První experimenty s automatickými opravami prozodických anotací rozsáhlých řečových korpusů

Většina moderních systémů pro syntézu řeči využívají k naučení nového hlasu rozsáhlé řečové korpusy. Tyto korpusy obvykle obsahují několik hodin řeči namluvené schopnými mluvčími schopnými nahrát takové množství řečových dat v dostatečné kvalitě. Odpovídající fonetická a prozodická anotace nahrávek je potřebná pro vysokou kvalitu syntetické řeči. Pro mnoho jazyků platí, že průběh základní hlasivkové frekvence v posledním prozodickém slově prozodické fráze je charakteristický pro jednotlivé typy vět a strukturu souvětí.Avšak v reálných řečových datech může být tento předpoklad porušen a mohou se objevit i jiné tvary průběhů základní hlasivkové frekvence. To může způsobit nekonzistenci prozódie v syntetické řeči. Tento článek popisuje pokusy s automatickou detekcí prozodického nesouladu v nahraných větách. Pro tento účel je použit jednoduchý GMM klasifikátor. Pokusy byly provedeny na 5 velkých řečových korpusech. Výsledky klasifikace byly úspěšně ověřeny poslechovými testy.Most modern speech synthesis systems utilize large speech corpora to learn new voices. These speech corpora usually contain several hours of speech spoken by talented speakers who are able to record such an amount of speech data in a sufficient quality. An appropriate phonetic and prosodic annotation of the recorded utterances is necessary for a high quality of synthesized speech. For many languages, the pitch shape within the last prosodic word of a phrase is characteristic for particular types of sentences and phrase structure of compound/complex sentences. However in the real data, this formal convention can be breached and a different pitch shape than expected can be present. This can be a source of prosody inconsistency in synthesized speech. This article presents some experiments on automatic detection of prosodic mismatch in recorded utterances. A simple classifier based on GMM was proposed for this task. Experiments were performed on 5 large speech corpora. The classification results were successfully verified by listening tests