Speech Prosody in Speech Synthesis: Modeling and generation of prosody for high quality and flexible speech synthesis

این جلد به مسائل مربوط به تولید عروض در سنتز گفتار می‌پردازد، از جمله مدل‌سازی عروض، نحوه انتقال اطلاعات فرا زبانی و غیرزبانی در سنتز گفتار، و کنترل عروض در سنتز گفتار (از جمله تبدیل عروض). سطح بالایی از کیفیت در حال حاضر در سنتز گفتار با استفاده از روش‌های مبتنی بر انتخاب با بخش‌هایی از گفتار انسان به دست آمده است. اگرچه این روش گفتار مصنوعی را با کیفیت‌های صوتی و سبک‌های گفتاری مختلف امکان‌پذیر می‌کند، اما به مجموعه‌های گفتاری بزرگ با کیفیت و سبک هدفمند نیاز دارد.

بر این اساس، تکنیک‌های تبدیل گفتار اکنون مورد توجه محققان قرار گرفته است. روش‌های مبتنی بر HMM/GMM به‌طور گسترده مورد استفاده قرار می‌گیرند، اما وقتی از منظر عروضی به آن نگاه می‌کنیم، مشکلات عمده‌ای را به دنبال دارد. ویژگی‌های عروضی بازه زمانی وسیع‌تری را نسبت به ویژگی‌های قطعه‌ای پوشش می‌دهند و پردازش فریم به فریم آنها همیشه مناسب نیست. این کتاب نمای کلی خوبی از مطالعات پیشرفته در مورد عروض در سنتز گفتار ارائه می دهد.

The volume addresses issues concerning prosody generation in speech synthesis, including prosody modeling, how we can convey para- and non-linguistic information in speech synthesis, and prosody control in speech synthesis (including prosody conversions). A high level of quality has already been achieved in speech synthesis by using selection-based methods with segments of human speech. Although the method enables synthetic speech with various voice qualities and speaking styles, it requires large speech corpora with targeted quality and style.

Accordingly, speech conversion techniques are now of growing interest among researchers. HMM/GMM-based methods are widely used, but entail several major problems when viewed from the prosody perspective; prosodic features cover a wider time span than segmental features and their frame-by-frame processing is not always appropriate. The book offers a good overview of state-of-the-art studies on prosody in speech synthesis.