Bárdi Tamás előadására építve Beszédfelismerés és szintézis Prozódia a beszédben Takács György Bárdi Tamás előadására építve

Tartalom Ismétlés Szegmentális és szupraszegmentális jellemzők Hanglejtés Hangsúly Tempó, ritmus

Beszédhang -- Szegmentum A legkisebb olyan egységek, amelyek sorozatával egy nyelvet megvalósító beszéd akármilyen részlete az agy számára reprodukálható, beszédhangnak nevezzük. A beszédhangok a beszéd olyan szegmensei, részletei, amelyeket a nyelvet beszélő egymástól elkülöníteni és felismerni teljes biztonsággal képes. A beszédhangok a nyelvre jellemzőek! Egyes nyelvekben a hangmagasság hajlítása is megkülönböztet beszédhangokat. Az élő beszéd olyan leírása, amely a beszéd hangzásának leírására törekszik – a fonetikai átírás. Ennek elterjedt rendszerei az APhI és a SAMPA.

A beszéd szerkezete A beszéd egymástól megkülönböztethető elemek (SZEGMENTUMOK) szervezett időbeni egymásutánisága – soros szerkezet. Elem lehet egy összefüggő mondanivaló, egy hosszabb szünetekkel elhatárolt beszédrész, egy mondat, egy szó, egy beszédhang. Egy ötven beszédhangból álló nyelvben (leszámítva, hogy nem minden hang mondható egymás után) kb. egymillió különböző tíz hangból álló szó képezhető. A beszéd szerkezete felülről gyakorlatilag nyitott, alulról zárt.

A fonéma Egy nyelv fonémakészlete elemek olyan minimális számosságú halmaza, amelyből minden szó jelentéshelyesen, de csak egyféleképpen állítható elő A fonémakészlet elemei a fonémák. Az azonos fonémákat képviselő beszédhangok az allofonok.

A prozódia szó jelentése Verstanban: az időmértékes és ütemhangsúlyos verselés tudománya Zenében: a dallam és a szöveg illesztésének tudománya A beszédfeldolgozásban: a beszéd szupraszegmentális akusztikai jegyeivel foglalkozó tudományág szupraszegmentális: több szegmentumon (több fonémán) átívelő jelenség

Prozódikus vagy szupraszegmentális jellemzők – az akusztikus megjelenés szempontjából Intonáció: Hanglejtés. Az alapfrekvencia (F0) változtatásaival produkáljuk. A zöngétlen hangok nem játszanak szerepet a beszéddallam alakításában. Hangerő: Elsősorban a tüdőből kiáramló levegő mennyiségével szabályozzuk. A hang intenzitásához kapcsolódik. Ritmus: Időtartamok. Ide tartozik a beszéd sebesség, bizonyos szótagok vagy fonémák nyújtása, és a szünet. Hangszín: Érzékelhető kommunikációs szerepe van, de hogy pontosan mi a hangszín, azt nehéz megfogalmazni, és még nehezebb mérni. Spektrális tulajdonság.

Prozódikus vagy szupraszegmentális jellemzők képzése Ugyanazokkal a szervekkel képezzük. A beszédhangokkal, szegmentumokkal egy időben képezzük. A beszédszerveket működésekor ugyanazon agy vezérli akár a szupraszegmentális tényezők, akár a szegmentumok képzésénél.

Prozódikus vagy szupraszegmentális jellemzők – a jelentéshordozás szempontjából Hanglejtés: „Dallamforma” Hangsúly: A dallamforma, a hangerő és a ritmus együtteséből alakul ki. Ritmus: beszédtempó változását, hullámzását és a szüneteket foglalja magába..

Megkülönböztetés prozódikus elemek segítségével Egyszerű példa: jó Jó? Jó. Összetett példa: az nem fontos kivel köt a tulajdonos szerződést Az nem fontos, kivel köt a tulajdonos szerződést. Az nem fontos. Kivel köt a tulajdonos szerződést? A királynő mondta, a lovag egy szörnyeteg. A királynő -- mondta a lovag -- egy szörnyeteg.

A magyar nyelv prozódiája Magyar Nyelvi Beszédtechnológiai Alapismeretek - demo 5.4 A magyar beszéd - Prozódia

A prozódia és az írás Írásban a prozódiát írásjelekkel, időnként tipográfiai eszközökkel közelítjük. A kapcsolat azonban jóval kevésbé szoros vagy definiált, mint a betűk és az elhangzó fonémák között. Példák: A bizottság elnöke Veres Lajos professzor lett. A bizottság elnöke, Veres Lajos professzor lett. Nem erre válaszoltam. Nem erre – válaszoltam. Van még időd? Van még időd! A tüntetések Bolognában illetve Rómában voltak. A tüntetések Bolognában – illetve Rómában voltak.

A beszéd agyi szerveződése Aszimmetria: A bal agyfélteke dominál a beszédképzésben és megértésben. A jobb agyfélteke leginkább a beszéd zenei jellemzőivel foglalkozik, vagyis a prozódiával. A beszéd jellemzően emberi jelenség: Az állatvilágban ismeretlen az agyféltekék ilyen aszimmetrikus szereposztása

Nyelvfüggőség - nyelvfüggetlenség A beszéd prozódikus jelenségei nyelvről nyelvre másképp viselkednek, de vannak nyelvcsaládon belül, vagy néhány nyelvre érvényes szabályszerűségek Univerzális szabályszerűségek: - Alapfrekvencia deklináció és terjedelem redukció - Hangerő csökkenés - Szavak csoportokba szervezése (frázis tagolás) - Szillabifikáció (szótagok képződése) A minden nyelvre érvényes szabályszerűségeket gyaníthatóan biológiai okokból ered. De pl. a szillabifikációnál vitatott, hogy van-e ilyen biológiai kényszer.

Alapfrekvencia lejtési trend és tartomány csökkenés Biológiai okok: légzés, crico-thyroid rendszer mechanikája

Fujisaki modell Forced-dumped oscillations:

Fujisaki modell 2

Hangerő csökkenés A légzésre visszavezethető.

Hangerő - hangzósság Azonos képzési erőhöz különböző mérhető hang intenzitás tartozik a különböző fonémáknál.

Hangerő megválasztása A hangerő megválasztása elsősorban a fizikai és pszichikai „távolsághoz” igazodik. Sok ember jelenlétében ezzel fejezzük ki, hogy mekkora körnek szól amit éppen mondunk. A kisebb hangerő utal a tartalom bizalmasságára, a nagyobb távolságtartást jelezhet.

Lombard speech Amikor nagy az alapzaj (mások is beszélnek) Növekvő alapfrekvencia Nagyobb hangerő Hosszabb beszédhang időtartam A kulcsszavak még kitartottabbak Felfelé tolódó formánsfrekvenciák Kifejezőbb arcmozgás

Szavak csoportokba szervezése Nem tudni biztosan, van-e biológiai oka.

Szavak csoportokba szervezése 2 Frázisok képzése: A prozódiai frázist jellegzetes hanglejtés minták zárják le, gyakran szünettel kiegészítve. Jellemzően emelkedő dallam zárja a nem mondatvégi frázisokat, jelezve hogy még folyt. köv. Prozódiai mondat: Tipikusan levegővételtől levegővételig tart. Általában eső alapfrekvencia zárja a mondat többi részénél mélyebb értéken. Szinte mindig van utána szünet.

Szillabifikáció Még kevésbé tudni, van-e biológiai oka.

A prozódia szerepe a beszédben Az élő beszédet hallgatni, értelmezni nehéz munka. Ezt lehet megkönnyíteni a beszéd értelemszerű tagolásával és a hangsúlyozással. Szerepe a nyelvben: - szemantika: tonális nyelvekben - szintaktika és pragmatika: minden nyelvben Jellemzően prozódikus eszközökkel fejezi ki a beszélő érzelmi állapotát, hangulatát, indulatait.

Tonális nyelvek A tonális nyelveken a dallam lexikális információt hordoz. Ezekben ugyanaz a fonéma sor más-más szót jelent különböző dallammal kiejtve. Tonális nyelvek pl. a kínai (mandarin), kantoni, tibeti, vietnami, thai Egy példa vietnamiból: Mandarin kínai szótagtípusok:

Hangsúlyozás Mi a hangsúly? Az a szótag hangsúlyos, amelynek a képzésébe érezhetően több fiziológiai erőt fektetünk, mint a szomszédaiba. Hangsúlyok hatóköre: ütemhangsúly, szakaszhangsúly, mondathangsúly Hangsúlyok szerepe: A mondanivaló fontos részeinek megjelölése. Topic-comment megkülönböztetés. A figyelem felkeltése mikor a korábbiakhoz képest újat mondunk. Érzelmi hangsúlyok: az értelmieket gyakran felülírják.

Prozódia a beszédtechnológiában Beszéd szintézis: Ma már a jó minőségű TTS rendszereknél elvárás, hogy (közel) természetesen hangzó intonációval és ritmussal beszéljen. Az automatikus hírolvasók még hangsúlyozni is elfogadhatóan tudnak. Új törekvés: Expressive Speech Synthesis Felismerés prozódia alapján (ez még gyerekcipőben van): Kérdés-válasz megkülönböztetés, mondathatárok megállapítása, érzelmi állapot felismerése. Dialógus rendszerek: Itt mindkét irány kéne. Elsősorban azt kéne jelezni és észrevenni, hogy mikor kinek kell átvenni a szót (turn taking prosody).

Prosody in TTS Újabb megközelítés: text-to-speech helyett concept-to-speech ehhez megfelelő markup language bemenet kell

Szimbolikus prozódia Tones and Break Indices (ToBI)