bei geschlossenen Silben ab dem zweiten Mikrosegment deε Vokalε durch Erhöhen der Kürzungsstufe zur längeren Abspieldauer -um jeweils eine Stufe erfolgt und bei offenen Silben für das zweite Mikrosegment des Vokals durch Erhöhen der Kürzungsstufe zur längeren Abspieldauer um zwei Stufen erfolgt.
12. Sprachsyntheseverfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet. daß mit der Analyse Intonationen zugeordnet werden und die Phonemkette an diesen Stellen mit Intonationssymbolen zu einer Symbolkette ergänzt wird, wobei bei der Aneinanderreihung der Mikrosegmente an den Intonationssymbolen eine GrundfrequenzVeränderung bestimmter Teile der Perioden von Mikrosegmenten im Zeitbereich durchgeführt wird.
13. Sprachsyntheseverfahren nach Anspruch 12, dadurch gekennzeichne . daß zur Senkung der Grundfrequenz bestimmte Abtastwerte ergänzt oder zur Erhöhung der Grundfrequenz Abtastwerte in der offenen Phase der Schwingungsperiode der Stimmlippen übersprungen werden.
14. Sprachsyntheseverfahren nach Anspruch 8, 9, 10, 11, 12 oder 13, dadurch gekennzeichnet, daß die Symbol- 34
kette unter Berücksichtigung der Phonemreihenfolge und der Symbole in eine die Reihenfolge der Mikrosegmente und deren Abwandlungen repräsentierende Mikrosegmentkette überführt wird.
15. Sprachsyntheεeverfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß die Mikrosegmente mit dem ersten Abtastwert nach dem ersten positiven Nulldurchgang beginnen und mit dem letzten Abtastwert vor dem letzten positiven Nulldurchgang enden.
PCT/DE1997/000454 1996-03-14 1997-03-08 Auf mikrosegmenten basierendes sprachsyntheseverfahren WO1997034291A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP97917259A EP0886853B1 (de) 1996-03-14 1997-03-08 Auf mikrosegmenten basierendes sprachsyntheseverfahren
DE59700315T DE59700315D1 (de) 1996-03-14 1997-03-08 Auf mikrosegmenten basierendes sprachsyntheseverfahren
US09/142,728 US6308156B1 (en) 1996-03-14 1997-03-08 Microsegment-based speech-synthesis process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19610019.4 1996-03-14
DE19610019A DE19610019C2 (de) 1996-03-14 1996-03-14 Digitales Sprachsyntheseverfahren

Publications (1)

Publication Number Publication Date
WO1997034291A1 true WO1997034291A1 (de) 1997-09-18

Family

ID=7788258

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1997/000454 WO1997034291A1 (de) 1996-03-14 1997-03-08 Auf mikrosegmenten basierendes sprachsyntheseverfahren

Country Status (5)

Country Link
US (1) US6308156B1 (de)
EP (1) EP0886853B1 (de)
AT (1) ATE183010T1 (de)
DE (2) DE19610019C2 (de)
WO (1) WO1997034291A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001015138A1 (de) * 1999-08-23 2001-03-01 G Data Software Ag Digitales sprachsyntheseverfahren mit intonationsnachbildung
DE102013219828A1 (de) * 2013-09-30 2015-04-02 Continental Automotive Gmbh Verfahren zum Phonetisieren von textenthaltenden Datensätzen mit mehreren Datensatzteilen und sprachgesteuerte Benutzerschnittstelle

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19841683A1 (de) * 1998-09-11 2000-05-11 Hans Kull Vorrichtung und Verfahren zur digitalen Sprachbearbeitung
US6928404B1 (en) * 1999-03-17 2005-08-09 International Business Machines Corporation System and methods for acoustic and language modeling for automatic speech recognition with large vocabularies
US7369994B1 (en) * 1999-04-30 2008-05-06 At&T Corp. Methods and apparatus for rapid acoustic unit selection from a large speech corpus
US20030191625A1 (en) * 1999-11-05 2003-10-09 Gorin Allen Louis Method and system for creating a named entity language model
US7085720B1 (en) * 1999-11-05 2006-08-01 At & T Corp. Method for task classification using morphemes
US8392188B1 (en) 1999-11-05 2013-03-05 At&T Intellectual Property Ii, L.P. Method and system for building a phonotactic model for domain independent speech recognition
US7286984B1 (en) 1999-11-05 2007-10-23 At&T Corp. Method and system for automatically detecting morphemes in a task classification system using lattices
US7213027B1 (en) 2000-03-21 2007-05-01 Aol Llc System and method for the transformation and canonicalization of semantically structured data
JP2002221980A (ja) * 2001-01-25 2002-08-09 Oki Electric Ind Co Ltd テキスト音声変換装置
US20040030555A1 (en) * 2002-08-12 2004-02-12 Oregon Health & Science University System and method for concatenating acoustic contours for speech synthesis
US8768701B2 (en) * 2003-01-24 2014-07-01 Nuance Communications, Inc. Prosodic mimic method and apparatus
US7308407B2 (en) * 2003-03-03 2007-12-11 International Business Machines Corporation Method and system for generating natural sounding concatenative synthetic speech
JP2005031259A (ja) * 2003-07-09 2005-02-03 Canon Inc 自然言語処理方法
US20050125236A1 (en) * 2003-12-08 2005-06-09 International Business Machines Corporation Automatic capture of intonation cues in audio segments for speech applications
JP4265501B2 (ja) * 2004-07-15 2009-05-20 ヤマハ株式会社 音声合成装置およびプログラム
DE102005002474A1 (de) 2005-01-19 2006-07-27 Obstfelder, Sigrid Handy und Verfahren zur Spracheingabe in ein solches sowie Spracheingabebaustein und Verfahren zur Spracheingabe in einen solchen
US8924212B1 (en) * 2005-08-26 2014-12-30 At&T Intellectual Property Ii, L.P. System and method for robust access and entry to large structured data using voice form-filling
JP2008225254A (ja) * 2007-03-14 2008-09-25 Canon Inc 音声合成装置及び方法並びにプログラム
JP5119700B2 (ja) * 2007-03-20 2013-01-16 富士通株式会社 韻律修正装置、韻律修正方法、および、韻律修正プログラム
US7953600B2 (en) * 2007-04-24 2011-05-31 Novaspeech Llc System and method for hybrid speech synthesis
WO2008142836A1 (ja) * 2007-05-14 2008-11-27 Panasonic Corporation 声質変換装置および声質変換方法
CN101312038B (zh) * 2007-05-25 2012-01-04 纽昂斯通讯公司 用于合成语音的方法
US8321222B2 (en) * 2007-08-14 2012-11-27 Nuance Communications, Inc. Synthesis by generation and concatenation of multi-form segments
JP6047922B2 (ja) 2011-06-01 2016-12-21 ヤマハ株式会社 音声合成装置および音声合成方法
JP5914996B2 (ja) * 2011-06-07 2016-05-11 ヤマハ株式会社 音声合成装置およびプログラム
US9368104B2 (en) 2012-04-30 2016-06-14 Src, Inc. System and method for synthesizing human speech using multiple speakers and context
PL401371A1 (pl) * 2012-10-26 2014-04-28 Ivona Software Spółka Z Ograniczoną Odpowiedzialnością Opracowanie głosu dla zautomatyzowanej zamiany tekstu na mowę
PL401372A1 (pl) * 2012-10-26 2014-04-28 Ivona Software Spółka Z Ograniczoną Odpowiedzialnością Hybrydowa kompresja danych głosowych w systemach zamiany tekstu na mowę
JP2015014665A (ja) * 2013-07-04 2015-01-22 セイコーエプソン株式会社 音声認識装置及び方法、並びに、半導体集積回路装置
RU2692051C1 (ru) 2017-12-29 2019-06-19 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для синтеза речи из текста
FR3087566B1 (fr) * 2018-10-18 2021-07-30 A I O Dispositif de suivi des mouvements et/ou des efforts d’une personne, methode d’apprentissage dudit dispositif et procede d’analyse des mouvements et/ou des efforts d’une personne
US11302300B2 (en) * 2019-11-19 2022-04-12 Applications Technology (Apptek), Llc Method and apparatus for forced duration in neural speech synthesis

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0144731A2 (de) * 1983-11-01 1985-06-19 Nec Corporation Sprachsynthesizer
WO1985004747A1 (en) * 1984-04-10 1985-10-24 First Byte Real-time text-to-speech conversion system
WO1994017519A1 (en) * 1993-01-30 1994-08-04 Korea Telecommunication Authority Speech synthesis and recognition system

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BG24190A1 (en) * 1976-09-08 1978-01-10 Antonov Method of synthesis of speech and device for effecting same
JPS5919358B2 (ja) * 1978-12-11 1984-05-04 株式会社日立製作所 音声内容伝送方式
DE69028072T2 (de) * 1989-11-06 1997-01-09 Canon Kk Verfahren und Einrichtung zur Sprachsynthese
KR940002854B1 (ko) * 1991-11-06 1994-04-04 한국전기통신공사 음성 합성시스팀의 음성단편 코딩 및 그의 피치조절 방법과 그의 유성음 합성장치
JP3083640B2 (ja) * 1992-05-28 2000-09-04 株式会社東芝 音声合成方法および装置
US5878396A (en) * 1993-01-21 1999-03-02 Apple Computer, Inc. Method and apparatus for synthetic speech in facial animation
JP3085631B2 (ja) * 1994-10-19 2000-09-11 日本アイ・ビー・エム株式会社 音声合成方法及びシステム
US5864812A (en) * 1994-12-06 1999-01-26 Matsushita Electric Industrial Co., Ltd. Speech synthesizing method and apparatus for combining natural speech segments and synthesized speech segments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0144731A2 (de) * 1983-11-01 1985-06-19 Nec Corporation Sprachsynthesizer
WO1985004747A1 (en) * 1984-04-10 1985-10-24 First Byte Real-time text-to-speech conversion system
WO1994017519A1 (en) * 1993-01-30 1994-08-04 Korea Telecommunication Authority Speech synthesis and recognition system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EL-IMAM Y A: "AN UNRESTRICTED VOCABULARY ARABIC SPEECH SYNTHESIS SYSTEM", IEEE TRANSACTIONS ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING, vol. 37, no. 12, 1 December 1989 (1989-12-01), pages 1829 - 1845, XP000099485 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001015138A1 (de) * 1999-08-23 2001-03-01 G Data Software Ag Digitales sprachsyntheseverfahren mit intonationsnachbildung
DE19939947A1 (de) * 1999-08-23 2001-03-08 Data Software Gmbh G Sprachsyntheseverfahren mit Intonationsnachbildung
DE19939947C2 (de) * 1999-08-23 2002-01-24 Data Software Ag G Digitales Sprachsyntheseverfahren mit Intonationsnachbildung
DE102013219828A1 (de) * 2013-09-30 2015-04-02 Continental Automotive Gmbh Verfahren zum Phonetisieren von textenthaltenden Datensätzen mit mehreren Datensatzteilen und sprachgesteuerte Benutzerschnittstelle
DE102013219828B4 (de) 2013-09-30 2019-05-02 Continental Automotive Gmbh Verfahren zum Phonetisieren von textenthaltenden Datensätzen mit mehreren Datensatzteilen und sprachgesteuerte Benutzerschnittstelle

Also Published As

Publication number Publication date
EP0886853B1 (de) 1999-08-04
DE59700315D1 (de) 1999-09-09
US6308156B1 (en) 2001-10-23
DE19610019A1 (de) 1997-09-18
ATE183010T1 (de) 1999-08-15
EP0886853A1 (de) 1998-12-30
DE19610019C2 (de) 1999-10-28

Similar Documents

Publication Publication Date Title
EP0886853B1 (de) Auf mikrosegmenten basierendes sprachsyntheseverfahren
DE69028072T2 (de) Verfahren und Einrichtung zur Sprachsynthese
Flanagan et al. Synthetic voices for computers
DE69506037T2 (de) Audioausgabeeinheit und Methode
Gårding A generative model of intonation
DE69909716T2 (de) Formant Sprachsynthetisierer unter Verwendung von Verkettung von Halbsilben mit unabhängiger Überblendung im Filterkoeffizienten- und Quellenbereich
DE60112512T2 (de) Kodierung von Ausdruck in Sprachsynthese
DE69821673T2 (de) Verfahren und Vorrichtung zum Editieren synthetischer Sprachnachrichten, sowie Speichermittel mit dem Verfahren
US20030093277A1 (en) Method and apparatus for improved duration modeling of phonemes
WO2000011647A1 (de) Verfahren und vorrichtungen zur koartikulationsgerechten konkatenation von audiosegmenten
Deterding Phonetics and phonology
EP0058130B1 (de) Verfahren zur Synthese von Sprache mit unbegrenztem Wortschatz und Schaltungsanordnung zur Durchführung des Verfahrens
EP1110203B1 (de) Vorrichtung und verfahren zur digitalen sprachbearbeitung
Ramasubramanian et al. Synthesis by rule of some retroflex speech sounds
US6829577B1 (en) Generating non-stationary additive noise for addition to synthesized speech
KR101029493B1 (ko) 음성 신호 합성 방법, 컴퓨터 판독가능 저장 매체 및 컴퓨터 시스템
JPH0580791A (ja) 音声規則合成装置および方法
DE19939947C2 (de) Digitales Sprachsyntheseverfahren mit Intonationsnachbildung
JP3267659B2 (ja) 日本語音声合成方法
Nooteboom et al. Speech synthesis by rule; Why, what and how?
Evgrafova The Quality Evaluation of Allophone Database for English Concatenative Speech Synthesis
JPS63174100A (ja) 音声規則合成方式
Zhu et al. A New Chinese Speech Synthesis Method Apply in Chinese Poetry Learning
JPH0519780A (ja) 音声規則合成装置および方法
JPH0439698A (ja) 音声合成装置

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): CA US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1997917259

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 09142728

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 1997917259

Country of ref document: EP

WWG Wipo information: grant in national office

Ref document number: 1997917259

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: CA