An Artificial Glottal Spectrum-Based Excitation Model with LP-Based Spectral Modelling for Prosody Modification
تقترح هذه الورقة طريقة مبتكرة لتعديل العروض (prosody) تستبدل وسم طبقة الصوت التقليدي في المجال الزمني بنموذج إثارة قائم على طيف حنجري اصطناعي للقضاء على غموض وسم طبقة الصوت والتشوهات الناتجة عنه، مما يحقق تلاعبًا عالي الجودة وطبيعيًا وفعالًا في طبقة الصوت والمدة الزمنية بما يتناسب مع تطبيقات تحويل النص إلى كلام وتحويل الصوت.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن الكلام البشري حدث فيزيائي معقد، اهتزاز عابر للهواء يحمل في طياته المعنى والعاطفة والهوية. وفي جوهره، يعتمد الصوت الذي ننتجه على جزأين متميزين يعملان في تناغم؛ الأول هو المصدر: النبض الإيقاعي الخام الناتج عن اندفاع الهواء عبر الحبال الصوتية في الحلق. والثاني هو النظام: شكل الفم واللسان والحلق الذي يعمل كمرشح (فلتر)، يقوم بتلوين ذلك النبض الخام ليتحول إلى أصوات الحروف المتحركة والساكنة المحددة. وعندما نتحدث، يكون هذان العنصران مرتبطين ارتباطاً وثيقاً، مما يجعل من الصعب تغيير أحدهما دون التأثير على الآخر. وهذا يمثل تحدياً كبيراً للمهندسين الذين يحاولون بناء آلات يمكنها التحدث بشكل طبيعي أو تغيير صوت تسجيل ما. فإذا حاولت الحواسب مجرد مط أو ضغط تسجيل لتغيير سرعة أو طبقة صوت، فإن النتيجة غالباً ما تبدو آلية أو مشوهة، مما يفقد الصوت طبيعته البشرية.
لطالما سعى الباحثون لإيجاد طرق لفك الارتباط بين هذين المكونين بحيث يمكن التحكم فيهما بشكل مستقل. وكان النهج الأكثر شيوعاً لعقود من الزمن هو تقنية تقوم بتقطيع إشارة الكلام إلى قطع صغيرة بناءً على توقيت اهتزازات الحبال الصوتية، ثم إعادة ترتيب تلك القطع لتغيير السرعة أو الطبقة. ورغم فعالية هذه الطريقة في إجراء تعديلات بسيطة، إلا أنها تواجه صعوبة عندما يُطلب منها إجراء تغييرات جذرية. فهي تعتمد بشكل كبير على إيجاد اللحظة الدقيقة التي تغلق فيها الحبال الصوتية، وهي مهمة يصعب القيام بها بدقة تامة. وعندما تخطئ الحاسبة في تقدير هذه اللحظات، تظهر في الصوت المصطنع عيوب غريبة، تجعل الصوت يبدو معدنياً أو مليئاً بالتشويش، خاصة عند رفع طبقة الصوت بشكل كبير أو خفضها كثيراً.
في دراسة حديثة، اقترح فريق من الباحثين من الهند طريقة مختلفة للتعامل مع هذه المشكلة. فبدلاً من محاولة إنقاذ وإعادة ترتيب موجات الصوت الأصلية، قرروا استبدال المصدر بالكامل. وتتضمن طريقتهم تجريد التسجيل الصوتي من اهتزاز الحبال الصوتية الأصلي واستبداله بنسخة اصطناعية نظيفة تماماً يتم توليدها بواسطة الحاسوب. إنهم يحافظون على "المرشح" الأصلي — وهو الشكل الفريد لفم المتحدث وحلقه — سليماً، مما يضمن أن يظل الصوت يبدو كأنه لنفس الشخص. ومن خلال توليد نبضة جديدة مثالية بناءً على الطبقة المطل ت ودمجها مع المرشح الأصلي، يمكنهم إعادة تشكيل الصوت دون التشوهات التي تعيب الطرق القديمة.
اختبر الباحثون هذا النهج الجديد مقابل الطريقة التقليدية باستخدام تسجيلات لمتحدثين باللغة التاميلية. وطلبوا من مستمعين بشريين تقييم جودة الكلام المعدل على مقياس من واحد إلى خمسة. وأظهرت النتائج أن طريقتهم الجديدة أنتجت باستمرار أصواتاً ذات جودة أعلى، لا سيما عندما تغيرت طبقة الصوت بمقادغات كبيرة. وبينما بدأت الطريقة التقليدية تبدو غير طبيعية ومتدهورة عندما تم تغيير الطبقة بما يتجاوز حداً معيناً، حافظ النهج الجديد على الوضوح والطبيعية عبر نطاق أوسع. ووجد الفريق أن هذه التقنية تعمل بشكل جيد لكل من الأصوات الذكورية والأنثوية، حيث تحافظ على هوية المتحدث حتى عند تغيير طبقة الصوت صعوداً أو هبوطاً بشكل ملحوظ.
وإلى جانب التغييرات البسيطة في طبقة الصوت، استكشفت الدراسة مدى قدرة الطريقة على التعامل مع الكلام التعبيري، حيث ترتفع نبرة الصوت وتنخفض للتعبير عن العاطفة أو التأكيد. قام الباحثون بإنشاء أنماط محددة لحركة طبقة الصوت، مثل النغمات الصاعدة للأسئلة أو النغمات الهابطة للتقرير، وطبقوها على الكلام. وتعاملت الطريقة الجديدة مع هذه التغييرات الديناميكية بسلاسة أكبر من النهج التقليدي، الذي غالباً ما كان يتسبب في حدوث خلل مسموع عندما تتغير مسارات طبقة الصوت بسرعة. فقد كان المصدر الاصطناعي الذي ولدوه مرناً بما يكفي لاتباع هذه المنحنيات المعقدة دون كسر تدفق الصوت.
تطلبت عملية إعادة بناء الصوت من هذه الأجزاء المنفصلة خطوة محددة لضمان أن الصوت ليس مجرد مجموعة من الترددات بل موجة متماسكة. وبما أن الباحثين عملوا على مقدار موجات الصوت وليس على طور التوقيت (phase timing)، فقد استخدموا عملية رياضية تكرارية لتقدير معلومات التوقيت المفقودة. هذه الخطوة، المعروفة باسم إعادة بناء الطور، سمحت لهم بتخليق موجة نهائية تبدو طبيعية للأذن البشرية. وبينما أشار الباحثون إلى أن خطوة إعادة البناء هذه ليست مثالية وتترك مجالاً ضئيلاً للتحسين، إلا أن الجودة العامة للكلام كانت متفوقة على التقنيات الموجودة.
تخلص الدراسة إلى أنه من خلال التخلي عن محاولة التتبع الدقيق لاهتزازات الحبال الصوتية الأصلية وبدلاً من ذلك توليد مصدر اصطناعي نظيف، يمكن تحقيق تعديل أكثر قوة وتعبيرية للصوت. هذا النهج يزيل الغموض والأخطاء المرتبطة بالكشف عن اللحظة الدقيقة لإغلاق الحبال الصوتية، والتي كانت تمثل عقبة مستمرة في هذا المجال. وتشير النتائج إلى أنه بالنسبة للتطبيقات مثل أنظمة تحويل النص إلى كلام، أو تحويل الصوت، حيث تكون الطبيعية والمرونة أمراً بالغ الأهمية، فإن استبدال المصدر بنموذج اصطناعي محكوم يوفر مساراً أكثر موثوقية من محاولة مط أو ضغط الإشارة الأصلية. ويعمل هذا العمل على إثبات أنه في بعض الأحيان، لجعل الصوت يبدو أكثر بشرية، يجب أن تكون مستعداً لاستبدال العنصر البشري بنموذج رياضي دقيق ومثالي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.