سنتز گفتار فارسي و بهبود سرعت آن با روش انتخاب واحد از طريق جستجوي شعاعي و پيرايش دادگان

Increasing the Speed Of Unit Selection Speech Synthesis By Beam-Search and Data Pruning

اتصال قطعات ازپيش ضبط شده گفتار، يكي از روش هاي سنتز گفتار است كه با عنوان سنتز مبتني بر انتخاب واحد، شناخته مي شود. ايده اصلي اين گونه سيستم ها، جستجو و انتخاب بهترين نمونه هاي گفتاري از درون يك دادگان بزرگ و اتصال آن ها به منظور توليد شكل موج نهايي مي باشد. جستجو در حجم وسيعي از دادگان براي انتخاب نمونه هاي مناسب، امري زمان بر است. همچنين، بسياري از كاربردها تحمل زمان طولاني براي سنتز گفتار را ندارند. در اين مقاله روش جستجوي شعاعي براي محدودكردن فضاي جستجو و كاهش زمان جستجو ارايه مي شود. در اين روش، درخت جستجو هرس مي شود تا مسيرهايي كه احتمال بهينه بودن آن ها كم تر است، از فضاي جستجو حذف گردند. آزمايش هاي انجام گرفته نشان مي دهد كه با حذف 60% از مسيرهاي جستجو، به كمك اين روش، زمان سنتز 57% كاهش پيدا كرد، درحالي كه طبيعي بودن گفتار سنتزشده بر اساس روش ارزيابي MOS از 2/4 به 0/4 كاهش يافت كه تنها كاهشي معادل 7/4% را نشان مي دهد. هم چنين با پيرايش 10% از دادگان بر اساس هر يك از دو معيار مطرح شده در اين مقاله، سرعت سنتز 07/14% افزايش پيدا كرد؛ امّا بر اساس ارزيابي MOS، طبيعي بودن گفتار از 2/4 به ترتيب به 99/3 و 04/4 كاهش يافت كه اين اختلاف، معادل 5% و 8/3% نسبت به حالتي كه دادگان پيرايش نشده بود، مي باشد.