Dialogue Act-Based Expressive Speech Synthesis in Limited Domain for the Czech Language

Abstract

Článek se zabývá syntézou expresivní řeči v dialogu. Pro popis expresivity jsou použity dialogové akty - diskrétní expresivní kategorie. Cílem této práce je popsat postup vývoje expresivní syntézy řeči pro dialogový systém v omezené oblasti. Zde je tato oblast omezena na rozhovory mezi člověkem a počítačem na témata týkající se osobních fotografií. Aby bylo možné začlenit do syntézy řeči expresivitu, je potřeba modifikovat stávající algoritmy používané pro syntézu neutrální řeči. Byl nahrán expresivní řečový korpus, data byla anotována předdefinovanou množinou dialogových aktů, a byla provedena akustická analýza tohoto korpusu. Pro syntézu expresivní řeči byly využity metody výběru jednotek a HMM. Jako výsledky jsou v článku uvedené výstupy z poslechových testů. Posluchači v nich hodnotili dva aspekty expresivní syntézy řeči pro izolované promluvy: kvalitu řeči a vnímání expresivity. Vyhodnocení je provedeno také pro promluvy v rámci dialogu pro ověření vhodnosti syntetické expresivní řeči. Závěrem je, že syntetická expresivní řeč je hodnocena pozitivně i když je o něco horší kvality než syntetická řeč neutrální. Syntetická expresivní řeč však skutečně umožňuje přenášet expresivitu na posluchače a tím zlepšuje přirozenost syntetické řeči.