طراحی و پیاده سازی سیستم تبدیل متن به گفتار طبیعی برای زبان فارسی

چکیده با رویکرد ارائه یک سیستم تبدیل متن به گفتار Text-To-Speech)TTS) طبیعی برای زبان فارسی، در این مقاله چگونگی طراحی و پیاده سازی سه زیرسیستم مربوط آورده شده است. زیر سیستم اول، یک پردازشگر زبان طبیعی یا NLP(Natural Language Processor) با امکان تعیین مشخصه دستوری کلمات یا Part-Of-Speech tagging) POS)، تبدیل متن به واج (با توجه به مشکلات زیادی که در زبان فارسی وجود دارد؛ مانند نوشته نشدن اعراب یا واکه های کوتاه در حروف میانی کلمات و کسره اضافه)، و رفع ابهام (در کلمات با نوشتار یکسانHomographs)) است. زیر سیستم دوم، یک سیستم مولد نوا(Prosody) با امکان تولید همزمان پارامترهای نوای گفتار (با استفاده از یک Recurrent Neural Network)RNN) با 289 نرون در چهار لایه و در دو سطح کلمه و هجا) است. زیر سیستم سوم نیز یک سنتزکنندهگفتار (به روش Harmonic + Noise Model)HNM)، البته با اصلاحاتی در زمینه تغییر نوا) است. برای تهیه خودکار اطلاعات لازم برای آموزش شبکه مولد نوای گفتار نیز روش های ابتکاری برای تقطیع و نامگذاری قطعات گفتاری با دقت بالا (2/97 درصد) ارائه شده است. از لحاظ عملکرد، سیستم با توجه به ملاک های مطرح در استاندارد P.85 از ITU-T، دارای MOS میانگین 59/3 است که با سیستم های نمونه ای همچونSpeechwork Speechify و Next Generation (از شرکت AT&T) برای زبان انگلیسی، قابل مقایسه می باشد.