Технология преобразования текстовой информации в звуковую информацию в Windows 7

Размещено на http://www.allbest.ru/

Государственное образовательное бюджетное учреждение среднего профессионального образования Воронежской области

«Воронежский техникум строительных технологий»

дипломный проект

на тему:

«Технология преобразования текстовой информации в звуковую информацию в Windows 7»

Специальность: 230106 «Техническое обслуживание средств вычислительной техники и компьютерных сетей»

Выполнил:

студент IV курса группы К09.1

Терновых Татьяна Николаевна

Руководитель дипломного проекта:

Романович Сергей Григорьевич

Воронеж

2013



ГОБУ СПО ВО «Воронежский техникум строительных технологий»

Специальность 230106 «Техническое обслуживание средств вычислительной

техники и компьютерных сетей»

ОТЗЫВ

руководителя на дипломный проект студентки IV курса

Терновых Татьяны Николаевны,

обучающегося по специальности 230106 «Техническое обслуживание средств вычислительной техники и компьютерных сетей»

на тему «Технология преобразования текстовой информации в звуковую информацию в Windows 7»

Заключение:

Оценка

Руководитель ________

(фамилия, имя, отчество) (подпись)

« » 2013 г

ГОБУ СПО ВО «Воронежский техникум строительных технологий»

Специальность 230106 «Техническое обслуживание средств вычислительной

техники и компьютерных сетей»

РЕЦЕНЗИЯ НА ДИПЛОМНУЮ РАБОТУ

студентки IV курса

Терновых Татьяны Николаевны,

обучающегося по специальности 230106 «Техническое обслуживание средств вычислительной техники и компьютерных сетей»

на тему «Технология преобразования текстовой информации в звуковую информацию в Windows 7»

Заключение рецензента:

Рецензент:

(фамилия, имя, отчество) (подпись)

« » 2013 г



СОДЕРЖАНИЕ

Введение

Обзорно- постановочная часть

Проектная часть

3.1 Технология TTS

3.1.1 Готовые решения технологии TTS

3.1.2 Технология Microsoft Text- to- Speech

3.2 Конференции по речевым технологиям

3.3 Синтез речи

3.3.1 Методы синтеза речи

3.4 Использование программы Экранный диктор

3.5 Программные реализации синтез авторов речи

3.5.1 Описание программы Govorilka

3.5.2 Описание программы Говорушка

Описание программы «Говорит компьютер»

Расчетно-экономическая часть

Техника безопасности

Заключение

Список используемой литературы



ВВЕДЕНИЕ

На сегодняшний день наше общение с компьютером сводится к использованию клавиатуры, мыши, монитора и других устройств ввода-вывода. Это стало так естественно, что редко кто задумывается об их альтернативах. Но если вернуться во времена создания первых ЭВМ, то уже тогда разработчики думали о компьютерах, которые могли бы общаться с человеком на его языке. Человеческий язык при кажущейся простоте и доступности плохо изучен. Еще не создано достаточно хорошей модели его построения, хотя работы в этой области напряженно ведутся. А без построения алгоритма синтеза речи невозможно создание речевых программ. Поэтому “читающие” программы до сих пор не реализованы в полной мере.

Основная цель данной работы - провести обзор программ, которые преобразовывают текст в звук и выбрать наиболее подходящую для использования неопытного пользователя компьютера.

Объектом исследования данной работы являются программы преобразовывающие текстовую информацию в звуковую.

Предмет исследования- …

Задача исследования: познакомиться со стандартной утилитой в операционной системе Windows 7, проанализировать “читающие” программы, описать их преимущества и функции.

Полученные результаты данной работы будут полезны в первую очередь пользователям с ограниченными способностями, связанные со зрением , для людей, заботящихся о своём зрении и для тех, кто хочет узнать, как звучат слова и фразы на иностранном языке.

Данная работа состоит из введения, обзорно-постановочной, проектной и расчётно-экономической части, техники безопасности, заключения, списка используемой литературы и приложений.



ОБЗОРНО-ПОСТАНОВОЧНАЯ ЧАСТЬ

Современному человеку по причине работы, учебы или просто в ознакомительных целях зачастую приходится работать с текстовыми файлами. Такими файлами обычно являются отчеты, журналы, книги и тому подобное. Понятно, что долгое нахождение за монитором приведет к серьезным проблемам с глазами и не только! Так как же тогда быть?

Хорошим вариантом решения такой проблемы является программа для распознавания текста и последующим преобразованием его в речь. Такая программа без сомнений облегчит вашу жизнь.

Созданием таких программ занимается множество производителей, но в целом они мало чем отличаются. Со своей работой эти программы справляются превосходно и, к тому же, не требуют от компьютера ни большой производительности, ни драгоценного места на жестком диске. В их состав, по меньшей мере, входит два компонента:

Голосовые движки можно устанавливать в неограниченно большом количестве, а затем при воспроизведении выбрать один из них. Качество воспроизведения звука в частности зависит от выбранного движка и детальной настройки. Важно произвести правильную настройку параметров синтетической речи, а именно скорость воспроизведения и тембр голоса. Довольно полезной штукой в таких программах является опция преобразования текстовых и страниц из Интернета в звуковые файлы, которые в дальнейшем можно будет прослушивать.

Также немаловажный плюс этих программ заключается в том, что они в прямом смысле этого слова экономят место на жестком диске. Большинству пользователей уже известно, что масса справочных материалов в сети Интернет находятся в текстовом формате и найти их аналоги в звуковом варианте крайне сложно. Но если под рукой имеется программа, способная преобразовать текст в речь, то с такими проблемами вы справитесь без особого труда! Да и полученные звуковые файлы будут куда меньше по размеру, чем скачанные из Интернета. Еще одним плюсом программы преобразования речи является возможностью сохранения в памяти нескольких текстов, а также возможность начать работу с той точки, на которой вы остановились.

Таким образом, перечислив все возможности программ, преобразующих текст в речь, можно добавить, что если вы заинтересовались ими, то на специализированных сайтах производителей вы легко найдете ту, которая вам подходит. анализ программа Windows преобразовывает

За долгую историю создания “говорящих” программ было пройдено несколько этапов решения этой задачи.

Первыми появились озвученные словари (самые старые и ограниченные в применении). Такой подход годится только для областей, где достаточно небольшого озвученного набора слов. Примером являются электронные справочные системы, зачитывающие по телефону железнодорожное расписание, а также всем известная служба точного московского времени “100”.

Позже стали появляться программы моделирования работы голосовых связок и ротовой полости человека, использующие хорошо изученные сведения из области физиологии.

И наконец, самая перспективная технология - TTS (Text to Speech), получившая в последнее время широкое распространение.

Реализация этой технологии стимулировала создание новых компактных голосовых продуктов с ранее немыслимыми возможностями.

Объектом Дипломной работы является современные компьютерные программы которые служат для преобразования текста в звук.

В данной работе поставлена задача: познакомиться со стандартной утилитой Экранный диктор в Windows 7 и другими программами предназначенными для преобразования текста в звук.



ПРОЕКТНАЯ ЧАСТЬ

Технология TTS

Технология TTS, известная на компьютерном рынке уже более 15 лет, обычно используется в приложениях, где необходимо речевое воспроизведение большого числа различных текстов. Основной чертой, выделяющей TTS из голосовых программ, разработанных ранее, является способность произносить слова на основе фонетических правил и заранее озвученного или синтезированного машиной набора звуков. Приближенно процесс синтеза речи можно представить как склеивание по правилам фонетики заранее озвученных фрагментов языка (дифтонгов или более длинных фрагментов) в слова и затем - в предложения. Из этого вытекают достоинства технологии TTS:

- возможность озвучивания любых слов данного языка, как только появившихся в обиходе, так и никогда не существовавших;

- низкие требования к оперативной памяти компьютера, в которой находятся только озвученные фонемы, а не целые словари, как это реализовано в других технологиях синтеза речи;

- более быстрый процесс, поскольку синтез речи проходит скорее, чем поиск в громадной базе заранее озвученных слов (особенно это преимущество проявляется, когда необходимо воспроизвести большое число разнообразных слов);

- простота выделения ударений и интонаций в синтезированных словах;

- возможность изменить темп чтения, не нарушая тембра голоса.

Конечно, это не означает, что технология TTS является окончательным этапом. Например, в автоматизированных системах синтеза речи с использованием ограниченного набора слов более дешевым и качественным (на сегодняшний день!) будет решение, основанное на небольшом озвученном словаре.

Но это лишь тенденция ближайшего времени, а позже непременно получат распространение программы, построенные по технологии TTS с внедренными средствами искусственного интеллекта для “понимания” смысла произносимой речи.

Следует учесть, что синтез речи основан на знании многих научных дисциплин: лингвистики, психологии, физиологии человека, компьютерных технологий. Необходим анализ структуры предложения, в результате которого определяется произношение отдельных слов, интонация и оптимальный ритм синтезированной речи (с учетом синтаксиса и семантики). Должны правильно произноситься имена собственные, телефоны, почтовые адреса и другие специфические элементы генерируемого текста, без которых немыслим современный Интернет. Недавно появилась новая разработка - Visual TTS, заключающаяся в синхронизации генерируемой речи с моделируемой мимикой лица говорящего человека. Реалистичное движение губ позволяет улучшить не только восприятие синтезированной речи, но и разборчивость произносимого.

Голосовой интерфейс между человеком и компьютером можно представить в виде замкнутого круга. Процесс начинается с регистрации микрофоном аналоговой звуковой волны, возникающей при звучании человеческой речи. Далее звуковая плата конвертирует ее в цифровой сигнал, который программа распознавания речи преобразует сначала в набор фонем, а затем в слова. Программное приложение анализирует этот текст и вырабатывает на него ответ в виде нового набора слов для синтеза. Теперь программа TTS переводит эти слова в фонемы, а затем, например, методом склеивания звуков и используя другие особенности технологии - в цифровой сигнал. И наконец на последнем этапе круг замыкается: звуковая плата через акустические колонки воспроизводит компьютерную речь, предназначенную для человека.

3.1.1 Готовые решения технологии TTS

По технологии TTS построено уже довольно много приложений. Речевые технологии используются в широком спектре задач: чтение электронной почты, веб-страничек, баз данных, в интеллектуальных бортовых системах или, в идеальном случае, при обучении произношению слов иностранного языка. Но большинство этих приложений строится на основе готовых речевых “движков” таких фирм, как Microsoft, Lucent, Lernout & Hauspie, Unisys, Elan и др. Последовательно расмотрим технологии TTS этих фирм.

3.1.2 Технология Microsoft Text-to-Speech

Она предназначена для синтеза речи из компьютерных текстовых файлов, возможно, содержащих информацию, полученную механизмами распознавания человеческой речи. Выходной сигнал может быть сгенерирован для двух различных случаев - чтения по телефону (частота дискретизации 8 кГц) или воспроизведения через звуковую плату ПК с частотой дискретизации около 22 кГц. Предусмотрена также возможность сохранения сгенерированной речи в разнообразных звуковых форматах.

Корпорация создала программный интерфейс для работы со звуком - SAPI 4.0 (Speech Application Programming Interface) и дополняет его набором инструментов и утилит для быстрого построения речевых приложений. В него входят функции распознавания речи ASR (Automated Speech Recognition) и технология TTS. В настоящее время идет разработка нового интерфейса SAPI 5.0, являющегося, по заявлениям компании, полностью обновленной версией.

Для разработчиков речевых приложений предложено несколько вариантов SAPI SDK. Наиболее полный из них - SAPI Speech SDK 4.0a Suit - включает подробное описание интерфейсных библиотек SAPI, документацию, примеры исходного кода и приложений, утилиты для тестирования, а также речевой инструментарий Microsoft Speech engines.

В архиве этот набор занимает более 39 Мб. Но если отказаться от Microsoft Speech engines, то получится набор SAPI Speech SDK 4.0a, занимающий всего 7,9 Мб и свободно доступный на сайте компании. Этот пакет лишает возможности использовать речь в приложениях, а позволяет только создать программную оболочку управления ею.

В речевой технологии TTS от Microsoft можно выбрать три различных типа голосов: “Майк”, “Мэри” и “Сэм”. Речевой инструментарий поддерживает операционные системы Windows 95, 98, NT 4.0 или 2000, требует наличия звуковой платы, процессора не ниже Pentium, ОЗУ от 16 Мб.

Unisys Corporation (www.unisys.com): Natural Language Speech Assistant. Пакет корпорации Unisys построен по технологии NLU (natural language understanding), позволяющей распознавать и “понимать” человеческую речь, а также вести полноценный диалог с компьютером. Разработан полный набор утилит и тестов для создания речевых приложений. NLSA на ежегодной конференции AVIOS (American Voice Input/Output Society) назван лучшим продуктом 1999 года в номинации Best Industrial/Professional Application.

Очень интересна совместная инициатива Unisys и Microsoft по созданию нового сайта www.speechdepot.com, предназначенного для обеспечения программистов полной информацией, экспертизой и всеми необходимыми средствами для создания речевых программ от самых простых до более сложных. Естественно, сайт предоставляет информацию только по продуктам и новациям этих компаний.

Lucent Technologies (www.lucent.com/speech) представила новую версию LTTS3.1 (Lucent TTS 3.1) многоязычного синтезатора речи по технологии Text to Speech. Разработанный в лаборатории Bell Labs (являющейся собственностью Lucent Technologies), новый многоязычный синтезатор речи поддерживает множество разнообразных языков, в том числе и русский, но особенно хорошо “разговаривает” на английском, испанском, французском и немецком языках. Небольшой размер, и высокое качество синтезатора не могли остаться незамеченными на рынке, и уже несколько компаний, в том числе Intellivoice Communications и Pronexus, объявили о его интеграции в свои продукты. Использовать этот синтезатор можно на любом компьютере, оснащенном процессором Pentium 133 и выше, с операционными системами Windows 9x и NT, Solaris, UnixWare; больших вычислительных мощностей не требуется. А можно приобрести пакет разработчика за $595 и писать свои собственные речевые программы. На сайте Bell Labs есть множество синтезированных примеров, включая песни. При желании можно с заранее выбранным голосом (мужской, женский, детский, или писк комара, если хотите) воспроизвести любой английский текст или получить звуковой файл (реализована поддержка форматов aiff, au и wav) и прослушать его у себя на компьютере в автономном режиме.

Elan Informatique (www.elantts.com/speech/). В отличие от других эта компания предлагает широкий спектр продуктов, использующих технологию TTS: Speech cube, Speech platform, Speech unit, Speech engine, Speech engine for Windows CE, Elan talk embedded. В совокупности они могут читать электронную почту, факсы, веб-страницы, применяются в качестве электронного ассистента в автомобилях, конвертируют текстовые базы данных в голосовые. Поражает количество партнеров Elan Corporation, использующих ее технологию TTS: это такие громкие имена, как Dialogic, Novavox, France Telecom, Dragon System (уже подразделение L&H), BMW, Bosch, OKI и множество других.

Речевой синтезатор Elan поддерживает SAPI 4.0; позволяет воспроизводить синтезированную речь и записывать ее в различных звуковых форматах; включает библиотеку препроцессора e-mail (MIME), примеры кода на Си и Visual C++; осуществляет поддержку всех популярных операционных систем: Windows 9x, 2000, NT, UNIX SCO, UNIX Solaris, Linux; работает с английским, француским, испанским, немецким, русским и португальским языками.

Lernout & Hauspie (L&H, www.lhs.com или www.lhsl.com): RealSpeak. По мнению компании, этот продукт представляет собой “квантовый скачок” в улучшении технологии TTS: речь робота заменяется на речь вполне конкретного человека. Алгоритм конкатенации позволяет компьютеру запоминать человеческую речь и использовать ее для синтеза. Для генерации речи служат не только озвученные человеком слоги, но и его же длинные фонемные предложения. Набор этих голосовых сегментов и применение лингвистических знаний обеспечили интеллектуальность компьютерной речи.

RealSpeak поддерживает американскую версию английского, французский и корейский языки. В ближайшее время планируется добавить поддержку немецкого, испанского, итальянского, голландского, шведского и классического английского языков. А к началу 2001 года этот список пополнят японский и китайский.

Продукт широко используется в приложениях, предназначенных для автомобилей, телевидения, телефонных сетей, бытовой электроники и Интернета.

Алгоритм конкатенации обеспечивает интеллектуальное произношение, основанное на реальных образцах человеческой речи. Создана модель для обеспечения натуральной интонации в предложениях и фразах.

Компания L&H предлагает два функционально различных пакета разработчика для создания голосовых программ под Windows 95 и NT. Это пакет для чтения текстов TTS 3000/M SDK и специальный препроцессор e-mail.

С помощью первого пакета приложения можно создавать на Си/Си++, Visual Basic или в других средах разработки, позволяющих обращаться к функциям TTS3000/M, установленных над Windows 95 и NT. Пакет дает также возможность изменять громкость и ритм речи и тембр голоса говорящего.

Препроцессор e-mail позволяет корректно читать почту в голосовых приложениях, работающих под Windows. Он конвертирует почтовые заголовки, сокращения и аббревиатуры в обыкновенный текст, читаемый описанным выше основным модулем синтеза речи. Например, чтобы прочитать почтовый адрес Erict@lhs.be, распознается имя человека (Eric) и дальнейшие сокращения (lhs и be), и на вход модуля TTS V5 поступает сообщение: Erict at Lernout & Hauspie Speech Products Belgium).

Расположенный в научном парке МГУ Клуб голосовых технологий (web.science.park.ru/pcv/) предлагает “говорящую мышь” - конструктор мультимедийных спектаклей с использованием технологии синтеза речи. С ее помощью можно создавать и редактировать, а затем и проигрывать сценарии различных представлений, уроков, анекдоты или поздравления. Фактически этот продукт позволяет создать домашний компьютерный театр, который осуществляет соединение звуковых, музыкальных, графических и видеоформ. В его состав входят “прочитыватель” русских текстов (английские тексты также могут читаться - по правилам английской грамматики, но с “русским акцентом”), речевой драйвер для Windows 95 (озвучивает навигацию по меню, читает экранные сообщения и выделенные тексты в любых приложениях), интегратор основных мультимедийных файлов с универсальным средством просмотра, расширяемый словарь сокращений и иностранных слов, библиотека мультимедийных файлов и примеры готовых сценариев. “Говорящая мышь” может читать текстовые файлы вслух различными голосами с регулируемыми темпом и высотой, автоматически расставлять ударения, озвучивать клавиатурный ввод, осуществлять чтение двумя голосами в унисон или со сдвигом по частоте; кроме того, она имеет встроенную реверберацию, позволяет редактировать голоса, поет, в том числе под MIDI-аккомпанемент с настройкой голоса на музыкальный инструмент, читает вслух текущую дату и время.

Уже выпущен тираж с новой версией 5.0, в которую добавлены поддержка полноценного чтения на английском языке и возможность сохранять синтезированный голос в виде WAV-файла. Программа занимает весь CD-ROM (около 650 Мб) и требует процессора Pentium 75 и выше, Windows 95 и звуковой платы.

3.2 Конференции по речевым технологиям

Речевым технологиям посвящены многие выставки и конференции.

AVIOS - старейшее общество, занимающееся сбором и распространением информации о речевых технологиях. Ежегодно оно проводит конференции, и со времени своего образования в 1981 году их проведено уже 18. В течение последних трех лет по результатам конференции происходит отбор лучших речевых решений и их публикация на сайте. В этом году конференция открылась 22 мая и продлилась всего три дня.

Более популярна выставка и конференция SpeechTek (www.speechtek.com), посвященная голосовым технологиям. В последней выставке, проходившей в октябре прошлого года, приняли участие около 60 экспонентов, среди которых были почти все фирмы, рассмотренные нами. Они продемонстрировали достижения в области синтеза (TTS) и автоматического распознавания речи (ASR), связанные с ними проблемы сжатия речи, идентификации говорящего, машинного перевода, а также применение этих технологий в образовании, здравоохранении, банковской деятельности, производстве и т. п. (см. также PC Week/RE, № 43/99, с. 1).

3.3 Синтез речи

В то время как задача распознавания речи очень сложна и решена лишь отчасти, задача синтеза речи намного проще (хотя и там есть немало проблем, ждущих своего решения).

В обиходе Вам наверняка приходилось сталкиваться с различными системами синтеза речи. Вот несколько примеров.

Служба 100 Московской городской телефонной сети, сообщающая по телефону текущее время, использует синтезатор речи. Диктор наговаривает цифры и такие слова, как «часов», «минут» и «секунд», а компьютер формирует речевое представление текущего времени.

Технологии синтеза речи применяются в метро при объявлении остановок.

Владельцы мобильных телефонов могут общаться с автоматической сервисной службой для определения остатка средств на счету, переключения тарифных планов, подключения или отключения услуг и пр. Сервисная служба общается голосом с применением технологий синтеза речи.

Выпущено немало детских игрушек, «говорящих» человеческим голосом. В этих игрушках также применяются простейшие синтезаторы речи или цифровые магнитофоны.

Синтезаторы речи применяются в различных голосовых системах предупреждения, устанавливаемых в автомобилях и самолетах. Такие системы позволяют привлечь внимание человека к возникновению той или иной критической ситуации, не отвлекая его от процесса управления автомобилем, самолетом или другим аналогичным средством.

Также разработано немало компьютерных программ, способных читать голосом содержимое текстовых файлов или текст, расположенный в окнах приложений. Эти системы могут оказаться полезными тем, у кого ослаблено или полностью отсутствует зрение.

3.3.1 Методы синтеза речи

1. Модель компилятивного синтеза

Модель компилятивного синтеза предполагает синтез речи путем конкатенации (составления) записанных образцов отдельных звуков, произнесенных диктором.

При использовании этой модели составляется база данных звуковых фрагментов, из которых в дальнейшем будет синтезироваться речь.

На первый взгляд этот подход не должен вызывать особых затруднений.

Действительно, пользуясь микрофоном и звуковым редактором, например, редактором GoldWave, описанным в 3 главе нашей книги, Вы можете создать набор файлов различных звуковых фрагментов, а затем сохранить их содержимое в базе данных.

Создавая звуковые WAV-файлы с текстовыми сообщениями, можно озвучить операционную систему Microsoft Windows и многие ее приложения, такие как почтовые программы, инструментальные средства разработки и пр.

Если Вы умеете создавать программы, то для Вас не составит труда сделать простейший синтезатор речи, составляющий фразы из отдельных фрагментов. Информацию, необходимую для составления программ, работающих со звуком, можно найти, например, в [10], а также в библиотеке MSDN (http://msdn.microsoft.com).

Модель компилятивного синтеза подходит, главным образом, только в простейших случаях, когда синтезатор должен произносить относительно небольшой и заранее известный набор фраз. При этом обеспечивается довольно высокое качество речи. Впрочем, этот факт не слишком удивителен, если вспомнить, что для синтеза используется естественная человеческая речь.

Тем не менее, на стыке составляемых звуковых фрагментов возможны интонационные искажения и разрывы, заметные на слух. Кроме того, создание крупной базы данных звуковых фрагментов, учитывающей все особенности произношения фонем и аллофонов с разными интонациями, представляет собой сложную и кропотливую работу.

2.Формантно-голосовая модель

Форматно-голосовая модель основана на моделировании речевого тракта человека.

Эта модель может быть реализована с применением нейронных сетей и допускает самообучение. К сожалению, ввиду сложности точного моделирования особенностей речевого тракта, а также учета интонационной модуляции речи форматно- голосовая модель обладает относительно низкой точностью синтезируемых звуков речи. Тем не менее, современные программы синтеза речи, построенные с использованием этой модели, синтезируют вполне разборчивую речь и могут применяться в ряде случаев.

Заметим, что системы голосового предупреждения о возникновении аварийных ситуаций лучше строить с использованием модели компилятивного синтеза, так как разборчивость речи в таких системах выходит на передний план.

Что же касается «бытовых» синтезаторов речи, то в них можно с успехом применять и форматно-голосовую модель.

При построении модели использовались данные об артикуляционном аппарате человека, а также данные фонетики и лингвистики. Как видите, в качестве исходного сигнала применяется комбинация голосового источника и генератора шума. Прерыватель и резонансное устройство моделирует работу речевого тракта. В результате этого моделирования образуется излучаемый звук речи.

При этом для достижения компромисса между качеством модели и ее сложностью были выбраны следующие основные параметры исследуемой системы:

· частота основного тона;

· частота шума;

· количество формант;

· центральная частота каждой форманты;

· вклад каждой форманты.

Частота основного тона определяет высоту голоса. Этот параметр не должен вызывать у Вас никаких вопросов. Что же касается частоты шума, то здесь нужно сделать пояснение.

Образование шума представляет собой достаточно сложный процесс, зависящий от многих факторов, таких как давление и скорость воздушной струи, геометрической формы воздушного тракта, акустических свойств материала и пр. Чтобы полностью смоделировать шум речи на физическом уровне, необходимо создать точную модель речевого аппарата человека, что представляет собой очень сложную задачу.

В качестве альтернативы используется белый шум, спектр которого распределен по некоторому закону (например, по Гауссу) относительно некоторой центральной частоты. При этом закон распределения подбирается экспериментально, а частотой шума в этом случае является упомянутая выше центральная частота.

Количество активных формант, участвующих в образовании речи, выбирается экспериментально, причем в качестве ориентировочного значения используется 4.

Так как форманта представляет собой резонанс в речевом тракте, у неё есть частота резонанса и огибающая. Вид огибающей также определяется экспериментально, в первом приближении это Гауссово распределение.

Вклад каждой форманты определяет, насколько сильно форманта воздействует на основной сигнал.

Все приведенные выше параметры, кроме количества формант, изменяются в процессе образования речи для получения различных звуков. Хотя для более качественного синтеза речи необходимо строить более детальную модель, чтобы синтезированные звуки были разборчивы.



3.Синтез речи с помощью нейронной сети

Для исследования форматно-голосовой модели синтеза речи был создан инструмент Модель синтеза, в котором ручным заданием параметров можно синтезировать практически любой гласный или шипящий звук.

Алгоритм синтеза речи

Процесс синтеза речи выглядит следующим образом.

Уровни выходов нейронов эффекторного слоя нейросети при помощи карты эффекторов преобразуются в значения выбранных параметров модели синтеза. Карта эффекторов определяет соответствие между каждым нейроном эффекторного слоя и конкретным параметром модели синтеза, а также предельные значения каждого параметра. Число эффекторов и число параметров модели может не совпадать. Если параметру не соответствует ни один эффектор, используется некоторое фиксированное значение (значение по умолчанию).

Далее по текущему состоянию модели синтезируется сигнал в пространстве частот: генерируется линейка частот, представляющих голосовой источник. На эту линейку частот накладывается формантная структура (резонансы). Для синтеза шума используется генератор случайной амплитуды и фазы.

На последнем этапе выполняется обратное преобразование Фурье для получения звуков речи.

При обучении системы формировались нейронные ансамбли для каждого звука из обучающей последовательности а, б, в, г, д. Затем проводилось обучение синтезу. В результате в эффекторном слое установились правильные связи с символьным слоем.

Система успешно обучилась синтезу -- синтезируемые звуки в точности соответствуют тонам из обучающей выборки.

Ограничения использованного алгоритма

Автор работы отмечает, что в этом алгоритме узким местом является размер окна дискретного преобразования Фурье ДПФ. В данной модели синтезируются статичные звуки, при этом не происходит изменение параметров в процессе синтеза.

В реальной же речи параметры звука меняются при переходе от одного звука к другому, причем меняются непрерывно. Очевидно, при использовании окон ДПФ такой результат получить невозможно -- в пределах окна параметры звука меняться не будут. Теоретически благодаря полной обратимости дискретного преобразования Фурье возможно получить спектр для любого сигнала, в том числе и с динамически меняющимися параметрами.

Поэтому для генерации звука с изменяющимися параметрами нужно сокращать размер окна ДПФ или брать не весь сгенерированный кадр, а только его часть (не забывая при этом синхронизировать фазу сигнала). В идеале размер кадра можно свести к одному отсчету дискретизации по времени. Этот способ генерации речи дает лучшие результаты по сравнению с ДПФ, но работает гораздо медленнее ДПФ. В системе SAS можно выбрать используемый способ генерации.

3.4 Использование программы Экранный диктор

Windows 7 Пуск специальные возможности панель управления

В комплект программ операционной системы Windows 7 входит утилита, которая называется Экранный диктор. Это очень полезная программа, которая предназначается в помощь пользователям с плохим зрением.

В её возможности входит способность читать вслух информацию о том, что появляется на экране вашего компьютера, в том числе объекты окон,

функции меню и введённые символы. Windows XP использует технологию TTS для распознавания текста и озвучивания его с помощью синтезированного голоса, который выбирается из списка заданных голосов. Эта программа работает с рабочим столом, Панелью управления, Блокнотом и программой Internet Explorer. Экранный диктор работает только с английским языком, в других программах может читать слова с ошибками. Вы можете отрегулировать скорость, громкость или паузы для голоса, изменить другие настройки программы с помощью значка Речь (Speech) на Панели управления.

Использование программы Экранный диктор.

1. Для запуска программы выполните действия: Пуск / Все программы / Стандартные / Специальные возможности / Экранный диктор.

2. Если откроется вводное диалоговое окно, нажмите ОК.

3. Установите флажки напротив следующих полей:

· Объявлять о событиях экрана (Announce events on screen), чтобы идентифицировать объекты на рабочем столе с помощью речи;

· Читать вслух печатаемые символы (Read typed characters);

· Перемещать указатель мыши к активному элементу (Move mouse pointer to the active item);

· Запускать программу Диктор в свёрнутом виде (Start narrator minimized), чтобы свернуть диалоговое окно программы.

1. Нажмите кнопку Голос (Voice).

2. Выберите голос и измените его скорость, громкость и паузы между словами.

3. Нажмите ОК.

4. Щелкните по кнопке Свернуть для дальнейшего использования программы, либо Закрыть для выхода из программы. При необходимости разверните окно программы. Если нужно, нажмите Да.

Изменение настроек конвертации текста в речь.

1. Нажмите Пуск, выберите Панель управления, дважды щёлкните по иконке Речь в Классическом режиме просмотра.

2. Перейдите на вкладку Преобразование текста в речь (Text to speech).

3. В списке Выбор голоса (Voice selection) выберите синтезированный голос.

4.Переместите ползунок Скорость голоса (Voice speed), чтобы изменить скорость произнесения слов.

5.Нажмите Проба голоса (Preview voice) и прослушайте образец произношения.

6. Нажмите ОК.

3.5 Программные реализации синтезаторов речи

3.5.1 Описание программы Govorilka

Синтезатор речи Govorilka

это небольшая программа для чтения текста голосом. Она может прочитать вслух любой текст, который Вы ей дадите на любом языке, любым установленным голосом.

Основные возможности:

Запись речи в звуковой файл (*.WAV, *.MP3) с повышенной скоростью.

Регулировка скорости чтения и высоты голоса.

Автоматически прокручивает текст на экране, чтобы всегда был виден читаемый фрагмент (слежение за речью). При этом читаемый текст может подсвечиваться цветом.

Пополняемые словари произношений, которые позволяют легко корректировать произношение отдельных слов и словосочетаний.

Открывает большие файлы в DOS и Windows кодировке. Размер читаемого текста практически неограничен.

Открывает тексты из файлов MS Word и HTML.

Голосовое озвучивание текста, набираемого в любых Windows-программах, а так же чтение текста из буфера обмена.

Запоминается текст и позиция курсора при выходе из программы

Govorilka нужна тому, кто больше любит слушать тексты, чем читать их с экрана монитора или бережет свое зрение и хочет читать тексты электронных книг сидя подальше от монитора.

В зависимости от установленных речевых модулей, программа Govorilka может читать текст разными голосами и на разных языках, в том числе и на русском языке.

Рисунок 1 - Синтезатор речи Govorilka.

Исходный текст для чтения может быть загружен из текстового файла, файла RTF и универсальный буфер обмена операционной системы Clipboard. Для загрузки текста можно также перетащить значок текстового файла на значок программы Govorilka или в окно этой программы. Вы можете и просто набрать новый текст в окне программы при помощи клавиатуры.

Программа способна читать файлы с символами кириллицы в кодировке операционной системы Microsoft Windows или MS-DOS. Выбор нужной кодировки выполняется при помощи кнопок WIN и DOS, расположенных в инструментальной панели программы.

Размер читаемого текста практически не ограничен. Загруженный однажды текст, а также текущая позиция при чтении запоминается программой. Таким образом, если текст большой, Вы можете слушать его по частям, даже выключая на время компьютер.

Для запуска текста, загруженного в окно программы, достаточно щелкнуть кнопку Читать текст (с изображением треугольника зеленого цвета) или нажать клавишу F5. прочитанный текст выделяется синим цветом.

С помощью кнопок Стоп (клавиша F6) и Пауза/Продолжить (клавиша F8) можно остановить, временно приостановить или продолжит чтение текста.

Можно читать как весь загруженный текст, так и любой его фрагмент. Для чтения фрагмента текста этот фрагмент нужно выделить мышью или при помощи клавиатуры, а затем щелкнуть кнопку Читать текст.

Программа позволяет сохранить результаты синтеза речи, записав синтезированную речь в файл формата WAV или MP3. Заметим, что запись речи в файл происходит не в реальном времени, а ускоренно. В самом деле, для выполнения операции записи речи в файл не требуется проговаривать текст, что необходимо делать со скоростью, привычной для человека.

Для коррекции произношения отдельных слов в программе Govorilka предусмотрен легко пополняемый словарь произношений.

Установка программы

Программа Govorilka будет работать на любом компьютере с операционной системой Microsoft Windows 2000/XP. Для использования этой программы в операционных системах Microsoft Windows 95/98/NT необходимо предварительно установить программный интерфейс Speech API, доступный для бесплатной загрузки на сайте компании Microsoft.

Компьютер должен быть оборудован звуковым адаптером, так как иначе ему нечем будет говорить.

Кроме этого, необходимо загрузить из Интернета и установить программный модуль преобразования текста в речь. Как мы уже говорили, ссылки на такие модули можно найти на странице http://www.vector-ski.ru/vecs/govorilka.html.

Выполнив описанные выше подготовительные действия, загрузите дистрибутивный файл программы Govorilka из Интернета и запустите на выполнение.

На экране появится окно программы. Если в заголовке этого окна после слова «Говорилка» не будет показано название речевого модуля, а при попытке чтения на экране появится сообщение «Speech Engine not initialized», нужно проверить, установлен ли программный интерфейс Speech API, а также программный модуль преобразования текста в речь.

Обратите внимание на рис. 2. В заголовке окна программы Govorilka отображается название модуля преобразования текста в речь L&H TTS3000, а также имя Svetlana, обозначающее голос говорящего. Позже мы расскажем Вам о том, как можно сменить модуль преобразования текста в голос, а также изменить параметры голоса. Обычно пользователю предоставляется выбор среди нескольких мужских и женских голосов.

Настройка программы

Для улучшения качества синтезированной речи и изменения ее характеристик можно выполнить настройку программы Govorilka. Для этого щелкните кнопку Дополнительно, расположенную в правой верхней части инструментальной панели программы. После этого в окне программы появятся новые элементы управления (рис. 2).

Рисунок 2- Расширенные параметры синтезатора речи Govorilka.

В списке Голос можно выбрать один из нескольких голосов. Учтите, что в зависимости от того, какие речевые программные модули установлены на компьютере, будут доступны разные голоса, способные говорить на разных языках. Сама по себе программа Govorilka (как и другие аналогичные программы) не содержат ограничений на язык чтения текста, но такие ограничения, разумеется, есть в речевых программных модулях.

В списке Воспроизведение можно выбрать строки Звуковая плата или Записывать в файл. В первом случае программа Govorilka будет произносить текст, а во втором -- запишет речь, синтезированную из текста

в файл (рис. 3).

Рисунок 3 - Запись голоса в файл.

Перед записью речи в файл нужно выбрать имя файла в поле, расположенном справа от списка Воспроизведение. Там же есть и кнопки Воспроизвести записанный файл и Остановить воспроизведение, с помощью которых можно проверить результат записи.

Движки Скорость, Высота и Громкость позволяют менять характеристики синтезированной речи -- скорость произнесения слов, высоту голоса и громкость голоса, соответственно. С помощью кнопки Default, расположенной справа от этих движков, можно установить характеристики речи, принятые по умолчанию.

Непосредственно над текстовым окном расположены три кнопки, обозначенные цифрами 1, 2 и 3. С помощью этих кнопок можно работать по очереди с тремя различными текстами.

При помощи кнопок Шрифт и Фон пользователь может изменить шрифт текста и цвет фона, на котором этот текста отображается.

И, наконец, флажки Слежение и Подсветка задают режим отображения текста во время его чтения. Если отмечен первый из этих флажков, программа прослеживает чтение текста, сохраняя в памяти текущую позицию. Второй флажок позволяет включить или отключить подсветку прочитанного текста.

Щелкнув кнопку Настройки, Вы получите доступ к диалоговой панели Настройки Govorilka, показанной на рис. 4.

Рисунок 4 - Диалоговое окно Настройки Govorilka.

Здесь можно выбрать звуковой адаптер (список Звуковая плата), а также указать программе папку для хранения временных файлов (элемент управления Временная папка).

При помощи списка Скорость можно задать скорость записи синтезированного голоса в звуковой файл.

Элементы управления, расположенные в группе MP3 Encoder, нужны для определения параметров создаваемых звуковых файлов формата MP3.

Работа со словарем

Важным компонентом программы Govorilka является словарь. При помощи этого словаря можно изменять произношение определенных слов, словосочетаний и различных комбинаций символов.

Словарь создается для каждого речевого программного компонента, установленного на компьютере.

Чтобы добавить в словарь новое слово или любой фрагмент текста, его нужно выделить, а затем щелкнуть правой клавишей мыши и выбрать из контекстного меню строку Словарь. На экране появится диалоговое окно редактирования словаря, показанное на рис. 5.

Рисунок 5 - Словарь синтезатора речи Govorilka.

В поле Текст будет записано выделенное Вами слово, словосочетание или последовательностью символов, для которых нужно определить произношение. В поле Читать как нужно ввести произношение слова в виде транскрипции из русских букв.

Результат можно проверить, щелкнув кнопку Проба. Если произношение Вас удовлетворяет, добавьте новое слово в словарь при помощи кнопки Добавить в словарь.

Можно подготовить словарь в текстовом файле с расширением имени DIC, а затем загрузить его для просмотра и редактирования при помощи кнопки Добавить из (рис. 6). Содержимое словаря будет показано в средней части окна Словарь (6).

Если флажок Обновление не установлен, то в словарь будут добавлены только новые слова. Если же установить этот флажок, то при импорте существующие слова будут заменены новыми.

Рисунок 6- Импортированный словарь.

Чтобы отредактировать произношение слова, щелкните его дважды в окне Словарь, а затем измените содержимое поля Читать как. Проверив произношение кнопкой Проба, сохраните результат при помощи кнопки Добавить в словарь.

В документации к программе Govorilka описан формат словаря и правила, согласно которым обозначается произношение слов.

Строки файла словаря имеют следующий формат:

[$][*]текст[*]=произношение

Здесь текст задает текст, для которого необходимо определить новое произношение. Произношение определяется как последовательность символов.

Символ $ предписывает разделять прописные и строчные буквы. Символ шаблона * указывает, что перед текстом или после него может встречаться любая последовательность символов. Для установки ударения в строку произношения нужно вставить пробел или двойную гласную букву.

В справочной системе программы Govorilka имеются многочисленные примеры, с помощью которых Вы научитесь подготавливать строки словаря.

3.5.2 Описание программы Говорушка

Рисунок 7- Программа Говорушка.

Эта программа читает текст разными голосами на разных языках, используя голосовые движки (text-to-speech enginesa), установленные на компьютере. У данного проекта довольно много уникальных особенностей, отличающих её от аналогов.

«Говорушка» подходит практически для всех категорий пользователей. Особо важна для людей, заботящихся о своём зрении, кто хочет узнать, как звучат слова и фразы на иностранном языке. Вам теперь не надо сидеть перед экраном и напрягать глаза. Просто скопируйте в эту программу, или откройте файл с нужным вам текстом и нажмите на соответствующую кнопку. Программа прочитает вам весь этот текст. Если вы уверены, что эта информация понадобится вам неоднократно, то просто сохраните её в звуковой wav файл, нажав на соответствующую кнопку (к примеру, если вы чего-то учите). Далее вы можете просто проиграть звуковой файл через какую-нибудь программу (к примеру, Winamp или через проигрыватель Windows Media).

Применение программы Говорушка:

По роду Вашей деятельности Вам приходится много читать, а к вечеру уже начинает болеть голова? Без нашей программы Вам просто не обойтись. Вы просто расслабитесь в мягком кресле, а Говорушка Вам будет читать любые тексты!

Вы - ученик или студент? Вам много нужно умных книжек читать, а на всё времени не хватает, а к экзаменам нужно готовиться заранее, а не в последнюю ночь! Единственный просвет в жизни - Говорушка, лежите на диване в наушниках и изучаете мировую литературу!

Вы заботливый родитель? В Вашей семье есть дети, а времени на то, чтобы развивать интеллект ребёнка как всегда мало? Говорушка сыграет немаловажную роль в развитии Вашего чада. Большая часть детей не любит читать книги, а те, кто много читают, быстро хорошего зрения лишаются. Просто купите любую электронную энциклопедию, и Говорушка спасёт Вашему ребёнку зрение! Кстати, операции на глаза сейчас очень дорогие. Несколько долларов сэкономят тысячи! Подумайте о будущем!

Требования к компьютеру:

Требования к Говорушке совсем не высокие. Программа прошла успешные испытания на операционной системе Windows XP (PS 1), на ней она работает идеально. При использовании программы на платформах старше Windows 2000 возможно появление дефектов работы.
Обязательные требования:

Звуковая плата;

Windows NT/2000/XP;

Установлен один или более Text-to-speech engin`ов (голосовые движки);

Установлен SpeechAPI.

Лучшие и уникальные функции Говорушки:

Рисунок 8- Интуитивное выделение.

Уникальная функция! Говорушка может интуитивно выделить Вам текст, а вернее подготовить его к визуальному восприятию. Не верите - просто проверьте! Попробуйте взять любой текст и посмотреть на него, не пытаясь прочитать, а потом пропустите текст через Интуитивное выделение и ещё раз посмотрите на текст. Вы будете удивлены, ведь в считанные мгновения Вы интуитивно осознаете основное содержание текста и главное моменты. Но, если Вам нужно чётко знать содержание текста, то даже при простом чтении Вы быстрее сможете понять смысл текстового фрагмента.

Эта функция поможет как при изучении литературных произведения, так и при прочтении технических текстов. Алгоритм относительно нагруженный, и поэтому выделение занимает некоторое время. Примерная скорость выделения одной страницы текста: 5-9 секунд, в зависимости от скорости процессора Вашего компьютера. Но какая бы скорость не была, эта функция очень поможет Вам при работе с текстом!

Рисунок 9- Многократное прочтение.

Вы часто учите наизусть тексты? К примеру, это так. Редко встречаются люди, которые идеально запоминают текстовую информацию. Если Вы таковым не являетесь и память у Вас обычная, то будем брать количеством. Просто введите число от 1 до 100, и именно столько раз Говорушка прочитает Вам либо весь текст, либо выделенный фрагмент.

Очень полезная функция для выучивания стихов, хотя и для прозы тоже подходит. Если в Вашей семье есть дети то Вы без труда приучите ребёнка к стихам. Если Вы ученик - эта функция специально для Вас, во всех учебных средне образовательных учреждениях требуют знание поэзии. И теперь у Вас с этим проблем не будет.

Рисунок 10- Органайзер.

Очень полезная функция для тех, кто проводит много времени за компьютером. Вы можете заранее запланировать своё расписание на день или даже на целый год. Есть возможность задавать как ежедневное, так и однократное срабатывание. Вы можете выбрать тип оповещения: либо голосом, либо текстовым сообщением, либо и тем и другим одновременно. Если какое либо оповещение временно ненужно, оно может быть выключено. Органайзер входит в состав Говорушки. Для того чтобы органайзер работал, а Говорушка при этом не занимала бы у Вас рабочую область экрана, программа может сложиться в системный трей иконкой (возле системных часов).

Рисунок 11 - Панель Форматирования текста.

Благодаря удобной панели форматирования текста, Говорушка заменит Вам любой простенький текстовый редактор. Одним нажатием Вы можете менять размеры выделенного фрагмента, менять выравнивание текста, а также назначать атрибуты. Для всех этих функция также предусмотрены сочетания клавиш быстрого вызова. Для того чтобы узнать эти сочетания, наведите указатель на одну из представленных кнопок, и Вы увидите подсказку.

Слежение за набором текста

Одна из ключевых функций программы. Если эта кнопка находится нажатом состояние, то во время набора текста в окне Говорушки, как только вы заканчиваете набор слова и ставите пробел или любой другой символ, не являющийся буквой, программа прочитывает последнее написанное слово. Это очень удобная функция, теперь Вы можете набирать тексты прямо в окне Говорушки и слышать то, что Вы набираете. К примеру, если Вы ещё не идеально владеете набором на клавиатуре, Говорушка сильно Вам поможет!

Слежение за набором текста

Тоже довольно удобная функция. Если эта кнопка нажата, то Говорушка постоянно следит за буфером обмена Windows, если текст в нём меняется, то программа сразу же начинает его читать. Это удобно тем, что Вам даже не нужно переносить в Говорушку текст, просто выделите текст в любой программе Windows и нажмите сочетание клавиш Ctrl+С, Говорушка обнаружит это текст и прочитает его.

Экспорт в MS Word

С помощью этой функции Вы можете экспортировать текст в редактор MS Word, при этом подразумевается, что он установлен на Вашем компьютере. Если требуется экспортировать не всесь текст, то выделите часть текст и нажмите на кнопку "Экспорт в MS Word".

Известные проблемы с чтением:

Если программа при запуске выдаёт ошибку, то это значит, что-либо не все компоненты установлены (см. компоненты здесь) или у Вас аудио-карта чем-то занята (для Windows'ов, старше 2000)! Посмотрите, может какой-нибудь WinAmp работает и занимает доступ к аудио-карте. В таком случае попробуйте записать небольшой кусочек текста в файл. Если получится успешно (звуковой файл открывается и слышен отчётливый голос) - значит скорее всего что то со звуковой картой.

Следите за тем, чтобы выбранный голосовой движок (а точнее его язык: русский, английский и т.д.) соответствовал читаемому тексту! Это частая проблема, обычно при неверном выборе программа пытается прочитать текст, но корректное чтение при этом не получается! Обратите внимание, что все настройки чтения (скорость, тембр, и голосовой движок и т.д.) также относятся и к сохранению в wav файл!

И учтите, что качество произношения зависит исключительно от установленного голосового движка, а не от программы, использующей эти движки, т.е. ели вас не устраивает голос или качество произношения, то просто купите где-нибудь в интернете платный качественный голосовой движок, и Говорушка заговорит другим голосом.

Хотим напомнить, что голосовые движки и менеджер (SpeechAPI) нужно не только скачать, но и установить (запустить и согласиться со всеми правилами, если спросят), просто бывает, что начинающие пользователи об этом не знают.

Описание кнопок:

- открытие чистой страницы, к примеру, для набора текста.

...