Analyse et contrôle du signal glottique en synthèse de la parole

Glottal wave analysis and control in speech synthesis

• Auteur / Autrice : Damien Vincent
• Direction : Thierry Chonavel
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et télécommunications
• Date : Soutenance en 2007
• Etablissement(s) : Télécom Bretagne

Mots clés

Mots clés contrôlés

Traitement automatique de la parole

Synthèse automatique de la parole

Résumé

Les systèmes actuels de synthèse vocale sont basés sur la technologie dite de synthèse par corpus. Celle-ci repose sur la sélection d’une séquence optimale d’unités acoustiques au sens du contexte de synthèse. Cette approche qui minimise l’effort de concaténation conduit à une restitution jugée naturelle mais uniquement pour un style de parole lue. L’acceptabilité réelle d’une brique technologique de synthèse vocale dépend cependant de la réponse à deux attentes principales : la capacité du système à restituer d’une part des formes expressives et d’autre part des qualités de voix différentes. Pour satisfaire ce double objectif, un travail de caractérisation des signaux de parole est nécessaire. Cette thèse traite de la prise en compte explicite des mécanismes de production de la parole en synthèse. Dans une première partie, nous nous intéressons à la décomposition d’un signal de parole en une composante de source – l’onde de débit glottique (ODG) produite lors de la vibration des cordes vocales – et une composante filtre caractérisant le conduit vocal. Pour résoudre ce problème de déconvolution, nous proposons un modèle ARX-LF qui consiste à introduire, dans un processus linéaire de production de la parole, de l’information a priori sur l’ODG en utilisant un modèle LF (Liljencrants Fant). L’estimation des paramètres du modèle ARX-LF selon un critère des moindres carrés résulte en un problème d’optimisation non-linéaire complexe. Nous introduisons donc une solution efficace basée sur un découplage de l’estimation des paramètres et sur de nombreuses optimisations algorithmiques. Les résultats d’estimation sont très encourageants. D’une part, la méthode d’inversion proposée conduit à une meilleure estimation des instants de fermeture que les méthodes existantes. D’autre part, les ODG estimées ont pu être corroborées par des mesures électroglottographiques. Dans une seconde partie, nous avons proposé une méthode de synthèse et de modification de signaux de parole basée sur le modèle ARX-LF. Nous nous sommes particulièrement attachés à la modélisation de la composante résiduelle et avons introduit une nouvelle méthode de contrôle explicite de l’enveloppe temporelle du résidu lors de la modification de signaux de parole. Des résultats en modification de durée et de fréquence fondamentale permettent de comparer favorablement la méthode proposée aux techniques existantes.

The underlying technology of current speech synthesis systems is called corpus synthesis. It relies on the selection of an optimal sequence of acoustic units with respect to the synthesis context. This approach which minimizes the concatenation effort allows to generate natural speech as far as we consider only a reading style. However, the true acceptability of the speech synthesis technology depends on the ability to reproduce expressive patterns and various vocal qualities. In order to fulfill these expectations, more in depth studies in speech signal characterization must be carried out. This thesis deals with an explicit introduction of speech production mechanisms in synthesis. The first part handles decomposition of speech into a source component, namely the glottal wave, resulting from vocal fold vibration and a filter component modeling the vocal tract. To solve this deconvolution problem, we rely on an ARX-LF model which introduces in a linear speech production model prior information on the glottal wave using an LF model (Liljencrants Fant). The estimation of the model parameters in a least square sense results in a complex non-linear optimization problem. We made up an efficient method based on decoupling parameter estimation and on several algorithmic optimizations. Estimation results are very promising. First, the proposed deconvolution method leads to a better estimation of glottal closure instants compared to existing approaches. Then, estimated glottal waves have been corroborated with electroglottographic measures. The second part of this thesis deals with speech synthesis and modifications based on an ARX-LF model. A special care has been dedicated to controlling the time domain envelop of the residual signal in speech modifications. Results in fundamental frequency and duration modifications prove the relevance of the proposed method compared to other modification methods.