An Artificial Glottal Spectrum-Based Excitation Model with LP-Based Spectral Modelling for Prosody Modification
Dit artikel stelt een nieuwe methode voor voor prosodie-modificatie die traditionele tijdreeks-pitchmarkering vervangt door een kunstmatig glottaal spectrum-gebaseerd excitatiemodel om ambiguïteiten en artefacten in de pitchmarkering te elimineren, waardoor een hoogwaardige, natuurlijke en efficiënte manipulatie van pitch en duur wordt bereikt die geschikt is voor tekst-naar-spraak en stemconversie-toepassingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Menselijke spraak is een complex fysiek evenement, een vluchtige trilling van lucht die betekenis, emotie en identiteit overdraagt. In de kern berust het geluid dat we produceren op twee afzonderlijke delen die in tandem werken. Het eerste is de bron: de rauwe, ritmische puls die ontstaat wanneer lucht door de stembanden in de keel stroomt. Het tweede is het systeem: de vorm van de mond, tong en keel die fungeert als een filter, waardoor die rauwe puls wordt gekleurd tot de specifieke klanken van klinkers en medeklinkers. Wanneer we spreken, zijn deze twee elementen onlosmakelijk met elkaar verbonden, waardoor het moeilijk is om het een te veranderen zonder het ander te beïnvloeden. Dit vormt een aanzienlijke uitdaging voor ingenieurs die proberen machines te bouwen die natuurlijk kunnen spreken of de stem van een opname kunnen veranderen. Als een computer simpelweg een opname probeert uit te rekken of in te drukken om de snelheid of de toonhoogte van een stem te veranderen, is het resultaat vaak robotachtig of vervormd, waarbij de natuurlijke kwaliteit van de menselijke spreker verloren gaat.
Onderzoekers zoeken al lang naar manieren om deze twee componenten te ontwarren, zodat ze onafhankelijk van elkaar gemanipuleerd kunnen worden. De meest gebruikelijke aanpak gedurende decennia is een techniek die het spraaksignaal in kleine stukjes snijdt op basis van de timing van de stembandtrillingen, en vervolgens die stukjes herarrangeert om de snelheid of toonhoogte te veranderen. Hoewel effectief voor kleine aanpassingen, heeft deze methode moeite wanneer er drastische veranderingen gevraagd worden. Het vertrouwt zwaar op het vinden van het exacte moment waarop de stembanden sluiten, een taak die moeilijk perfect uit te voeren is. Wanneer de computer deze momenten verkeerd inschat, ontwikkelt de gereconstrueerde stem vreemde artefacten, wat een metaalachtig of glitchy geluid geeft, vooral wanneer de toonhoogte aanzienlijk wordt verhoogd of te veel wordt verlaagd.
In een recente studie stelden een team onderzoekers uit India een andere manier voor om dit probleem aan te pakken. In plaats van te proberen de originele geluidsgolven te redden en te herarrangeren, besloten zij de bron volledig te vervangen. Hun methode houdt in dat ze de oorspronkelijke stembandtrilling uit een spraakopname verwijderen en deze vervangen door een perfect zuivere, kunstmatige versie die door een computer is gegenereerd. Ze houden het originele "filter" — de unieke vorm van de mond en keel van de spreker — intact, waardoor de stem nog steeds als dezelfde persoon klinkt. Door een nieuwe, geïdealiseerde puls te genereren op basis van de gewenste toonhoogte en deze te combineren met het originele filter, kunnen ze de stem hervormen zonder de vervormingen die oudere methoden teisteren.
De onderzoekers testten deze nieuwe aanpak tegenover de traditionele methode met opnames van Tamil-sprekers. Ze vroegen menselijke luisteraars om de kwaliteit van de aangepaste spraak te beoordelen op een schaal van één tot vijf. De resultaten lieten zien dat hun nieuwe methode consequent kwalitatief betere stemmen produceerde, vooral wanneer de toonhoogte in grote hoeveelheden werd veranderd. Terwijl de traditionele methode onnatuurlijk en gedegradeerd begon te klinken wanneer de toonhoogte voorbij een bepa bepaald punt werd aangepast, behield de nieuwe aanpak helderheid en natuurlijkheid over een breder bereik. Het team merkte op dat deze techniek goed werkte voor zowel mannelijke als vrouwelijke stemmen, waarbij de identiteit van de spreker behouden bleef, zelfs wanneer de toonhoogte aanzienlijk omhoog of omlaag werd verschoven.
Naast eenvoudige toonhoogteveranderingen onderzocht de studie ook hoe goed de methode expressieve spraak kon verwerken, waarbij de toon van de stem stijgt en daalt om emotie of nadruk over te brengen. De onderzoekers creëerden specifieke patronen van toonhoogtebeweging, zoals stijgende tonen voor vragen of dalende tonen voor mededelingen, en pasten deze toe op de spraak. De nieuwe methode hanteerde deze dynamische veranderingen soepeler dan de traditionele aanpak, die vaak hoorbare glitches introduceerde wanneer de toonhoogtecontour snel veranderde. De kunstmatige bron die zij genereerden was flexibel genoeg om deze complexe curven te volgen zonder de flow van het geluid te verbreken.
Het proces van het reconstrueren van de stem uit deze afzonderlijke delen vereiste een specifieke stap om ervoor te zorgen dat het geluid niet slechts een verzameling frequenties was, maar een coherente golf. Omdat de onderzoekers werkten met de amplitude van de geluidsgolven maar niet met hun timingfase, gebruikten zij een iteratief wiskundig proces om de ontbrekende timinginformatie te schatten. Deze stap, bekend als fase-reconstructie, stelde hen in staat een definitieve golfvorm te synthetiseren die natuurlijk klonk voor het menselijk oor. Hoewel de onderzoekers opmerkten dat deze reconstructiestap niet perfect is en een kleine ruimte laat voor verbetering, was de algehele kwaliteit van de spraak superieur aan bestaande technieken.
De studie concludeert dat door het opgeven van de poging om de oorspronkelijke stembandtrillingen perfect te volgen en in plaats daarvan een zuivere, kunstmatige bron te genereren, het mogelijk is om een robuustere en expressievere stemmodificatie te bereiken. Deze aanpak elimineert de ambiguïteit en fouten die gepaard gaan met het detecteren van het exacte moment van de sluiting van de stembanden, wat een hardnekkige flessenhals in het vakgebied is. De bevindingen suggereren dat voor toepassingen zoals tekst-naar-spraak-systemen of stemconversie, waarbij natuurlijkheid en flexibiliteit essentieel zijn, het vervangen van de bron met een gecontroleerd, kunstmatig model een betrouwbaarder pad biedt dan het proberen uit te rekken van het originele signaal. Het werk demonstreert dat men soms, om een stem menselijker te laten klinken, bereid moet zijn om het menselijke element te vervangen door een precieze, wiskundige ideale vorm.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.