Selezione delle Unità

In un convenzionale sistema di sintesi concatenativo il vantaggio più grande risiede nella semplicità della fase di sintesi. Infatti, si presuppo- ne che le informazioni prosodiche vengano estratte implicitamente dai segmenti del corpus e che siano mantenute nel Acustic Units Inventory

Figura 21: Rappresentazione grafica dell’architettura di Festival. Aggiunta

del modulo di intonazione alle relazioni che definiscono l’oggetto utterance

per la frase “Le 2 in punto.”.

e non si prevedono moduli per la modifica di tali informazioni, con apporti digitali, nella fase di sintesi. Come controparte diretta, questi sistemi soffrono di bassa qualità, dal punto di vista della naturalezza e intellegibilità, quando il loro corpus non è sufficiente alle esigenze del sistema. Per questa ragione non esistono tuttora nel mercato buoni sistemi di sintesi concatenativa general-purpose perché troppo costosi dal punto di vista realizzativo e di spazio di memoria richiesto.

Non di meno, definire una buona funzione costo per la selezione delle unità (in inglese target/join cost function) risulta cruciale per generare un output di alta qualità. Questo non è un compito facile dato che si possono trovare molti fattori o parametri che posso influenzare la funzione costo per la selezione, rendendo molto difficile la valutazione di differenti criteri applicati dato che spesso accade che certi parametri migliorano la qualità in certi casi ma la riducono sensibilmente in altre occasioni.

I sistemi di sintesi concatenativi messi a disposizione da Festi- val non sono molti e, in generale, non hanno grosse differenze l’uno dall’altro. Valutate le possibili scelte, si è optato per il sistema che attualmente risulta più affidabile, soprattutto per sistemi che si basa- no su corpus limitati, e che dispone di maggior materiale di supporto. Tale sistema prende il nome di CLuster UNITS, CLUNITS. Come suggerisce il nome, tale tecnica di sintesi si basa sulla costruzione di gruppi, o cluster, di unità acustiche che godono di caratteristiche simili

per quanto riguarda feature simbolici di alto livello come, ad esempio fonetica, metrica e informazioni prosodiche contestuali. I cluster so- no generati tramite l’utilizzo di CART durante la fase di costruzione della voce, quindi offline e permette di ottenere buoni risultati con un dispendio computazionale limitato nella fase di sintesi vera e propria rispetto agli approcci tradizionali. Infatti, usando una tecnica di clu- stering offline si riduce la quantità di calcolo necessaria per applicare la funzione costo ai soli elementi del cluster, che può essere rapidamente indicizzato tramite pochissimi confronti nell’albero di decisione.

Quello che deve essere definito ora è come trovare la migliore unità all’interno del cluster per sintetizzare il segmento corrente. Si introduce così la domanda principale di questo problema, ovvero cosa si intende per “migliore”. È ovvio che sia qualcosa che abbia a che fare con infor- mazioni fonetiche, acustiche e prosodiche che più si avvicinano a quelle del segmento corrente e quello di cui abbiamo bisogno è una misura della “bontà” del candidato in esame rispetto al target. Il giusto mo- do sarebbe quello di riprodurre le varie combinazioni di unità fonetiche presenti nell’archivio a un numero elevato di persone che che potrebbe- ro così giudicare la “bonta” dei singoli segmenti. Essendo impraticabile questa scelta, quello che si fa è assegnare una misura che rifletta quello che gli umani percepiscono come una buona sintesi. Più specificata- mente, si richiede una qualche funzione che misuri quanto una data unità suoni bene in un determinato contesto. Questo è stato fatto con esperimenti psico-linguistici per valutare alcuni esempi così da poter definire tale misura. In [26] è stato proposto una distanza basata sulle componenti acustiche del file audio (es. cepstral, f0). Lavori successivi hanno poi sviluppato ulteriori distanze prendendo in considerazione al- tri fattori acustici raffinando con esperimenti ed esperienza il modello. Sfortunatamente in fase di sintesi non disponiamo delle informazioni acustiche del testo da sintetizzare e quindi non è possibile utilizzarle direttamente per effettuare dei confronti con le unità candidate. Un modo per stimare le informazioni acustiche è quello di utilizzare frasi note campionate all’interno del database per generare una correlazione tra le informazioni prosodiche e quelle acustiche. Etichettando sia le unità target che desideriamo sintetizzare che le unità candidate all’in- terno del archivio con lo stesso insieme di feature (fonetici, acustici e prosodici) siamo in grado di definire una misura della distanza (es. va- lore assoluto, uguale/non-uguale, distanza quadratica) con la quale è possibile costruire una funzione costo come somma pesata di tali diffe- renze per ogni feature. La scelta di quali feature utilizzare tra la vasta gamma di possibilità e la definizione dei pesi associati a tali attributi risulta essere ancora un problema aperto per la ricerca. Un modo per ridurre il carico di lavoro è quello di affidarsi a metodi “data-driven” per definire i parametri della funzione costo.

Nella sintesi CLUNITS di Festival la funzione costo per la sele- zione delle unità fonetiche di per se è definita come una somma pesata di sette fattori, come mostrata in 3. Sei dei quali sono distanze tra la categoria desiderata e la categoria dell’unità candidata per i seguen- ti fattori contestuali: (1) posizione all’interno della frase (PinP), (2)

posizione all’interno della parola (PinW), (3) contesto fonetico sinistro (LPhC), (4) contesto fonetico destro (RPhC), (5) contesto tonico si- nistro (LTC) e (6) contesto tonico destro (RTC). Il settimo fattore è un valore binario che definisce il costo per la congiunzione tra il candi- dato e la precedente unità fonetica selezionata, esso vale 0 nel caso in cui il candidato corrente forma un segmento continuativo con l’unità precedentemente selezionata nell’AUI, altrimenti vale 1. Tutti questi fattori vengono definiti per ogni unità durante la costruzione della vo- ce e questo permette di creare tabelle con i coefficienti di distanza in maniera statica e senza appesantire la fase di sintesi. I pesi per ognuno dei sette fattori vengono valutati con modelli di regressione lineare.

Ca= 7

X

i=1

WiCai (3)

L’unità fonetica appartenente al cluster selezionato che risulta mi- nimizzare la funzione costo sarà selezionata per la fase di sintesi.