Penambahan emosi menggunakan metode manipulasi prosodi untuk sistem text to speech bahasa Indonesia

Abstrak—Text To Speech (TTS) merupakan suatu sistem yang dapat mengonversi teks dalam format suatu bahasa menjadi ucapan sesuai dengan pembacaan teks dalam bahasa yang digunakan. Fokus penelitian yaitu suatu konsep pengucapan natural, dengan usaha “memanusiakan” pelafalan sintesa suara sistem Text To Speech yang dihasilkan. Kebutuhan utama yang digunakan untuk sistem Text To Speech dalam penelitian ini adalah eSpeak, database MBROLA id1, database Human Speech Corpus diambil dari suatu website yang merangkum kata-kata dengan frekuensi terbanyak (Most Common Words) yang digunakan pada suatu negara, dan terdapat 3 jenis emosi/intonasi dasar yang dirancang, yaitu emosi senang (happy), marah (angry), dan sedih (sad). Pendekatan metode yang digunakan untuk mengembangkan filter emosional adalah dengan memanipulasi fitur yang relevan dari prosodi (terutama nilai pitch dan durasi) menggunakan suatu predetermined rate factor yang telah ditetapkan. Hasil pengujian tes persepsi Human Speech Corpus adalah untuk emosi senang sebesar 95 %, emosi marah sebesar 96.25 % dan emosi sedih sebesar 98.75 %. Untuk aspek uji intelligibility ketepatan suara yang didengar dengan kalimat asli adalah sebesar 93.3 %, dan untuk rate kejelasan untuk masingmasing kalimat adalah 62.8 %. Untuk aspek uji naturalness ketepatan pemilihan emosi adalah sebesar 75.6 % dengan masing-masing emosi senang sebesar 90 %, emosi marah sebesar 73.3 % dan emosi sedih sebesar 60 %.