Síntese de voz utilizando avatares GPVoz Gabriel de Albuquerque Styve Stallone.

Apresentação em tema: "Síntese de voz utilizando avatares GPVoz Gabriel de Albuquerque Styve Stallone."— Transcrição da apresentação:

1 Síntese de voz utilizando avatares GPVoz Gabriel de Albuquerque Styve Stallone

2 Roteiro O que foi feito na área Potenciais parceiros Possíveis soluções para o problema

3 O que foi feito na área DOXVOX desenvolvido na UFRJ, utiliza a síntese de difones. Gratuito e Open Souce. síntese de difones é baseada em concatenação de difones, que são pequenas seqüências de áudio que amostram a transição da metade de um fonema para a metade de outro. O mecanismo utiliza-se de uma tabela onde são guardados grafemas e seus respectivos fonemas. Palavras que fogem a regra podem ser guardadas por inteiro. Um dos sistemas de acessibilidade mais usados no país.

4 O que foi feito na area UFRGS, desenvolveu o Spoltech Buscava tornar o CSLU toolkit, desenvolvido no (CSLU), localizado no Oregon Graduate Instítute funcional para o nosso português brasileiro; CSLU toolkit: " um sistema que torna possível a criação de sistemas de processamento de fala de maneira simples, disponibilizando, inclusive, uma ferramenta visual para concepção rápida e intuitiva de aplicações de síntese e reconhecimento de fala.“ Buscou parceria com os desenvolvedores do CSLU toolkit; Parceria gerou resultados, a síntese já opera em português e o reconhecimento já atinge 98% de acerto ao reconhecer dígitos.

5 Potenciais parceiros Na UFRGS, aluno está desenvolvendo um projeto de leitor de livros com o sintetizador de voz Open Souce eSpeek. UFRJ criadora do DOXVOX A UFRGS depois da parceria com a CSLU, reforçou a necessidade de buscar parcerias com outras instituições.

6 Possível solução

7 Módulos Text-To-Speech O modulo TTS faz a transformação de texto para fala. Atualmente existem muitos sintetizadores disponíveis no mercado. Podemos dividir o modulo TTS em 2 partes A primeira parte pega o texto e transforma em uma seqüências de fonemas (pode ser uma tabela de associação), também faz a conversão de datas, números e demais símbolos para fonemas. A segunda parte que através da seqüência de fonemas e parâmetros como intensidade e duração, realiza a síntese da voz. Pré-processamentosintese vozTexto

8 Tabela de conversão grafema – fonema (DOXVOX)

9 Módulos Extração do Fonema O Modulo Extração de Fonemas é um reconhecedor de padrões, que podemos dividir em também duas partes. O modulo de extração de características que ao receber o arquivo de áudio, captura as informações mais importantes para o reconhecimento. EX: Taxa que o sinal cruza o eixo horizontal, distancia entre picos. O outro módulo é um módulo de comparação que irá usar um algoritmo para comparar com padrões previamente treinados. ( Redes Neurais, Quantização Vetorial, etc) Deixaremos como próximo passo o estudo das técnicas de reconhecimento de padrões. VozFonema Extração de Parametoscomparação

10 Modulo TTS e Extração do fonemas Resumidamente o primeiro módulo realiza a síntese, e o segundo modulo realiza um reconhecimento. Mais em todos os mecanismos de síntese já está embutida a parte que faz a tradução de grafemas para fonemas (tabelas de conversão). Podemos utilizar dessa tabela para obter os fonemas resultantes sem precisar do segundo modulo.

11 Modulo TTS e Extração do fonemas

12 Módulos Interpretação do Visema O módulo interpretação faz a associação de um fonema recebido pelo modulo extração do fonema com o visema correspondente no banco de visemas. Uma simplificação utilizada na pratica, é fazer os visemas para representar apenas sons de vogais.

13 Módulo Animação O modulo de animação receberá os visemas e sua intensidade e duração. Visemas alem dos movimentos labias, podem representar expressões. Ex: surpresa Para isso o texto precisa ser adaptado para conter informações emocionais.