Automatic Detection and Visualization of Artefacts in Concatenative Speech Synthesis

Syntéza řeči je již v dnešní době schopna vytvářet syntetickou řeč vysoké kvality. Konkatenační metoda s výběrem jednotek je známa právě pro svou schopnost vytvářet kvalitní syntetickou řeč, která je velmi přirozená. Nevýhodou této metody je fakt, že špatné napojení jednotek může vést k náhlému propadu kvality řeči, což je velmi rušivé. V této práci je představen návrh automatického systému, který by tyto jevy dokázal automaticky detekovat. Nejdříve je představen program, který dokáže analyzovat syntetickou řeč. Poté jsou na základě poslechových testů sestavena objektivní označení rušivých úseků. Z nich je trénován SVM klasifikátor. Ten je poté schopen označovat podobná místa v nových syntetických promluvách s velkou úspěšností. V provedených experimentech se úspěšnost pohybovala v rozmezí 70 až 80 %.Katedra kybernetikyObhájenoNowadays, speech synthesis is able to produce high-quality synthetic speech. Unit selection method produces very natural speech, but it may suffer from sudden quality drops at concatenation points, which is very disturbing. In this thesis, an automatic speech synthesis error detection system is presented. Firstly, a program for speech analysis is introduced. Then, based on data gathered during listening tests, an SVM is trained. Using this classifier, errors can be labeled automaticaly in any new synthetic speech. Finnally, few experiments were carried out with a success rate between 70-80 %