Dictée automatique de textes à haute voix : analyse de corpus et modélisation des stratégies d'énonciation
Résumé
The work presented in this paper is in the context of Text-To-Speech synthesis (TTS). This work aims to develop an automatic dictation system that converts written text into spoken words, for use by CM1 and CM2 students (4th and 5th grade in French primary school). This system includes four modules : 1) a morpho-syntactic analysis module which extracts tree data structure from orthographic strings; 2) a prosodic segmentation module which divides the utterances into prosodic groups and relates them to their propositional content; 3) a prosody generation module which calculates prosody automatically (fundamental frequency contour and speech rhythm), to be applied to those groups based on phonotactic features; 4) a synthesis module which converts this segmental and supra-segmental data into an acoustic signal. The syntactic parsing is first performed. The syntactic tree is then further projected onto the syntagmatic axis : sentence-internal prosodic markers are supposed to cue the dependency relations between adjacent constituents. Prosody generation is then performed by associating these markers with multiparametric contours via so-called contour generators. These contour generators are implemented as feed-forward neural networks and trained thanks to an iterative analysis-by-synthesis process (see description of the SFC "Superposition of Functional Contours" model in Bailly and Holm (2003) using a corpus of dictations. We finally assessed the quality of the modeling with a synthesis system available at GIPSA-Lab. We showed that strategy-specific contour generators are able to capture the slow rate of speech flow, the increased rate of word and phrase segmentation as well as changes in the melodic contours of the four versions for each phrase.
Les travaux présentés dans ce mémoire se situent dans le cadre de la synthèse de la parole à partir du texte. Notre travail vise à concevoir un système permettant de dicter automatiquement à voix haute un texte orthographié à des élèves de niveau CM1-CM2. Ce système comporte quatre modules : 1) un module d'analyse morphosyntaxique qui lève une structure arborescente à partir de la chaîne orthographique ; 2) un module de marquage prosodique qui découpe cet énoncé en groupes prosodiques et les articule entre eux ; 3) un module de génération de prosodie qui calcule automatiquement la prosodie (contour de fréquence fondamentale et contour rythmique) à appliquer sur ces groupes en fonction des diverses marques ; 4) un module de synthèse qui convertit l'ensemble de ces données segmentales et suprasegmentales en signal acoustique. Partant de la sortie d'un analyseur syntaxique à l'état de l'art, notre travail a consisté tout d'abord à projeter toute ou partie de la structure syntaxique de chaque texte afin de marquer le texte et les reprises de ses groupes de mots par un ensemble restreint de marqueurs. Nous avons ensuite paramétré un modèle de génération de la prosodie SFC "Superposition of Functional Contours" développé par Bailly et Holm (2003) à l'aide du corpus de dictées. Nous avons finalement évalué la qualité de la synthèse produite par un système de synthèse disponible au GIPSA-Lab. Nous montrons que les générateurs de contours indexés par la version d'énonciation arrivent à capturer le ralentissement du débit, l'accentuation du découpage des mots et des syntagmes ainsi que les modifications des contours mélodiques des quatre versions de chaque groupe de mots.
Loading...