Speech synthesis using PSOLA

Završni rad se bavi postupkom tvorbe govora koristeći TD-PSOLA algoritam. Opisan je proces pretvorbe unesenog teksta u govor, koristeći unaprijed pripremljenu bazu difona. Na temelju teksta koji korisnik unese u sustav, obavlja se analiza i iz baze se biraju prikladni zvučni isječci (difoni). Uz difone se također učitava i tekstualna datoteka koja sadrži lokacije vremenskih oznaka za pripadajući difon. U slučaju da datoteka ne postoji, izračunavaju se vremenske oznake i osnovna frekvencija i pohranjuju se u bazu za buduće korištenje. Na kraju se na temelju tih vremenskih oznaka obavlja tvorba govora TD-PSOLA algoritmom. Kada je postupak završen, dobiveni se signal sprema u .wav formatu.The theme of this thesis is speech synthesis using the TD-PSOLA algorithm. It describes the process of transforming text to speech using a pre-prepared diphone database. The system analyzes the text that the user inputs, and picks the matching diphones from the database. Alongside the diphones, the system also attemps to load a text file which stores the pitch marks for the corresponding diphone. In the case the text file doesn't exist, the system calculates the pitch marks and fundamental frequency and stores them in the database for future use. Finally, using the calculated pitch marks, the diphones are synthesized using the TD-PSOLA algorithm. When the process is finished, the newly synthesized signal is stored in .wav format