Cours parole du 2 Mars 2005 enseignants: Dr Cours parole du 2 Mars 2005 enseignants: Dr. Dijana Petrovska-Delacrétaz et Gérard Chollet Synthèse de la Parole Introduction, Historique, Domaines d’applications Synthèse à partir d’un texte / à partir de concepts Traduction Graphèmes --> Phonèmes et Prosodèmes Synthèse articulatoire / acoustique Synthèse par concaténation Modèles de langage Evaluation Conclusions

1.7 Domaines du Traitement Automatique de la Parole Identité CONNAISSANCES LANGAGIERES ET PAROLIERES PHONETIQUE RECONNAISSANCE GRAPHEMES VERS PHONEMES SYNTHESE ANALYSE STOCKAGE RESTITUTION TRANSMISSION Bla-bla bla … Bla-bla LANGUE MESSAGE

Biblio Traitement de la parole, R.Boite… (chapitre 7) Presses Polytechniques et Universitaires Romandes (2000) Spoken Language Processing, X. Xuang…. (Part 4, chapitres 14 -16) Prentice Hall (2001)

1. Définitions Système de synthèse vocale à partir d’un texte (« text to speech –TTS » ) ou à partir de concepts : Idéalement c'est une machine capable de synthétiser (lire) n'importe quel texte (même des mots nouveaux), imitant n'importe quel locuteur, de manière aussi fidèle que possible (intelligibilité, spontanéité) et en générant toutes les informations nécessaires dans un message vocal. Provenance du texte: à partir d'un texte introduit sur un clavier, scanné, issu d'un système de reconnaissance optique de caractères ("Optical Character Recognition- OCR"), ou produit automatiquement par un système de dialogue homme-machine (synthèse à partir de concepts).

La synthèse, pour quoi faire ? Services de télécommunications Rendre toute information écrite disponible via le téléphone (horaires de cinéma, horaires de train, informations routières, état d’un compte en banque, dernière facture téléphonique, etc.) Applications en bureautique Terminaux parlants, lecture des emails par la voix, etc. Applications dans les transports Information dans les automobiles, aide à l’exploitation des trains, lecture de cadrans dans les avions, etc. Aide aux personnes handicapées Un handicapé peut s’exprimer par le biais d’un synthétiseur (cours du célèbre astrophysicien Stephen Hawking) Apprentissage des langues étrangères Dictionnaires électronique avec prononciation intégrée, logiciels d’apprentissage des langues étrangères, traduction automatique, etc. Livres et jouets parlants À l’usage des enfants en bas âge Communication naturelle avec la machine

2. Applications prévisibles Ceci nous permettrait (dans le futur) d'atteindre les buts suivants: d'atteindre des taux de compression élevés (utile p.ex. dans la transmission des messages parlés) d'avoir une grande flexibilité concernant le choix des voix de synthèse de préserver des informations extra-textuelles (stress, prosodie, vitesse d’élocution,…) d'avoir une méthode de représentation alternative aux documents textuels (utile plus pour les aveugles, ou pour des applications mains-libres ) de disposer d'un système complet et convivial de dialogue homme-machine

mais encore Aide à l’apprentissage (ou perfectionnement) de langues étrangères (système tonal du chinois ou les variations de Fo ont des signification différentes, traducteur multi-langues) Monde ludique des livres et jouets parlants Monitoring vocal pour des informations urgentes ou multiples (pilote d'avions) Améliorer nos connaissance théoriques sur la phonétique, compréhension de la parole, perception

3. Situation actuelle des synthétiseurs de parole à partir du texte possible pour un très petit nombre de locuteurs (voix féminine ou masculine) pour un vocabulaire restreint pour des langues pour lesquelles des grosses bases de données existent, et dont la grammaire est bien étudié pour des nouvelle langues il faut tout recommencer Constatation: on est loin du but !

Structure d’un système de synthèse SYNTHESE DE LA PAROLE A PARTIR DU TEXTE TRAITEMENT DU LANGAGE NATUREL Formalismes linguistiques Moteurs d’inférence Inférences logiques TRAITEMENT DU SIGNAL NUMERIQUE Modèles mathématiques Algorithmes Calculs numériques Texte Parole Phonèmes Prosodie

5. Modules et flux de données des systèmes TTS texte Traitement du langage naturel (analyse morpho-synthaxique) Formalismes linguistiques Moteurs d'inférence Inférences logiques Traitement du signal numérique Modèles mathématiques Algorithmes Calculs numériques Phonèmes Prosodie

Du Texte à la Phonétique Pré-processeur Analyseur morphologique Analyseur contextuel Structure de données Analyseur syntaxique- prosodique Phonétiseur Générateur de prosodie Phonèmes Prosodie

5.1 Module traitement du langage naturel Pré-processeur: transforme le texte, de façon à identifier des séquences de caractères qui risquent de poser un problème (nombres, abréviations, acronymes, …) Analyseur morphologique: identifie les syntagmes possibles pour chaque mot individuellement (nom, prénom, verbe,…) Analyseur contextuel : comme avant mais en contexte, donc permet de réduire la liste des syntagmes possibles; Analyseur syntaxique-prosodique : affine les résultat de l'analyseur contextuel, et établit un découpage du texte en groupes de mots, pour leur associer une prosodie. Convertisseur graphème -phonème (phonétisation)

Prétraitement des données textuelles détection des fins de phrases (les ponctuations ne sont pas toujours des indicateurs de fins de phrases, 12.3.4, p.ex., Dr…. implique l'identifications des mots à problèmes Acronymes FDA = Food and Drug Administration; CO (carbon oxyde, Colorado, commanding officer..) MD (doctor of medicine or Maryland) Phrases ambigues At 8 am I ( At <time> eight am </time> or At 8 am I ( At <number> eight </number> am I dates Temps Monnaie Grands nombres (quelle suite de chiffres,p.ex pour les cartes de crédit)…… ……

5.1.2 Analyseur linguistique principalement le parseur syntactique et sémantique Peuvent utiliser les règles de NLP (Natural language Processing) si elles existent ( elles sont dérivés des grands corpus textuels) Sert à mettre des tags fonctionnels sur des mots et à lever les ambiguités détectés dans le module de prétraitement les ambiguités sémantiques sont souvent difficiles à résoudre ( At 8 am I) Solution possible: utilisation des langages structurés (xml) avec des "tags" spécifiques

5.2 Phonétiseur automatique Plus le vocabulaire est grand, plus on a des problèmes, et il n'existe pas de solution globale, car les problèmes sont très variés: homographes hétérophones i.e. des mots qui s'écrivent de la même façon mais se prononcent différemment (des os, un os) Coarticulation (dans un mot) liaisons phonétiques entre groupes de mots : deux à deux (liaison optionnelle) ou plat exquis (liaison interdite)… en français le e muet ( surtout dans le sud de la France..) nouveaux mots (acronymes y compris) Noms propres

Phonétisation (1)

Phonétisation (2)

5.3 Prosodie C'est la manière de prononciation qui est importante pour la compréhension (dénotation et co-notation); Elle comprend : les pauses le pitch (Fo) la vitesse de prononciation l'amplitude

Prosodie : la « musique » de la parole

5.4 Traitement du signal numérique Transforme la suite de phonèmes et leur prosodie en signal sonore: c'est le module de synthèse Il existe deux familles de synthétiseurs : par règle par concaténation avec modification de la forme d'onde (prosodie) sans modification de la forme d'onde en domaine limité (enregistrement de phrases entières)

Qu’est-ce qu’un diphone ?

Concaténation de diphones

5.5 Qualité et couverture textuelle Concaténation domaine limité Concaténation sans modif forme d'onde Bonne Concaténation avec modif. forme d'onde par règles Mauvaise elevé basse Couverture textuelle (pourcentage de phrases de qualité maximale)

5.6 Synthétiseurs par règle Avec les phones + prosodie on utilise des règles (Pitch, contour, formants,… 40 paramètres) avec modèles de production (LPC) Laborieux et de mauvaise qualité

5.7 Synthétiseurs par concaténation Concaténation de quelles unités: mots syllabes tri-phones di-phones Qualité qui augmente lorsque la taille des unités augmente (mais on besoin de bases de données plus grandes ) Problème de couverture

6. Évaluation est un problème difficile, et pour le moment il n'existent pas de normes d'évaluation communes. Problèmes rencontrés: dépendance de la tâche (réservations de vols, lecture de e-mails ) test au laboratoire différent des test réels évaluation automatique ou par des utilisateurs humains Si utilisateurs humains : préférence subjective vs efficacité

7. Des alternatives Utiliser plusieurs sources d'information pour lever les ambiguïtés, ou les problèmes dues au conditions difficiles … Par ex : à la place des machines parlantes introduire des visages parlants

Liens Internet Synthèse http://tcts.fpms.ac.be/synthesis/mbrola.html http://www.bell-labs.com/project/tts/#examples http://www.cstr.ed.ac.uk/projects/festival/ http://www.research.att.com/projects/tts/ Codage http://people.qualcomm.com/karn/voicedemo/

8.3 Codeurs segmentaux Permettent la plus grande réduction du débit (<800bps), mais nécessitent des méthodes de reconnaissance des unités segmentales. Résultats similaires dans l'implémentation des systèmes dépendant du locuteur. Comment pourrait-on encore réduire le débit: en transmettant le texte reconnu, et en effectuant de la synthèse à partir du texte du coté du transmetteur.

Recherche actuelle