ES2204071T3 - Sintetizador de habla basado en fomantes que utiliza una concatenacion de semisilabas con transicion independiente por fundido gradual en los dominios de los coeficientes de filtro y de fuentes. - Google Patents

Abstract

Un sintetizador de habla concatenativo, que comprende: una base de datos (60) que contiene (a) unos datos de formas de onda de semisílabas asociados con una pluralidad de semisílabas, y (b) unos datos de coeficientes de filtro asociados con la mencionada pluralidad de semisílabas; un sistema de selección de unidades (70) que sirve para extraer los datos de formas de onda de semisílabas y los coeficientes de filtro seleccionados de la mencionada base de datos correspondientes a una cadena de entrada destinada a ser sintetizada; un mecanismo de transición por fundido gradual de formas de onda (102) para unir pares de datos de formas de onda de semisílabas extraídos para formar señales de formas de onda de sílabas; caracterizado por un mecanismo de transición por fundido gradual de coeficientes de filtro (106) para definir un conjunto de datos de filtro a nivel de sílaba para realizar una interpolación sigmoidea entre los respectivos coeficientes de filtro extraídos (108) de dos semisílabas; yun módulo de filtro (110, 112, 114, 116) receptor del mencionado conjunto de datos de filtro de nivel de sílaba, con capacidad para procesar las mencionadas señales de formas de onda silábicas para generar el habla sintetizada.

Description

Sintetizador de habla basado en formantes que utiliza una concatenación de semisílabas con transición independiente por fundido gradual en los dominios de los coeficientes de filtro y de fuentes.

Antecedentes y resumen de la invención

La presente invención está relacionada en general con la síntesis del habla y más en particular con un sintetizador concatenativo basado en un modelo de fuente-filtro en el que la señal fuente y los coeficientes de filtro se generan por mecanismos independientes de transición por fundido gradual.

La síntesis de habla moderna implica muchas concesiones. Para aplicaciones de vocabulario limitado, suele ser factible almacenar palabras enteras como muestras digitales para posteriormente ser concatenadas en frases para su reproducción. Con un buen algoritmo de prosodia que coloque la acentuación en las palabras adecuadas, estos sistemas tienden a sonar de una forma bastante natural, porque las palabras pueden ser reproducciones exactas del habla humana real. Sin embargo, en el caso de vocabularios más extensos no resulta posible almacenar muestras de palabras completas del habla humana real. Por ello, una serie de especialistas en síntesis del habla han investigado la posibilidad de partir el habla en unidades más pequeñas y concatenar estas unidades para formar palabras, frases y, finalmente, oraciones.

Desafortunadamente, al concatenar unidades de subpalabras, los especialistas deben enfrentarse a varios problemas de difícil solución. Para reducir las necesidades de memoria de los sistemas a una cantidad razonable, es necesario desarrollar unidades de subpalabras versátiles que se puedan usar para formar muchas palabras diferentes. Sin embargo, a menudo estas unidades de subpalabras versátiles no se concatenan bien. Durante la reproducción de unidades de subpalabras, con frecuencia se produce una perceptible distorsión o interrupción (glitch) en el punto en que se unen las unidades de subpalabras. Además, como hay que modificar el tono (pitch) y la duración de las unidades de subpalabras para adecuarlas al patrón prosódico determinado, con mucha frecuencia las técnicas que actualmente se emplean para realizar estas modificaciones incurren en una distorsión. Finalmente, dado que la mayoría de los segmentos del habla están fuertemente influenciados por los segmentos vecinos, no hay un conjunto simple de unidades de concatenación (como fonemas o difonos) que puedan representar adecuadamente el habla humana.

Algunos especialistas en síntesis del habla han sugerido diversas soluciones para los problemas de concatenación anteriores pero, hasta ahora, ninguna de ellas los ha resuelto satisfactoriamente. El habla humana genera formas de onda complejas variables en el tiempo para las que las soluciones simples de procesamiento de señales no son válidas.

EL documento titulado "New algorithm for spectral smoothing and envelope modification for LP-PS'OLA synthesis" de Giménez de los Galanes et al (Actas de ICASSP94, páginas 1-573 - 6, Nueva York), describe un sintetizador de habla concatenativo que utiliza una base de datos de formas de onda, una pluralidad de unidades de concatenación y datos de coeficientes de filtro asociados con la pluralidad de unidades de concatenación, un sistema de selección de filtros, un mecanismo de transición por fundido gradual de coeficientes de filtro y un módulo de filtro receptor de un conjunto de datos de filtro de nivel de forma de onda compuesta para generar el habla sintetizada.

El documento titulado "Improving Naturalness in Text-to-speech Synthesis using Natural Glottal Source" de Kenji Matsui et al (ICASSP1991, Nueva York, páginas 769 - 772), describe un mecanismo de transición por fundido gradual de formas de onda, que utiliza una transición por fundido gradual lineal en el dominio del tiempo.

Nuestro trabajo nos ha llevado a la convicción de que solamente será posible encontrar una solución satisfactoria para los problemas de concatenación conjuntamente con el descubrimiento de un modelo robusto de síntesis del habla. Además, necesitaremos un conjunto adecuado de unidades de concatenación y mejores posibilidades de modificar estas unidades de forma dinámica para reflejar los segmentos adyacentes.

Por consiguiente, proponemos un sintetizador de habla concatenativo tal como se establece en la reivindicación 1.

Las realizaciones específicas son las establecidas en las reivindicaciones dependientes.

Para comprender mejor la invención, sus objetivos y sus ventajas, hay que referirse a la siguiente descripción y a los dibujos acompañatorios.

Breve descripción de los dibujos

La Figura 1 es un diagrama de bloques que ilustra el modelo fuente-filtro básico con el que se puede emplear la invención;

la Figura 2 es un diagrama de la tecnología del sintetizador de habla que ilustra el espectro de combinaciones posibles fuente-filtro, destacando en particular el dominio en el que reside el sintetizador de la presente invención;

la Figura 3 es un diagrama de flujo que ilustra el procedimiento utilizado para la construcción de bases de datos de formas de onda en la presente invención;

las figuras 4A y 4B muestran un diagrama de flujo que ilustra el proceso de síntesis según la invención.

la Figura 5 es un diagrama de formas de onda que ilustra la transición por fundido gradual en el dominio del tiempo de fragmentos de formas de onda fuente;

La Figura 6 es un diagrama de bloques del aparato actualmente preferido útil para la práctica de la invención;

la Figura 7 es un diagrama de flujo que ilustra el proceso de acuerdo con la invención.

Descripción detallada de la realización preferida

A pesar de que han sido muchos los modelos de sintetizadores de habla propuestos en el pasado, la mayoría tienen en común la siguiente estructura de procesamiento de señal de dos componentes. Como se muestra en la Figura 1, el habla se puede modelizar como un componente fuente inicial (10), procesado a través de un componente posterior de filtro (12).

Dependiendo del modelo, la fuente, el filtro o ambos, pueden ser muy simples o muy complejos. Por ejemplo, una forma anterior de síntesis de habla utilizaba formas de onda altamente complejas a base de MIC (Modulación por impulsos codificados) como fuente, y un filtro muy simple (ganancia de unidades). En el sintetizador MIC, todo el conocimiento a priori estaba incluido en la fuente y nada en el filtro. Sin embargo, otro método de síntesis utilizaba un simple tren de impulsos repetitivos como fuente y un filtro complejo, en comparación con el del sistema anterior, basado en LPC (Codificación lineal predictiva). Hay que tener en cuenta que ninguna de estas técnicas de síntesis convencionales intentaron modelizar las estructuras físicas del tracto vocal humano que son las responsables del habla humana.

La presente invención emplea un modelo de síntesis basado en formantes que vincula estrechamente los componentes del sintetizador de fuente y filtro con las estructuras físicas del tracto vocal humano. Específicamente, el sintetizador de la presente invención basa el modelo de fuente en una mejor estimación de la señal fuente producida en la glotis. De manera similar, el modelo de filtro está basado en las estructuras resonantes (productoras de formantes) que generalmente se encuentran por encima de la glotis. Por estas razones, decimos que nuestra técnica de síntesis está "basada en formantes".

La Figura 2 resume varias combinaciones fuente-filtro, mostrando en el eje vertical una medida comparativa de la complejidad del componente de fuente o de filtro correspondiente. En la Figura 2, los componentes de fuente y filtro se ilustran como ejes verticales situados a ambos lados de la gráfica. A lo largo del eje de la fuente, la complejidad relativa disminuye de arriba abajo, mientras que a lo largo del eje del filtro, la complejidad relativa aumenta de arriba abajo. Varias líneas generalmente horizontales o diagonales conectan un punto del eje de la fuente con un punto del eje del filtro para representar un tipo particular de sintetizador de habla. Por ejemplo, la línea horizontal (14) conecta una fuente bastante compleja con un filtro bastante simple para definir el sintetizador TD-PSOLA, un ejemplo de un tipo de tecnología de síntesis bien conocida en la que una forma de onda de fuente MIC se aplica a un filtro de identidades. De manera similar, la línea horizontal (16) conecta una fuente relativamente simple con un filtro relativamente complejo para definir otro tipo conocido de sintetizador del vocoder de fase, el sintetizador de armónicos. En esencia, este sintetizador utiliza una forma simple de forma de onda fuente de tren de impulsos y un filtro complejo diseñado mediante técnicas de análisis de espectros como las Transformadas rápidas de Fourier (FFT). El sintetizador LPC clásico está representado por la línea diagonal (17), que conecta una fuente de tren de impulsos con un filtro LPC. El sintetizador de Klatt de la línea (18) está definido por una fuente de coeficientes aplicada a través de un filtro compuesto por formantes y ceros.

En contraste con la tecnología de síntesis convencional precedente, la presente invención ocupa una ubicación en la Figura 2 generalmente ilustrada por la región rayada (20). En otras palabras, la presente invención puede usar una forma de onda que va desde una fuente glótica pura hasta una fuente glótica con efectos nasales. El filtro puede ser un simple banco de filtros de formantes o un filtro algo más complejo compuesto por formantes y ceros.

Según nuestro conocimiento, la síntesis concatenativa de la técnica anterior ha evitado en buena parte la región (20) de la Figura 2. La región (20) corresponde lo más aproximadamente posible a la separación natural que se da en el ser humano entre la fuente de voz glótica y el tracto vocal (filtro). Creemos que la operación en la región (20) presenta algunas ventajas inherentes debido a su posición central entre los dos extremos de la representación en el dominio puro del tiempo (como TD-PSOLA) y la representación del dominio puro de la frecuencia (como el vocoder de fase o el sintetizador de armónicos).

La realización actualmente preferida de nuestro sintetizador basado en formantes utiliza una técnica que emplea un filtro y un filtro inverso para extraer la señal fuente y los coeficientes de formantes del habla humana. Las señales y coeficientes extraídos se usan después en el modelo fuente-filtro correspondiente a la región (20) de la Figura 2. El procedimiento actualmente preferido para extraer los coeficientes de fuente y de filtro del habla humana se describe más adelante en esta descripción. La presente descripción se centrará en otros aspectos del sintetizador basado en formantes, a saber, aquellos relativos a la selección de unidades concatenativas y a la transición por fundido gradual.

El sintetizador basado en formantes de la invención define unidades de concatenación que representan pequeños pedazos de habla digitalizada que luego se concatenan juntos para la reproducción a través del módulo de sonido del sintetizador. Las técnicas de transición por fundido gradual de la invención se pueden emplear con unidades de concatenación de diversos tamaños. La sílaba es una unidad natural a este efecto, pero en los casos en que hay limitaciones de memoria, la elección de la sílaba como unidad básica de concatenación puede resultar prohibitiva en cuanto a la capacidad de memoria necesaria. En consecuencia, en la realización actual se usa la semisílaba como unidad básica de concatenación. Una parte importante del sintetizador basado en formantes es la dedicada a realizar la transición por fundido gradual para unir con suavidad las semisílabas adyacentes de manera que las sílabas resultantes suenen naturales y sin interrupciones (glitches) ni distorsión. Como se explicará más adelante con más detalle, el sistema actual realiza esta transición por fundido gradual tanto en el dominio del tiempo como en el dominio de la frecuencia, y en el proceso participan los dos componentes del modelo fuente-filtro: las formas de onda fuente y los coeficientes del filtro de formantes.

La realización preferida almacena datos de formas de onda fuente y datos de coeficientes de filtro en una base de datos de formas de onda. La base de datos en su forma máxima almacena formas de onda de habla digitalizada y datos de coeficientes de filtro para por lo menos un ejemplo de cada semisílaba que se encuentra en el lenguaje natural (por ejemplo, el inglés). En una forma conservadora de memoria, la base de datos se puede recortar para eliminar formas de onda de habla redundantes. Como las semisílabas adyacentes se pueden afectar significativamente entre sí, el sistema preferido almacena datos para cada contexto diferente que encuentra.

La Figura 3 muestra la técnica actualmente preferida para construir la base de datos de formas de onda. En la Figura 3 (y también en las siguientes figuras 4A y 4B), los cuadros con bordes superiores con línea doble representan los principales encabezamientos de bloques de procesamiento. Los cuadros con línea simple situados debajo de estos encabezamientos representan los pasos o módulos individuales que componen el bloque principal designado por el bloque de encabezamiento.

Con relación a la Figura 3, la base de datos de formas de onda se construye como se indica en (40) compilando previamente una lista de semisílabas y secuencias limítrofes como se ilustra en la fase (42). Esto se lleva a cabo generando todas las combinaciones posibles de semisílabas (fase (44)) y excluyendo luego todas las combinaciones no usadas como se indica en (46). La fase (44) puede ser un proceso repetitivo en el que se generan todas las permutaciones diferentes de semisílabas iniciales y finales. Esta exhaustiva lista de todas las combinaciones posibles se reduce selectivamente a continuación para reducir el tamaño de la base de datos. Esta reducción se realiza en la fase (46) consultando un diccionario de palabras (48) que contiene transcripciones fonéticas de todas las palabras que el sintetizador va a pronunciar. Estas transcripciones fonéticas se utilizan para eliminar todas las combinaciones de semisílabas que no se encuentran en las palabras que el sintetizador va a pronunciar.

La realización preferida también trata los límites entre las sílabas, como los que hay en los límites de las palabras o en los límites de las frases. Estas unidades limítrofes (a menudo grupos de consonantes) se construyen a partir de difonos muestreados en el contexto correcto. Una de las formas de excluir combinaciones de unidades limítrofes no usadas es disponer de un corpus de texto (50) que contenga frases de ejemplo formadas con las palabras contenidas en el diccionario de palabras (48). Estas frases se usan para definir diferentes contextos de límites de palabras, de manera que las combinaciones de unidades limítrofes que no se encuentran en el corpus de texto se pueden excluir en la fase (46).

Una vez creada y reducida la lista de semisílabas y unidades limítrofes, los datos de formas de onda muestreados asociados con cada semisílaba se graban y etiquetan en la fase (52). En este proceso se aplican marcadores fonéticos al principio y al final de la porción relevante de cada semisílaba, tal como se indica en la fase (54). Esencialmente, las partes relevantes de los datos de formas de onda muestreados se extraen y se etiquetan asociando las porciones extraídas con las semisílabas o con las unidades limítrofes correspondientes de las que se obtuvo la muestra.

El siguiente paso consiste en extraer los datos de fuente y de filtro de los datos de formas de onda etiquetados como se ilustra de manera general en la fase (56). En la fase (56) se emplea una técnica que más adelante se describe con detalle con la que el habla humana real se procesa a través de un filtro y de su filtro inverso utilizando una función de coste que ayuda a extraer una señal fuente inherente y coeficientes de filtro de cada uno de los datos de formas de onda etiquetados. A continuación, los datos extraídos de fuente y de filtro se almacenan en la fase (58) en la base de datos de formas de onda (60). La base de datos de formas de onda maximales (60) contiene así datos de (formas de onda) fuente y datos de coeficientes de filtro de todas las semisílabas y unidades limítrofes etiquetadas. Una vez creada la base de datos de formas de onda, el sintetizador ya se puede usar.

Para utilizar el sintetizador, se suministra una cadena de entrada como se indica en (62) en la Figura 4A. La cadena de entrada puede ser una cadena de fonemas que represente a una frase u oración, tal como se indica en forma diagramática en (64). La cadena de fonemas puede incluir patrones de entonación alineados (66) e información sobre la duración de las sílabas (68). Los patrones de entonación y la información de la duración proporcionan información prosódica que el sintetizador puede usar para alterar selectivamente el tono (pitch) y la duración de las sílabas para dar una inflexión de habla humana más natural a la frase u oración.

La cadena de fonemas se procesa a través de una serie de fases en las que se extrae información de la base de datos de formas de onda (60) y se interpreta por medio de mecanismos de transición por fundido gradual. Primero, se realiza la selección de unidades tal como indica el bloque de encabezamiento (70). En este proceso se aplican reglas de contexto como se indica en (72) para determinar los datos que se deben extraer de la base de datos de formas de onda (60). Las reglas de contexto, ilustradas diagralmente en (74), especifican las semisílabas o unidades limítrofes que se deben extraer de la base de datos en determinadas condiciones. Por ejemplo, si la cadena de fonemas solicita una semisílaba que está representada directamente en la base de datos, entonces se selecciona esta semisílaba. A la hora de realizar selecciones en la base de datos de formas de onda, las reglas de contexto tienen en cuenta las semisílabas de las unidades sonoras vecinas. Si la semisílaba necesaria no está representada directamente en la base de datos, entonces las reglas de contexto especifican la aproximación más inmediata a la semisílaba necesaria. Las reglas de contexto están diseñadas para seleccionar las semisílabas que suenan de la manera más natural cuando se concatenan. Por ello, las reglas de contexto están basadas en principios lingüísticos.

A modo de ejemplo: Si la semisílaba necesaria va precedida por una oclusiva bilabial sonora (por ejemplo, /b/) en la palabra sintetizada, pero la semisílaba no se encuentra en ese contexto en la base de datos, las reglas de contexto especificarán el contexto deseable más próximo. En este caso, las reglas de contexto pueden elegir un segmento precedido por una bilabial diferente, tal como la /p/.

A continuación, el sintetizador crea la cadena acústica de objetos silábicos correspondiente a la cadena de fonemas que el sistema le ha suministrado como entrada. Este paso se indica de manera general en (76) y consiste en la construcción de datos fuente para la cadena de semisílabas como se especificó durante la selección de unidades. Estos datos fuente corresponden al componente fuente del modelo fuente-filtro. Los coeficientes de filtro también se extraen de la base de datos y se manipulan para crear la cadena acústica. La manera en que se manipulan los coeficientes de filtro se explica más adelante. La realización actualmente preferida define la cadena de objetos silábicos como una lista vinculada de sílabas (78) que, a su vez, comprende por una lista vinculada de semisílabas (80). Las semisílabas contienen fragmentos de formas de onda (82) obtenidos en la base de datos de formas de onda (60).

Una vez compilados los datos fuente, se lleva a cabo una serie de fases de transformación para realizar la transición por fundido gradual de los datos fuente en el dominio del tiempo e independientemente, realizar también la transición por fundido gradual de los coeficientes de filtro en el dominio de la frecuencia. Los pasos de transformación aplicados en el dominio del tiempo se muestran a partir de la fase (84). Las fases de transformación aplicadas en el dominio de la frecuencia se muestran a partir de la fase (110) (Figura 4B).

La Figura 5 ilustra la técnica actualmente preferida para representar una transición por fundido gradual de los datos fuente en el dominio del tiempo. Con relación a la Figura 5, una sílaba de duración S está compuesta por una semisílaba inicial y otra final de duración A y B. Los datos de forma de onda de la semisílaba A aparecen en (86) y los de la semisílaba B, en (88). Estos fragmentos de forma de onda se deslizan hasta su posición (ordenados en el tiempo) de tal manera que las dos semisílabas encajen en la duración de la sílaba S. Hay que tener presente que hay una cierta superposición entre las semisílabas A y B.

El mecanismo de transición por fundido gradual de la realización preferida realiza una transición por fundido gradual lineal en el dominio del tiempo. Este mecanismo se ilustra en forma de diagrama en (90), y la función de transición por fundido gradual lineal se representa en (92). Obsérvese que en el momento = t_{0} la semisílaba A recibe todo el énfasis mientras que la semisílaba B recibe cero énfasis. Cuando el tiempo transcurre y se llega al momento t_{s}, el énfasis de la semisílaba A se reduce gradualmente mientras que el énfasis de la semisílaba B aumenta gradualmente. El resultado del proceso es una forma de onda compuesta o fusionada gradualmente para la sílaba S completa, como se ilustra en (94).

Refiriéndonos ahora a la Figura 4B, se lleva a cabo un proceso independiente de transición por fundido gradual de los datos de coeficientes de filtro asociados a las semisílabas extraídas. El procedimiento empieza aplicando las reglas de selección de filtro (98) para obtener los datos de coeficientes de filtro a partir de la base de datos (60). Si la sílaba necesaria está representada directamente en un componente de excepción silábica de la base de datos (60), se usan los datos de filtro correspondientes a esa sílaba como se indica en la fase (100). Como alternativa, si el dato de filtro no está representado directamente como una sílaba completa en la base de datos, entonces se generan nuevos datos de filtro, como se indica en la fase (102), aplicando una operación de transición por fundido gradual a los datos de las dos semisílabas en el dominio de la frecuencia. La operación de transición por fundido gradual consiste en seleccionar una región de transición por fundido gradual en la cual los coeficientes de filtro de las semisílabas sucesivas serán fusionados gradualmente mediante la aplicación de una función adecuada de transición por fundido gradual como se indica en (106). La función de transición por fundido gradual se aplica en el dominio del filtro y es una función sigmoidea. Tanto si se ha obtenido directamente a partir del componente de excepción silábica de la base de datos (como se señala en la fase (100)), como si se ha generado mediante la operación de transición por fundido gradual, los datos de coeficientes de filtro se almacenan en (108) para su uso posterior en el sintetizador del modelo fuente-filtro.

La selección de la región adecuada de transición por fundido depende de los datos. El objeto de realizar la transición por fundido gradual en el dominio de la frecuencia es eliminar las interrupciones (glitches) o resonancias no deseadas sin degradar diptongos importantes. Para conseguirlo, hay que identificar regiones de transición por fundido gradual en las que las trayectorias de las unidades de habla que se van a unir sean tan similares como sea posible. Por ejemplo, en la construcción de la palabra inglesa "house", se pueden concatenar las unidades de filtro disilábicas para /haw/- y -/aws/ con superposición en la región central /a/.

Una vez que se han compilado los datos fuente y los datos de filtro y se han transformado como se explica en las fases anteriores, son transferidos, como se indica en (110), al banco de datos de formas de onda fuente (112) y al banco de datos de coeficientes de filtro (114), respectivamente, para ser usados por el sintetizador del modelo fuente-filtro (116) para producir habla sintetizada.

Extracción de señales fuente y coeficientes de filtro

La Figura 6 ilustra un sistema conforme a la invención mediante el cual la forma de onda fuente se puede extraer a partir de una señal de entrada compleja. En el proceso de extracción se utiliza un par filtro/filtro inverso.

En la Figura 6, el filtro (110) es definido por su modelo de filtro (112) y los coeficientes de filtro (114). La presente invención también emplea un filtro inverso (116) que corresponde al inverso del filtro (110). El filtro (116) tendría, por ejemplo, los mismos coeficientes de filtro que el filtro (110), pero sustituiría los ceros en todas las ubicaciones en las que el filtro (110) tuviera polos. Así, el filtro (110) y el filtro inverso 116 definen un sistema recíproco en el que el efecto del filtro inverso (116) es negado o invertido por el efecto del filtro (110). De esta manera, como se puede ver en los dibujos, una entrada de forma de onda de habla que primero procese el filtro inverso (116) y posteriormente el filtro (110), resulta en una salida de formas de onda que, en teoría, será idéntica a la forma de onda de entrada. En la práctica, ligeras variaciones en la tolerancia de los filtros o ligeras diferencias entre los filtros (116) y (110) darán lugar a una forma de onda de salida que se desvía algo de ser idéntica a la forma de onda de entrada.

Cuando una forma de onda de habla (u otra forma de onda compleja) se procesa a través del filtro inverso (116), la señal residual de salida en el nodo (120) se procesa mediante la aplicación de una función de coste (122). Por regla general, esta función de coste analiza la señal residual de acuerdo con una o varias funciones de proceso de una pluralidad, que se describen detalladamente más adelante, para producir un coeficiente de coste. Posteriormente, el coeficiente de coste se usa en las siguientes fases de procesamiento para ajustar los coeficientes de filtro (114) en un esfuerzo de minimizar el coeficiente de coste. En la Figura 1, el bloque minimizador de coste (124) representa en forma diagramática el proceso por el que los coeficientes de filtro se ajustan selectivamente para conseguir una reducción del coeficiente de coste. Este proceso se puede llevar a cabo de manera repetitiva, usando un algoritmo que ajuste incrementalmente los coeficientes de filtro a la vez que busca el mínimo coste.

Una vez logrado el mínimo coste, la señal residual resultante en el nodo (120) puede servir para representar una señal fuente extraída para posteriores síntesis del modelo fuente-filtro. A continuación, los coeficientes de filtro (114) que produjeron el coste mínimo se usan como coeficientes de filtro para definir el filtro (110) para usar en posteriores síntesis del modelo fuente-filtro.

La Figura 7 ilustra el proceso por el cual se extrae la señal fuente y se identifican los coeficientes de filtro, para conseguir un sistema de síntesis según el modelo fuente-filtro acorde con la invención.

Primero se define un modelo de filtro en la fase (150). Puede usarse cualquier modelo de filtro adecuado que se preste a una representación mediante coeficientes. Después, en la fase (152) se suministra un conjunto inicial de coeficientes. Hay que tener en cuenta que el conjunto inicial de coeficientes se irá alterando repetitivamente en los siguientes pasos del proceso para buscar los coeficientes que correspondan con la función de coste mínimo. Pueden utilizarse diversas técnicas para evitar una solución subóptima correspondiente a mínimos locales. Por ejemplo, el conjunto inicial de coeficientes usados en la fase (152) se puede seleccionar a partir de un conjunto o una matriz de coeficientes diseñados para proporcionar varios puntos de partida diferentes con el fin de evitar los mínimos locales. Por ello, en la Figura 7 se puede observar que la fase (152) se puede ejecutar varias veces para los diferentes conjuntos iniciales de coeficientes.

El modelo de filtro definido en (150) y el conjunto inicial de coeficientes definido en (152) se usan luego, en la fase (154), para construir un filtro (como se indica en (156)) y un filtro inverso (como se indica en (158)).

A continuación, la señal de habla se aplica al filtro inverso en (160) para extraer la señal residual, como se indica en (164). Como se puede ver en los dibujos, la realización preferida utiliza una ventana de Hanning centrada en el epoch de tono (pitch) actual y ajustada de manera que cubra periodos de dos tonos. Se pueden emplear también otras ventanas. Luego, la señal residual se procesa en (166) para extraer puntos de datos para usarlos en el cálculo del la longitud del arco.

La señal residual se puede procesar en un número de diferentes maneras para extraer los puntos de datos. Como se ilustra en (168), el procedimiento se puede ramificar en una o varias clases seleccionadas de rutinas de procesamiento. En (170) se ilustran algunos ejemplos de estas rutinas. Después, se realiza el cálculo de la longitud del arco (o de la longitud de forma cuadrada) en (172). El valor resultante sirve de coeficiente de coste.

Después de calcular el coeficiente de coste para el conjunto inicial de coeficientes de filtro, en la fase (174) se ajustan selectivamente estos coeficientes de filtro y el procedimiento se repite las veces necesarias como se indica en (176) hasta que se consigue el coste mínimo.

Una vez conseguido el coste mínimo, la señal residual extraída correspondiente a ese coste mínimo se usa en la fase (178) como señal fuente. Los coeficientes de filtro asociados con el coste mínimo se usan como coeficientes de filtro (fase (180)) en un modelo fuente-filtro.

Para obtener más detalles sobre la extracción de la señal fuente y los coeficientes de filtro, consulte la patente de Estados Unidos "Method and Apparatus to Extract Formant-Based Source-Filter Data for Coding and Synthesis Employing Cost Function and Inverse Filtering", Número de publicación: US-B-6 195 632, del 27/02/2001 por Steve Pearson y cedida al cesionario de la presente invención.

Si bien la invención se ha descrito en su realización actualmente preferida, se entenderá que la invención es susceptible de cierta modificación sin apartarse del ámbito de la invención establecido en las reivindicaciones adjuntas.

Claims (5)

1. Un sintetizador de habla concatenativo, que comprende:

una base de datos (60) que contiene (a) unos datos de formas de onda de semisílabas asociados con una pluralidad de semisílabas, y (b) unos datos de coeficientes de filtro asociados con la mencionada pluralidad de semisílabas;

un sistema de selección de unidades (70) que sirve para extraer los datos de formas de onda de semisílabas y los coeficientes de filtro seleccionados de la mencionada base de datos correspondientes a una cadena de entrada destinada a ser sintetizada;

un mecanismo de transición por fundido gradual de formas de onda (102) para unir pares de datos de formas de onda de semisílabas extraídos para formar señales de formas de onda de sílabas;

caracterizado por

un mecanismo de transición por fundido gradual de coeficientes de filtro (106) para definir un conjunto de datos de filtro a nivel de sílaba para realizar una interpolación sigmoidea entre los respectivos coeficientes de filtro extraídos (108) de dos semisílabas; y

un módulo de filtro (110, 112, 114, 116) receptor del mencionado conjunto de datos de filtro de nivel de sílaba, con capacidad para procesar las mencionadas señales de formas de onda silábicas para generar el habla sintetizada.

2. El sintetizador de la reivindicación 1 en el que el mencionado mecanismo de transición por fundido gradual de formas de onda actúa en el dominio del tiempo.

3. El sintetizador de la reivindicación 1 en el que el mencionado mecanismo de transición por fundido gradual de coeficientes de filtro actúa en el dominio de la frecuencia.

4. El sintetizador de la reivindicación 1 en el que el mencionado mecanismo de transición por fundido gradual de formas de onda realiza una transición por fundido gradual lineal sobre dos semisílabas durante un periodo de tiempo predefinido correspondiente a una sílaba.

5. El sintetizador de la reivindicación 1 en el que el mencionado mecanismo de transición por fundido gradual de coeficientes de filtro interpola entre los respectivos coeficientes de filtro de dos semisílabas previamente extraídos.