BE1011892A3 - Methode, dispositif et systeme pour generer des parametres de synthese vocale a partir d'informations comprenant une representation explicite de l'intonation. - Google Patents

Abstract

Méthode (600), dispositif (514,522) et système (502) qui fournissent, en réponse à l'information comprenant l'information linguistique et au moins un des éléments : information sur le style et information sur la netteté, une génération efficace de paramètres vocaux prosodiquement améliorés. La méthode comprend la détermination de l'information prosodique qui décrit le rythme et l'intonation de la parole à générer, à partir d'au moins un des éléments : information sur le style et information sur la netteté, et l'utilisation d'un système statistique pour convertir l'information comprenant l'information linguistique et l'information prosodique en paramètres vocaux qui décrivent des parties de formes d'onde vocale.

Description

   <Desc/Clms Page number 1> 
 



   "Méthode, dispositif et système pour générer des paramètres de synthèse vocale à partir d'informations comprenant une représentation explicite de l'intonation"
Domaine de l'invention
La présente invention concerne des systèmes générant des paramètres utilisés dans la synthèse vocale, et plus particulièrement le codage de l'intonation dans des systèmes de codeur générant des paramètres utilisés dans la synthèse vocale
Contexte de l'invention
Comme la figure 1, référence 100, le montre, pour convertir du texte en paroles, des systèmes statistiques (102) convertissent de manière typique des représentations linguistiques (phonétiques) de texte en paramètres caractérisant des formes d'onde vocale. Le système statistique illustré sur la figure 1 utilise deux systèmes statistiques (réseaux neuraux) (110 et 118).

   Un réseau neural (110) convertit les descriptions linguistiques de phones vocaux et de leurs contextes en durées de segment pour des segments de formes d'onde vocale associés aux phones Le deuxième réseau neural (118) convertit les descriptions linguistiques de séquences vocales (parties de formes d'onde vocale survenant pendant de brèves périodes de temps) en descriptions acoustiques (120) des séquences. Celles-ci sont alors converties en formes d'onde vocale (124) en utilisant un vocodeur (122). 



   Un problème posé par les approches statistiques basées sur l'information linguistique extraite du texte réside dans le fait que le texte ne contient pas suffisamment d'information pour générer correctement la prosodie (rythme et intonation) dans les formes d'onde vocale On sait que, pour tout texte donné, il existe une multitude de contours intonatifs et de configurations rythmiques qui peuvent être générés pour ce texte Les conversions effectuées par les systèmes statistiques sont contrôlées par des descriptions statistiques de données d'entraînement consistant de manière typique en un ensemble de 

 <Desc/Clms Page number 2> 

 vecteurs comprenant des entrées possibles dans le système et des sorties souhaitées quand les entrées possibles sont présentées au système.

   Dans les systèmes statistiques utilisés pour convertir du texte en parole, les données d'entraînement sont générées de manière typique par l'analyse du langage naturel. Étant donné que les contours intonatifs et les configurations rythmiques ne peuvent être prédits à partir de l'information linguistique extraite de textes, les systèmes statistiques tendent à produire une prosodie qui rend moyennement les contours et rythmes possibles. Cette reproduction moyenne des contours et des rythmes peut rendre la parole moins compréhensible. 



   C'est pourquoi il faut une méthode et un dispositif pour améliorer la performance de génération de la prosodie d'un système convertissant du texte en parole. 



   Brève description des dessins
La figure 1 est une représentation schématique d'un système convertissant du texte en parole comprenant deux systèmes statistiques pour générer des paramètres vocaux que la technique connaît. 



   La figure 2 est une représentation schématique d'un système pour générer des paramètres vocaux conformément à la présente invention
La figure 3 est une représentation schématique du processus d'entraînement d'un réseau neural conformément à la technologie existante. 



   La figure 4 est une représentation schématique du processus d'entraînement d'un réseau neural conformément à la présente invention
La figure 5 est une représentation schématique d'un système convertissant du texte en parole englobant la présente invention
La figure 6 est un schéma fonctionnel d'une réalisation des 

 <Desc/Clms Page number 3> 

 étapes conformément à la méthode de la présente invention
La figure 7 est une représentation schématique d'une réalisation préférée d'un dispositif en conformité avec la présente invention. 



   Description détaillée d'une réalisation préférée
La présente invention prévoit une méthode, un dispositif et un système pour améliorer la prosodie exprimée par un système générant des paramètres vocaux en intégrant une représentation explicite de la prosodie comme entrée dans le système générant des paramètres vocaux. Cette amélioration donne un rythme et une intonation plus réaliste à la parole, rendant la signification de la parole plus compréhensible que la parole dans des systèmes convertissant du texte en parole dans l'art antérieur. 



   Dans une réalisation préférée, le système générant des paramètres vocaux de la présente invention est un réseau neural produisant une série de paramètres ou des vecteurs de paramètre consistant en un ou plusieurs paramètres qui décrivent un aspect prédéterminé de la forme d'onde vocale. Comme la figure 2, référence 200, le montre, certains paramètres peuvent être les descriptions acoustiques des séquences (220) ou les durées des segments (206).

   La figure 2 illustre une réalisation préférée d'un dispositif dans un système conforme à la présente invention Le dispositif donne, en réponse à des informations   phonétiques/linguistiques prédéterminées   (222) et à des informations prosodiques prédéterminées (224), une génération efficace de la description acoustique des séquences (220), c'est-à-dire des paramètres vocaux prosodiquement améliorés.

   Le dispositif comprend : A) une unité de calcul de la durée des segments (202), couplée pour recevoir l'information   phonétique 1 linguistique   et à une unité de génération de la prosodie (204), pour convertir l'information phonétique/ linguistique en durées de segment (206), B) l'unité de génération de la prosodie (204), couplée pour recevoir l'information prosodique 

 <Desc/Clms Page number 4> 

 prédéterminée, utiliser l'information prosodique prédéterminée afin de générer la sortie prosodique (208), C) une unité de génération de la description des séquences   (210),   couplée à une unité de calcul de la durée des segments et à l'unité de génération de la prosodie et afin de recevoir l'information phonétique/linguistique, pour utiliser les durées de segment (206), la sortie prosodique (208)

   et l'information phonétique/ linguistique (222) afin de générer des descriptions linguistiques/ prosodiques des séquences (212), et D) une unité de calcul des descriptions acoustiques (214), couplée à une unité de génération de la description des séquences (210), pour calculer les descriptions acoustiques des séquences (220) pour l'information prosodique prédéterminée (224) et l'information phonétique/linguistique (222) afin de générer des paramètres vocaux qui fournissent une reproduction prosodique fiable Les paramètres conviennent de manière typique pour être utilisés comme entrée dans un synthétiseur ou un générateur de formes d'onde (216) comme un vocodeur, qui génère une forme d'onde vocale (218)
Dans une réalisation préférée,

   le dispositif générant les paramètres vocaux est un réseau neural produisant une série de vecteurs de paramètre consistant en un ou plusieurs paramètres décrivant un quelconque aspect de la forme d'onde vocale. Sur la figure 1, les paramètres pourraient être les descriptions acoustiques des séquences (120) ou les durées des segments (112) La figure 7, référence 700, est une représentation schématique d'une réalisation préférée d'un dispositif conforme à la présente invention Comme dans les systèmes existants générant des paramètres vocaux, cette invention utilise un système statistique (702) pour convertir l'information comprenant l'information linguistique (704) provenant du texte en certains paramètres décrivant un quelconque aspect de la parole à générer (706) Cependant, contrairement aux systèmes existants générant des paramètres vocaux,

   cette invention comprend une unité de 

 <Desc/Clms Page number 5> 

 détermination de la prosodie (712) qui convertit l'information (710) sur le style et la netteté de l'expression en une description prosodique (708) de la parole à générer. Cette description prosodique est également fournie au réseau neural pour déterminer les paramètres vocaux. 



   Dans une réalisation préférée, le dispositif fournit, en réponse à l'information comprenant l'information linguistique et à au moins un des éléments : information sur le style et information sur la netteté, une génération efficace de paramètres vocaux prosodiquement améliorés. Le dispositif comprend A) une unité de détermination de la prosodie (712), couplée pour recevoir au moins un des éléments, information sur le style et information sur la netteté, générant l'information prosodique, décrivant le rythme et l'intonation de la parole à générer, et B) un système statistique (702), qui dans la réalisation préférée est un réseau neural, couplé pour recevoir l'information comprenant l'information linguistique et prosodique, pour fournir des paramètres décrivant des parties de formes d'onde vocale
L'information (710)

   sur le style et la netteté d'expression peut être fournie par un modèle de dialogue ou être introduite par l'usager. D'un autre côté, la détermination du style et de la netteté peut être faite à l'avance pour différents types de phrase, comme des déclarations, des questions ou des ordres
De manière typique, comme la figure 3, référence 300, le montre, la méthode pour générer des réseaux neuraux pour la synthèse vocale a consisté à entraîner un réseau neural à prédire les paramètres vocaux pour une partie particulière de la forme d'onde vocale.

   La parole (302) est tout d'abord enregistrée et stockée dans une base de données audio (304) La parole est tout d'abord étiquetée phonétiquement et syntaxiquement (unité d'étiquetage   phonétique/syntaxique,   306) et l'information de l'étiquette est stockée dans une base de données phonétiques (308) (D'un autre côté, l'étiquetage   phonétique/syntaxique   peut se faire manuellement) La base de données audio (304) et 1 ou la 

 <Desc/Clms Page number 6> 

 base de données phonétiques (308) sont alors traitées par l'unité de calcul des sorties souhaitées (310) pour extraire des paramètres décrivant une quelconque partie de la parole enregistrée, utilisée comme sortie d'entraînement (312).

   Pour chaque valeur de sortie d'entraînement, la base de données phonétiques (308) est traitée par l'unité de génération des entrées (314) pour produire les entrées d'entraînement (316) pour un réseau neural (318) qui génère les paramètres vocaux (320) Le réseau neural est alors entraîné pour générer une bonne approximation de la sortie d'entraînement en réponse à l'entrée d'entraînement, en utilisant un quelconque critère de qualité, comme la différence quadratique moyenne minimale entre la sortie du réseau neural et la sortie d'entraînement
Le réseau neural dans la réalisation préférée de la présente invention est généré comme la figure 4 le montre. La parole (402) est tout d'abord enregistrée et stockée dans une base de données audio (404).

   Dans un premier temps, la parole est étiquetée phonétiquement et syntaxiquement (unité d'étiquetage phonétique/ syntaxique, 406) et l'information de l'étiquette est stockée dans une base de données phonétiques (408). La parole est alors étiquetée prosodiquement (unité d'étiquetage prosodique, 410), indiquant la prosodie effective de la parole enregistrée, pour créer une base de données prosodiques (412) (D'un autre côté, soit l'étiquetage   phonétique/syntaxique   soit l'étiquetage prosodique soit les deux peuvent se faire manuellement) La base de données audio (404) ou la base de données phonétiques (408) ou les deux sont alors traitées (unité de calcul des sorties souhaitées, 414) pour extraire des paramètres décrivant une quelconque partie de la parole enregistrée, utilisée comme sortie d'entraînement (416)

   Pour chaque valeur de sortie d'entraînement, la base de données phonétiques (408) et la base de données prosodlques (412) sont traitées (unité de génération des entrées, 418) pour produire une entrée d'entraînement (420) pour un 

 <Desc/Clms Page number 7> 

 réseau neural (422) Le réseau neural est alors entraîné pour générer une bonne approximation de la sortie d'entraînement en réponse à l'entrée d'entraînement, en utilisant un critère prédéterminé de qualité comme la différence quadratique moyenne minimale entre la sortie du réseau neural et la sortie d'entraînement Cela est similaire au processus utilisé pour l'entraînement dans la technologique existante, sauf que la parole est étiquetée prosodiquement pour générer la base de données prosodiques (412) qui est utilisée dans la génération des entrées (unité de génération d'entrées,

   418). 



   La figure 5, référence 500, est une représentation schématique d'un système convertissant du texte en parole englobant la présente invention Celui-ci est similaire au système convertissant du texte en parole de la figure 1, sauf qu'il y a des informations prosodiques prédéterminées (508) qui sont introduites en plus du texte (504) qui est utilisé pour déterminer la prosodie de la parole générée. Le texte (504) est introduit dans une unité de conversion du texte en linguistique (506) qui fournit une description (phonétique) linguistique (510) à une unité de calcul de la durée des segments (514) qui est de manière typique un réseau neural L'unité de conversion des calculs de la durée des segments (514) utilise la description (phonétique) linguistique (510) et la sortie prosodique (512) pour sortir les durées de segment (516).

   L'information prosodique prédéterminée (528) peut venir d'un modèle de dialogue ou de sélections d'usager, ou être simplement un ensemble de décisions arbitraires préalables concernant la façon dont la prosodie sera générée. Cette information ainsi que l'information provenant du texte est utilisée dans la génération de la prosodie (unité de génération de la prosodie, 508) pour produire la sortie de la prosodie (512) fournie par l'unité de calcul de la durée des segments (514) Cette information est aussi fournie à l'unité de génération de la description des séquences (518) pour produire les descriptions linguistiques/prosodiques des séquences (520) fournies à l'unité de calcul des descriptions 

 <Desc/Clms Page number 8> 

 acoustiques (522) L'unité de calcul de la durée des segments (514) et l'unité de calcul des descriptions acoustiques (522)

   sont des exemples de la présente invention. La sortie de l'unité de calcul des descriptions acoustiques (522) est alors introduite dans une unité de génération de formes d'onde (vocodeur, 524) qui génère une forme d'onde vocale (526). 



   L'information prosodique prédéterminée (528) peut être l'information sur le style et la netteté d'expression qui est fournie par un modèle de dialogue ou introduite par l'usager D'un autre côté, la détermination du style et de la netteté peuvent se faire à l'avance pour différents types de phrases comme des déclarations, des questions et des ordres
Les systèmes générant des paramètres vocaux (514 et 522) peuvent être chacun un réseau neural, une arborescence de décisions, un algorithme génétique ou la combinaison de deux de ceuxci ou plus. 



   Les méthodes existantes de synthèse statistique génèrent la prosodie de la parole en n'utilisant que l'information phonétique et l'information qui peut être extraite du texte. Étant donné que ces méthodes ont tendance à aplanir les contours intonatifs et les configurations rythmiques qui peuvent survenir dans la parole, produisant des variations prosodiques qui ne sont pas claires, la méthode de la présente invention a été mise au point pour générer la prosodie en utilisant une représentation explicite de la prosodie. Par conséquent, la présente invention fournit une intonation et un rythme plus naturels à la parole générée. 



   Comme les étapes représentées sur la figure 6, référence 600, la méthode de la présente invention fournit, en réponse à l'information comprenant l'information linguistique et au moins un des éléments information sur le style et information sur la netteté, une génération efficace des paramètres vocaux prosodiquement améliorés. 

 <Desc/Clms Page number 9> 

 



  Dans une réalisation, la méthode comprend les étapes de A) détermination (602) de l'information prosodique qui décrit le rythme et l'intonation de la parole à générer, à partir d'au moins un des éléments : information sur le style et information sur la netteté, et B) d'utilisation (604) d'un système statistique pour convertir l'information comprenant l'information linguistique et l'information prosodique en paramètres vocaux, qui décrivent des parties de formes d'onde vocale. 



   Les paramètres vocaux sont de manière typique des paramètres convenant pour être utilisés comme entrées dans un   synthétiseur 1 générateur   de formes d'onde qui peut être utilisé pour synthétiser la parole D'un autre côté, les paramètres vocaux peuvent être des durées de segment
Le logiciel qui met en oeuvre la présente invention peut être intégré dans un microprocesseur ou un processeur de signaux numériques (DSP) D'un autre côté, la méthode peut être mise en oeuvre par un circuit intégré spécifique à une application (ASIC). La méthode peut également être mise en oeuvre par une combinaison de microprocesseur, de DSP et d'ASIC
L'information prosodique prédéterminée comprend en général au moins un de.

   A) les emplacements des terminaisons de mot et un degré de disjonction entre les mots, B) les emplacements des accents toniques et une forme des accents toniques, et C) les emplacements des limites marquées dans un contour de tonalité et une forme des limites Un format de l'information prosodique prédéterminée est de manière typique un de A) l'information décrivant une proximité d'événements prosodiques marqués par rapport à des séquences définies entourant une séquence pour laquelle des paramètres du codeur sont générés, B) l'information décrivant un temps séparant des événements prosodiques marqués d'une séquence pour laquelle les paramètres du codeur sont générés, C) l'information décrivant un temps séparant certains événements prosodiques marqués d'autres 

 <Desc/Clms Page number 10> 

 événements prosodiques marqués, D)

   l'information décrivant un certain nombre d'événements prosodlques d'un type dans une période de temps séparant un événement prosodique d'un autre type et une séquence pour laquelle les paramètres du codeur sont   générés,   E) l'information décrivant un certain nombre d'événements prosodiques d'un type survenant dans une période de temps séparant deux événements prosodiques d'un autre type, et F) au moins deux des formats A-E. Si un choix est fait, les durées de segment peuvent être utilisées comme entrée supplémentaire dans une unité de génération des paramètres des séquences acoustiques. 



   Les paramètres vocaux peuvent être sélectionnés pour être des durées de segments vocaux associés à des phones, et la méthode peut être mise en oeuvre en utilisant un logiciel et/ou un matériel comme décrit ci-dessus Dans cette mise en oeuvre, l'information prosodique prédéterminée et le format de l'information prosodique prédéterminée sont comme décrits ci-dessus. 



   Si un choix est fait, au moins l'une des unités, unité de calcul de la durée des segments et unité de calcul des descriptions acoustiques, peut être un réseau neural, une unité d'arborescence des décisions ou une unité qui utilise un algorithme génétique. 



   Dans la réalisation préférée de l'invention, l'information prosodique utilisée provent du système d'étiquetage   TOBI   mis au point par Silverman et al (Silverman K et   al"TOBI'A standard   for Labeling English Prosody", Proc ICSLP 92, pp. 867-870, Banff, Octobre 1992).

   Le moment où chaque mot se termine est marqué conjointement avec un nombre (l'indice de coupure) qui indique le degré de disjonction entre le mot marqué et le mot suivant Les tonalités sont aussi marquées avec un inventaire de symboles pour les accents toniques sur les syllabes et les marques des   limites Intonatives  
Il est possible d'avoir recours à diverses représentations pour information prosodique fournie comme entrée au système 

 <Desc/Clms Page number 11> 

 statistique Dans une représentation temporisée d'un réseau neural, l'entrée consiste en une série de vecteurs, chaque vecteur représentant le contexte linguistique pendant une quelconque période de temps d'échantillonnage près de la partie de la forme d'onde pour laquelle le système génère des paramètres vocaux (la partie actuelle de la forme d'onde vocale), dans ce cas,

   différentes entrées peuvent indiquer la présence d'un ton ou d'une marque d'indice de rupture dans la période de temps d'échantillonnage, ou la proximité d'une marque par rapport à la période de temps d'échantillonnage Comme solution de rechange à la représentation temporisée, l'entrée peut indiquer les distances entre la partie actuelle de la forme d'onde vocale et les événements qui sont marqués dans l'information prosodique De plus, les distances entre ces événements peuvent être fournies comme entrée Les distances entre deux éléments peuvent être mesurées comme la période de temps les séparant, ou comme comptages du nombre d'événements d'un autre type séparant les deux éléments.

   Par exemple, une entrée peut représenter le temps entre la partie actuelle de la forme d'onde vocale et l'occurrence précédente d'une marque de limite intonative tandis qu'une autre peut indique le nombre d'accents toniques avec baisse (un rétrécissement de la plage de tonalité) qui survient depuis la limite. Quand les paramètres vocaux sont des représentations acoustiques de séquences vocales convenant pour être utilisées comme entrée dans un synthétiseur de formes d'onde, la réalisation préférée utilise une combinaison de ces trois techniques Quand les paramètres vocaux sont des durées de segment, la réalisation préférée n'utilise pas une représentation temporisée pour représenter l'information prosodique. 



   Le logiciel mettant en oeuvre la méthode peut être intégré dans un microprocesseur ou dans un processeur de signaux numériques D'un autre côté, un circuit intégré spécifique à une application peut mettre en oeuvre la méthode, ou une combinaison de plusieurs de ces mises en oeuvre peut être utilisée Dans une réalisation 

 <Desc/Clms Page number 12> 

 préférée, le système générant les paramètres vocaux utilise des réseaux neuraux D'un autre côté, le système générant des paramètres vocaux peut utiliser des unités d'arborescence des décisions ou des algorithmes génétiques. 



   Les parties des formes d'onde vocale décrites peuvent être des segments associés à des éléments phonétiques comme des phones, et les paramètres générés peuvent être les durées de ces segments. 



   Les parties des formes d'onde vocale décrites peuvent être des séquences vocales et les paramètres générés peuvent être une représentation acoustique de ces séquences. 



   Le logiciel mettant en oeuvre la méthode peut être intégré dans un microprocesseur ou dans un processeur de signaux numériques D'un autre côté, un circuit intégré spécifique à une application peut mettre en oeuvre la méthode, ou une combinaison de plusieurs de ces mises en oeuvre peut être utilisée. Dans une réalisation préférée, le système générant les paramètres vocaux utilise des réseaux neuraux. D'un autre côté, le système générant les paramètres vocaux peut utiliser des unités d'arborescence des décisions ou des algorithmes génétiques. 



   La présente invention peut être mise en oeuvre par un dispositif destiné à fournir, en réponse à l'information comprenant l'information phonétique et prosodique, une génération efficace des paramètres vocaux. Le dispositif comprend un système statistique, couplé pour recevoir l'information comprenant l'information phonétique et prosodique, destiné à fournir des paramètres décrivant des parties de formes d'onde vocale
Les parties de formes d'onde vocale décrites peuvent être des segments associés à des éléments phonétiques comme des phones, et les paramètres générés peuvent être les durées de ces segments. 



   Les parties de formes d'onde vocale décrites peuvent être des séquences vocales, et les paramètres générés peuvent être une 

 <Desc/Clms Page number 13> 

 représentation acoustique de ces séquences À nouveau, le système générant les paramètres vocaux peut comprendre des réseaux neuraux, des unités d'arborescence des décisions, ou des unités qui utilisent un algorithme génétique. 



   Le dispositif de la présente invention peut être mis en oeuvre dans un système convertissant du texte en parole, un système de synthèse vocale ou un système de dialogue. 



   La présente invention peut être réalisée dans d'autres formes spécifiques sans s'écarter de son esprit ou de ses caractéristiques essentielles. Les réalisations décrites ne sont à considérer à tous égards que comme des exemples et comme non restrictives La portée de l'invention est, par conséquent, indiquée dans les revendications annexées plutôt que dans la description susdite Tous les changements qui relèvent du sens et du champ d'équivalence des revendications sont à inclure dans son champ d'application. 

 <Desc/Clms Page number 14> 

 



   Figure 1-art antérieur
102 Système statistique convertissant du texte en parole
104 Texte
106 Conversion de texte en linguistique
108 Description (phonétique) linguistique
110 Calcul de la durée des segments (réseau neural)
112 Durées des segments
114 Génération de la description des séquences
116 Description linguistique des séquences 118 Calcul des descriptions acoustiques (système neural) 120 Description acoustique des séquences 122 Génération de formes d'onde (vocodeur)

   124 Forme d'onde vocale Fiqure 2 202 Unité de calcul de la durée des segments 204 Unité de génération de la prosodie 206 Durées des segments 208 Sortie prosodique 210 Unité de génération de la description des séquences 212 Description   prosodique/linguistique   des séquences 214 Unité de calcul des descriptions acoustiques 216 Unité de génération de formes d'onde 218 Forme d'onde vocale 220 Description acoustique des séquences Fiqure 3 302 Parole 304 Base de données audio 306 Unité d'étiquetage   phonétique/syntaxique   308 Base de données phonétiques 310 Unité de calcul des sorties souhaitées 312 Sortie d'entraînement 

 <Desc/Clms Page number 15> 

 314 Unité de génération des entrées 316 Entrée d'entraînement 318 Réseau neural 320 Paramètres vocaux Figure 4 402 Parole 404 Base de données audio 406 Unité 

  d'étiquetage   phonétique/syntaxique   408 Base de données phonétiques 410 Unité d'étiquetage prosodique 412 Base de données prosodiques 414 Unité de génération des sorties souhaitées 416 Sortie d'entraînement 418 Unité de génération des entrées 420 Entrée d'entraînement 422 Réseau neural 424 Paramètres vocaux avec information prosodlque   Fiqure   5 502 Système statistique convertissant du texte en parole 504 Texte 506 Unité de conversion de texte en linguistique 508 Unité de génération de la prosodie 510 Description (phonétique) linguistique 512 Sortie prosodique 514 Unité de calcul de la durée des segments (réseau neural)

   516 Durées des segments 518 Unité de génération de la description des séquences 520 Description   linguistiques/prosodique   des séquences 522 Unité de calcul des descriptions acoustiques (réseau neural) 524 Unité de génération de formes d'onde (vocodeur) 526 Forme d'onde vocale 

 <Desc/Clms Page number 16> 

 528 Information prosodique prédéterminée Fiqure 6 Au moins un des éléments : information sur le style et information sur la netteté 602 Déterminer l'information prosodique qui décrit le rythme et l'intonation de la parole à générer à partir d'au moins un des éléments :

   information sur le style et information sur la netteté 604 Utiliser un système statistique pour convertir l'information comprenant l'information linguistique et l'information prosodique en paramètres vocaux qui décrivent des parties de formes d'onde vocale Paramètres vocaux avec Information prosodique Fiqure 7 702 Système statistique 704 Entrée linguistique 706 Paramètres vocaux 708 Description prosodique 710 Information sur le style/la netteté 712 Unité de détermination de la prosodie

Claims (1)

1. REVENDICATIONS 1 Méthode pour fournir, en réponse à l'information comprenant l'information linguistique et au moins l'une des éléments- information sur le style et information sur la netteté, une génération efficace des paramètres vocaux prosodiquement améliorés comprenant les étapes de : 1 A) détermination de l'information prosodique qui décrit le rythme et l'intonation de la parole à générer, à partir d'au moins un des éléments. information sur le style et information sur la netteté, et 1 B) utilisation d'un système statistique pour convertir l'information comprenant l'information linguistique et l'information prosodlque en paramètres vocaux, qui décrivent des parties de formes d'onde vocale.

   2. Méthode selon la revendication 1, dans laquelle les paramètres vocaux sont des paramètres convenant pour être utilisés comme entrée dans un synthétiseur/générateur de formes d'onde, et, si sélectionné, où au moins un de 2A-2D : 2A) comprenant en outre la fourniture de paramètres EMI17.1 vocaux à un synthétiseur/générateur de formes d'onde pour synthétiser la parole, 2B) dans laquelle un de 2B1) le logiciel mettant en oeuvre la méthode est intégré dans un microprocesseur, 282) le logiciel mettant en oeuvre la méthode est intégré dans un processeur de signaux numériques, 2B3) la méthode est mise en oeuvre par un circuit intégré spécifique à une application, et 2B4) la méthode est mise en oeuvre par une combinaison d'au moins deux de 2B1-2B3, et 2C)

   dans laquelle l'information prosodique comprend au moins un de <Desc/Clms Page number 18> 2C1) les emplacements des terminaisons de mot et le degré de disjonction entre les mots, 2C2) les emplacements des accents toniques et la forme des accents toniques, et 2C3) les emplacements des limites marquées dans le contour de la tonalité et la formes des limites, 2D) et si sélectionné à l'étape 2C, dans laquelle le format de l'information prosodique est un de :

   2D1) l'information décrivant la proximité d'événements prosodiques marqués par rapport à des séquences définies entourant la séquence pour laquelle les paramètres du codeur sont générés, 2D2) l'information décrivant le temps séparant des événements prosodiques marqués de la séquence pour laquelle les paramètres du codeur sont générés, 2D3) l'information décrivant le temps séparant certains événements prosodiques marqués d'autres événements prosodiques marqués, 2D4) l'information décrivant le nombre d'événements prosodiques d'un type dans la période de temps séparant un événement prosodique d'un autre type et la séquence pour laquelle les paramètres du codeur sont générés, 2D5) l'information décrivant le rombre d'événements prosodiques d'un type survenant dans la période de temps séparant deux événements prosodiques d'un autre type,

   et 2D6) au moins deux de 2D1-2D5 3 Méthode selon la revendication 1 dans laquelle les paramètres vocaux sont des durées de segments vocaux associés à des phones, et si sélectionné, au moins un de 3A-3C' 3A) comprenant en outre la fourniture des durées des <Desc/Clms Page number 19> segments comme entrée supplémentaire à une méthode de génération des paramètres de séquences acoustiques, 3B) dans laquelle un de 381-384 :

   3B1) le logiciel mettant en oeuvre la méthode est intégré dans un microprocesseur, 3B2) le logiciel mettant en oeuvre la méthode est intégré dans un processeur de signaux numériques, 3B3) la méthode est mise en oeuvre par un circuit intégré spécifique à une application, et 3B4) la méthode est mise en oeuvre par une combinaison d'au moins deux de 3B1-3B3, et 3C) dans laquelle l'information prosodique comprend au moins un de 3C1-3C3 :

   3C1) les emplacements des terminaisons de mot et le degré de disjonction entre mots, 3C2) les emplacements des accents toniques et la forme des accents toniques, et 3C3) les emplacements des limites marquées dans le contour de la tonalité et la forme des limites, et si sélectionné, dans laquelle le format de l'information prosodique est un de 3C3a-3C3f 3C3a) l'information décrivant la proximité d'événements prosodiques marqués par rapport à des segments définis entourant le segment pour lequel la durée est calculée, 3C3b) l'information décrivant le nombre de segments séparant des événements prosodiques marqués du segment pour lequel la durée est calculée, 3C3c) l'information décrivant le nombre de segments séparant des événements prosodiques marqués d'autres événements prosodiques marqués, 3C3d)

   l'information décrivant le nombre d'événements prosodiques d'un type quelconque dans les segments <Desc/Clms Page number 20> séparant un événement prosodique d'un autre type et le segment pour lequel la durée est calculée, 3C3e) l'information décrivant le nombre d'événements prosodiques d'un type survenant dans les segments séparant deux événements prosodiques d'un autre type, et 3C3f) au moins deux de 3C3a-3C3e 4.

   Méthode selon la revendication 1 dans laquelle au moins un de 4A-4C : 4A) le système statistique est un réseau neural, 4B) le système statistique est une unité d'arborescence des décisions, et 4C) le système statistique est une unité qui utilise un algorithme génétique 5 Dispositif pour fournir, en réponse à l'information comprenant l'information linguistique et au moins un des éléments. information sur le style et information sur la netteté, une génération efficace de paramètres vocaux prosodiquement améliorés comprenant :

   5A) une unité de détermination de la prosodie, couplée pour recevoir au moins un des éléments, information sur le style et information sur la netteté, générant l'information prosodique, décrivant le rythme et l'intonation de la parole à générer, et 5B) un système statistique, couplé à l'information comprenant l'information linguistique et prosodique, pour fournir des paramètres décrivant des parties de formes d'onde vocale 6. Dispositif selon la revendication 5 dans lequel au moins un de 6A-6C.

   6A) les paramètres vocaux sont des paramètres convenant pour être utilisés comme entrée dans un synthétiseur 1 générateur de formes d'onde, et si sélectionné, un de 6A1-6A2 : 6A1) dans lequel le dispositif est un des éléments 6A1a) un microprocesseur, <Desc/Clms Page number 21> 6A1b) un processeur de signaux numénques, 6A1c) un circuit intégré spécifique à une application, et 6A1d) une combinaison d'au moins deux de 6A1 a-6A1 c, 6A2) dans lequel l'information prosodique comprend au moins un de 6A2a-6A2c 6A2a) les emplacements des terminaisons de mot et le degré de disjonction entre mots, 6A2b) les emplacements des accents toniques et la forme des accents toniques, et 6A2c) les emplacements des limites marquées dans le contour de la tonalité et la forme des limites, et si sélectionné pour l'étape 6A2,

   dans lequel le format de l'information prosodique est un de 6A2d-6A2i 6A2d) l'information décrivant la proximité d'événements prosodiques marqués par rapport à des segments définis entourant le segment pour lequel la durée est calculée, 6A2e) l'information décrivant le nombre de segments séparant des événements prosodiques marqués du segment pour lequel la durée est calculée, 6A2f) l'information décrivant le nombre de segments séparant des événements prosodiques marqués d'autres événements prosodiques marqués, 6A2g) l'information décrivant le nombre d'événements prosodiques d'un type quelconque dans les segments séparant un événement prosodique d'un autre type et le segment pour lequel la durée est calculée, 6A2h)

   l'information décrivant le nombre d'événements prosodiques d'un type survenant dans les segments séparant deux événements prosodlques d'un autre type, et <Desc/Clms Page number 22> 6A2i) au moins deux de 6A2d-6A2h, 6B) dans lequel l'information prosodique comprend au moins un de 6B1-6B3 :

   6B1) les emplacements des terminaisons de mot et le degré de disjonction entre mots, 6B2) les emplacements des accents toniques et la forme des accents toniques, et 6B3) les emplacements des limites marquées dans le contour de la tonalité et la forme des limites, et dans lequel si sélectionné, un format de l'information prosodique est un de 6B4-6B9, 6B4) l'information décrivant la proximité d'événements prosodiques marqués par rapport à des séquences définies entourant la séquence pour laquelle les paramètres du codeur sont générés, 6B5) l'information décrivant le temps séparant des événements prosodiques marqués de la séquence pour laquelle les paramètres du codeur sont générés, 6B6) l'information décrivant le temps séparant des événements prosodiques marqués d'autres événements prosodiques marqués, 6B7)

   l'information décrivant le nombre d'événements prosodiques d'un type quelconque dans la période de temps séparant un événement prosodique d'un autre type et la séquence pour laquelle les paramètres du codeur sont générés, 6B8) l'information décrivant le nombre d'événements prosodiques d'un type survenant dans la période de temps séparant deux événements prosodiques d'un autre type, et 6B9) au moins deux de 6B4-6B8, 6C) dans lequel les paramètres vocaux sont des durées de segments vocaux associés à des phones, et si sélectionné, comprenant en outre une unité de génération des paramètres des <Desc/Clms Page number 23> séquences acoustiques couplée pour recevoir les durées des segments vocaux.

   7. Dispositif selon la revendication 5 dans lequel au moins un de 7A-7E : 7A) le système générant les paramètres vocaux fournit en outre les paramètres vocaux à un synthétiseur/générateur de formes d'onde pour synthétiser la parole, 7B) dans lequel le dispositif est un de 7B1-7B4 7B1) un microprocesseur, 7B2) un processeur de signaux numériques, 7B3) un circuit intégré spécifique à une application, et 7B4) une combinaison d'au moins deux de 7B1- 7B3, 7C) dans lequel le système statistique est un réseau neural, 7D) dans lequel le système statistique est une unité d'arborescence des décisions, et 7E) dans lequel le système statistique est une unité qui utilise un algorithme génétique 8.

   Système convertissant du texte en paroles/système de synthèse vocale 1 système de dialogue ayant au moins un dispositif pour fournir, en réponse à l'information comprenant l'information linguistique, et au moins un des éléments : information sur le style et information sur la netteté, une génération efficace de paramètres vocaux, chaque dispositif comprenant 8A) une unité de détermination de la prosodie, couplée pour recevoir au moins une des éléments.

   information sur le style et information sur la netteté, qui génère l'information prosodique qui décrit le rythme et l'intonation de la parole à générer, et 8B) un système statistique, couplé pour recevoir <Desc/Clms Page number 24> l'information comprenant l'information linguistique et l'information prosodique, pour générer des paramètres vocaux qui décrivent des parties de formes d'onde vocale.

   9. Système convertissant du texte en parole/système de synthèse vocale/système de dialogue selon la revendication 8 dans lequel au moins un de 9A-9G 9A) le dispositif fournit des paramètres vocaux qui sont des paramètres convenant pour être utilisés comme entrée dans un codeur de formes d'onde, et si sélectionné, dans lequel le dispositif qui produit les paramètres vocaux qui sont des paramètres convenant pour être utilisés comme entrée dans un codeur de formes d'onde fournit en outre les paramètres vocaux à un synthétiseur de formes d'onde pour synthétiser la parole, 9B) dans lequel le dispositif est un des éléments 9B1) un microprocesseur, 9B2) un processeur de signaux numériques, 9B3) un circuit intégré spécifique à une application, et 9B4) une combinaison d'au moins deux de 9B1- 9B3, 9C)

   dans lequel l'information prosodique comprend au moins un de 9C1-9C3 : 9C1) les emplacements des terminaisons de mot et le degré de disjonction entre mots, 9C2) les emplacements des accents toniques et la forme des accents toniques, et 9C3) les emplacements des limites marquées dans le contour du ton et la forme des limites, et si pris en considération, pour l'étape 9C, dans lequel le format de l'information prosodique est un de 9C3a-9C3f 9C3a) l'information décrivant la proximité <Desc/Clms Page number 25> d'événements prosodiques marqués par rapport à des séquences définies entourant la séquence pour laquelle les paramètres du codeur sont générés, 9C3b) l'information décrivant le temps séparant des événements prosodiques marqués de la séquence pour laquelle les paramètres du codeur sont générés, 9C3c)

   l'information décrivant le temps séparant des événements prosodiques marqués d'autres événements prosodiques marqués, 9C3d) l'information décrivant le nombre d'événements prosodiques d'un type quelconque dans la période de temps séparant un événement prosodique d'un autre type et la séquence pour laquelle les paramètres du codeur sont générés, 9C3e) l'information décrivant le nombre d'événements prosodiques d'un type survenant dans la période de temps séparant deux événements prosodiques d'un autre type, et 9C3f) au moins deux de 9C3a-9C3e, 9D) dans lequel le dispositif est un de 9D1-9D4 :

   9C1) un microprocesseur, 9C2) un processeur de signaux numériques, 9C3) un circuit intégré spécifique à une application, et 9C4) une combinaison d'au moins deux de 9C1- 9C3, 9E) dans lequel au moins un des dispositifs pour fournir une génération efficace de paramètres vocaux prosodiquement améliorés est un réseau neural, 9F) dans lequel au moins un des dispositifs pour fournir une génération efficace de paramètres vocaux prosodiquement améliorés est une unité d'arborescence de décisions, et 9G) dans lequel au moins un des dispositifs pour fournir <Desc/Clms Page number 26> une génération efficace de paramètres vocaux prosodiquement améliorés est une unité qui utilise un algorithme génétique 10.

   Système convertissant du texte en parole 1 système de synthèse vocale 1 système de dialogue selon la revendication 8 dans lequel au moins un des dispositifs génère des paramètres vocaux qui sont des durées de segments vocaux associés à des phones, et si sélectionné, au moins un de 10A-10B : 10A) le dispositif qui génère des durées de segments fournit en outre les durées de segments comme entrée supplémentaire à un dispositif de génération des paramètres de séquences acoustiques, et 10B) l'information prosodique comprend au moins un des éléments :

   10B1) les emplacements des terminaisons de mot et le degré de disjonction entre mots, 10B2) les emplacements des accents toniques et la forme des accents toniques, et 10B3) les emplacements des limites marquées dans le contour de la tonalité et la forme des limites, et si en outre sélectionné à l'étape 10B, dans lequel le format de l'information prosodique est un de 1 OB3a-1 OB3f 10B3a) l'information décrivant la proximité d'événements prosodiques marqués par rapport à des segments entourant le segment pour lequel la durée est calculée, 1 OB3b) l'information décrivant le nombre de segments séparant des événements prosodiques marqués du segment pour lequel la durée est calculée, 10B3c)

   l'information décrivant le nombre de segments séparant des événements prosodiques marqués d'autres événements prosodiques marqués, 10B3d) l'information décrivant le nombre <Desc/Clms Page number 27> d'événements prosodiques d'un type dans les segments séparant un événement prosodique d'un autre type et le segment pour lequel la durée est calculée, 1 OB3e) l'information décrivant le nombre d'événements prosodiques d'un type survenant dans les segments séparant deux événements prosodiques d'un autre type, et 10B3f) au moins deux de 1 OB3a-1 OB3e