Síntese de voz utilizando
avatares
GPVoz
Gabriel de Albuquerque
Styve Stallone
Roteiro
O que foi feito na área
Potenciais parceiros
Possíveis soluções para o problema
O que foi feito na área
DOXVOX desenvolvido na UFRJ, utiliza a síntese de
difones. Gratuito e Open Souce.



síntese de difones é baseada em concatenação de difones,
que são pequenas seqüências de áudio que amostram a
transição da metade de um fonema para a metade de outro.
O mecanismo utiliza-se de uma tabela onde são guardados
grafemas e seus respectivos fonemas. Palavras que fogem a
regra podem ser guardadas por inteiro.
Um dos sistemas de acessibilidade mais usados no país.
O que foi feito na area
UFRGS , desenvolveu o Spoltech




Buscava tornar o CSLU toolkit, desenvolvido no (CSLU), localizado
no Oregon Graduate Instítute funcional para o nosso português
brasileiro;
CSLU toolkit: " um sistema que torna possível a criação de sistemas
de processamento de fala de maneira simples, disponibilizando,
inclusive, uma ferramenta visual para concepção rápida e intuitiva
de aplicações de síntese e reconhecimento de fala.“
Buscou parceria com os desenvolvedores do CSLU toolkit;
Parceria gerou resultados, a síntese já opera em português e o
reconhecimento já atinge 98% de acerto ao reconhecer dígitos.
Potenciais parceiros
Na UFRGS, aluno está desenvolvendo um projeto de
leitor de livros com o sintetizador de voz Open Souce
eSpeek.
UFRJ criadora do DOXVOX
A UFRGS depois da parceria com a CSLU, reforçou a
necessidade de buscar parcerias com outras
instituições.
Possível solução
Módulos Text-To-Speech
O modulo TTS faz a transformação de texto para
fala. Atualmente existem muitos sintetizadores
disponíveis no mercado.
Podemos dividir o modulo TTS em 2 partes
A primeira parte pega o texto e transforma em uma
seqüências de fonemas (pode ser uma tabela de
associação), também faz a conversão de datas,
números e demais símbolos para fonemas.
A segunda parte que através da seqüência de
fonemas e parâmetros como intensidade e duração,
realiza a síntese da voz.
Texto
Pré-processamento
sintese
voz
Tabela de conversão grafema
– fonema (DOXVOX)
Módulos Extração do Fonema
O Modulo Extração de Fonemas é um reconhecedor de padrões, que
podemos dividir em também duas partes.
O modulo de extração de características que ao receber o arquivo de
áudio, captura as informações mais importantes para o
reconhecimento. EX: Taxa que o sinal cruza o eixo horizontal, distancia
entre picos.
O outro módulo é um módulo de comparação que irá usar um
algoritmo para comparar com padrões previamente treinados. ( Redes
Neurais, Quantização Vetorial, etc)
Deixaremos como próximo passo o estudo das técnicas de
reconhecimento de padrões.
Voz
Extração de Parametos
comparação
Fonema
Modulo TTS e Extração do
fonemas
Resumidamente o primeiro módulo realiza a
síntese, e o segundo modulo realiza um
reconhecimento.
Mais em todos os mecanismos de síntese já
está embutida a parte que faz a tradução de
grafemas para fonemas (tabelas de
conversão).
Podemos utilizar dessa tabela para obter os
fonemas resultantes sem precisar do segundo
modulo.
Modulo TTS e Extração do
fonemas
Módulos Interpretação do
Visema
O módulo interpretação faz a
associação de um fonema recebido pelo
modulo extração do fonema com o
visema correspondente no banco de
visemas.
Uma simplificação utilizada na pratica, é
fazer os visemas para representar
apenas sons de vogais.
Módulo Animação
O modulo de animação receberá os
visemas e sua intensidade e duração.
Visemas alem dos movimentos labias,
podem representar expressões. Ex:
surpresa
Para isso o texto precisa ser adaptado
para conter informações emocionais.