An Artificial Glottal Spectrum-Based Excitation Model with LP-Based Spectral Modelling for Prosody Modification
Cet article propose une nouvelle méthode de modification de la prosodie qui remplace le marquage de la hauteur traditionnelle dans le domaine temporel par un modèle d'excitation basé sur un spectre glottal artificiel afin d'éliminer les ambiguïtés et les artefacts de marquage de la hauteur, permettant ainsi une manipulation de la hauteur et de la durée de haute qualité, naturelle et efficace, adaptée aux applications de synthèse vocale et de conversion de la voix.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La parole humaine est un événement physique complexe, une vibration éphémère de l'air qui véhicule sens, émotion et identité. À la base, le son que nous produisons repose sur deux parties distinctes travaillant de concert. La première est la source : l'impulsion brute et rythmique créée lorsque l'air s'engouffre dans les cordes vocales au niveau de la gorge. La seconde est le système : la forme de la bouche, de la langue et de la gorge qui agit comme un filtre, colorant cette impulsion brute en sons spécifiques de voyelles et de consonnes. Lorsque nous parlons, ces deux éléments sont inextricablement liés, ce qui rend difficile la modification de l'un sans affecter l'autre. Cela représente un défi de taille pour les ingénieurs qui tentent de construire des machines capables de parler naturellement ou de modifier la voix d'un enregistrement. Si un ordinateur tente simplement d'étirer ou de comprimer un enregistrement pour changer la vitesse ou la hauteur de la voix, le résultat sonne souvent de manière robotique ou déformée, perdant la qualité naturelle du locuteur humain.
Les chercheurs cherchent depuis longtemps des moyens de démêler ces deux composants afin de pouvoir les manipuler indépendamment. La méthode la plus courante depuis des décennies consiste en une technique qui découpe le signal de la parole en petits morceaux basés sur le timing des vibrations des cordes vocales, puis réarrange ces morceaux pour changer la vitesse ou la hauteur. Bien qu'efficace pour des ajustements mineurs, cette méthode peine lorsqu'on lui demande des changements radicaux. Elle repose lourdement sur la capacité à trouver le moment exact où les cordes vocales se ferment, une tâche difficile à réaliser parfaitement. Lorsque l'ordinateur se trompe sur ces moments, la voix reconstruite développe des artefacts étranges, paraissant métallique ou saccadée, surtout lorsque la hauteur est augmentée de manière significative ou abaissée trop bas.
Dans une étude récente, une équipe de chercheurs de l'Inde a proposé une autre façon de traiter ce problème. Au lieu de tenter de sauver et de réorganiser les ondes sonores originales, ils ont décidé de remplacer entièrement la source. Leur méthode consiste à dépouiller l'enregistrement vocal de sa vibration originale des cordes vocales pour la remplacer par une version artificielle parfaitement propre générée par un ordinateur. Ils conservent le « filtre » original — la forme unique de la bouche et de la gorge du locuteur — intact, garantissant que la voix ressemble toujours à la même personne. En générant une nouvelle impulsion idéalisée basée sur la hauteur souhaitée et en la combinant avec le filtre original, ils peuvent remodeler la voix sans les distorsions qui affectent les anciennes méthodes.
Les chercheurs ont testé cette nouvelle approche par rapport à la méthode traditionnelle en utilisant des enregistrements de locuteurs tamouls. Ils ont demandé à des auditeurs humains d'évaluer la qualité de la parole modifiée sur une échelle de un à cinq. Les résultats ont montré que leur nouvelle méthode produisait systématiquement des voix de meilleure qualité, particulièrement lorsque la hauteur était modifiée de manière importante. Tandis que la méthode traditionnelle commençait à paraître artificielle et dégradée lorsque la hauteur était altérée au-delà d'un certain point, la nouvelle approche maintenait la clarté et le naturel sur une plage plus large. L'équipe a constaté que cette technique fonctionnait bien pour les voix masculines et féminines, préservant l'identité du locuteur même lorsque la hauteur était déplacée de manière significative vers le haut ou vers le bas.
Au-delà des simples changements de hauteur, l'étude a également exploré la capacité de la méthode à gérer la parole expressive, où le ton de la voix monte et descend pour transmettre une émotion ou une emphase. Les chercheurs ont créé des motifs spécifiques de mouvement de hauteur, tels que des tons ascendants pour les questions ou des tons descendants pour les affirmations, et les ont appliqués à la parole. La nouvelle méthode a géré ces changements dynamiques plus fluidement que l'approche traditionnelle, qui introduisait souvent des bugs audibles lorsque le contour de la hauteur changeait rapidement. La source artificielle qu'ils ont générée était assez flexible pour suivre ces courbes complexes sans briser le flux du son.
Le processus de reconstruction de la voix à partir de ces parties séparées nécessitait une étape spécifique pour s'assurer que le son n'était pas seulement une collection de fréquences, mais une onde cohérente. Puisque les chercheurs travaillaient avec l'amplitude des ondes sonores mais pas avec leur phase temporelle, ils ont utilisé un processus mathématique itératif pour estimer l'information temporelle manquante. Cette étape, connue sous le nom de reconstruction de phase, leur a permis de synthétiser une forme d'onde finale qui sonne naturellement à l'oreille humaine. Bien que les chercheurs aient noté que cette étape de reconstruction n'est pas parfaite et laisse une petite marge d'amélioration, la qualité globale de la parole était supérieure aux techniques existantes.
L'étude conclut qu'en abandonnant la tentative de suivre parfaitement les vibrations originales des cordes vocales pour générer à la place une source artificielle propre, il est possible d'obtenir une modification de la voix plus robuste et expressive. Cette approche élimine l'ambiguïté et les erreurs associées à la détection du moment exact de la fermeture des cordes vocales, ce qui a été un goulot d'étranglement persistant dans le domaine. Les conclusions suggèrent que pour des applications telles que les systèmes de synthèse vocale ou la conversion de voix, où le naturel et la flexibilité sont primordiaux, remplacer la source par un modèle artificiel contrôlé offre une voie plus fiable que de tenter d'étirer le signal original. Les travaux démontrent que parfois, pour rendre une voix plus humaine, il faut être prêt à remplacer l'élément humain par un idéal mathématique précis.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.