Sintesi vocale - Wikipedia

Sintesi vocale - Wikipedia
Vai al contenuto
Da Wikipedia, l'enciclopedia libera.
Esempio di sintesi vocale realizzata con
Vocoder
(frase
Somewhere in a future
Esempio di sintesi vocale usata per l'accessibilità: la voce
Festival Speech Synthesis
da en:wikipedia convertita in audio tramite il programma txt2audio
La
sintesi vocale
(in inglese
speech synthesis
) è la tecnica per la riproduzione artificiale della voce umana. Un sistema usato per questo scopo è detto sintetizzatore
vocale
e può essere realizzato tramite
software
o hardware. I sistemi di sintesi vocale sono noti anche come sistemi
text-to-speech (TTS)
(in italiano: da testo a voce) per la loro possibilità di convertire il testo in parlato. Esistono inoltre sistemi in grado di convertire simboli fonetici in parlato
[1]
. Il processo inverso è chiamato
riconoscimento vocale
La sintesi vocale si può realizzare concatenando registrazioni di parti vocali memorizzate in un
database
. I vari sistemi di sintesi vocale si differenziano a seconda delle dimensioni dei campioni vocali memorizzati: un sistema che memorizza singoli
fonemi
o fonemi doppi consente di ottenere il numero massimo di combinazioni a discapito della chiarezza complessiva, mentre in altri sistemi concepiti per un impiego specifico si ricorre alla registrazione di parole intere o di intere frasi per ottenere un risultato di qualità elevata. In alternativa, un sintetizzatore può incorporare un modello dei tratti vocali e di altre caratteristiche umane per creare una voce completamente di sintesi
La qualità di un sintetizzatore vocale si valuta sulla base sia della somiglianza con la voce umana che con il suo livello di comprensibilità. Un programma di conversione da testo a voce con una buona resa può avere un ruolo importante nell'
accessibilità
, per esempio consentendo a persone con problemi di vista o di
dislessia
di ascoltare documenti scritti sul computer. Per questo tipo di applicazione fin dai primi
anni ottanta
molti
sistemi operativi
includono funzioni di sintesi vocale.
Meccanismo di base
modifica
modifica wikitesto
Un sistema o motore di sintesi vocale è composto da due parti
: una
front-end
e una
back-end
La parte
front-end
si occupa della conversione del testo in simboli fonetici, mentre la parte
back-end
interpreta i simboli fonetici e li "legge", trasformandoli così in voce artificiale.
Schema di un sistema di sintesi vocale generico
Il
front-end
prevede due funzioni chiave: per prima cosa, viene eseguita un'analisi del testo scritto per convertire tutti i numeri, le sigle e le abbreviazioni in parole per esteso (es. il testo '2' viene convertito in 'due'). Questa fase di pre-elaborazione viene definita come
normalizzazione
classificazione
del testo (in inglese:
tokenization
). La seconda funzione consiste nel convertire ogni parola nei suoi corrispondenti
simboli fonetici
e nell'eseguire l'analisi linguistica del testo rielaborato, suddividendolo in unità prosodiche, ossia in proposizioni, frasi e periodi. Il processo di assegnazione della trascrizione fonetica alle parole è chiamato conversione da testo a
fonema
o da
grafema
fonema
(in inglese
text-to-phoneme, TTP
La trascrizione fonetica e le informazioni di
prosodia
(intonazione, durata dei fonemi)
combinate insieme costituiscono la rappresentazione linguistica simbolica che viene utilizzata dal
back-end
per la conversione in suoni di tali informazioni ossia per il processo di sintesi vero e proprio.
Storia
modifica
modifica wikitesto
Dispositivi meccanici
modifica
modifica wikitesto
La macchina acustica-meccanica vocale di Von Kempelen (disegni del suo testo del 1791)
I ricercatori tentarono di costruire macchine per riprodurre la voce umana molto prima che fosse inventata la moderna elaborazione elettronica dei
segnali
(l'
informatica
): le prime apparecchiature furono costruite da
Gerbert di Aurillac
Alberto Magno
Ruggero Bacone
, tra il
e il
XIII secolo
Nel
1779
, lo scienziato
danese
Christian Kratzenstein
, che si trovava a lavorare presso l'
Accademia russa delle scienze
, costruì modelli dell'apparato vocale umano che potevano riprodurre i cinque suoni lunghi delle vocali (ossia i suoni
[aː]
[eː]
[iː]
[oː]
[uː]
secondo l'
Alfabeto fonetico internazionale
. A questi dispositivi seguì la
Macchina acustica-meccanica vocale
, un meccanismo a
mantice
realizzato dal viennese
Wolfgang von Kempelen
e descritto in un suo lavoro del
1791
. Questa macchina aggiungeva un modello delle labbra e della lingua consentendo così di sintetizzare oltre alle vocali anche le consonanti. Nel
1837
Charles Wheatstone
produsse una "macchina parlante" basata sul progetto di von Kempelen, e nel
1846
Joseph Faber costruì l'
Euphonia
, in grado di riprodurre tra l'altro l'inno nazionale inglese. Il progetto di Wheatstone fu poi ripreso a sua volta nel
1923
da Paget.
Negli
anni trenta
, i
Bell Labs
(Laboratori Bell) svilupparono il
Vocoder
, un analizzatore e sintetizzatore elettronico della voce comandato a tastiera con un risultato chiaramente intelligibile.
Homer Dudley
perfezionò ulteriormente questo apparecchio creando il
VODER
, di cui venne data una dimostrazione nel
1939
durante la Fiera Mondiale di
New York
Il ricercatore
Franklin S. Cooper
e i suoi colleghi dei
Laboratori Haskins
realizzarono alla fine degli
anni quaranta
il
Riproduttore di sequenze
, completato nel
1950
. Di questo dispositivo furono realizzate diverse versioni di cui soltanto una è arrivata fino ai nostri giorni. Il dispositivo converte in suono le immagini dello
spettro acustico
della voce e fu proprio grazie a questo meccanismo che
Alvin Liberman
e i suoi colleghi scoprirono le caratteristiche acustiche alla base della percezione dei segmenti fonetici (consonanti e vocali).
Dispositivi elettronici
modifica
modifica wikitesto
I primi sintetizzatori vocali elettronici ricreavano una voce molto metallica ed erano spesso incomprensibili; da allora però la qualità è aumentata costantemente e la voce prodotta dai moderni sistemi di sintesi vocale è talvolta indistinguibile dalla vera voce umana.
I primi sistemi di sintesi vocale basati su computer furono creati sul finire degli
anni cinquanta
e il primo sistema di sintesi vocale text-to-speech (da testo a voce) completo venne realizzato nel
1968
. Nel
1961
i fisici
John Larry Kelly, Jr
e Louis Gertsman
10
utilizzarono un computer
IBM
704 per sintetizzare la voce. Questo esperimento rappresentò uno dei momenti salienti dell'attività dei
Bell Labs
: il vocoder di Kelly riprodusse la canzone
Daisy Bell
, con l'accompagnamento musicale di Max Mathews. Lo scrittore
Arthur C. Clarke
si trovava casualmente ai Bell Labs in visita all'amico e collega John Pierce proprio nel momento di questa dimostrazione
11
e ne rimase impressionato al punto da riprendere la scena in uno dei momenti cruciali del suo romanzo
2001: Odissea nello spazio
12
, facendo eseguire la stessa canzone al computer
HAL 9000
mentre viene disattivato dall'astronauta Dave Bowman
13
, scena che fu poi riprodotta fedelmente dal regista
Stanley Kubrick
nell'omonimo
film
Il primo apparato di sintesi vocale in italiano,
MUSA
, è nato nel 1975 presso i laboratori
CSELT
(Gruppo
STET
14
; il prototipo era in grado di leggere un testo, con una caratteristica voce "metallica" e, nel 1978, anche di cantare il brano
Fra Martino Campanaro
15
. Nel 1978 il gruppo di ricerca CSELT sulle tecnologie vocali (nel 2001 divenuto lo spin-off
Loquendo
) era l'unica realtà industriale al mondo, oltre
AT&T
, a disporre di una tecnologia di sintesi vocale di interesse industriale.
16
La particolare attenzione alle esigenze degli utenti disabili nello sviluppo delle proprie tecnologie, comprese quelle di sintesi e riconoscimento vocale, ha portato il Centro al riconoscimento del premio European Telework Award 1998 da parte della
Commissione Europea
17
18
Nonostante i successi ottenuti con i sintetizzatori elettronici, la ricerca sui sintetizzatori vocali di tipo meccanico non è stata abbandonata, specialmente in vista di un possibile impiego di tali sistemi per
robot
di tipo umanoide.
19
Tecnologie di sintesi
modifica
modifica wikitesto
Le qualità più importanti di una sintesi vocale sono la
naturalezza
e l'
intelligibilità
La naturalezza esprime quanto la voce sintetizzata si avvicina a quella umana mentre l'intelligibilità rappresenta la facilità di comprensione della voce sintetizzata. Un sintetizzatore ideale è allo stesso tempo naturale e intelligibile, nella realtà i sistemi di sintesi vocale approssimano tale comportamento tentando di ottimizzare entrambe le caratteristiche.
Le due tecnologie principali per la sintesi vocale sono la
sintesi concatenativa
e la
sintesi basata sulle regole
. Ciascuna tecnologia ha i suoi punti di forza e di debolezza: la scelta di quale utilizzare dipende tipicamente dal tipo di utilizzo finale della sintesi vocale.
Sintesi concatenativa
modifica
modifica wikitesto
La
sintesi concatenativa
, come dice il nome, si basa sulla
concatenazione
ossia la combinazione di frammenti di voce registrati. In generale questa metodologia produce il risultato di sintesi più naturale, tuttavia la differenza tra le variazioni naturali della voce umana e le tecniche di frammentazione automatica delle
forme d'onda
può talvolta generare dei
piccoli disturbi udibili. Esistono tre sotto-tipi principali di sintesi concatenativa.
Sintesi per campioni unitari
modifica
modifica wikitesto
La
sintesi per campioni unitari
si appoggia su grandi
database
di voci registrate. Durante la creazione del database ogni emissione registrata viene frazionata in uno o più di questi segmenti: suoni isolati,
sillabe
morfemi
parole
frasi
periodi
completi. Normalmente la frammentazione impiega un riconoscitore di linguaggio modificato appositamente per eseguire un "allineamento forzato" a cui seguono interventi di correzione manuali basati su rappresentazioni visive del suono come le
forme d'onda
e gli
spettrogrammi
20
I campioni sonori vengono
indicizzati
nel database sulla base della frammentazione e di parametri acustici quali la
frequenza fondamentale
tono musicale
), la durata, la posizione all'interno della sillaba e i suoni adiacenti. Durante la sintesi in tempo reale l'emissione finale viene generata sulla base di un
algoritmo
di decisione ad
albero pesato
che identifica la "miglior sequenza" tra i campioni candidati scelti dal database.
Questo tipo di sintesi produce i risultati di maggior naturalezza perché riduce al minimo le operazioni di elaborazione digitale (
digital signal processing
, DSP) sui campioni registrati. Le elaborazioni digitali infatti spesso alterano la resa del suono sintetizzato rendendola meno naturale: alcuni sistemi usano tecniche DSP solo per ammorbidire le transizioni tra i campioni sonori in fase di concatenazione. I migliori sistemi a sintesi articolatoria producono un risultato che spesso è indistinguibile da una vera voce umana, specialmente in quei contesti in cui la conversione da testo a voce è stata ottimizzata per uno scopo specifico. Di contro, una naturalezza massima richiede normalmente l'impiego di database di dimensioni considerevoli, che in alcuni casi possono arrivare all'ordine dei
gigabyte
, equivalenti a qualche dozzina di ore di registrazioni vocali.
21
Inoltre, è stato accertato che gli algoritmi di selezione dei campioni possono scegliere segmenti che producono una sintesi non ideale (per esempio, con una pronuncia poco chiara delle parole minori) anche quando nel database è presente una scelta migliore
22
Sintesi per difoni
modifica
modifica wikitesto
La
sintesi per difoni
utilizza un database di suoni di dimensioni minime contenente tutti i
difoni
(transizioni tra suoni diversi) tipici di un determinato linguaggio. Il numero dei difoni dipende dalle caratteristiche fonetiche del linguaggio: per esempio, la
lingua spagnola
comprende circa 800 difoni mentre il
tedesco
ne conta circa 2500. Con questa tecnica viene memorizzato nel database un unico campione per ciascun difono. Durante l'elaborazione in tempo reale, ai difoni selezionati viene sovrapposta la
prosodia
della frase da sintetizzare usando tecniche DSP (
digital signal processing
) come la codifica lineare predittiva,
PSOLA
23
Pitch-Synchronous Overlap and Add
) oppure
MBROLA
24
La qualità della voce risultante in genere è inferiore rispetto a quella ottenuta per sintesi articolatoria, ma suona più naturale rispetto a quella ottenuta con la sintesi basata sulle regole.
I difetti della sintesi per difoni consistono in piccoli stacchi tra i suoni, tipici del meccanismo di concatenazione, e in un effetto di voce metallica, come nella sintesi basata sulle regole. Rispetto a queste tecniche, la sintesi per difoni non presenta vantaggi significativi, a parte la dimensione ridotta del database di appoggio. Per questo motivo, l'impiego di questa tecnica per applicazioni commerciali è in fase di declino mentre continua a essere impiegata nella ricerca grazie alle molte implementazioni
software
gratuite disponibili.
La prima applicazione commerciale di sintesi vocale in lingua italiana, Eloquens
25
, progettata in
CSELT
e commercializzata da Telecom Italia a partire dal 1993, era proprio basata sui difoni. Essa viene tuttora diffusa, disponibile come software gratuito (per i soli sistemi operativi Windows)
26
Sintesi per applicazioni specifiche
modifica
modifica wikitesto
La
sintesi per applicazioni specifiche
si basa sulla concatenazione di parole e frasi pre-registrate per generare emissioni complete. Si usa principalmente per applicazioni in cui i testi da sintetizzare sono limitati alle esigenze di un settore specifico, come per esempio gli annunci ferroviari o aeroportuali o le previsioni del tempo
27
. La tecnologia è semplice da implementare ed è in uso da tempo in applicazioni di tipo commerciale e in dispositivi tipo le sveglie parlanti o le calcolatrici con voce. La naturalezza di questi sistemi è molto elevata grazie al fatto che il numero di frasi componenti è limitato e riproduce molto fedelmente la prosodia e l'intonazione delle registrazioni originali.
D'altro canto, questi sistemi si limitano a riprodurre parole e frasi contenute nel loro database e possono sintetizzare solo le combinazioni predefinite, per cui non possono essere estesi per un uso generalizzato. Inoltre la legatura delle parole tipica del linguaggio naturale può essere causa di qualche problema a meno che non si tengano in considerazione tutte le possibili varianti. Per esempio, nella
lingua francese
molte consonanti finali sono mute ma se la parola successiva inizia per vocale allora devono essere pronunciate (
liaison
). Queste variazioni di
pronuncia
non possono essere riprodotte da un sistema di concatenazione semplice delle parole ed è necessario aumentarne la complessità per poterlo rendere adattabile al contesto.
Sintesi basata sulle regole
modifica
modifica wikitesto
Illustrazione del 1846 riproducente l'
Euphonia
, macchina di sintesi vocale meccanica realizzata da Joseph Faber
La
sintesi basata sulle regole
non utilizza campioni della voce umana ma ricrea la voce per elaborazione basandosi su un modello
acustico
e per tale motivo viene detta anche
sintesi per
formanti
. Questa tecnica consiste nella generazione di forme d'onda di cui si modulano alcuni parametri acustici come la frequenza fondamentale, i toni e i livelli di
rumore
. Anche molti sistemi di sintesi concatenativa usano alcuni componenti di questo tipo.
Molti sistemi di sintesi basata sulle regole generano una voce dal suono artificiale e molto metallico che non può essere scambiata per una voce umana. Questa tecnica di sintesi non ha però come obiettivo la massima naturalezza e presenta una serie di vantaggi rispetto alla sintesi concatenativa. La sintesi basata sulle regole infatti è decisamente intelligibile anche ad alte velocità, non presentando i piccoli stacchi acustici tipici dei sistemi a sintesi concatenativa: la sintesi ad alta velocità è molto usata per i sistemi di lettura dello schermo per l'uso dei
computer
da parte delle persone ipovedenti o persone affette da
dislessia
. Inoltre i sistemi di sintesi basata sulle regole sono gestiti da programmi di dimensione più contenuta non dovendo utilizzare un database di campioni vocali. Questa caratteristica ne consente l'impiego in
sistemi embedded
, dove la capacità di
memoria
e la potenza di calcolo del
microprocessore
possono essere limitate. Infine, i sistemi di sintesi basata sulle regole possono controllare tutti gli aspetti del linguaggio vocale, generando un'ampia varietà di
prosodie
intonazioni
e veicolando così non soltanto il contenuto del testo ma anche effetti emotivi e toni di voce.
Tra gli esempi di sintesi basata su regole con un controllo molto accurato dell'intonazione, sia pure non in tempo reale, si trovano i lavori svolti alla fine degli
anni settanta
per il gioco
Speak & Spell
prodotto da
Texas Instruments
e per le console di videogiochi prodotte da
SEGA
all'inizio degli
anni ottanta
28
Per questi progetti la generazione della corretta intonazione ha rappresentato una vera e propria sfida tecnologica i cui risultati non sono ancora stati eguagliati da nessun sistema di sintesi vocale in tempo reale.
29
Sintesi articolatoria
modifica
modifica wikitesto
La
sintesi articolatoria
ricorre a tecniche computazionali basate su modelli biomeccanici dei tratti vocali umani e dei loro processi di articolazione. Il primo sintetizzatore di tipo articolatorio impiegato su base regolare per esperimenti di laboratorio fu sviluppato a metà degli anni Settanta da
Philip Rubin
, Tom Baer e Paul Mermelstein dei Laboratori Haskins. Questo sintetizzatore, noto anche come ASY, si basava su modelli dei tratti vocali elaborati da Paul Mermelstein, Cecil Coker e altri negli
anni sessanta
e Settanta dai
Bell Laboratories
Fino a poco tempo fa i modelli di sintesi articolatoria non erano stati utilizzati per sistemi di sintesi commerciale. Un'eccezione significativa è il sistema basato su
NeXT
realizzato e commercializzato da Trillium Sound Research, un'azienda collegata all'
Università di Calgary
in cui si svolse gran parte della ricerca originale. Seguendo la sorte di molte delle applicazioni derivate da NeXT (che fu creata da
Steve Jobs
alla fine degli
anni ottanta
per poi fondersi con
Apple
nel
1997
), il software di Trillium venne reso disponibile sotto la licenza
GNU GPL
e continua ad evolversi nel progetto
gnuspeech
. Questo sistema, commercializzato per la prima volta nel
1994
, implementa una conversione da testo a voce di tipo completamente articolatorio tramite una guida d'onda o una linea trasmissiva che emula i tratti nasali e orali umani controllati dal "modello di regione distintiva" di Carré.
Sintesi Markoviana
modifica
modifica wikitesto
La
sintesi Markoviana
è un metodo basato sul
modello di Markov nascosto
(HMM,
Hidden Markov Model
). In questa tecnica lo spettro di frequenze (usato per il tratto vocale), la
frequenza fondamentale
(usata per la sorgente vocale) e la durata dell'emissione vocale (usata per la
prosodia
) sono modellate simultaneamente tramite modelli nascosti di Markov. Gli stessi modelli nascosti di Markov generano le forme d'onda vocali basandosi su un
criterio di massima verosimiglianza
30
Sintesi sinusoidale
modifica
modifica wikitesto
La
sintesi sinusoidale
è una tecnica in cui la voce viene sintetizzata sostituendo i formanti con frequenze pure generate da forme d'onda sinusoidali.
Il primo programma di sintesi sinusoidale fu realizzato da Philip Rubin degli Haskins Laboratories negli anni Settanta per creare stimoli artificiali negli esperimenti sulla percezione. Questo programma fu utilizzato in seguito da Robert Remez, Philip Rubin, David Pisoni e altri per dimostrare che un ascoltatore può percepire un discorso come continuo anche in assenza dei tipici picchi vocali.
31
Problematiche
modifica
modifica wikitesto
Normalizzazione del testo
modifica
modifica wikitesto
Il processo di normalizzazione di un testo raramente è univoco. Nei testi sono spesso presenti
omografie
numeri
abbreviazioni
che devono essere tradotti in una rappresentazione fonetica corretta. Nel caso delle omografie, parole che hanno la stessa rappresentazione testuale richiedono una pronuncia differente a seconda del significato e quindi del contesto, come per esempio nella frase "
Ho gettato ancora l'ancora
", dove l'omografo
ancora
deve essere pronunciato in due modi differenti con due significati diversi (
Ho gettato ancóra l'àncora
).
La maggior parte dei sistemi di conversione da testo a voce non sono in grado di generare una rappresentazione semantica del testo, in quanto i processi impiegabili per questo non sono sufficientemente affidabili, non ancora del tutto compresi o inefficienti dal punto di vista computazionale. Si ricorre piuttosto a tecniche di tipo
euristico
per individuare il modo corretto per risolvere le ambiguità, come per esempio tramite l'esame delle parole circostanti e le statistiche di frequenza d'uso.
Anche la scelta di come sintetizzare un numero rappresenta una problematica. Da un punto di vista di programmazione, convertire un numero in testo, come per esempio "1325" in "milletrecentoventicinque", è un'operazione semplice. Tuttavia, quando si deve contestualizzare correttamente un numero ci si trova di nuovo di fronte a un'ambiguità. "1325" può essere convertito come "milletrecentoventicinque" se si tratta di un anno o di una quantità, oppure in "uno tre due cinque" se si tratta di un codice numerico. Anche in questo caso, un sistema di conversione vocale può effettuare delle scelte basandosi sulle parole circostanti e sulla punteggiatura; alcuni sistemi consentono anche di specificare un contesto in modo da risolvere le ambiguità.
Allo stesso modo anche le abbreviazioni possono essere ambigue. Per esempio l'abbreviazione "ha" per
ettaro
deve essere distinta da "ha", voce del verbo
avere
. Ci sono casi anche più complessi: "S.Marco", "S.Antonio", "S.Rita" e "S.Stefano" usano tutti la stessa abbreviazione "S." che però deve essere resa rispettivamente con "San", "Sant'", "Santa" e "Santo". I sistemi di conversione dotati di
front-end
intelligente sono in grado di risolvere le ambiguità sulla base dell'apprendimento ma altri sistemi meno sofisticati usano ovunque un'unica scelta, con risultati che possono essere a volte privi di senso o addirittura comici.
Resa dei fonemi dal testo
modifica
modifica wikitesto
I sistemi di sintesi vocale utilizzano due approcci fondamentali per determinare come si pronuncia una parola partendo dalla sua grafia, un processo noto anche come conversione testo-fonema o grafema-fonema (i linguisti usano il termine
fonema
per descrivere i suoni distintivi nell'ambito di una determinata lingua).
L'approccio più semplice è rappresentato dalla conversione basata sul dizionario, in cui il programma memorizza un dizionario di grandi dimensioni contenente tutte le parole di una lingua e la relativa pronuncia: la pronuncia corretta di ogni parola si ottiene individuandola nel dizionario e sostituendola con la pronuncia ivi memorizzata.
Il secondo approccio è rappresentato dalla conversione basata sulle regole, in cui alle parole si applicano le regole di pronuncia basate sulla loro grafia. Questo approccio è simile al metodo di apprendimento della lettura basato sul "suono" (
fonica sintetica
).
Ciascuno dei due approcci ha i suoi pro e i suoi contro. L'approccio basato sul dizionario è rapido e preciso ma non è in grado di fornire alcun risultato se una parola non è presente nel dizionario; inoltre, al crescere delle dimensioni del dizionario cresce anche la quantità di memoria richiesta dal sistema di sintesi. Dall'altra parte l'approccio basato sulle regole è in grado di funzionare con qualsiasi testo in ingresso ma la sua complessità aumenta anche considerevolmente via via che il sistema tiene conto anche delle irregolarità nelle regole di grafia o di pronuncia. Basta considerare casi come quello del nome latino "Gneo", dove il gruppo
gn
viene pronunciato
g-n
, con la
gutturale, invece che come un'unica nasale come in
agnello
. Di conseguenza, quasi tutti i sistemi di sintesi vocale scelgono in pratica di adottare una combinazione dei due approcci.
In alcune lingue, come nel caso della
lingua spagnola
o della
lingua italiana
, la corrispondenza tra il modo in cui si scrive una parola e la sua pronuncia è molto elevata per cui la determinazione della pronuncia corretta a partire dalla grafia risulta semplificata; in questi casi i sistemi di sintesi vocale utilizzano quasi esclusivamente il metodo basato sulle regole, limitando l'uso del dizionario a quella minoranza di parole, come i nomi di origine straniera, la cui pronuncia non è ovvia partendo dalla grafia. All'opposto, per linguaggi che presentano una corrispondenza molto bassa tra la grafia di una parola e la sua pronuncia, come per esempio avviene nella
lingua inglese
, i sistemi di sintesi vocale si appoggiano essenzialmente sui dizionari, limitando l'uso dei metodi basati sulle regole solo alle parole di uso non comune o alle parole non presenti nel dizionario.
Valutazione qualitativa
modifica
modifica wikitesto
È molto difficile valutare in modo coerente i sistemi di sintesi vocale in quanto non esistono criteri universali di riferimento. La qualità di un sistema di sintesi vocale dipende in modo significativo dalla qualità non solo della tecnica usata per la produzione (che può utilizzare registrazioni analogiche o digitali) ma anche dagli strumenti e dal contesto di riproduzione, le cui differenze spesso possono compromettere l'esito della valutazione.
Alcuni ricercatori hanno iniziato a usare come riferimento per la valutazione il
common speech dataset
sviluppato come progetto open source dalla
Carnegie Mellon University
32
Resa del contenuto emotivo
modifica
modifica wikitesto
Uno studio realizzato da Amy Drahota e da altri ricercatori dell'
Universita di Portsmouth
Regno Unito
, pubblicato sulla rivista
Speech Communication
, ha evidenziato che chi ascolta è in grado di determinare soltanto dalla voce, con un elevato grado di precisione, se chi parla sta sorridendo oppure no
33
. Questo ha suggerito che l'identificazione dei tratti vocali che veicolano contenuto emotivo potrebbe essere utile nel rendere più naturale il risultato di una sintesi vocale.
Hardware dedicato
modifica
modifica wikitesto
Un kit per la sintesi vocale elettronica prodotto da Bell System
Votrax
SC-01A (analog formant)
SC-02 / SSI-263 / "Arctic 263"
General Instruments SP0256-AL2 (CTS256A-AL2, MEA8000)
National Semiconductor DT1050 Digitalker (Mozer)
Silicon Systems SSI 263 (analog formant)
Texas Instruments
TMS5110A (LPC)
TMS5200
Oki Semiconductor
MSM5205
MSM5218RS (ADPCM)
Toshiba T6721A
Philips PCF8200
Sistemi operativi e dispositivi dotati di sintesi vocale
modifica
modifica wikitesto
Apple Mac OS e Mac OS X
modifica
modifica wikitesto
Apple
fu la prima ad integrare la sintesi vocale nel
sistema operativo
dei propri computer, con il software
MacIntalk
, prodotto in casa nel 1984 e disponibile sui modelli
Macintosh
. All'inizio degli
anni novanta
Apple ne ampliò le funzionalità estendendo la conversione vocale del testo a tutto il sistema.
Con l'introduzione dei processori PowerPC, più veloci, vennero inclusi campioni di voce di qualità elevata insieme a un sistema di riconoscimento vocale, il che consentì un controllo fluido dei comandi. In tempi successivi Apple ha aggiunto anche voci diverse, basate su campioni. Nonostante fosse iniziato come una curiosità, il sistema di sintesi vocale dei computer Macintosh ha finito per evolvere verso un programma di punta,
PlainTalk
, per il supporto completo per le persone con problemi di vista.
La conversione automatica del testo in parlato, denominata
Utility VoiceOver
, è stata inclusa tra gli strumenti di accessibilità di serie nel sistema operativo
Mac OS X Tiger
e potenziata nel successivo
Mac OS X Leopard
, che supporta una voce di nome "Alex" che prevede anche la sintesi realistica della respirazione intermedia tra la pronuncia delle frasi, così come una comprensibilità migliorata per letture a velocità più rapida.
Sempre nell'ambito dei prodotti Apple, la tecnologia VoiceOver è stata integrata nell'
iPod shuffle
, che è in grado di "leggere" a voce alta le informazioni relative al brano in riproduzione a partire dalla terza generazione del prodotto.
AmigaOS
modifica
modifica wikitesto
Il secondo sistema operativo a incorporare funzioni di sintesi vocale fu
AmigaOS
, introdotto nel
1985
da
Commodore International
che ne ottenne la licenza da una software house indipendente, la Don't Ask Software, ora Softvoice, Inc. Il programma realizzava un sistema completo di emulazione vocale, con voci maschili e femminili e meccanismi di enfatizzazione, resi possibili dalle caratteristiche avanzate della componentistica audio prodotta da
Amiga
34
Il sistema era suddiviso in un dispositivo parlante (narrator.device) e una libreria di traduzione (translator.library): un ulteriore software di Amiga,
Speak Handler
implementava un convertitore da testo a voce. AmigaOS gestiva il sistema di sintesi vocale come periferica hardware virtuale, di modo che un utente poteva ridirigervi anche l'uscita della console. Alcuni programmi prodotti da Amiga, come i suoi word processor, utilizzavano in modo massiccio questo sistema di sintesi vocale.
Microsoft Windows
modifica
modifica wikitesto
I sistemi
Windows
impiegano una sintesi vocale basata su
SAPI4
SAPI5
che prevede anche un modulo di
riconoscimento vocale
(SRE,
Speech Recognition Engine
).
Nelle versioni di sistema operativo
Windows 95
Windows 98
SAPI 4.0 era disponibile come componente aggiuntivo di produzione esterna. Fu con
Windows 2000
che venne aggiunto il programma
Microsoft Narrator
, un sistema di sintesi vocale disponibile direttamente per tutti gli utenti di un computer: una volta installato, tutti i programmi compatibili con Windows ne potevano utilizzare le funzionalità di sintesi vocale tramite menu appositi.
In
Windows Vista
Windows 7
Windows 8
, lo strumento di sintesi vocale integrato è chiamato
Assistente vocale
Microsoft Speech Server
è un pacchetto completo per la sintesi e il riconoscimento vocali, sviluppato per applicazioni di carattere commerciale come per esempio i
call center
Linux
modifica
modifica wikitesto
Esistono varie applicazioni di sintesi vocale per computer basati su sistemi operativi
open source
come
GNU/Linux
, fra i quali programmi a loro volta
open source
come
Festival Speech Synthesis System
35
, che sfrutta la sintesi per difoni e può utilizzare un numero ridotto di voci; il progetto
MBROLA
; l'applicazione eSpeak
36
gnuspeech
, di
Free Software Foundation
, che usa la sintesi articolatoria
37
Per i sistemi GNU/Linux esistono inoltre altri programmi commerciali di sintesi vocale.
L'
ambiente desktop
KDE
dispone di tre programmi integrati tra loro e con il
desktop
: Ksayt, interfaccia di configurazione della piattaforma vocale, Kmouth che opera una sintesi vocale a partire da un testo scritto e Kttsmgr, gestore della pronuncia.
Internet
modifica
modifica wikitesto
Allo stato attuale esistono parecchi applicativi e
plugin
per client di posta o navigatori internet in grado di leggere direttamente i messaggi di e-mail e le pagine web.
Alcuni software specializzati sono in grado anche di leggere i
feed RSS
. I lettori di RSS on line da un lato semplificano l'accesso all'informazione, consentendo agli utenti di ascoltare le loro sorgenti preferite e di convertirle in
podcast
, dall'altro sono disponibili praticamente per quasi tutti i
PC
collegati a Internet. Gli utenti possono scaricare i file audio così generati su dispositivi portatili, per esempio sotto forma di podcast e ascoltarli così a passeggio, praticando sport o andando al lavoro.
Un campo di applicazione che si sta estendendo è l'impiego della sintesi vocale per l'accessibilità tramite web, con i cosiddetti
Talklet
sviluppati dall'azienda inglese Textic. Con questi strumenti non è necessario scaricare un software apposito ma chiunque, per qualsiasi scopo, può accedere a funzioni di sintesi vocali direttamente via Internet usando un qualsiasi
browser
. Come in tutte le applicazioni basate sul web, i tempi di risposta dipendono essenzialmente dalle caratteristiche del collegamento Internet dell'utente finale
38
ma la facilità di accesso resta indubbiamente un punto di forza di questo approccio.
Altri
modifica
modifica wikitesto
Gli home computer
TI-99/4 e TI-99/4A
prodotti da
Texas Instruments
nel
1979
1981
erano in grado di generare fonemi da testo o di recitare intere parole o frasi tramite una periferica di sintesi vocale molto diffusa. TI utilizzava un
codec
proprietario per inglobare intere frasi all'interno delle sue applicazioni come ad esempio i
videogiochi
39
Il sistema
IBM
OS/2 Warp 4
incorporava di serie VoiceType, precursore del successivo sviluppo ViaVoice.
Diverse compagnie, tra cui
AT&T
Loquendo
Nuance Communications
, hanno realizzato sistemi di sintesi vocale commerciali di tipo dedicato.
Sistemi di sintesi vocale sono stati sviluppati in passato anche da altre compagnie non più esistenti.
Linguaggi di markup
modifica
modifica wikitesto
Sono stati definiti alcuni
linguaggi di markup
per la resa del parlato utilizzando un formato di descrizione di tipo
XML
. Il più recente è l'
SSML
Speech Synthesis Markup Language
) che dal 2004 è una raccomandazione del
W3C
, arrivato alla versione 1.1 nel 2010
40
e integrato nel 2008 dal linguaggio PLS (
Pronunciation Lexicon Specification
) usato per specificare in modo formale le regole di pronuncia
41
. Tra i linguaggi di markup più vecchi rientrano tra gli altri
JSML
Java Speech Markup Language
) e
SABLE
: nonostante fossero stati entrambi proposti come base per uno standard, nessuno di essi ha avuto in realtà un'ampia diffusione.
I linguaggi di markup per la sintesi vocale non vanno confusi con i linguaggi di markup per i dialoghi: per esempio,
VoiceXML
oltre al markup per la conversione vocale prevede anche dei
tag
relativi al riconoscimento vocale, alla gestione dei dialoghi e alla composizione di numeri telefonici su comando vocale.
Applicazioni
modifica
modifica wikitesto
Accessibilità
modifica
modifica wikitesto
La sintesi vocale è da lungo tempo uno strumento di assistenza tecnologica di importanza vitale e la sua applicazione in questo campo è significativa e largamente diffusa in quanto elimina barriere ambientali per un'ampia gamma di problematiche. L'applicazione più longeva è quella dei
lettori di schermo
per persone con problemi alla vista ma la sintesi vocale si usa oggi anche per aiutare persone affette da
dislessia
o da altri problemi di lettura e per i bambini in età prescolare. Questi sistemi si usano anche a sostegno di persone con gravi problemi vocali o di fonazione, di solito in accoppiata con dispositivi dedicati per la comunicazione vocale (VOCA, "Voice Output Communication Aid").
Google
e il suo programma
Google Traduttore
presentano una funzione di sintetizzatore vocale.
Trasporti
modifica
modifica wikitesto
Nei luoghi come gli aeroporti e le stazioni ferroviarie la sintesi vocale viene usata per effettuare le comunicazioni di servizio ai passeggeri.
Nei navigatori GPS, la sintesi vocale viene usata per dare le indicazioni di guida al conducente.
Notiziari
modifica
modifica wikitesto
Alcuni siti di notizie come
Ananova
utilizzano la sintesi vocale per convertire i bollettini informativi in audio per applicazioni di tipo mobile.
Tempo libero
modifica
modifica wikitesto
Le tecniche di sintesi vocale trovano impiego anche nell'industria del tempo libero, in particolare nella produzione di videogiochi,
anime
manga
e simili. Nel
2007
Animo Limited ha annunciato lo sviluppo di un pacchetto applicativo basato sul suo programma di sintesi vocale FineSpeech, concepito specificamente per le industrie produttrici di videogiochi e
anime
in grado di generare racconti e dialoghi secondo le specifiche dell'utente.
42
Il pacchetto ha trovato applicazione nel 2008, quando
Biglobe
, controllata di NEC, ha annunciato la disponibilità di un servizio web che consente agli utenti di creare frasi usando le voci dei personaggi di
Code Geass: Lelouch of the Rebellion R2
43
Esistono anche programmi per la produzione musicale, come per esempio
Vocaloid
, in grado di generare voci cantanti a partire da testi e melodia. Questo è anche l'ambito del progetto Singing Computer che usa il software open source
GPL
Lilypond
e il sistema di sintesi vocale Festival, con lo scopo di aiutare le persone non vedenti nella creazione e stesura di testi di canzoni.
44
Note
modifica
modifica wikitesto
EN
Rubin, P., Baer, T., & Mermelstein, P. (1981). An articulatory synthesizer for perceptual research.
Journal of the Acoustical Society of America
, 70, 321-328.
Internet Archive,
Progress in speech synthesis
, New York
: Springer, 1997,
ISBN
978-0-387-94701-3
URL consultato il 2 giugno 2022
EN
P. H. Van Santen, Richard William Sproat, Joseph P. Olive, and Julia Hirschberg,
Progress in Speech Synthesis
. Springer: 1997.
ISBN 0-387-94701-9
EN
) Jan P. H. van Santen,
Assignment of segmental duration in text-to-speech synthesis
, in
Computer Speech & Language
, vol.
8, n.
2, 1º aprile 1994, pp.
95-128,
DOI
10.1006/csla.1994.1005
URL consultato il 2 giugno 2022
EN
History and Development of Speech Synthesis
, Helsinki University of Technology, 4 novembre
2006
DE
Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine
("Meccanismo della voce umana a confronto con la descrizione della sua macchina parlante"), J.B. Degen, Vienna
EN
Mattingly, Ignatius G. Speech synthesis for phonetic and phonological models. In Thomas A. Sebeok (Ed.),
Current Trends in Linguistics, Volume 12, Mouton
, L'Aja, pp. 2451-2487, 1974.
EN
Fotografie del VODER alla Fiera Mondiale del 1939
, su
obsolete.com
(archiviato dall'
url originale
il 15 maggio 2008)
IEEE: Chip Hall of Fame: Texas Instruments TMC0281 Speech Synthesizer - The world’s first speech synthesizer on chip—and accidental supporting star of E.T.
, su
spectrum.ieee.org
EN
NY Times annuncio funebre di Louis Gerstman
EN
Alcatel-Lucent Bell Labs: Text-to-Speech Synthesis
, su
alcatel-lucent.com
(archiviato dall'
url originale
il 25 marzo 2016)
EN
Arthur C. Clarke, Biografia on line
, su
lsi.usp.br
(archiviato dall'
url originale
l'11 dicembre 1997)
EN
Bell Labs: Where "HAL" First Spoke (Bell Labs Speech Synthesis website)
, su
bell-labs.com
(archiviato dall'
url originale
il 7 aprile 2000)
Billi, R., Canavesio, F., Ciaramella, A., & Nebbia, L. (1995). Interactive voice technology at work: The CSELT experience. Speech communication, 17(3-4), 263-271.
Gabriele Falciasecca,
Storia delle telecomunicazioni
, a cura di V. Cantoni e Giuseppe Pelosi, vol.
1, Firenze, Firenze University Press, 2011, p.
393,
ISBN
978-88-6453-243-1
Il Sole 24 ore,
Le voci di Loquendo
, 22 gennaio 2012
Marco Mercinelli e Susanna Rauber,
Nuove soluzioni di Telecom Italia per la clientela disabile o anziana
PDF
), in
Notiziario tecnico Telecom Italia Anno 8 n. 2
, Agosto 1999.
EN
Status Report on European Telework - New Methods of Work 1999
PDF
), su
fim.uni-linz.ac.at
, agosto 1999.
URL consultato il 9 giugno 2023
EN
Anthropomorphic Talking Robot Waseda-Talker Series
, su
takanishi.mech.waseda.ac.jp
(archiviato dall'
url originale
il 17 luglio 2007)
EN
Alan W. Black, Perfect synthesis for all of the people all of the time. Seminario
IEEE
su TTS,
2002
. (
EN
John Kominek and Alan W. Black. (2003). CMU ARCTIC databases for speech synthesis. CMU-LTI-03-177. Language Technologies Institute, School of Computer Science, Carnegie Mellon University.
EN
Julia Zhang. Language Generation and Speech Synthesis in Dialogues for Language Learning, masters thesis,
Section 5.6 on page 54.
EN
Sintesi basata su PSOLA
, su
fon.hum.uva.nl
(archiviato dall'
url originale
il 22 febbraio 2007)
EN
T. Dutoit, V. Pagel, N. Pierret, F. Bataiile, O. van der Vrecken. The MBROLA Project: Towards a set of high quality speech synthesizers of use for non commercial purposes.
ICSLP Proceedings
, 1996.
Datasheet archive: Eloquens
, su
datasheetarchive.com
URL consultato il 3 marzo 2017
(archiviato dall'
url originale
il 27 febbraio 2017)
Softonic: Eloquens
, su
it.softonic.com
EN
L.F. Lamel, J.L. Gauvain, B. Prouts, C. Bouhier, R. Boesch. Generation and Synthesis of Broadcast Messages,
Proceedings ESCA-NATO Workshop and Applications of Speech Technology
, Sept 1993
Tra gli esempi:
Astro Blaster
Space Fury
, il videogioco di
Star Trek
EN
John Holmes e Wendy Holmes.
Speech Synthesis and Recognition, 2nd Edition
. CRC: 2001.
ISBN 0-7484-0856-8
EN
The HMM-based Speech Synthesis System,
Archiviato
il 13 febbraio 2012 in
Internet Archive
EN
Remez, R.E., Rubin, P.E., Pisoni, D.B., & Carrell, T.D. Speech perception without traditional speech cues.
Science
, 1981, 212, 947-950.
EN
Blizzard Challenge
EN
The Sound of Smiling
, su
port.ac.uk
(archiviato dall'
url originale
il 17 maggio 2008)
EN
Miner, Jay
et al (1991).
Amiga Hardware Reference Manual: Third Edition
Addison-Wesley
Publishing Company, Inc.
ISBN 0-201-56776-8
Festival
, su
cstr.ed.ac.uk
eSpeak: Speech Synthesizer
, su
espeak.sourceforge.net
EN
gnuspeech
, su
gnu.org
EN
Tempi di risposta "real time" misurati da Textic
Archiviato
il 17 novembre 2008 in
Internet Archive
EN
Smithsonian Speech Synthesis History Project (SSSHP) 1986-2002
, su
mindspring.com
(archiviato dall'
url originale
il 3 ottobre 2013)
EN
Speech Synthesis Markup Language (SSML) Version 1.1 W3C Recommendation 7 September 2010
EN
Pronunciation Lexicon Specification (PLS) Version 1.0 W3C Recommendation 14 October 2008
EN
Speech Synthesis Software for Anime Announced
, su
animenewsnetwork.com
EN
Code Geass Speech Synthesizer Service Offered in Japan
, su
animenewsnetwork.com
EN
Free(b)soft Singing Computer
, su
freebsoft.org
Bibliografia
modifica
modifica wikitesto
Roberto Billi (a cura di),
Tecnologie vocali per l'interazione uomo-macchina: Nuovi servizi a portata di voce
, Ed. CSELT, 1995.
La voce e il computer
JPG
), in
MCmicrocomputer
, n.
85, Roma, Technimedia, maggio 1989, pp.
114-119,
ISSN
1123-2714
WC
ACNP
Voci correlate
modifica
modifica wikitesto
Elaborazione del linguaggio naturale
Linguaggio
OpenDocument
Riconoscimento vocale
Sintesi vocale cinese
Altri progetti
modifica
modifica wikitesto
Altri progetti
Wikimedia Commons
Wikimedia Commons
contiene immagini o altri file su
sintesi vocale
Collegamenti esterni
modifica
modifica wikitesto
EN
Speech synthesis
Speech synthesizer
, su
Enciclopedia Britannica
, Encyclopædia Britannica, Inc.
Controllo di autorità
Thesaurus BNCF
74065
J9U
EN
HE
987007565841305171
NDL
EN
JA
00575464
Portale Informatica
accedi alle voci di Wikipedia che trattano di informatica
Estratto da "
Categoria
Sintesi vocale
Categorie nascoste:
Pagine che utilizzano collegamenti magici ISBN
Template Webarchive - collegamenti all'Internet Archive
P1417 letta da Wikidata
Voci con codice Thesaurus BNCF
Voci con codice J9U
Voci con codice NDL
Voci non biografiche con codici di controllo di autorità
Sintesi vocale
Aggiungi argomento