-
Die
vorliegende Erfindung bezieht sich auf das Gebiet der Sprachverarbeitung
und im Besonderen ohne Einschränkung
auf das Gebiet der Text/Sprache-Synthese.
-
Die
Funktion eines Text/Sprache (TTS)-Synthesesystems besteht darin,
Sprache von einem generischen Text in einer gegebenen Sprache zu
synthetisieren. Heutzutage werden TTS-Systeme in vielen Anwendungsbereichen
praktisch eingesetzt, beispielsweise für den Zugriff auf Datenbanken über das Telefonnetz
oder als Hilfe für
behinderte Personen. Ein Verfahren zum Synthetisieren von Sprache
besteht darin, Elemente eines aufgezeichneten Satzes von Sprachteileinheiten
wie Halbsilben oder Polyphone zu verketten. Die Mehrzahl erfolgreicher
handelsüblicher
Systeme verwendet die Verkettung von Polyphonen. Die Polyphone umfassen
Gruppen von zwei (Diphone), drei (Triphone) oder mehr Phonen und
können
aus Unsinnwörtern
ermittelt werden, indem die gewünschte
Gruppierung von Phonen in stabilen spektralen Bereichen segmentiert
wird. Bei einer Synthese auf der Basis der Verkettung ist die Erhaltung
des Übergangs
zwischen zwei benachbarten Phonen wesentlich für die Sicherstellung der Qualität der synthetisch
erzeugten Sprache. Durch die Wahl der Polyphone als grundlegende
Teileinheiten wird der Übergang
zwischen zwei benachbarten Phonen in den aufgezeichneten Teileinheiten
beibehalten, und die Verkettung erfolgt zwischen ähnlichen
Phonen. Vor der Synthese muss jedoch die Dauer und die Tonhöhe der Phone
verändert
werden, damit die prosodischen Einschränkungen der neuen, derartige Phone
enthaltenden Wörter
erfüllt
werden. Diese Verarbeitung ist erforderlich um zu vermeiden, dass die
synthetisch erzeugte Sprache monoton klingt. In einem TTS-System
wird diese Funktion durch ein prosodisches Modul ausgeführt. Damit
die Dauer und die Tonhöhe
in den aufgezeichneten Teileinheiten verändert werden kann, nutzen viele
auf Verkettung basierende TTS-Systeme das TD-PSOLA-Synthesemodell
(engl. time-domain pitch synchronous overlap-add, TD-PSOLA) (E.
Moulines und F. Charpentier, „Pitch
synchronous waveform processing techniques for text-to-speech synthesis
using diphones", erschienen
in Speech Commun., Band 9, S. 453–467, 1990). Bei dem TD-PSOLA-Modell wird das
Sprachsignal zuerst einem die Tonhöhe kennzeichnenden Algorithmus
unterzogen. Dieser Algorithmus ordnet den Spitzen des Signals in
stimmhaften Segmenten und 10 ms entfernt in den stimmlosen Segmenten
Marken zu. Die Synthese erfolgt durch Überlagerung von der Hanning-Fensterfunktion
unterzogenen Segmenten, die an den Tonhöhenmarken zentriert sind und
sich von der vorherigen Tonhöhenmarke
bis zur nächsten
erstrecken. Die Veränderung
der Dauer erfolgt durch Löschen
oder Replizieren einiger der gefensterten Segmente. Die Veränderung
der Tonhöhenperiode
erfolgt andererseits durch die Vergrößerung oder Reduzierung der Überlagerung
zwischen den gefensterten Segmenten.
-
Trotz
des in vielen handelsüblichen TTS-Systemen
erzielten Erfolgs kann die unter Einsatz des TD-PSOLA-Synthesemodells
erzeugte synthetische Sprache insbesondere bei starken prosodischen
Schwankungen einige, im Folgenden dargelegte Nachteile aufweisen.
-
Beispiele
für PSOLA-Verfahren
sind in den Dokumenten EP-0363233, US-Patent Nr. 5.479.564 und EP-0706170
dargelegt. Ein spezielles Beispiel ist auch das MBR-PSOLA-Verfahren,
wie es von T. Dutoit und H. Leich in Speech Communication, Elsevier
Publisher, November 1993, veröffentlicht
wurde. Das in der US-amerikanischen Patentschrift Nr. 5.479.564
beschriebene Verfahren schlägt
Mittel vor zum Verändern
der Frequenz eines Audiosignals mit konstanter Grundfrequenz durch
die Überlappung und
Addition von kurzzeitigen Signalen, die aus diesem Signal extrahiert
werden. Die Breite der Gewichtungsfenster, die zur Erzielung der
kurzzeitigen Signale eingesetzt werden, entspricht ungefähr der doppelten
Periode des Audiosignals, und ihre Position innerhalb der Periode
kann auf jeglichen Wert eingestellt werden (vorausgesetzt, dass
die Zeitverschiebung zwischen aufeinander folgenden Fenstern der Periode
des Audiosignals entspricht). In der US-amerikanischen Patentschrift
Nr. 5.479.564 werden auch Mittel zum Interpolieren von Signalformen
zwischen zu verkettenden Segmenten beschrieben, um Unstationärkeiten
zu glätten.
Derartige PSOLA-Verfahren ermöglichen
es, die Dauer eines gegebenen Sprachsignals zu verändern. Dies
kann durch Wiederholen oder Löschen
von glockenförmigen
Tonhöhenverläufen erfolgen,
bevor ein Vorgang des Überlappens
und Addierens für
die Sprachsynthese durchgeführt
wird. Die Informationen in einem glockenförmigen Tonhöhenverlauf sind nicht immer
für eine
Wiederholung geeignet, wie in einem Verschlusslaut. Ein geläufiger Nachteil
der PSOLA-Verfahren nach dem Stand der Technik besteht darin, dass
auf diese Weise Artefakte eingefügt
werden. Diese Artefakte können
zu einem metallischen Klang des synthetisch erzeugten Sprachsignals
führen
und sogar die Verständlichkeit des
synthetisch erzeugten Signals erheblich beeinträchtigen oder verhindern.
-
In
dem Dokument US-A-6.324.501 wird ein Verfahren zum Verändern eines
eindimensionalen Eingangssignals dargelegt. Bei Sprachsignalen und ähnlichen
eindimensionalen Signalen wird der Zeitmaßstab geändert, sie werden interpoliert
und/oder falls erforderlich geglättet
unter dem Einfluss eines Signals, das empfindlich für ein geringes
stationäres Verhalten
der Fenster des Signals ist, das verändert wird. Drei Maße für das stationäre Verhalten
werden dargelegt: eines, das auf der Zeitbereichsanalyse basiert,
eines, das auf der Frequenzbereichsanalyse basiert, und eines, das
sowohl auf der Zeit- als auch der Frequenzbereichsanalyse basiert.
-
In
dem Dokument US-A-6.208.960 ist ein Verfahren zum Entfernen von
Periodizität
aus einem langen Audiosignal dargelegt. Ein Eingangsaudiosignal
wird in eine Folge von sich überlappenden
oder benachbarten Signalsegmenten unterteilt. Ein langes Signal
wird synthetisiert, indem entsprechende Signalsegmente der Folge
von Segmenten systematisch erhalten oder wiederholt werden. Durch
die Wiederholung nicht periodischer Segmente, beispielsweise eines
stimmlosen Teils eines Sprachsignals oder Rauschen in Musik, ergeben
sich hörbare
Artefakte. Die eingeführte
Periodizität
wird unterbrochen, indem eine Signalsektion, die von einem nicht
periodischen Quellensignalsegment herrührt, in eine zweite Folge von
Signalsegmenten unterteilt wird, wobei mindestens eines der Signalsegmente
eine Dauer hat, die ungleich einer Dauer des Quellensignalsegmentes und
ungleich einem Vielfachen der Dauer des Quellensignalsegmentes ist.
Die Signalsegmente der zweiten Folge werden umgeordnet.
-
Der
vorliegenden Erfindung liegt die Aufgabe zugrunde, ein verbessertes
Verfahren zum Verarbeiten eines Sprachsignals zu schaffen. Die Erfindung ist
durch die unabhängigen
Ansprüche
1, 8 und 9 definiert. Abhängige
Ansprüche
beschreiben bevorzugte Ausführungsformen.
-
Die
vorliegende Erfindung schafft ein Verfahren, ein Computerprogrammprodukt
und ein Computersystem zum Verarbeiten eines Sprachsignals. Im Wesentlichen
ermöglicht
es die vorliegende Erfindung, ein natürlich klingendes synthetisiertes Sprachsignal
mit verbesserter Verständlichkeit
synthetisch zu erzeugen.
-
Diese
Aufgabe wird gelöst
durch das Klassifizieren gewisser in dem Originalsprachsignal enthaltener
Intervalle. Gemäß einem
bevorzugten Ausführungsbeispiel
der Erfindung werden in dem Originalsprachsignal „stationäre" und „dynamische" Intervalle gekennzeichnet.
Diese Klassifizierung braucht lediglich einmal durchgeführt zu werden.
-
Sie
wird dazu verwendet, ein Sprachsignal basierend auf dem Originalsprachsignal
mit einer geänderten
Dauer zu synthetisieren.
-
Die
vorliegende Erfindung basiert auf der Beobachtung, dass die Wiederholung
von glockenverlaufsförmigen
dynamischen Intervallen, wie es bei den PSOLA-Verfahren nach dem Stand der Technik erfolgt,
eine unbeabsichtigte Periodizität
einführt,
die zu Artefakten, wie beispielsweise einem metallisch klingenden
synthetisierten Signal, und dazu führt, dass es weniger oder gar
nicht verständlich
ist.
-
Gemäß der vorliegenden
Erfindung wird dieses Problem gelöst, indem die Verarbeitung
von Glockenverläufen
zum Zweck der Änderung
der Dauer auf Glockenverläufe
von stationären
Intervallen des Originalsprachsignals beschränkt wird. Mit anderen Worten: Änderungen
der Dauer werden nur an denjenigen Sprachintervallen vorgenommen,
die eine unterschiedliche Dauer haben können. Dies gilt für die Mitte
eines Vokals oder eines Konsonanten wie der Laut /s/. Es gibt jedoch
Fälle,
bei denen lokale Ereignisse auftreten, die kürzer als eine einzige Periode dauern.
Dies sind plötzliche
Veränderungen,
wie beispielsweise der Beginn eines stimmlosen Verschlusslautes
(/p/, /t/, /k/) oder die durch Zunge und Mund erzeugten Tick- und
Schnalzlaute (/b/, /d/, /g/, /l/, /m/, /n, usw.). Perioden, die
diese Ereignisse enthalten, sind wichtig für die Verständlichkeit und sollten bei
der Bearbeitung nicht weggelassen werden. Ihre Wiederholung stellt
auch ein Problem dar, da dadurch Artefakte eingefügt werden,
die unnatürlich klingen.
Auch die Perioden am Anfang eines Übergangs von einem stimmlosen
Laut zu einem Vokal haben lokale Merkmale, die nicht verlängert oder
verkürzt
werden sollten. Zur Verhinderung von Artefakten werden alle Perioden
mit einer speziellen Information zur Periodenklassenart gekennzeichnet.
Diese Informationen werden dazu verwendet zu ermitteln, ob eine
Periode wiederholt oder weggelassen werden kann. Somit werden Glockenverläufe, die durch
Fensterung von dynamischen Intervallen des Originalsprachsignals
erhalten werden, zur Änderung
der Dauer nicht wiederholt. Glockenverläufe, die von Intervallen erzielt
werden, die als dynamisch und wesentlich für die Verständlichkeit klassifiziert werden,
werden in dem synthetisierten Signal beibehalten, um die Verständlichkeit
aufrechtzuerhalten. Glockenverläufe,
die durch Fensterung von Intervallen des Originalsprachsignals erhalten
werden, die als dynamisch aber nicht wesentlich für die Verständlichkeit
klassifiziert werden, können
gelöscht
werden oder nicht, bevor der Vorgang des Überlappens und Addierens durchgeführt wird,
ohne dass die Qualität des
resultierenden synthetisierten Sprachsignals erheblich beeinträchtigt wird.
-
Die
vorliegende Erfindung findet bevorzugt Anwendung in Text/Sprache-Systemen, die eine
große
Anzahl von natürlichen
Sprachaufzeichnungen speichern, die im Prozess der Text/Sprache-Synthese
verändert
werden.
-
Gemäß einer
bevorzugten Ausführungsform der
Erfindung wird ein angehobenes Kosinusfenster für die Fensterung des Sprachsignals
eingesetzt. Vorzugsweise wird ein Sinusfenster für stationäre Intervalle eingesetzt, die
stimmlose Sprache enthalten. Die für derartige stationäre Intervalle
mit stimmloser Sprache erhaltenen Glockenverläufe werden randomisiert, um
jegliche unbeabsichtigte Periodizität zu entfernen, die in dem
Prozess der Änderung
der Dauer eingefügt
werden kann.
-
Bevorzugte
Ausführungsbeispiele
der Erfindung sind in den Zeichnungen dargestellt und werden im
Folgenden näher
beschrieben. Es zeigen:
-
1 einen
Ablaufplan eines bevorzugten Ausführungsbeispiels der vorliegenden
Erfindung;
-
2 die
Synthese eines Sprachsignals basierend auf einem Originalsprachsignal
gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
3 ein
Blockschaltbild eines Ausführungsbeispiels
eines erfindungsgemäßen Computersystems.
-
1 zeigt
einen Ablaufplan zur Erläuterung eines
bevorzugten Ausführungsbeispiels
des erfindungsgemäßen Verfahrens.
In Schritt 100 wird eine Aufzeichnung natürlicher
Sprache geschaffen. In Schritt 102 werden Intervalle in
der Aufzeichnung der natürlichen
Sprache gekennzeichnet und klassifiziert. Für die Klassifizierung der Sprachintervalle
wird in dem hier betrachteten Beispiel das folgende Klassifizierungssystem
verwendet:
- –
- Pause
- .
- stimmlose Periode
- v
- stimmhafte Periode
- p
- wesentliche dynamische
stimmlose Periode (sollte nur einmal verwendet werden)
- b
- wesentliche dynamische
stimmhafte Periode (sollte nur einma verwendet werden)
- q
- dynamische stimmlose
Periode (darf nur einmal verwendet werden)
- c
- dynamische stimmhafte
Periode (darf nur einmal verwendet werden).
-
Die
beiden grundlegenden Kategorien von Sprachintervallen sind „stationäre" und „dynamische" Sprachintervalle.
Ein Sprachintervall wird als „stationär" klassifiziert, wenn
es eine im Wesentlichen konstante Signalkennlinie für eine aufeinander
folgende Anzahl von mindestens zwei Perioden der Grundfrequenz des
natürlichen
Sprachsignals aufweist. Im Gegensatz dazu wird das Sprachintervall
der Originalsprachaufzeichnung als „dynamisch" klassifiziert, wenn seine Signalkennlinie
nur innerhalb einer Periode der Grundfrequenz auftritt.
-
In
dem hier betrachteten Klassifizierungssystem sind die Perioden '.' und 'v' stationäre Perioden. Die
Perioden 'p', 'b', 'q' und 'c' sind dynamische Perioden, die in der
nachfolgenden Verarbeitung anders behandelt werden.
-
In
Schritt 104 wird ein natürliches Sprachsignal gefenstert,
um Glockenverläufe
zu erzielen. Die Fensterung wird vorzugsweise mit Hilfe eines angehobenen
Kosinusfensters oder mit einem Sinusfenster für die Perioden '.' durchgeführt.
-
In
Schritt 106 werden die aus Perioden, die als 'stationär' klassifiziert werden,
erhaltenen Glockenverläufe
verarbeitet, um die Dauer des Sprachsignals zu verändern. Dies
kann durch Wiederholen oder Löschen
von Glockenverläufen
erfolgen, um die ursprüngliche
Dauer zu verlängern
bzw. zu verkürzen.
Aus Perioden, die als 'dynamisch' klassifiziert werden,
erhaltene Glockenverläufe
werden nicht wiederholt, um das Einfügen von Artefakten zu verhindern.
Aus Perioden, die als 'p' oder 'b' klassifiziert werden, erhaltene Glockenverläufe können nicht
gelöscht
werden, damit die Verständlichkeit
der Originalsignals erhalten bleibt. Aus Perioden, die als 'q' oder 'c' klassifiziert
werden, erhaltene Glockenverläufe
werden ebenfalls nicht wiederholt, können jedoch gelöscht werden,
ohne dass die Verständlichkeit
des resultierenden synthetischen Signals wesentlich beeinflusst
wird.
-
Vorzugsweise
werden Glockenverläufe
aus Perioden, die als '.' klassifiziert werden,
randomisiert, um die Einführung
von Periodizität
zu verhindern. Dies wird außerdem
unterstützt
durch den Einsatz eines Sinusfensters für die Fensterung derartiger
Perioden.
-
In
Schritt 108 werden die verarbeiteten Glockenverläufe zur
Erzeugung des synthetischen Signals überlappt und addiert.
-
2 zeigt
ein Beispiel für
die Verarbeitung eines natürlichen
Sprachsignals 200. Das natürliche Sprachsignal 200 weist
dynamische Intervalle 202, 204, 206, 208, 210 und 212 auf.
Das dynamische Intervall 202 enthält Perioden, die als 'b', 'c' klassifiziert werden.
Das dynamische Intervall 204 enthält Perioden, die als 'c', 'q' klassifiziert werden.
Das dynamische Intervall 206 enthält Perioden, die als 'q' klassifiziert werden. Das dynamische
Intervall 208 enthält Perioden,
die als 'q', 'c' und 'b' klassifiziert
werden. Das dynamische Intervall 210 enthält Perioden,
die als 'c', 'b' klassifiziert werden. Schließlich enthält das dynamische
Intervall 212 Perioden, die als 'c' und 'b' klassifiziert werden. Ferner enthält das natürliche Sprachsignal 200 stationäre Intervalle 214, 216, 218, 220, 222 und 224.
Das stationäre
Intervall 214 enthält Perioden,
die als 'v' klassifiziert werden,
das stationäre
Intervall 216 enthält
Perioden, die als '.' klassifiziert werden,
das stationäre
Intervall 218 enthält
Perioden, die als '.' klassifiziert werden,
das stationäre
Intervall 220 enthält
Perioden, die als 'v' klassifiziert werden,
das stationäre
Intervall 222 enthält
Perioden, die als 'v' klassifiziert werden,
und das stationäre Intervall 224 enthält Perioden,
die als 'v' klassifiziert werden.
Diese Klassifizierung kann entweder manuell oder automatisch mittels
eines geeigneten Signalanalyseprogramms durchgeführt werden. Vorzugsweise wird
eine automatische Analyse mit Hilfe eines derartigen Programms durchgeführt, das
dann von einem Fachmann gesteuert und, falls erforderlich, manuell
korrigiert wird. Es ist anzumerken, dass diese Klassifizierung nur
einmal durchgeführt
zu werden braucht, um eine unbegrenzte Anzahl von Signalsynthesen
zu ermöglichen.
-
Bei
dem hier betrachteten Beispiel ist ein Signal auf der Grundlage
des natürlichen
Sprachsignals 200 zu synthetisieren, das eine längere Dauer im
Vergleich zu dem Originalsprachsignal 200 aufweist. Zu
diesem Zweck wird das natürliche
Sprachsignal 200 mit Hilfe eines Fensters gefenstert, das synchron
zur Grundfrequenz des natürlichen
Sprachsignals 200 positioniert wird, wie es nach dem Stand der
Technik bekannt ist und in Verfahren des PSOLA-Typs eingesetzt wird.
-
Als
Fenster wird vorzugsweise ein angehobenes Kosinusfenster eingesetzt.
Für Perioden,
die als '.' klassifiziert werden,
wird ein Sinusfenster eingesetzt, um eine unbeabsichtigte Periodizität zu reduzieren,
die eventuell eingeführt
wird, wenn Glockenverläufe
des verrauschten Signalanteils wiederholt werden. Als weitere Maßnahme gegen
eine unbeabsichtigte Periodizität
werden die Glockenverläufe
für die
als '.' klassifizierten
Perioden randomisiert erfasst. Bei dem hier betrachteten Beispiel
wird das zu synthetisierende Signal folgendermaßen im Bereich der Zeitachse 226 zusammengesetzt:
Das
erste Intervall 228 des zu synthetisierenden Sprachsignals
enthält
die Glockenverläufe
von dem dynamischen Intervall 202. Diese Glockenverläufe werden
für das
Intervall 228 ohne Veränderung
verwendet, was impliziert, dass die Dauer des Intervalls 228 in
Hinblick auf das dynamische Intervall 202 unverändert ist.
Die Dauer des Intervalls 230 ist ungefähr das Doppelte der Dauer des
entsprechenden stationären
Intervalls 214. Dies wird durch Wiederholen jedes der für das stationäre Intervall 214 erfassten
Glockenverläufe
erreicht. Das Intervall 232 enthält die Glockenverläufe von
dem dynamischen Intervall 204. Die Dauer von 232 ist
unverändert
im Vergleich zu dem dynamischen Intervall 204. Das Intervall 234 besteht
aus Glockenverläufen,
die von dem stationären
Intervall 216 erfasst wurden. Wiederum wird jeder der in
dem stationären
Intervall 216 enthaltenen Glockenverläufe wiederholt, um die Dauer
dieses Intervalls zu verdoppeln. In gleicher Weise werden die folgenden
Intervalle 236, 238, 240, 242,... aus
den Intervallen 206, 218, 208, 220, 210, 222, 212, 242 erzielt.
Danach werden die Glockenverläufe im
Bereich der Zeitachse 226 überlappt, um das resultierende
synthetisierte Signal zu erhalten. Als Alternative können die
aus den als 'q' oder 'c' klassifizierten Perioden des natürlichen
Sprachsignals 200 erzielten Glockenverläufe gelöscht werden. Auf keinen Fall
werden die Glockenverläufe,
die aus als 'dynamisch' klassifizierten
Perioden des natürlichen Sprachsignals 200 erzielt
wurden, wiederholt. Auf diese Weise kann eine Änderung der Dauer durchgeführt werden,
ohne dass Artefakte eingefügt
werden, die sonst einen erheblichen Einfluss auf die Qualität und Verständlichkeit
des synthetisierten Signals hätten.
Bei dem hier betrachteten Beispiel wird 'p' verwendet,
um lokale (stimmlose) Ereignisse zu markieren, die wesentlich für die Verständlichkeit
der gesprochenen Äußerung sind.
Normalerweise gehört der
Rauschburst nach dem Ablassen von Luft durch den Mund oder die Zunge
zu diesem Typ. Die Phoneme /p/, /t/ und /k/ weisen mindestens eine
derartige Periode auf. Mit 'p' markierte Perioden
sollten unabhängig
von der endgültigen
Dauer der Phoneme nur einmal in der synthetischen Sprache auftauchen.
Einige lokale (stimmlose) Ereignisse sind für die Verständlichkeit nicht wesentlich,
jedoch so dynamisch, dass ihre Wiederholung eine Folge von unnatürlich klingenden
Perioden einfügen
würde.
Diese Perioden werden mit dem Buchstaben 'q' markiert.
Sie dürfen
nur einmal verwendet werden, können
jedoch auch weggelassen werden, ohne dass eine wesentliche Verschlechterung
der Qualität
oder der Verständlichkeit
die Folge wäre.
Die stimmhaften Gegenstücke
zu 'p' und 'q' sind die mit 'b' und 'c' gekennzeichneten Arten. Die stimmhaften
Verschlusslaute /b/, /d/ und /g/ weisen normalerweise mindestens
eine mit 'b' markierte Perio de
auf. Auch die Zunge kann Tick- und Schnalzlaute erzeugen, wenn sie
andere Teile des Mundes trifft oder sich von ihnen löst. Das
Phonem /l/ ist ein Beispiel, bei dem dies auftritt. Der Übergang
von einer Pause zu Vokalen oder von stimmlosen Konsonanten zu Vokalen
kann ebenfalls Perioden mit lokalen Ereignissen aufweisen. Die Perioden in
der Mitte eines Vokals können
zwar viele Male wiederholt werden, ohne dass die Natürlichkeit
beeinträchtigt
wird, die Perioden, die genau in die Mitte des Übergangs fallen, sind jedoch
zu dynamisch für
eine Wiederholung.
-
3 zeigt
ein Blockschaltbild eines Ausführungsbeispiels
eines erfindungsgemäßen Computersystems.
Das Computersystem ist vorzugsweise ein Text/Sprache-System, das die Prinzipien
der vorliegenden Erfindung verkörpert.
Das Computersystem
300 umfasst ein Modul
302,
das zum Speichern natürlicher
Sprachsignale dient. Das Modul
304 dient dazu, automatisch,
manuell oder interaktiv Perioden der in dem Modul
302 gespeicherten
natürlichen Sprachsignale
zu klassifizieren. Das Modul
306 dient dazu, die Fensterung
eines in dem Modul
302 gespeicherten natürlichen
Sprachsignals durchzuführen.
Auf diese Weise wird eine Anzahl von Glockenverläufen erzielt. Das Modul
308 dient
zur Verarbeitung der Glockenverläufe.
Die Verarbeitung von Glockenverläufen
zur Änderung
der Dauer wird nur an Glockenverläufen vorgenommen, die aus Intervallen erzielt
werden, die als stationär
klassifiziert werden. Zusätzlich
können
Glockenverläufe
aus dynamischen Intervallen, die als nicht wesentlich für die Verständlichkeit
klassifiziert wurden, durch das Modul
308 gelöscht werden,
so dass sie in dem synthetisierten Signal nicht auftreten. Das Modul
310 dient
dazu, einen Vorgang des Überlappens
und Addierens an den resultierenden Glockenverläufen vorzunehmen, um das synthetische
Signal zu erzeugen. Die gewünschte Änderung
der Dauer des im Modul
302 gespeicherten natürlichen
Originalsprachsignals wird in das Computersystem
300 eingegeben.
Das resultierende synthetische Signal wird vom Computersystem
300 auf
einer Trägerwelle
oder als Datendatei ausgegeben. Text
in den Figuren Figur
3
| Modification
of duration | Änderung
der Dauer |
| Synthesized
signal | Synthetisiertes
Signal |
-
- 100
- Aufzeichnung
natürlicher
Sprache schaffen
- 102
- Intervall
klassifizieren
- 104
- Tonhöhenperioden
ermitteln
- 106
- Dauer
der stationären
Tonhöhenperioden verändern
- 108
- für Synthese überlappen
und addieren
- 200
- natürliches
Sprachsignal
- 202
- dynamisches
Intervall
- 204
- dynamisches
Intervall
- 206
- dynamisches
Intervall
- 208
- dynamisches
Intervall
- 210
- dynamisches
Intervall
- 212
- dynamisches
Intervall
- 214
- stationäres Intervall
- 216
- stationäres Intervall
- 218
- stationäres Intervall
- 220
- stationäres Intervall
- 222
- stationäres Intervall
- 224
- stationäres Intervall
- 226
- Zeitachsenintervall
- 230
- Intervall
- 232
- Intervall
- 234
- Intervall
- 236
- Intervall
- 238
- Intervall
- 240
- Intervall
- 242
- Intervall
- 300
- Computersystem
- 302
- Modul
- 304
- Modul
- 306
- Modul
- 308
- Modul
- 310
- Modul