مدل کردن نوای گفتار فارسی با استفاده از روش های داده گرا و قانونگرا

هدف از انجام این پایان نامه، مدلسازی نوای گفتار فارسی با استفاده از روش های داده گرا، برای سیستم های تبدیل متن به گفتار فارسی می باشد. روش های داده گرای بکار گرفته شده، شامل منحنی های متعدد تقریب انطباقی (مارس)، شبکه عصبی و ماشین پشتیبان بردار می باشند. مارس، تکنیکی برای تخمین یک تابع با بعد بالا با داده های خلوت می باشد که از روی داده ها پارامترها و ساختار مدل را بدست می آورد و قابلیت تفسیر مدل را فراهم می کند. ماشین پشتیبان بردار قابلیت تعمیم بسیار بالایی دارد به طوری که در اکثر موارد، کارایی آن در آموزش و تست، تقریبا یکسان می باشد. شبکه عصبی در محیط های نویزی خیلی خوب عمل می کند اما امکان تفسیر خروجی ندارد. نوای گفتار شامل دیرش، فرکانس پایه و انرژی آن می باشد که معمولا مقدار دیرش برای هر واج گفتار تخمین زده می-شود و فرکانس پایه و انرژی به صورت یک منحنی برای کل گفتار، تولید می شود. مقدار دیرش هر واج، با استفاده از روش مارس، شبکه عصبی و ماشین پشتیبان بردار تخمین زده شد و با استفاده از نتایج مارس، اهمیت عوامل موثر در کشش و تعامل بین عوامل، مورد تحلیل واقع شد. با توجه به زیاد بودن تعداد داده ها و سرعت پایین ماشین پشتیبان بردار در آموزش و آزمایش، دو شیوه متفاوت بکار گرفته شد. در روش اول با استفاده از چندی سازی برداری در فضای ورودی، تعداد داده های آموزشی به میزان قابل توجهی کاهش یافت و در روش دوم، فضای خروجی با توجه به مقدار دیرش هر داده، به چند خوشه تقسیم شد و برای هر خوشه، یک مدل تخمین جداگانه، ایجاد گردید. هر دو روش زمان آموزش و تست سیستم را با حفظ کارایی کاهش دادند. به منظور تولید منحنی گام، از روش فوجی ساکی، تیلت و منحنی های قطعه قطعه استفاده شد. روش فوجی ساکی برای منحنی گام، دو جزء دستورات تکیه و عبارت را فرض می کند که هر کدام دارای پارامترهای خاص خود هستند. پارامترهای دستورات تکیه، برای هجاهای تکیه بر و پارامترهای دستورات عبارت، برای اولین هجای عبارت های نوایی گفتار تخمین زده می شود و با استفاده از این پارامترها، منحنی گام با بکارگیری فرمول فوجی ساکی، تولید می شود. به منظور تخمین پارامترها، روش های مارس، شبکه عصبی و ماشین پشتیبان بردار بکار گرفته شدند که نتایج آزمایش ها نشان داد، روش مارس قادر به تخمین کلیه پارامترهای فوجی ساکی نمی باشد. مدل تیلت، منحنی گام را به صورت دنباله ای از رویدادهای آهنگین فرض می کند. رویدادهای اصلی شامل تکیه زیروبمی (a) و نواخت های مرزی (b) هستند. هر دو نوع رویداد با پارامترهای زمان شروع رویداد، فرکانس پایه در لحظه شروع رویداد، میزان دیرش، اندازه و عدد تیلت مدل می شوند. با استفاده از این پارامترها و یکسری فرمول، شکل کنتور f0 برای این رویداد ها تولید می شود و سپس با اتصال کلیه رویداد ها به یکدیگر، کل منحنی گام تولید می شود. با استفاده از روش های یادگیری ماشین، پارامترهای تیلت برای کلیه هجاهای متن تخمین زده شدند. در روش منحنی های قطعه قطعه، برای هر واج منحنی گام تولید می شود و از اتصال کلیه این منحنی ها، منحنی گام برای کل گفتار بدست می آید. منحنی هر واج با استفاده از چند جمله ای درجه دوم تولید می شود و برای تخمین ضرایب این چند جمله ای ها، از روش های داده گرا استفاده می شود. در زمینه انرژی گفتار، ابتدا عوامل تاثیرگذار روی مقدار انرژی بررسی گردید و سپس با استفاده از آن عوامل، به مدلسازی منحنی انرژی پرداخته شد. منحنی انرژی گفتار نیز، با استفاده از روش منحنی های قطعه قطعه مدلسازی گردید که در آن برای هر واج، منحنی انرژی اش تولید می شود و از اتصال این منحنی ها، منحنی انرژی کل گفتار بدست می آید. منحنی هر واج با استفاده از چند جمله ای درجه دوم تولید می شود و برای تخمین ضرایب این چند جمله ای ها، از روش های داده گرا استفاده می شود. به منظور ارزیابی نتایج، تست شنیداری mos و همچنین معیارهای ضریب همبستگی و میانگین مربع خطا، محاسبه شد.