Intellektual tizimlar

2.7. Avtomaticheskiy kompyuternыy sintez rechi po tekstu

2.7.1. Metodы sinteza rechi. Teper, posle optimisticheskogo opisaniya blijayshego buduщyego, davayte obratimsya sobstvenno k texnologii sinteza rechi. Rassmotrim kakoy-nibud xotya bы minimalno osmыslennыy tekst. Tekst sostoit iz slov, razdelennыx probelami i znakami prepinaniya. Proizneseniye slov zavisit ot ix raspolojeniya v predlojenii, a intonasiya frazы - ot znakov prepinaniya. Boleye togo, dovolno chasto i ot tipa primenyayemoy grammaticheskoy konstruksii: v ryade sluchayev pri proiznesenii teksta slыshitsya yavnaya pauza, xotya kakiye-libo znaki prepinaniya otsutstvuyut. Nakones, proizneseniye zavisit i ot smыsla slova! Sravnite, naprimer, vыbor odnogo iz variantov "za 'mok" ili " zamo 'k" dlya odnogo i togo je slova "zamok".

Uje startovыy analiz problemы pokazыvayet yeye slojnost. I v samom dele, na etu temu napisanы desyatki monografiy, i ogromnoye kolichestvo publikasiy osuщyestvlyayetsya yejemesyachn. Poetomu mы zdes kosnemsya tolko samыx obщix, naiboleye vajnыx dlya ponimaniya momentov.
2.7.2. Obobщyennaya funksionalnaya struktura sintezatora. Struktura idealizirovannoy sistemы avtomaticheskogo sinteza rechi sostoit iz neskolkix blokov.
-Opredeleniye yazыka teksta
-Normalizasiya teksta
-Lingvisticheskiy analiz:sintaksicheskiy,morfemnыy analiz i t.d.
-Formirovaniye prosoidicheskix xarakteristik
-Fonemnыy transkriptor
-Formirovaniye upravlyayuщyey informasii
-Polucheniye zvukovogo signala
Ona ne opisыvayet ni odnu iz suщyestvuyuщix realno sistem, no soderjit komponentы, kotorыye mojno obnarujit vo mnogix sistemax. Avtorы konkretnыx sistem, nezavisimo ot togo, yavlyayutsya li eti sistemы uje kommercheskim produktom ili yeщye naxodyatsya v stadii issledovatelskoy razrabotki, udelyayut razlichnoye vnimaniye otdelnыm blokam i realizuyut ix ochen po-raznomu, v sootvetstvii s prakticheskimi trebovaniyami.
2.7.3. Modul lingvisticheskoy obrabotki. Prejde vsego, tekst, podlejaщiy prochteniyu, postupayet v modul lingvisticheskoy obrabotki. V nem proizvoditsya opredeleniye yazыka (v mnogoyazыchnoy sisteme sinteza), a takje otfiltrovыvayutsya ne podlejaщiye proizneseniyu simvolы. V nekotorыx sluchayax ispolzuyutsya spelchekerы (moduli ispravleniya orfograficheskix i punktuasionnыx oshibok). Zatem proisxodit normalizasiya teksta, to yest osuщyestvlyayetsya razdeleniye vvedennogo teksta na slova i ostalnыye posledovatelnosti simvolov. K simvolam otnosyatsya, v chastnosti, znaki prepinaniya i simvolы nachala abzasa. Vse znaki punktuasii ochen informativnы.Dlya ozvuchivaniya sifr razrabatыvayutsya spesialnыye podbloki. Preobrazovaniye sifr v posledovatelnosti slov yavlyayetsya otnositelno legkoy zadachey (yesli chitat sifrы kak sifrы, a ne kak chisla, kotorыye doljnы bыt pravilno oformlenы grammaticheski), no sifrы, imeyuщiye raznoye znacheniye i funksiyu, proiznosyatsya po-raznomu. Dlya mnogix yazыkov mojno govorit, naprimer, o suщyestvovanii otdelnoy proiznositelnoy podsistemы telefonnыx nomerov. Pristalnoye vnimaniye nujno udelit pravilnoy identifikasii i ozvuchivaniyu sifr, oboznachayuщix chisla mesyasa, godы, vremya, telefonnыye nomera, denejnыye summы i t. d. (spisok dlya razlichnыx yazыkov mojet bыt raznыm).
2.7.4. Lingvisticheskiy analiz. Posle prosedurы normalizasii kajdomu slovu teksta (kajdoy slovoforme) neobxodimo pripisat svedeniya o yego proiznoshenii, to yest prevratit v sepochku fonem ili, inache govorya, sozdat yego fonemnuyu transkripsiyu. Vo mnogix yazыkax, v tom chisle i v russkom, suщyestvuyut dostatochno regulyarnыye pravila chteniya -pravila sootvetstviya mejdu bukvami i fonemami (zvukami), kotorыye, odnako, mogut trebovat predvaritelnoy rasstanovki slovesnыx udareniy. V angliyskom yazыke pravila chteniya ochen neregulyarnы, i zadacha dannogo bloka dlya angliyskogo sinteza tem samыm uslojnyayetsya. V lyubom sluchaye pri opredelenii proiznosheniya imen sobstvennыx, zaimstvovaniy, novыx slov, sokraщyeniy i abbreviatur voznikayut seryeznыye problemы. Prosto xranit transkripsiyu dlya vsex slov yazыka ne predstavlyayetsya vozmojnыm iz-za bolshogo obyema slovarya i kontekstnыx izmeneniy proiznosheniya odnogo i togo je slova vo fraze.
Krome togo, sleduyet korrektno rassmatrivat sluchai graficheskoy omonimii: odna i ta je posledovatelnost bukvennыx simvolov v razlichnыx kontekstax poroy predstavlyayet dva razlichnыx slova/slovoformы i chitayetsya po-raznomu (sr. vыshe privedennыy primer slova "zamok"). Chasto udayetsya reshit problemu neodnoznachnosti takogo roda putem grammaticheskogo analiza, odnako inogda pomogayet tolko ispolzovaniye boleye shirokoy semanticheskoy informasii.
Dlya yazыkov s dostatochno regulyarnыmi pravilami chteniya odnim iz produktivnыx podxodov k perevodu slov v fonemы yavlyayetsya sistema kontekstnыx pravil, perevodyaщix kajduyu bukvu/bukvosochetaniye v tu ili inuyu fonemu, to yest avtomaticheskiy fonemnыy transkriptor. Odnako chem bolshe v yazыke isklyucheniy iz pravil chteniya, tem xuje rabotayet etot metod. Standartnыy sposob uluchsheniya proiznosheniya sistemы sostoit v zanesenii neskolkix tыsyach naiboleye upotrebitelnыx isklyucheniy v slovar. Alternativnoye podxodu "slovo-bukva-fonema" resheniye predpolagayet morfemnыy analiz slova i perevod v fonemы morfov (to yest znachimыx chastey slova: pristavok, korney, suffiksov i okonchaniy). Odnako v svyazi s raznыmi pogranichnыmi yavleniyami na stыkax morfov razlojeniye na eti elementы predstavlyayet soboy znachitelnыye trudnosti. V to je vremya dlya yazыkov s bogatoy morfologiyey, naprimer, dlya russkogo, slovar morfov bыl bы kompaktneye. Morfemnыy analiz udoben yeщye i potomu, chto s yego pomoщyu mojno opredelyat prinadlejnost slov k chastyam rechi, chto ochen vajno dlya grammaticheskogo analiza teksta i zadaniya yego prosodicheskix xarakteristik. V angliyskix sistemax sinteza morfemnыy analiz bыl realizovan v sisteme MITa1k, dlya kotoroy prosent oshibok transkriptora sostavlyayet 5%.
Osobuyu problemu dlya dannogo etapa obrabotki teksta obrazuyut imena sobstvennыye.
2.7.5. Formirovaniye prosodicheskix xarakteristik. K prosodicheskim xarakteristikam vыskazыvaniya otnosyatsya yego tonalnыye, aksentnыye i ritmicheskiye xarakteristiki. Ix fizicheskimi analogami yavlyayutsya chastota osnovnogo tona, energiya i dlitelnost. V rechi prosodicheskiye xarakteristiki vыskazыvaniya opredelyayutsya ne tolko sostavlyayuщimi yego slovami, no takje tem, kakoye znacheniye ono neset i dlya kakogo slushatelya prednaznacheno, emosionalnыm i fizicheskim sostoyaniyem govoryaщyego i mnogimi drugimi faktorami. Mnogiye iz etix faktorov soxranyayut svoyu znachimost i pri chtenii vslux, poskolku chelovek obыchno interpretiruyet i vosprinimayet tekst v prosesse chteniya. Takim obrazom, ot sistemы sinteza sleduyet ojidat primerno togo je, to yest, chto ona smojet ponimat imeyuщiysya u neye na vxode tekst, ispolzuya metodы iskusstvennogo intellekta. Odnako etot uroven razvitiya kompyuternoy texnologii yeщye ne dostignut, i bolshinstvo sovremennыx sistem avtomaticheskogo sinteza starayutsya korrektno sintezirovat rech s emosionalno neytralnoy intonasiyey. Mejdu tem, daje eta zadacha na segodnyashniy den predstavlyayetsya ochen slojnoy.
Formirovaniye prosodicheskix xarakteristik, neobxodimыx dlya ozvuchivaniya teksta, osuщyestvlyayetsya tremya osnovnыmi blokami, a imenno: blokom rasstanovki sintagmaticheskix granis (pauzы), blokom pripisыvaniya ritmicheskix i aksentnыx xarakteristik (dlitelnosti i energiya), blokom pripisыvaniya tonalnыx xarakteristik (chastota osnovnogo tona). Pri rasstanovke sintagmaticheskix granis opredelyayutsya chasti vыskazыvaniya (sintagmы), vnutri kotorыx energeticheskiye i tonalnыye xarakteristiki vedut sebya yedinoobrazno i kotorыye chelovek mojet proiznesti na odnom dыxanii. Yesli sistema ne delayet pauz na granisax takix yedinis, to voznikayet otrisatelnыy effekt: slushayuщyemu kajetsya, chto govoryaщiy (v dannom sluchaye - sistema) zadыxayetsya. Pomimo etogo, rasstanovka sintagmaticheskix granis suщyestvenna i dlya fonemnoy transkripsii teksta. Samoye prostoye resheniye sostoit v tom, chtobы stavit granisы tam, gde ix diktuyet punktuasiya. Dlya naiboleye prostыx sluchayev, kogda punktuasionnыye znaki otsutstvuyut, mojno primenit metod, osnovannыy na ispolzovanii slujebnыx slov. Imenno eti metodы ispolzuyutsya v sistemax sinteza Rgo-Sye-2000, Infovox- 5A-101 i DYeSTaLk, prichem v posledney prosodicheski oriyentirovannыy slovar, pomimo slujebnыx slov, vklyuchayet yeщye i glagolnыye formы.
Zadacha pripisыvaniya tonalnыx xarakteristik obыchno stavitsya dostatochno uzko. V sistemax sinteza rechi predlojeniyu, kak pravilo, pripisыvayetsya neytralnaya intonasiya. Ne predprinimalos popыtok modelirovat effektы boleye vыsokogo urovnya, takiye, kak emosionalnaya okraska rechi, poskolku etu informasiyu izvlech iz teksta trudno, a chasto i prosto nevozmojno.

2.8. Cintezator russkoy rechi. V kachestve primera rassmotrim razrabotku "Govoryaщaya mыsh" kluba golosovыx texnologiy nauchnogo parka MGU. (Izvestno, chto v nekotorыx rossiyskix organizasiyax i kompaniyax vedutsya analogichnыye razrabotki, odnako podrobnыx svedeniy v pechati obnarujit ne udalos.

V osnove rechevogo sinteza lejit ideya sovmeщyeniya metodov konkatenasii i sinteza po pravilam. Metod konkatenasii pri adekvatnom nabore bazovыx elementov kompilyasii obespechivayet kachestvennoye vosproizvedeniye spektralnыx xarakteristik rechevogo signala, a nabor pravil - vozmojnost formirovaniya yestestvennogo intonasionno-prosodicheskogo oformleniya vыskazыvaniy. Suщyestvuyut i drugiye metodы sinteza, mojet bыt, v perspektive boleye gibkiye, no dayuщiye poka meneye yestestvennoye ozvuchivaniye teksta. Eto, prejde vsego, parametricheskiy (formantnыy) sintez rechi po pravilam ili na osnove kompilyasii, razvivayemыy dlya ryada yazыkov zarubejnыmi issledovatelyami. Odnako dlya realizasii etogo metoda neobxodimы statisticheski predstavitelnыye akustiko-foneticheskiye bazы dannыx i sootvetstvuyuщaya kompyuternaya texnologiya, kotorыye poka dostupnы ne vsem.
2.8.1. Yazыk formalnoy zapisi pravil sinteza. Dlya sozdaniya udobnogo i bыstrogo rejima izmeneniya i verifikasii pravil, vklyuchennыx v raznыye bloki sinteziruyuщyey sistemы, bыl razrabotan formalizovannыy i v to je vremya soderjatelno prozrachnыy i ponyatnыy yazыk zapisi pravil, kotorыy legko kompiliruyetsya v isxodnыye tekstы programm. V nastoyaщyeye vremya blok avtomaticheskogo transkriptora naschitыvayet okolo 1000 strok, zapisannыx na formalizovannom yazыke predstavleniya pravil.
2.8.2. Intonasionnoye obespecheniye. Funksiya razrabotannыx pravil sostoit v tom, chtobы opredelit vremennыye i tonalnыye xarakteristiki bazovыx elementov kompilyasii, kotorыye pri obrabotke sintagmы vыbirayutsya iz biblioteki v nujnoy posledovatelnosti spesialnыm prosessorom (blokom kodirovki). Neobxodimыye dlya etogo predvaritelnыye operasii nad sinteziruyemыm tekstom: vыdeleniye sintagm, vыbor tipa intonasii, opredeleniye stepeni vыdelennosti (udarnosti-bezudarnosti) glasnыx i simvolnogo zvukovogo napolneniya slogovыx kompleksov osuщyestvlyayutsya blokom avtomaticheskogo transkriptora.
Vo vremennoy prosessor vxodyat takje pravila, zadayuщiye dlitelnost pauzы posle okonchaniya sintagmы (konechnoy/nekonechnoy), kotorыye neobxodimы dlya sinteza svyaznogo teksta. Predusmotrena takje modifikasiya obщyego tempa proizneseniya sintagmы i teksta v selom, prichem v dvux variantax: v standartnom - pri ravnomernom izmenenii vsex yedinis kompilyasii - i v spesialnom, dayuщyem vozmojnost izmeneniya dlitelnosti tolko glasnыx ili tolko soglasnыx.
Tonalnыy prosessor soderjit pravila formirovaniya dlya odinnadsati intonasionnыx modeley: neytralnaya povestvovatelnaya intonasiya (tochka), tochkovaya intonasiya, tipichnaya dlya fokusiruyemыx otvetov na voprosы; intonasiya predlojeniy s kontrastivnыm vыdeleniyem otdelnыx slov; intonasiya spesialnogo i obщyego voprosa; intonasiya osobыx protivopostavitelnыx ili sopostavitelnыx voprosov; intonasiya obraщyeniy, nekotorыx tipov vosklisaniy i komand; dva vida nezavershennosti, perechislitelnaya intonasiya; intonasiya vstavochnыx konstruksiy.
2.8.3. Allofonnaya baza dannыx. Neobxodimыy rechevoy material bыl zapisan v sleduyuщyem rejime osifrovki: chastota diskretizasii 22 kGs s razryadnostyu 16 bit.
V kachestve bazovыx elementov kompilyasii vыbranы allofonы, optimalnыy nabor kotorыx i predstavlyayet soboy akustiko-foneticheskuyu bazu sinteza. Inventar bazovыx yedinis kompilyasii vklyuchayet v sebya 1200 elementov, kotorыy zanimayet okolo 7 Mbayt pamyati. V bolshinstve sluchayev elementы kompilyasii predstavlyayut soboy segmentы rechevoy volnы fonemnoy razmernosti. Dlya polucheniya neobxodimoy isxodnoy bazы yedinis kompilyasii bыl sostavlen spesialnыy slovar,kotorыy soderjit slova i slovosochetaniya s allofonami vo vsex uchitыvayemыx kontekstax. V nem soderjitsya 1130 slovoupotrebleniy.
2.8.4. Lingvisticheskiy analiz. Na osnove dannыx, poluchennыx ot ostalnыx moduley sinteza rechi i ot allofonnoy bazы, programma formirovaniya akusticheskogo signala pozvolyayet osuщyestvlyat modifikasiyu dlitelnosti soglasnыx i glasnыx. Ona dayet vozmojnost modifisirovat dlitelnost otdelnыx periodov na vokalnыx zvukax, ispolzuya dve ili tri tochki tonirovaniya na allofonnom segmente, osuщyestvlyayet modifikasiyu energeticheskix xarakteristik segmenta i soyedinyayet modifisirovannыye allofonы v yedinuyu slitnuyu rech.
Na etape sinteza akusticheskogo signala programma pozvolyayet poluchat raznoobraznыye akusticheskiye effektы - takiye kak reverberasiya, exo, izmeneniye chastotnoy okraski.
Gotovыy akusticheskiy signal preobrazuyetsya v format dannыx, prinyatыy dlya vыvoda zvukovoy informasii. Ispolzuyutsya dva formata: WAV (Waveform Audio File Format), yavlyayuщiysya odnim iz osnovnыx, ili VOX (Voice File Format), shiroko ispolzuyemыy v kompyuternoy telefonii. Vыvod takje mojet osuщyestvlyatsya neposredstvenno na zvukovuyu kartu.
2.8.5. Instrumentariy sinteza russkoy rechi. Upominavshiysya vыshe instrumentariy sinteza russkoy rechi po tekstu pozvolyayet chitat vslux smeshannыye russko-angliyskiye tekstы. Instrumentariy predstavlyayet soboy nabor dinamicheskix bibliotek (DLL), v kotorыy vxodyat moduli russkogo i angliyskogo sinteza, slovar udareniy russkogo yazыka, modul pravil proizneseniya angliyskix slov. Na vxod instrumentariya podayetsya slovo ili predlojeniye, podlejaщyeye proizneseniyu, s vыxoda postupayet zvukovoy fayl v formate WAV ili VOX, zapisыvayemыy v pamyat ili na jestkiy disk.

2.9. Cistema raspoznavaniya rechi. Sistema raspoznavaniya rechi sostoit iz dvux chastey.Eti chasti mogut bыt vыdelenы v bloki ili v podprogrammы.Dlya prostotы skajem, chto sistema raspoznavaniya rechi sostoit iz akusticheskoy i lingvisticheskoy chastey.Lingvisticheskaya chast mojet vklyuchat v sebya foneticheskuyu, fonologicheskuyu, morfologicheskuyu, sintaksicheskuyu i semanticheskuyu model yazыka.

Akusticheskaya model otvechayet za predstavleniye rechevogo signala.Lingvisticheskaya model interpretiruyet informasiyu,poluchayemuyu ot akusticheskoy modeli, i otvechayet za predstavleniye rezultata raspoznavaniya potrebitelyu.
2.9.1. Akusticheskaya model. Oba podxoda imeyut svoi dostoinstva i nedostatki.Pri razrabotke texnicheskix sisvыbor podxoda imeyet pervostepennoye znacheniye.temCuщyestvuyet dva podxoda k postroyenriyu akusticheskoy modeli:izobretatelskiy i bionicheskiy.Pervыy baziruyetsya na rezultatax poiska mexanizma funksionirovaniya akusticheskoy modeli.Pri vtorom podxode razrabotchik pыtayetsya ponyat i smodelirovat rabotu yestestvennыx sistem.
2.9.2. Lingvisticheskaya model. Lingvisticheskiy blok podrazdelyayetsya na sleduyuщiye yarusы (sloi, urovni); foneticheskiy, fonologicheskiy, morfologicheskiy, leksicheskiy,sintaksicheskiy, semanticheskiy.Vsego ix shest. Za osnovu vzyat russkiy yazыk. Vse yarusы sut apriornaya informasiya o strukture yestestvennogo yazыka, a, kak izvestno, lyubaya apriornaya informasiya ob interesuyuщyem predmete uvelichivayet shansы prinyatiya vernogo resheniya. Na tom stoit vsya statisticheskaya radiotexnika. A yestestvennыy yazыk neset vesma silno strukturirovannuyu informasiyu, iz chego, kstati, vыtekayet, chto dlya kajdogo yestestvennogo yazыka mojet potrebovatsya svoya unikalnaya lingvisticheskaya model (predviju trudnosti s rusifikasiyey slojnыx sistem raspoznavaniya rechi). V sootvetstvii s dannoy modelyu na pervom - foneticheskom- urovne proizvoditsya preobrazovaniye vxodnogo (dlya lingvisticheskogo bloka) predstavleniya rechi v posledovatelnost fonem, kak naimenshix yedinis yazыka. Schitayetsya, chto v realnom rechevom signale mojno obnarujit lish allofonы - variantы fonem, zavisyaщiye ot zvukovogo okrujeniya. No suti eto ne menyayet. Obratite vnimaniye, chto fonemы sotovariщi mogut perekochevat v lingvisticheskiy blok. Na sleduyuщyem - fonologicheskom - urovne nakladыvayutsya ogranicheniya na kombinatoriku fonem (allofonov). Ogranicheniye - eto pravilo naiznanku, znachit, opyat yest poleznaya apriornaya informasiya: ne vse sochetaniya fonem (allofonov) vstrechayutsya, a te, chto vstrechayutsya, imeyut razlichnuyu veroyatnost poyavleniya, zavisyaщuyu yeщye i ot okrujeniya. Dlya opisaniya etoy situasii ispolzuyetsya matematicheskiy apparat sepey Markova. Daleye, na morfologicheskom urovne operiruyut so slogopodobnыmi yedinisami rechi boleye vыsokogo urovnya, chem fonema. Inogda oni nazыvayutsya morfemami. Oni nakladыvayut ogranicheniye uje na strukturu slova, podchinyayas zakonomernostyam modeliruyemogo yestestvennogo yazыka. Leksicheskiy yarus oxvatыvayet slova i slovoformы togo ili inogo yestestvennogo yazыka, to yest slovar yazыka, tak je vnosya vajnuyu apriornuyu informasiyu o tom, kakiye slova vozmojnы dlya dannogo yestestvennogo yazыka. Semantika ustanavlivayet sootnosheniya mejdu obyektami deystvitelnosti i slovami, ix oboznachayuщimi. Ona yavlyayetsya vыsshim urovnem yazыka. Pri pomoщi semanticheskix otnosheniy intellekt cheloveka proizvodit kak bы sjatiye rechevogo soobщyeniya v sistemu obrazov, ponyatiy, predstavlyayuщix sut rechevogo soobщyeniya. Otsyuda sleduyet vыvod, chto sistema doljna bыt "umnoy". Chem luchshe u neye budet postroyena model semanticheskix svyazey, ekvivalenta "sistemы mыslennыx obrazov", tem bolshe veroyatnost pravilno raspoznat rech.