moglobi.ru Другие Правовые Компьютерные Экономические Астрономические Географические Про туризм Биологические Исторические Медицинские Математические Физические Философские Химические Литературные Бухгалтерские Спортивные Психологичексиедобавить свой файл
страница 1
Ошибки и дефекты синтезированной речи: типы, частотность и влияние на естественность звучания

Соломенник Анна Ивановна

Аспирантка Московского государственного университета имени М.В.Ломоносова, Москва, Россия
В работе делается попытка оценить, какие ошибки наиболее распространены в современных системах синтеза речи высокого качества и какие из них вызывают наибольшие проблемы при восприятии синтеированной речи, заставляя слушающих оценивать её как менее естественную.

Остановимся подробно на нескольких исследованиях, наиболее близких к рассматриваемой нами задаче. В работе Я. ван Сантена [van Santen: 241] описывается эксперимент по оценке синтезированной речи (на английском языке) с разграничением разных типов ошибок, приблизительно соответствующих отдельным компонентам синтезатора. При чтении коротких фраз основными оказались ошибки, связанные с акустическим блоком синтезатора, а именно: общее качество голоса и его прерывистость, наиболее редкими – ошибки лингвистической обработки озвучиваемого текста (неправильное произнесение, пропуск слов или букв, неправильное ударение и т. д.), промежуточное положение заняла категория «плохой ритм», отвечающая за длительности звуков. В работе [Русанова: 83–84] при оценке трёх русскоязычных синтезаторов максимальный вес по влиянию на оценку правильности и естественности синтезированной речи получили ошибки, связанные с неверной постановкой ударения в словах. Ошибки в расстановке пауз в предложении, интонационном выделении, темпе речи были отмечены экспертами только при прослушивании технического текста с более сложной структурой предложений. Более позднее исследование [Корсакова, Засыпкина: 92–98] для четырёх систем синтеза речи на русском и английском языках показало, что основными типами ошибок оказались: смещение ударения, выпадение звука, замена звука и неровная интонация, однако данные о влиянии различных типов ошибок на естественность речи в этой работе не приводятся. Различия в результатах указанных исследований может быть связано с тем, что эксперименты проводились с разными поколениями синтезаторов.

В настоящей работе для оценки качества и естественности русской синтезированной речи были выбраны два современных синтезатора последнего поколения (Ivona TTS и VitalVoice TTS), которые оказались наиболее контрастными по предварительной оценке качества лингвистической предобработки текста. Были выделены следующие категории возможных ошибок: (1) неверное ударение; (2) неверное произнесение (замена/выпадение/добавление лишнего звука); (3) неправильные паузы (отсутствие/лишние, слишком короткие/длинные); (4) плохой темп/ритм; (5) неровная/неверная интонация; (6) нарушения плавности речи: прерывистость, скачки, «бульканье», стук и т. п.; (7) общее качество голоса; (8) иное. В качестве тестового материала был использован фонетически представительный текст [Смирнова, Хитров: 5–10], включающий в себя описательную и диалоговую части, что позволило лучше оценить адекватность интонационного оформления синтезированной речи. Испытуемым было предложено оценить по пятибалльной шкале естественность звучания каждого предложения и при оценке ниже четырёх выбрать нужные категории ошибок. Краткие результаты эксперимента приводятся ниже в таблице:


Голос

1

2

3

4

5

6

7

8

Средн. оценка

Tatyana

10,8%

22,1%

4,2%

3,7%

42,1%

4,7%

15,1%

15,1%

3,9

Анна

1,8%

10,6%

6,6%

6,1%

41,4%

32,1%

17,1%

1,0%

4,1

Оба образца синтезированной речи (голоса) получили примерно одинаковую среднюю оценку естественности: 3,9 и 4,1 соответственно, но частотность ошибок разного типа для них различается. При этом можно выделить следующие закономерности, касающиеся влияния ошибок разного типа на общую оценку естественности звучания. Фразы, в которых большинством испытуемых были отмечены ошибки в ударении, не получили средней оценки больше 3,5; нарушения плавности речи – не более 3,9; неверное произнесение – не более 4,0; неверная интонация – не более 4,4 (но в то же время единственная ошибка в выборе интонации могла снизить среднюю оценку до 3,2). Наиболее частотными для обеих тестируемых систем оказались ошибки и дефекты в интонации, однако следует отметить, что эта группа явно неоднородна: некоторые интонационные ошибки резко снижают оценку естественности фразы, а другие на нее практически не влияют. Это, скорее всего, связано с тем, что неточности в интонации могут быть двух типов: неправильный выбор интонационного оформления фразы (например, повествовательная интонационная модель вместо вопроса) или дефекты, состоящие в несколько неестественном движении частоты основного тона. По всей видимости, эти интонационные неточности нужно оценивать отдельно. Ошибки других типов отмечались значительно реже и не более чем половиной испытуемых.



Из проведенного теста можно сделать вывод, что ошибки в интонационном оформлении синтезированной речи являются главной проблемой современных русскоязычных синтезаторов, что может быть связано с алгоритмом селективного синтеза речи, используемым в современных системах, когда из звукового корпуса выбираются звуковые элементы, не точно соответствующие требованиям к их физическим характеристикам. Также следует отметить, что синтезаторы отличаются по качеству лингвистической и акустической обработки, причём несколько больший вес имеют ошибки, связанные с неправильной постановкой словесного ударения и неверной транскрипцией.
Литература

Корсакова Н.С., Засыпкина К.А. Методика тестирования систем автоматического синтеза и распознавания речи в целях определения коммерческой целесообразности их использования // Речевые технологии. 2012. Вып. 3. С. 92–98.

Русанова О.А. Исследование и разработка методов анализа и оценки качества синтезированной устной речи. Дисс. на соиск. учен. степ. канд. техн. н. Красноярск, 2004.

Смирнова Н.С., Хитров М.В. Фонетически представительный текст для фундаментальных и прикладных исследований русской речи // Изв. вузов. Приборостроение. 2013. Вып. 2. С. 5–10.

van Santen J. Evaluation // Multilingual Text-to-Speech Synthesis: The Bell Labs Approach. Kluwer, Dordrecht, 1998. P. 229–244.
страница 1
скачать файл


Смотрите также: