Машины, которые говорят и слушают

budget. figure , имеют слишком небольшой вес (очки). В результате

сравнения сегментов, расположенных слева от слова budget , и эталонов

слов, допускаемых прагматической грамматикой, получают новый список,

расширяющий предыдущий (в списке остаются лишь слова, оценки которых

превышают вктоочающий модель пользова-теяя и семантическую память.

Эксперименты с vdms показали, что речевой сигнал ограничивается

по полосе на частоте 9 кГц и поступает на 12-разрядный аналого-цифровой

преобразователь, где квантуется с частотой 30 кГц. Затеи оцифрованная

речь проходит через ЦАП и результирую щая аналоговая речь поступает на

три полосовых фильтра, имеющих полосы пропускания I&0 - 190, 990 - 2200 и

8000 - 5000 Гц. Через интервалы в 10 мс с фильтров снимались два

параметра - максимальная амплитуда и число нулевых пересечений.

Полученные шесть параметров использовались для грубой акустической

маркировки каждого десятимиллисекувдного отрезка.

Как только слово поступает в систему, формируется и хранится в

памяти информахцж о нем, в частности, отмечается, сколько высказываний тому

назад это слово было произнесено и былс ли оно использовано, насколько

вероятно, что это слово повторится еще раз. В системе учтено, что

различные контекстные слова предсказанные тематической памятью, "стареют"

от высказывания ч высказывании и вероятности их использования

уменьшаются. Вел* вероятность предсказанного слова Падает ниже заданного

нaпepe^ порога, то это слово какое-то время не рассматривается.Все

эт' в vdms выполняет блок диалогового уровня Discourse , являющийся

наиболее оригинальным блоком системы. Процедуры, которые

реализует Discourse, основаны на изучении,диаюга между двумя людьми,

совместно выполняющими некоторую работу. Ьыло найдено и Досмаяизовано

влияние контекста на характер диалога,причем рассматриваются два вида

контекстного влияния. Глобальный контекст обеспечивает один вид ограничений

при интерпретации высказывания. Эти ограничения используются при

идентификации группы существительных. Второй вид ограничений связан с

текущим контекстом соседних высказываний. Они используются при

интерпретации сокращенных, эллиптических выражений и, в частности,

добавляют дополнительные фрагменты к сокращенному высказыванию. В качестве

примера высказывания, которое может воспринять система VDl'iS , ыож" но

привести такое: "Напечатайте типы подводных лодок, на которых больше семи

ракет".

СПР vdms - spi построена на базе проблемно-ориентированного

языка,доступного информационно-поисковой системе данных о подводном флоте

США, Великобритании и СССР. Общий словарь системы составляет 450 слов [

182] , Система использует синтаксис спонтанного английского диалога, что

позволяет запоминать информацию о ранее произнесенных фразах и декодировать

текущие, используя предыдущие высказывания. Система vdms-sri наиболее

полно использует идеологию искусственного интеллекта при интерпретации

устных высказываний, которые могут быть сильно "усеченными".

Для испытания системы была проделана серия опытов, которые должны были

определять наилучшую структуру СПР подобного типа. Было испытано 16

экспериментальных систем, которые дали точность интерпретации высказываний

от 46,7 до 73,3%, причем если итерировать несущественные оаибки

распознавания, то точность (для наилучшей конфигурации системы) возрастает

до 81,7%. В [1в2~\ отмечается, что наиболее эффективной помощью при

реализации речевого диалога оказались использование и проверка контекста.

Начиная с 1976 г. начали появляться работы о построении СПР в

Западной Европе (Франция, Италия, ФРГ), Японии и СССР.Уровень исследований

по СПР в этих странах (объем словаря,сложность языка) пока ниже, чем работ,

выполненных в США по проекту arpa. Сяедует, впрочем, отметить, что

разработка "малых" СПР производится в соответствии с тенденцией [145] ,

которая заклта-в»оя в том, чтобы "заполнить пропасть" между практическими

сис-^мами распознавания слов и относительно громоздкими СПР, выполнившимися

по проекту arpa.

В С142]приведена таблица, которая, по мнению автора, характеризует

действительное состояние и будущее развитие коммерческих систем

распознавания/ понимания речи до 3000 г.:

431982 - БИС для системы распознавания речи.

1985 - Высокоточные системы распознавания изолированных слов с большими

словарями.

1990 - Системы автоматической диктовки с ограниченным словарем,

управляемые синтаксисом языка.

I&95 - Системы понимания речи с неограниченным словарем, но с

ограничениями на синтаксис.

2000 - Системы распознавания слитной речи с неограниченным словарем и

без ограничений на синтаксис.

§ 1.4. Системы автоматического речевого ответа

1.4.1. Коммерческие системы автоматического синтеза речи. В системах

автоматического речевого общения "человек-ЭВМ" важную роль играет

автоматический речевой вывод, позволяющий человеку получать необходимую

ему информацию в привычной форме речевого сигнала. Проблема

автоматического речевого вывода считается более простой, чем автоматическое

распознавание речи (в первом случае речь воспринимает человеческий мозг,

-; а во втором - автомат). Поэтому работы по построению систем

автоматического речевого ответа (САРО) промышленность получила раньше, чем

работы по автоматическому распознаванию/ пониманию речи. Синтезаторы

речи,являющиеся главными узлами таких систем, уже изготовляются

промышленностью США, Японии и некоторых других стран [30, 46, 51, 52,

100, 142] . В саязи с появлением микропроцессоров и специализированных БИС,

а также в связи с тем, что пользователи потребовали, чтобы информационные,

управляющие и другие подобные системы, основанные .на использовании ЭВМ,

"говорили", фирмы, выпускающие ЭВМ или отдельные узлы ЭВМ, начали выпуск

оборудования дея систем речевого ответа. Построены первые промышленные

системы, который обеспечивают одновременное автоматическое распознавание

(автоматический речеэой запрос" с использованием ограниченного лексикона) и

речевой ответ. Первое применение такие системы нашли в "интеллектуальных"

терминалах больших ЭВМ (или сетей ЭВМ), в некоторых системах военного

назначения, в приборах бытовой электроники [52, 60, I40t .

Следует отметить также, что продолжают развиваться научные исследования

в области создания систем автоматического синтеза. Эти работы,

направленные в основном на повышение качества (разборчивости и

естественности) синтезируемой речи (без существенного повышения объема

информации, требуемой для управления син-

двзатором), проводятся в США [103, 112, 129, 133, I??] , СССР f48, 63, 54]

, Японии [l3b,I62] , Великобритании [l64] , Канаде [167] , Франции [146

171] , Италии [l60,JSl] , Мексике [ill],Западной Германии [122, 184] ,

Норвегии [137] и других странах.

В [142] отмечается, что ЭВМ пятого поколения (мультиыикро-процессорные

машины) будут гораздо шире, чем современные ЭЗУ, использовать ввод и вывод

информации в речевой форме. Предполагается, что уже в ближайшее время ЭВМ,

оборудованные системами речевого вывода, настолько проникнут в нашу жизнь,

что совершенно изменят взаимоотношения человека и техники.

В основе систем автоматического речевого ответа, поступающих в настоящее

время на рынок, лежат три основных способа синтеза рэчи - непосредственное

кодирование речевой волны (дискрети-аация и сжатие), форматный синтез и

синтез, основанный на линейном предиктивном кодировании (линейном

предсказании). В [б] приводятся системы автоматического речевого вывода -

наиболее распространенные в настоящее время в США системы такого рода. Так,

в сис-томч Votrax процесс формирования устного высказывания по тексту,

поступившему из ЭВМ или с клавиатуры в закодированном виде,начинается о

разбивки текста на основные звуковые влементы - фонемы. Так как фонемная

цепочка, соответствующая тексту, не обеспечивает высокочастотной речи, то

эта цепочка программно преобразуется в цепочку аллофонных кодов (аллофоны -

это варианты произнесения фонем в зависимости от контекста; разные

исследователи называют различное число аллофонов для каждого языка;в

системе Votrax используется 12Ь аллофонов, что позволяет получать более

естественную речь). Для порождения слитной речи аллофоны Должны плавно

переходить друг в друга.

Каждому аллофону соответствует управляющее слово, воздействующее на

аппаратный синтезатор звуков, который в два этапа перерабатывает цепочку 12-

разрядных управляющих слов. На первом этапе Управляющее слово декодируется

и перерабатывается в аналоговые управляющие сигналы, задающие частоту

основного тона, длительность изменения во времени амплитуды и гармоник,

связанных с каждым ал-Яофоном. На втором этапе реализуется собственно

синтез. При этом параметрические сигналы, воздействуя на генераторы звука и

прог-Рачмируемые фильтры, преобразуются в звуки речи. Звонкие звуки

°оздаются с помощью генератора регулируемой высоты тона, а глухие - с

помощью генератора бел го шума.

В приборах Texas Instruments три большие интегральные сис-^ы (БИС)

моделируют голосовой тракт человека. В основе модели •вяит метод

линейного предсказания (или линейного предиктивного ко-

дирования - ЛПК). При ЛПК на кристалл синтезатора подаются значения

коэффициентов для цифрового фильтра второго порядка,который моделирует

динамику форматных частот. Вычисление коэффициентов фильтра производит

другая БИС - микропроцессор тыз -1000. Третья БИС хранит отдельные части

слов в параметрическом виде. Воссоздание речи по этим параметрам

осуществляет сложный программный алгоритм.

Преимущество метода ЛПК заключается в тс-л, что он позволяет

воспользоваться тем фактом, что голосовой тракт человека относительно

медленно меняет свои параметры при речеобразовании.Это свойство

ограничивает диапазон изменения форматных параметров, которые могут

следовать за форматами уже с генерированных отрезков звуков речи. Такое

прогнозирование уменьшает требования к объему памяти системы, а также к

скорости обмена данными; с описываемой системой она равна 1200 бит/с.

Синтезатор National Semiconduoton Inc. способен осуществлять анаяого-

цифровое преобразование речевых сигналов и сохранять их в памяти для

дальнейшего восстановления. Такой метод предполагает огромный объем

информации, которая должна храниться в памяти, что делает его

малопривлекательным. Однако в рассматриваемой системе эта трудность

обходится за счет использования различных методов сжатия данных. Это

позволило реализовать качественный синтез речи во временной области на

уровне &1С.

Дискретизацию и сжатие исходной речи, записанной на магнитной ленте,

осуществляет мини-ЭВМ. Результирующие данные сохраняются в постоянном

запоминающем устройстве (ПЗУ) для последующего восстановления,

осуществляемого БИС процессора речи. Благодаря применению Трех методов

сжатия (подстройки фазового угла, дельта-модуляции и полупериодного

обнуления) скорость поступления данных, по которым восстанавливается

нормальная речь, снижается примерно до 1000 бит/с речи, так что по ПЗУ

емкостью 10 кбит можно хранить примерно 10 слов.

Процесс сяатия начинается с дискретизации аналогового речевого Сигнала и

разделения цифрового массива на участки, в каждом из которых 128 оГсчетов;

эти участки в какой-то степени характеризуют периоды основного тона. Для

получения набора цифровых выборок, аналогичных формируемому предложению,

подстраиваются фазовые углы этих отрезков. Дальнейшее сжатие

осуществляется с помощью дельта-модуляции, в результате чего вместо

хранения абсолютной амплитуды каждой выборки в память записываются только

знаки приращения амплитуд относительно предшествующего значения.

рассмотрим далее более подробно несколько современных систем

параметрического синтеза.

В ГЮО] описана разработанная фирмой Texas Instrument a программа,

позволяющая преобразовывать произвольный текст в речь. Программа совместно

с интегральным синтезатором речи типа tms-5й00 позволяет читать вслух

информацию, отражаемую на экране дисплея домашнего компьютера 9S14. В

отличив от Speak and Spell система не иоподозувт записанные ранее в ПЗУ

слова и фразы, а синтезирует слова из 128 аллофонов (аналогично системе

Votrax описанной ранее), которые объединяются системой для образования

слитной речи. Программа преобразования текста в цепочку аллофонов выбирает

аллофоны из библиотеки и определяет их ударение и интонацию. Затем эта

информация поступает в блок синтеза речи, который формирует звуки,

используя кодирование, основанное на линейном предсказании.

Блок-схема преобразования текста в речь, реализованного Texas

Instruments, представлена на рис.I.I.

Аллофоны имеют переменную длительность от 50 до 200 мс и кодируются в

соответствии с параметрами, необходимыми для организации синтеза,

основанного на линейном предсказании. Библиотека аллофонов, включающая

длинные и короткие паузы, кодируется по энергиям и коэффициентам,

необходимым для установки характеристик фильтра ЛПК-синтезатора.

Библиотека аллофонных кодов занимает 3 кбайта памяти.

Для преобразования текста, поступающего на вход в пооледова-тедьность

аллофонов, используется набор из 650 правил, который в процессе испытаний

обеспечивал правильный выбор 97^ фонем и 92% аллофонов. Правила занимают 7

кбайт памяти. Программа конструиро-

Синтез речи

Конструирование речи (программное формирование кодовой аллофонной цепочки)

|ное |а | |вание |+|альны|

| |преобр| |аллофонов|1|й |

| |ия | |для | |ссор |

| |в | |ра | | |

| |ны | | | | |

|т | | | | | |

[pic]

|Упра| |Син|Ре|

|влен| |тез|чь|

|ие | |ато| |

|Памя| |р | |

|ть | |реч| |

| | |и | |

| | |тае| |

| | |- | |

| | |520| |

| | |0 | |

| | | | |

| |. 1 | |

| | е^

Правила модификации признаков

3. [\tfns\—-[-tens'] /_ [+ ret]

Применение ТМ-оравмя к сяоэу carlna дает:

< с а г е + i n (f буква буква

букм буква буква буква буква соги. глас. согя. гяас.

пас. согя. согд.

Таким обозом, эти аравияа вводят новую букву е , а также опредедяшт

границу модемы "+" и суффикса " •". (Введенные си»»-воям служ*»т важной

частью иравия контекста, которые исоояьауются С- и / М-правияами.)

Модифицированный текст и связанные с ним признаки далее обрабатываются

С-оравмяаыи, которые формируют фонетическую цепочку из последовательности

буке, полученных на предыдущем ваге. С-иравияо (рис. 1.Ь ), например,

показывает, что буква "а" произносится, как "е", когда она предшествует

одиночной согяас-ной, за которой сявдует эаканчиваиаая морфему буква "е".

(Это

Оравию применяется к "а" в w»e Bathing,гд,» звуки " th " проиэ. косятся

как один согяасный, но не к "а" в слове taxina , где •х'1 произносится как

два согласных.) Результат применения всех оравил конверсии к сдову carinq

позвояяет пожучить ояедующгю вались:

согл. взрывной,

подъема, альвеолярный велярный, передний звонкий

+ А- е г -+. I n согл. гдас. согя.

глас. con. взрывной, среднего ретро- верхнего назальный,

велярный, пид-ьеыа, Фявчсный подъема, гяухой передний

Если правила модификации текста изменяют текстовую цепочку непосредственно,

то С-правила формируют ноаую цепочку (фонем) на основе tm{iupuaiyiH.

заключенной в текстовой цепочке, F/И-пра-

•ила модифицируют фонетическую цепочку, применяя прарила контекстной

зависимости х матрице признаков и включая или устраняя соот катет йущяв

сегменты. Так. ГМ -правило устанавливает, что напряженный гласный

становится напряженным перед ретрофлексными звуками. Другии /^"дравидом

яуяяетая правило объединения п и д , когда произносится п . Все эти правила

использовались совместно с английскими правилами порождения параметров,

соответствующих фонемам, для похучения речевой волны.

В [%] рассматривается математическое обеспечение однокристальной

микроЭВМ модели <»20, преднааначенной для обработки сигналов. Благодаря

наличию аналоговых входных и выходных схем М высокому быстродействию она

легко может быть перестроена для синтеза речи. На атой микроЭВМ можно

реализовывать различий способы синтеза речи. Описаны программы,

моделирующие работу генератора голосовых импульсов (программа формирует ряд

асимметричных треугольных импульсов), а также генератор шумового сигнала,

который моделируется при помощи генератора псевдослучайных чи~ Св*. Для

моделирования передаточных функций речеобразумаего тра-«»а разработаны

программы модификации выходных значений сигна-

*ов, поступающих с выхода генератора голосовых импульсов и гене-Р»тора

шумовых сигналов. Для втого применяют моделирование рекурсивных фильтров с

переменными временными параметрами и ыиогоавен-чах. В [96] приведена

типичная программа для одного звена ччогозввнного фнютра, управляемого

параметром, который иивет раз-чые значения для различных звеньев.

Отмечается, что для пос-•Ровния типичного синтезатора речи требуется два

микропроцессора ®20; первый обеспечивает работу генератора воабуадаицих

сигна-

лов и моделирование нескольких первых звеньев многозвенного фидьтра,

а второй - для остальных звеньев этого фильтра. Для построения

форматного синтезатор»» достаточно воспользоваться одним микропроцессором

2920. Речевой тракт моделируется здесь последовательностью рекурсивных

фильтров второго порядка (в [96] при» водится программа такого фильтра).

Для удовлетворительного синтеза последовательно включают не менее трех

звеньев,моделирующих три форманта.

1.4.6. Отечественные системы автоматического речевого вывода. Основные

работы по автоматическому синтезу речи связаны с построением

параметрических синтезаторов [6,43, 48-50, 53, 70, 75]. Некоторые из

систем речевого вывода информации из ЭВМ внедрены в опытную эксплуатацию

[43,48] , другие - близки к внедрению [6, 70,78] , третьи - используются

в экспериментальных установках [50, 56] .

Развитие работ по построению систем автоматического речевого вывода

ведется в нашей стране в широком диапазоне - от фо" немных синтезаторов

до словесных и даже фразовых временных компиляторов.

Если в работах первого направления, при которых фонема

рассматривается как набор заданной последовательности движения

артикулятороа в артикулчторной программе, стремятся к компактности

представления генерируемого речевого сообщения и универсальности,

обеспечивающей речевое отображение произвольной текстовой информации, то

в компилятивных временных синтезаторах второго направления делается упор

на разборчивость и естественность скомпилированных высказываний (в

ущерб универсальности и компактности представления сигнала).

Одним из наиболее типичных синтезаторов параметрического типа

является ортогональный синтезатор речи [48] . Синтезатор предназначен для

выцачи голосом из ЭВЫ в телефонный канал счетов-справок о стоимости

состоявшихся междугородных переговоров городской телефонной сети. Речевой

сигнал (слово ограниченного по объему словаря) представлен временными

изменениями параметров сигнала - логарифмов огибающей амплитудных

спектров. Речевые ответы (фразы) вначале формируются в виде списков

номеров слоя, речевые эквиваленты которых затем посегментно объединяются

и выводятся на синтезатор. Отмечается, что разборчивость синтезируемых

фраз близка к 100%, скорость вывода речевого сигнала на синтезатор равна

12 бит/с.

При артикуяяторно-форматном синтезе речи по печатному тексту L6.^] в

качестве минимального артикуяяторного компдйкса

используется элементарный слог, представленный набором артикуля-торных

команд способа и места образования входящих в него фонем. Процесс

реализации слога делится на три основные фазы: переходная фаза от

предыдущего слога к данному, фаза реализации согласной фонемы и фаза

реализации гласной. Синтезатор учитывает просодические характеристики

естественной речи, а также то обстоятельство. что в ней могут встретиться

сочетания согласных и гласных фон-эы. Система синтеза в последнем случае

вводит фиктивные согласные и гласные, разбивая речевой поток не

слоги,причем фиктивным звукам приписывается длительность, равная нулю. Для

автоматического задания интонационных характеристик фраз в синтезируемой

текстовой информации выделяются ранжированные единицы:

фраза, синтагма, фонетическое слово, слог. При автоматической обработке

синтезируемого текста определяется число единиц ранга К в единице ранга K-

I, номер логически выцеденной единицы ранга К, а также тип интонации.

Для моделирования алгоритмов синтеза использовалась универсальная мини-

ЭВМ, обдацаищая быстродействием 200 тыс. операций в I с и оперативной

памятью 16 кбайт. Объем программ нодедм синтеза речи составляет 1200 32-

разрядных команд. В настоящее время принципы технической реализации

артикуляционного синтезатора легли в основу разработки стандартного

устройства речевого вывода с микропроцессорным управлением для ЕС ЭВМ [б] .

Появились первые синтезаторы, основанные на параметрах линейного

предсказания [55,78].

В нашей стране и за рубежом появляется также интерес к устройствам речевого

вывода, основанным на компиляции речевого сигнала, соответствующего фразам,

из более мелких отрезков речевой волны: слов, слогов, аллофонов

['44,96]. Подобные синтеза-Юры предназначены для информирования

пользователей ограниченным количеством типов фраз, часто вполне

достаточным. Большие же затраты памяти для хранения в цифровом виде

элементов, из которых формируются фразы, не так страшны, потому что новые

виды запоминающих устройств (например, на цилиндрических магнитных до-

хенах) позволят хранить в малых объемах десятки мегабайт. В СССР работы

по компиаятивному выводу ориентированы на использование в качестве

основного элемента синтеза как слов, так и схо-^в. Предполагается, что

такой синтезатор компилятивного типа ^УДет изготовлен серийно.

Зак.480

Страницы: 1, 2, 3, 4

МЕНЮ

Машины, которые говорят и слушают

ИНТЕРЕСНОЕ