синтез голоса Опции

[forever_student]

Реально ли - синтезатор речи (русский язык) на процессоре ~ 100 -150 MIPS и с базой в пределах 8 Мб ?
По форуму искал - по синтезу речи ничего не нашел. В Google - в основном для PC и размеры базы неподъемные
В общем, интересует мнение специалистов.

[=SSN=]

Реально ли - синтезатор речи (русский язык) на процессоре ~ 100 -150 MIPS и с базой в пределах 8 Мб ?

Для стандартов сжатия речи G.723.1, G.729.A одна секунда речи занимает в памяти от 670 до 1000 байт.
В обьёме 8 Мб может хранится от 4000 до 12000 слов. Если для Вашего синтезатора речи этого словаря достаточно, то реально.

[forever_student]

...Если для Вашего синтезатора речи этого словаря достаточно, то реально.

Спасибо, в сторону G.723.1 и G.729.A посмотреть не догадался. Качество, конечно, нужно повыше
(насколько я понял, Festival и др. используют 22050Гц/16 бит), но уже понятно, что 100MIPS хватит
с большим запасом.
А вот что касается словаря... Нужен именно СИНТЕЗАТОР, т.е. текст заранее неизвестен, поэтому
ориентироваться на словарь, наверное, неправильно.

[Kluwert]

Нужен именно СИНТЕЗАТОР, т.е. текст заранее неизвестен, поэтому
ориентироваться на словарь, наверное, неправильно.

Если нужен ИМЕННО синтезатор, то здесь выход только один: так называемый "формантный синтезатор", которые часто использовались в доWinдовые времена. Он доходчиво описан в популярной книжке Кейтера "Компьютеры - синтезаторы речи" (я её еще в школе читал . Берется база слогов (лучше, конечно, фонем, но это вряд ли возможно) далее эти слоги аналогично как в ЛПК-кодерах (тот же G.729 для примера) сегментируются на участки по признаку "гармоники-шум". Далее от озвученных участков берутся только частоты первых трех гармоник. На шумовых участках грубо оценивается спектр (по-сути тот же ЛПК (или АР, как кому нравиться) только с моделью очень низкого порядка). Эти данные и составляют базу. Размер её для русского языка будет смешным: что-то типа 20-30Кбайт. Ну и собственно дальше идет синтез слова по слогам. Если решать эту задачу совсем в лоб, то качество будет "упаси боже". Но, если с умом (имитировать коартикуляцию, переменную длительность слогов, оглушения и т.п.) - качество будет разумным, по-крайней мере, для каких-либо оповещателей.

[forever_student]

...Ну и собственно дальше идет синтез слова по слогам...

Если бы все так было просто - давно бы уже сделали синтезатор хорошего качества хотя бы для PC.
(Я прослушал примеры для Digalo, Festival, Alyona и т.д. Качество меня не устроило+геморрой со словарями и обучением - это нечто )

...качество будет разумным, по-крайней мере, для каких-либо оповещателей...

Хочется книжки слушать
P.S. За книжку спасибо - поищу обязательно

Сообщение отредактировал forever_student - Feb 20 2011, 19:09