Synthèse vocale

La synthèse vocale est une technique informatique de synthèse sonore qui sert à créer de la parole artificielle à partir de n'importe quel texte.



Catégories :

Interface utilisateur - Traitement de la parole - Traitement automatique du langage naturel

Page(s) en rapport avec ce sujet :

  • Les aides techniques particulièrement élaborées pour les personnes aveugles et ... La synthèse vocale est conçue pour différents publics, aveugles et malvoyants :... (source : brailleliga)
Stephen Hawking est l'une des personnes les plus célèbres à utiliser ce genre de technique pour communiquer

La synthèse vocale est une technique informatique de synthèse sonore qui sert à créer de la parole artificielle à partir de n'importe quel texte. Pour obtenir ce résultat, elle s'appuie à la fois sur des techniques de traitement linguistique, surtout pour transformer le texte orthographique en une version phonétique prononçable sans ambiguïté, et sur des techniques de traitement du signal pour transformer cette version phonétique en son numérisé écoutable sur un haut parleur. Il s'agit, comme la reconnaissance vocale, d'une technologie servant à construire des interfaces vocales. Parmi les applications, on peut citer la vocalisation d'écrans informatiques pour les personnes aveugles ou fortement malvoyantes[1] (screenreader, ou lecteur d'écran), mais aussi de nombreuses applications de serveurs vocaux téléphoniques, comme les annuaires vocaux de grande taille, où la synthèse vocale est l'unique technique viable pour permettre la restitution sonore des noms et des adresses des abonnés.

Historique

Plusieurs générations de techniques ont été proposées pour la tâche de synthèse vocale.

La première génération, populaire entre 1965 et 1985, est nommée synthèse vocale par règles ou synthèse vocale par formants. Elle est basée sur la modélisation paramétrique du spectre sonore de la parole, surtout à partir de ses formant mesurées en Hz. Des règles servaient à décrire l'évolution temporelle des formants et des paramètres associés, ce qui sert à générer un spectre sonore artificiel à partir duquel on génère le signal acoustique de synthèse. Cette technique, qui est entièrement synthétique, était compatible avec la mémoire informatique limitée disponible à cette époque.

Une seconde génération de techniques, semi-synthétiques, a ensuite été développée par conséquent qu'on pouvait stocker de façon permanente dans une mémoire informatiques des durées suffisantes de parole naturelle. Les techniques ont alors consisté à assembler (à "concaténer") des petits segments élémentaires de parole naturelle pour former n'importe quel énoncé synthétique souhaité.

La première technique de cette génération est la synthèse vocale par diphones. Les sons synthétisés sont en fait des segments d'enregistrement de parole artificiellement attachés les uns à la suite des autres. Cette technique peut être produite pour le français à partir d'une base de 1200 diphones, ce qui nécessite de stocker en tout quelque 120 secondes de parole ce qui nécessite quelque 2 mégaoctets de son numérisé. La parole synthétisée semble plus naturelle que celle produite par règles, mais des problèmes persistent quand la longueur de phonème, l'intonation et l'accent tonique sont pris en compte. Pour remédier à ces problèmes, il est envisageable d'augmenter la quantité d'extrait sonore à utiliser pour la concaténation. Plusieurs extraits pour un même diphone peuvent être utilisés dans un même contexte, et plusieurs types de contextes (intonation, accent, type de phrase) peuvent avoir chacun leurs diphones. On parle alors de synthèse par sélection de diphones ou sélection d'unités (Unit Selection). Ceux-ci sont ensuite utilisés lors de la synthèse vocale de manière à diminuer les mauvaises transitions. Cette amélioration peut demander des bases de données de diphones de plusieurs mégaoctets, ou alors de plusieurs gigaoctets.

Techniques

La première opération à réaliser par un logiciel de synthèse vocale est de transcrire le texte, le plus souvent écrit sous une forme orthographique, en une séquence de phonèmes, qui représentent précisément les sons qui doivent être prononcés. La technique classique pour réaliser la transcription phonétique est d'appliquer suite à lettres composant le texte une série de règles de réécritures dépendant du contexte. En français, mais toujours plus en anglais, il est aussi indispensable de connaître la catégorie grammaticale de certains mots : par exemple dans la phrase "les présidents président" la catégorie grammaticale du mot "président" détermine sa voyelle finale ("e" muet ou le digramme "en"). Enfin pour les mots dont la prononciation n'est pas régulière, et surtout pour les noms propres, on stocke tout simplement leur transcription phonétique dans un lexique d'exception.

Formants

La synthèse par formant repose typiquement sur la description des trois premiers formants du spectre de la parole. Chaque formant (maximum du spectre de parole) est classiquement décrit par trois paramètres, sa fréquence (en Hz), son amplitude (en dB) et sa bande passante (en Hz). L'amplitude représente l'intensité du signal à la fréquence du formant alors que la bande passante représente la largeur du spectre autour du maximum formantique.

Intonation et prosodie

On entend par intonation d'une phrase le parcours mélodique de la voix au cours de la prononciation de la phrase. L'intonation se mesure par la fréquence principale de la voix. C'est une fréquence variable au cours du temps correspondant à la fréquence de vibration des cordes vocales pendant l'énonciation de la phrase, et qui s'observe facilement comme la périodicité du signal vocal. Typiquement la fréquence principale d'une voix masculine possède une plage de variation dans la zone des 80 Hz à 150 Hz alors que celle d'une voix féminine se situera plutôt dans la zone des 140 Hz à 200 Hz.

L'intonation est une caractéristique importante de la voix naturelle, qui dépend aussi particulièrement fortement de la langue concernée et du contenu linguistique de la phrase. Pour les langues à tons comme le chinois mandarin ou cantonnais, l'intonation conditionne même le sens des mots. En français, plus simplement, elle est une caractéristique reliée au type de phrase (affirmative, impérative, interrogative) ainsi qu'à la position des mots dans la phrases (intonation descendante en fin de phrase), et quelquefois reliée à la mise en valeur de certains mots (emphase). En tout cas, pour donner une impression de voix naturelle, la voix synthétique doit s'efforcer d'imiter l'intonation naturelle, ainsi qu'à l'inverse un énoncé synthétisé sans intonation est perçu comme anormal, ainsi qu'à la limite une voix synthétisée avec une fréquence principale totalement constante, est perçue comme complètement artificielle ("voix de robot").

L'intonation forme l'un des trois éléments de la prosodie, les deux autres paramètres prosodiques étant le rythme et l'intensité. En réalité, pour être perçue comme naturelle, la synthèse vocale nécessite d'imiter une prosodie naturelle dans son ensemble. Ceci nécessite de reproduire aussi un rythme naturel, c'est-à-dire une durée naturelle des sons élémentaires (phonèmes). Quant à l'intensité, qui correspond aussi au volume sonore, elle est nettement moins critique que l'intonation ou le rythme pour obtenir un rendu naturel.

Diphones

Un diphone représente la transition entre deux phonèmes successifs.

Voir aussi

Liens externes

Démos en ligne

Logiciels

Libres

Proprietaires

Gratuits

Payants

Notes et Références

  1. Voir l'article sur la complémentarité entre plage tactile braille et synthèse vocale par Christian Coudert, spécialiste de l'informatique adaptée à l'Association Valentin Haüy

Recherche sur Amazon (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Synth%C3%A8se_vocale.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu