Synteza Formantyczna: Budowanie Spółgłosek Z Brzęczenia i Filtra

Źródło-filtr: zjawisko kształtowane w spółgłoskę

Klasyczny model mowy głoski dzieli układ głośny na dwie niezależne fazy. Źródłem jest strój — wiązadła głosowe otwierające i zamykające się, generujące harmonicznie bogaty impulsowy ciąg o częstotliwości podstawowej F0 (postrzeganej jako wysokość dźwięku). Filtr to układ głośny powyżej strun— gardło, jama ustna, język, wargi — rura o zmiennej średnicy przechodzącej, która rezonuje przy częstotliwościach określonych jej kształtem, wzmacniając niektóre harmoniczne źródła i tłumiąc inne. To, co wydobywa się, to spektrum źródła pomnożone przez odpowiedź częstotliwną filtru; zmiana źródła i wysokości dźwięku nie zmieniają spółgłoski, a zmiana kształtu filtru powoduje zmianę spółgłoski bez zmiany wysokości dźwięku. To rozdzielenie sprawia, że model źródło-filtr, sformalizowany przez Gunnera Fanta w latach 60., stanowi podstawę niemal wszystkich syntezatorów mowy z formantami.

Formanty: rezonanse krtka

Krtka zachowuje się akustycznie jak rura zamknięta od jednej strony (strzępy) i otwarta od drugiej (wargi), a taka rura posiada szereg częstotliwości rezonansowych zwanych formantami, oznaczanych F1, F2, F3… w kolejności rosnącej. Dla krtki dorosłej o długości około 17 cm, formanty znajdują się blisko nieparzystych wielokrotności c/4L (~500 Hz, 1500 Hz, 2500 Hz dla neutralnego schwa), ale położenie języka i zaokrąglenie warg je znacznie zmieniają: podnoszenie i przesuwanie języka do przodu (jak w „ee”) gwałtownie podnosi F2, a obniżanie F1. Przestrzeń wokalna danego języka jest zasadniczo płaszczyzną F1-F2, a spółgłoski brzmiące odmiennie zajmują różne jej narożniki.

vowel   F1 (Hz)   F2 (Hz)      description
/i/ ee    270       2290     tongue high & front
/a/ ah    730       1090     tongue low & back-ish
/u/ oo    300        870     tongue high & back, lips rounded

Budowa syntezatora formantowego

Syntezator formantowy generuje bezpośrednio źródło głoski – najczęściej model Liljencrantsa-Fanta lub prostszy model impulsowy, ukształtowany tak, aby mieć odpowiedni nachylenie spektralne – a następnie przesyła go przez bank filtrów rezonansowych, jeden na formant, każdy z nich to drugiego rzędu pasmowoprzepustowy dostrojony do częstotliwości środkowej i szerokości pasma. Połączenie trzech do pięciu takich rezonatorów i sumowanie (lub łańcuchowe) ich wyjść pozwala na odtworzenie blisko z dokładnością do inteligibility, a przy starannym stroju, naturalnie brzmiącego spektrum fal głosowych. Samogłoski są obsługiwane za pomocą oddzielnych modeli źródeł: nieustalne świstki spółgłoskowe ("s", "f") zastępowane są filtrowanym szumem turbulentnym generowanym w miejscu zwężenia, a spółgłoski uderzeniowe ("p", "t", "k") modelowane są jako krótka cisza (zamykanie) połączona z wybuchem szumu.

Wyrażenie głosem versus szept

Normalne wyrażanie głosem wykorzystuje quasi-cykliczny źródło strun głosowych, a to właśnie cyklowość nadaje mowie ton. Szept zastępuje okresową drganie zamkniętymi, lecz nie drgającymi strunami głosowymi, powodując turbulencję przepływu powietrza przez wąski otwór i tworząc szerokopasmowy szum zamiast harmonicznego brzęku – brak F0, brakuje tonu, ale układ krtani nadal kształtuje ten szum, czyniąc go rozpoznawalnie tymi samymi samogłoskami, ponieważ formanty zależą od kształtu układu krtani, a nie źródła.

Dlatego szept jest zrozumiały, lecz pozbawiony tonu: filtr przetrwa, a okresowość źródła nie.

Dlaczego to nadal przewyższa prostą odtwarzanie w wielu zastosowaniach

Nowoczesne systemy komercyjne najczęściej wykorzystują syntezę konkatynacyjną lub neuronową (w stylu WaveNet, dyfuzji lub autoregresyjną), wytrenowaną na dużych nagraniach korpusów, ponieważ brzmią one bardziej naturalnie. Jednak model formantowy, oparte na modelu źródło-filtr, pozostaje wartościowe, ponieważ jest w pełni parametryczny i fizycznie interpretowalny: każdy parametr sterujący (F0, F1-F3, długość dróg mowy, barwa) ma bezpośrednie znaczenie artykulacyjne, nie wymaga danych treningowych ani korpusu, działa w czasie rzeczywistym na prostym sprzęcie i pozwala płynnie modyfikować między samogłoskami lub wzmacniać dany parametr – co właśnie wyjaśnia jego przetrwanie w narzędziach dostępności, kodowaniu głosu o ograniczonej przepustowości telekomunikacyjnej (wokoderach) oraz interaktywnych demonstracjach edukacyjnych, takich jak ta.

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Voice Synthesis i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.