SSMLSpeech Synthesys markup language

Autor: Mario Rodríguez Boya

“Estado actual del estándar SSML para la síntesis del habla dentro del ‘Speech Interface Framework’ desarrollado por el

grupo de trabajo ‘Voice Browser’ del W3C”

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Introducción

• Lenguaje de marcas basado en XML

• Especificación desarrollada por el Voice Browser Working Group

• Parte del W3C Speech Interface Framework

• Método estándar para la pronunciación, tono, volumen, velocidad …

• Generación automática (XSLT) o manual

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Proceso de Síntesis del Habla

• Análisis Gramatical

• Análisis de la Estructura

• Normalización del Texto

• Conversión del Texto a Fonemas

• Análisis Prosódico

• Generación de la Forma de Onda

Proceso de Síntesis del Habla

• Análisis Gramatical– Se extraen las etiquetas del árbol– La estructura, etiquetas y atributos extraídos

serán utilizados en las etapas posteriores

Proceso de Síntesis del Habla

• Análisis de la Estructura– Markup Support: <p> y <s>– Non-Markup Behaviour: Procesador de

Sintesis (por defecto)

Proceso de Síntesis del Habla• Normalización del Texto

– Construcciones especiales (1/2, 100 € …)– Ambigüedad– Markup Support: <say-as>– Non-Markup Behaviour:

• Procesador de síntesis• Múltiples posibilidades• Análisis del contexto• Errores muy probables en la transformación

Proceso de Síntesis del Habla• Conversión del Texto a Fonemas

– Deducir la pronunciación de las palabras– Distintos tipos de lenguajes Distintos tipos

de conversiones (uno a uno, muchos a uno...)– Markup Support: <phoneme>– Non-Markup Behaviour: procesador de

síntesis (diccionario de pronunciación)

Proceso de Síntesis del Habla• Análisis Prosódico

– Prosodia: conjunto de rasgos del habla– Buena prosodia Voz humana natural y

comprensible– Markup Support: <emphasis>, <break> y

<prosody>– Non-Markup Behaviour: procesador de

síntesis muy efectivo al establecer los rasgos

Proceso de Síntesis del Habla• Generación de la Forma de Onda

– Llevada a cabo automáticamente por el procesador de síntesis (Non-Markup Behaviour)

– Se puede solicitar explícitamente (Markup Suport) una voz con determinadas cualidades (e.g. Voz de una mujer joven)

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Formato de un Documento SSML

• DOCTYPE<!DOCTYPE speak PUBLIC "-//W3C//DTD SYNTHESIS 1.0//EN" "http://www.w3.org/TR/speech-synthesis/synthesis.dtd">

• Elemento Raíz: <speak> <?xml version="1.0"?><speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.w3.org/2001/10/synthesis http://www.w3.org/TR/speech-synthesis/synthesis.xsd" xml:lang="en-US">

Formato de un Documento SSML<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis"

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.w3.org/2001/10/synthesis http://www.w3.org/TR/speech-synthesis/synthesis.xsd" xml:lang="es"> <p>

<s> Tienes 4 mensajes.</s> <s> El primero es de Mario, recibido a las <break/> 3:45pm.</s>

<s> El asunto es <prosody rate="-20%">vacaciones</prosody> </s> </p></speak>

Formato de un Documento SSML …

<p>

<voice gender="female">

La canción habla de dos personas

</voice>

</p>

<p>

<voice gender="male">

Aquí tiene una muestra

<audio src="http://www.example.com/music.wav"/>

¿Le gustaría comprar la canción?

</voice>

</p>

…

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Integración con otros Lenguajes

• Colabora con SMIL para descripción de aplicaciones multimedia con salida de voz

• Complementa a ACSS– Mayor funcionalidad que ACSS– ACSS controla mejor el aspecto espacial

• Junto con VoiceXML permite el desarrollo de navegadores de voz

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Implementaciones Actuales

• Loquendo TTS

• Microsoft Speeh Server: aplicaciones de telefonía por voz

• OptimTalkv

• Voice Center

• Código Abierto: FreeTTS

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Desafíos Futuros

• Normalización del texto– Homógrafos– Abreviaturas – Símbolos

• Implantación en navegadores Web

• Naturalización del habla– Prosodia– Comunicación fluida

Índice de Contenidos

• Introducción

• Proceso de Síntesis del Habla

• Formato de un Documento SSML

• Integración con otros Lenguajes

• Implementaciones Actuales

• Desafíos Futuros

• Conclusiones

Conclusiones

• Estándares del W3C Voice Browser Group sirven para interacción hombre-máquina de forma natural

• SSML ofrece control de la prosodia por parte del autor o automático

• Problemas en la inferencia de significado de símbolos y abreviaturas en distintos contextos

Fin

SSML“Estado actual del estándar SSML para la síntesis del habla dentro

del ‘Speech Interface Framework’ desarrollado por el agrupo de

trabajo ‘Voice Browser’ del W3C”

Autor: Mario Rodríguez Boya

Hola estudiantes del curso de doctorado “Tecnologías, estándares y servicios Web”, espero que les

haya gustado la presentación de Mario