Синтез китайской речи - Chinese speech synthesis

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья читается как рассмотрение а не энциклопедическое описание предмета. Пожалуйста помоги улучшить эту статью сделать это нейтральный в тон и познакомьтесь с Википедией стандарты качества. (Июнь 2010 г.) Эта статья фактическая точность могут быть скомпрометированы из-за устаревшей информации. Обновите эту статью, чтобы отразить недавние события или новую доступную информацию. (Май 2011 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Синтез китайской речи это применение синтез речи на китайский язык (обычно Стандартный китайский ). Это создает дополнительные трудности из-за китайские иероглифы (которые часто имеют разное произношение в разных контекстах), сложный просодия, что важно для передачи значения слов, а иногда и трудностей в достижении согласия между носителями языка относительно правильного произношения фонемы.

Конкатенация (Эхо и KeyTip)

Записи могут быть объединены в любой желаемой комбинации, но объединение звучит принудительно (как обычно для простого объединения на основе синтез речи ) и это может серьезно повлиять на просодию; эти синтезаторы также негибки с точки зрения скорости и экспрессии. Однако, поскольку эти синтезаторы не полагаются на корпус, нет заметного ухудшения производительности, когда им дают более необычные или неудобные фразы.

Эхо это TTS с открытым исходным кодом, которая просто объединяет выбранные слоги. В настоящее время он поддерживает Кантонский, Мандарин, и экспериментально Корейский. Некоторые слоги китайского языка были нормализованы в Praat. Их модифицированная версия используется в Градинт "синтез из частичных".

cjkware.com раньше поставлял продукт под названием KeyTip Putonghua Reader, который работал аналогично; он содержал 120 мегабайт звукозаписей (сжатые в формате GSM до 40 мегабайт в ознакомительной версии), включая 10 000 многосложных словарных слов плюс односложные записи в 6 различных текстах (4 тона, нейтральный тон и дополнительная запись в третьем тоне) для использования в конце фразы).

Легкие синтезаторы (eSpeak и Yuet)

Легкий речевой проект с открытым исходным кодом eSpeak, которая имеет свой собственный подход к синтезу, экспериментировала с мандарином и кантонским диалектом. eSpeak использовали переводчик Google с мая 2010 г.^[1] до декабря 2010 г.^[2]

Коммерческий продукт Yuet также является легковесным (он предназначен для использования в средах с ограниченными ресурсами, таких как встроенные системы ); это было написано с нуля в ANSI C начиная с 2013 года. Юэт утверждает, что встроенный НЛП модель, не требующая отдельного словаря; речь, синтезируемая движком, требует четких границ слов и акцента на соответствующих словах. Для получения копии необходимо связаться с автором.^[3]

И eSpeak, и Yuet могут синтезировать речь для кантонского и мандаринского диалектов из одного и того же входящего текста и могут выводить соответствующую латинизацию (для кантонского диалекта Yuet использует Йель и eSpeak использует Jyutping; оба используют Пиньинь для мандарина). eSpeak не заботится о границах слов, если они не меняют вопрос о том, какой слог следует произносить.

На основе корпуса

Подход, основанный на корпусе, в большинстве случаев может звучать очень естественно, но может давать ошибки при работе с необычными фразами, если они не могут быть сопоставлены с корпусом.^[4] Механизм синтезатора обычно очень большой (сотни или даже тысячи мегабайт) из-за размера корпуса.

iFlyTek

Аньхойский USTC iFlyTek Co., Ltd (iFlyTek) опубликовал W3C бумага, в которой они адаптировали Язык разметки синтеза речи для создания языка разметки, называемого китайским языком разметки синтеза речи (CSSML), который может включать дополнительную разметку для уточнения произношения символов и добавления некоторой просодической информации.^[5] IFlyTek не разглашает объем задействованных данных, но его можно увидеть по коммерческим продуктам, на которые iFlyTek лицензировала свою технологию; Например, SpeechPlus Байдера - это загрузка объемом 1,3 гигабайта, из которых 1,2 гигабайта используются для сильно сжатых данных для одного китайского голоса. Синтезатор iFlyTek также может синтезировать смешанный китайский и английский текст с одним и тем же голосом (например, китайские предложения, содержащие некоторые английские слова); они утверждают, что их английский синтез "средний".

Корпус iFlyTek, похоже, сильно зависит от китайские иероглифы, и синтезировать из пиньинь один. Иногда с помощью CSSML можно добавить пиньинь к символам, чтобы устранить неоднозначность между несколькими возможными вариантами произношения, но это не всегда работает.

NeoSpeech

Существует интерактивная онлайн-демонстрация для NeoSpeech синтез речи,^[6] который принимает китайские иероглифы, а также пиньинь если он заключен в их проприетарную разметку "VTML".^[7]

Mac OS

Mac OS до версии 9 были доступны синтезаторы китайской речи. Это было удалено в 10.0 и восстановлено в 10.7 (Lion).^[8]

Исторические синтезаторы на основе корпуса (больше не доступны)

Корпоративный подход был использован Университет Цинхуа в SinoSonic, с Харбинский диалект голосовые данные занимают 800 мегабайт. Планировалось, что это будет доступно для загрузки, но ссылка так и не была активирована. В настоящее время упоминания о нем можно найти только на Интернет-архив.^[9]

Подход Bell Labs, который был продемонстрирован в Интернете в 1997 году, но впоследствии был удален, был описан в монографии "Multilingual Text-to-Speech Synthesis: The Bell Labs Approach" (Springer, 31 октября 1997 г., стр. ISBN  978-0-7923-8027-6), а бывший сотрудник, ответственный за проект, Чилин Ши (впоследствии работавшая в Университете Иллинойса) разместила на своем веб-сайте несколько заметок о своих методах.^[10]

Рекомендации