An Artificial Glottal Spectrum-Based Excitation Model with LP-Based Spectral Modelling for Prosody Modification
Questo articolo propone un nuovo metodo di modifica della prosodia che sostituisce la tradizionale marcatura del pitch nel dominio del tempo con un modello di eccitazione basato su uno spettro glottale artificiale per eliminare le ambiguità e gli artefatti della marcatura del pitch, ottenendo così una manipolazione dell'altezza e della durata di alta qualità, naturale ed efficiente, adatta alle applicazioni di sintesi vocale e conversione della voce.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il parlato umano è un evento fisico complesso, una vibrazione fugace dell'aria che trasporta significato, emozione e identità. Al suo cuore, il suono che produciamo si basa su due parti distinte che lavorano in tandem. La prima è la sorgente: l'impulso ritmico e grezzo creato quando l'aria scorre attraverso le corde vocali nella gola. La seconda è il sistema: la forma della bocca, della lingua e della gola che agisce come un filtro, colorando quell'impulso grezzo nei suoni specifici di vocali e consonanti. Quando parliamo, questi due elementi sono inestricabilmente legati, rendendo difficile cambiare uno senza influenzare l'altro. Ciò rappresenta una sfida significativa per gli ingegneri che cercano di costruire macchine capaci di parlare naturalmente o di alterare la voce di una registrazione. Se un computer tenta semplicemente di dilatare o comprimere una registrazione per cambiare la velocità o l'altezza della voce, il risultato è spesso robotico o distorto, perdendo la qualità naturale del parlatore umano.
I ricercatori cercano da tempo modi per scindere questi due componenti in modo da poterli manipolare indipendentemente. L'approccio più comune per decenni è stato una tecnica che taglia il segnale vocale in piccoli pezzi basandosi sulla temporizzazione delle vibrazioni delle corde vocali, poi riorganizza quei pezzi per cambiare la velocità o l'altezza. Pur essendo efficace per piccoli aggiustamenti, questo metodo fatica quando gli viene chiesto di effettuare cambiamenti drastici. Si affida pesantemente al trovare l'istante esatto in cui le corde vocali si chiudono, un compito difficile da eseguire perfettamente. Quando il computer sbaglia la previsione di questi momenti, la voce ricostruita sviluppa strani artefatti, risultando metallica o glitchata, specialmente quando l'altezza viene alzata significativamente o abbassata troppo.
In uno studio recente, un team di ricercatori indiani ha proposto un modo diverso per gestire questo problema. Invece di cercare di salvare e riorganizzare le originali onde sonore, hanno deciso di sostituire completamente la sorgente. Il loro metodo consiste nel rimuovere la vibrazione originale delle corde vocali da una registrazione vocale e sostituirla con una versione artificiale perfettamente pulita generata da un computer. Mantengono intatto il "filtro" originale — la forma unica della bocca e della gola del parlatore — assicurando che la voce suoni ancora come la stessa persona. Generando un nuovo impulso idealizzato basato sull'altezza desiderata e combinandolo con il filtro originale, possono rimodellare la voce senza le distorsioni che affliggono i metodi più vecchi.
I ricercatori hanno testato questo nuovo approccio rispetto al metodo tradizionale utilizzando registrazioni di parlanti tamil. Hanno chiesto ad ascoltatori umani di valutare la qualità della voce modificata su una scala da uno a cinque. I risultati hanno mostrato che il loro nuovo metodo produceva costantemente voci di qualità superiore, in particolare quando l'altezza veniva cambiata in modo sostanziale. Mentre il metodo tradizionale iniziava a suonare innaturale e degradato quando l'altezza veniva alterata oltre un certo punto, il nuovo approccio manteneva chiarezza e naturalezza attraverso un intervallo più ampio. Il team ha scoperto che questa tecnica funzionava bene sia per le voci maschili che per quelle femminili, preservando l'identità del parlatore anche quando l'altezza veniva spostata significativamente verso l'alto o verso il basso.
Oltre ai semplici cambiamenti di altezza, lo studio ha esplorato quanto bene il metodo potesse gestire il parlato espressivo, dove il tono della voce sale e scende per trasmettere emozioni o enfasi. I ricercatori hanno creato specifici pattern di movimento dell'altezza, come toni ascendenti per le domande o discendenti per le affermazioni, e li hanno applicati al parlato. Il nuovo metodo gestiva questi cambiamenti dinamici in modo più fluido rispetto all'approccio tradizionale, che spesso introduceva glitch udibili quando il contorno dell'altezza cambiava rapidamente. La sorgente artificiale da loro generata era abbastanza flessibile da seguire queste curve complesse senza interrompere il flusso del suono.
Il processo di ricostruzione della voce da queste parti separate richiedeva un passaggio specifico per garantire che il suono non fosse solo una collezione di frequenze ma un'onda coerente. Poiché i ricercatori lavoravano con l'ampiezza delle onde sonore ma non con la loro fase temporale, hanno utilizzato un processo matematico iterativo per stimare l'informazione temporale mancante. Questo passaggio, noto come ricostruzione della fase, ha permesso loro di sintetizzare un'onda finale che suonasse naturale all'orecchio umano. Sebbene i ricercatori abbiano notato che questo passaggio di ricostruzione non è perfetto e lascia un piccolo margine di miglioramento, la qualità complessiva del parlato era superiore alle tecniche esistenti.
Lo studio conclude che abbandonando il tentativo di tracciare perfettamente le vibrazioni originali delle corde vocali e generando invece una sorgente artificiale pulita, è possibile ottenere una modifica della voce più robusta ed espressiva. Questo approccio rimuove l'ambiguità e gli errori associati alla rilevazione dell'istante esatto di chiusura delle corde vocali, che è stato un collo di bottiglia persistente nel campo. Le scoperte suggeriscono che per applicazioni come i sistemi di sintesi vocale o la conversione della voce, dove la naturalezza e la flessibilità sono fondamentali, sostituire la sorgente con un modello artificiale controllato offre una via più affidabile rispetto al tentativo di dilatare il segnale originale. Il lavoro dimostra che, a volte, per far suonare una voce più umana, bisogna essere disposti a sostituire l'elemento umano con un ideale matematico preciso.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.