Sintetizador de Vocales Sostenidas

Tutor: MSc. Diana Torres Boza

Autor: Eddy Rodríguez León

Centro de Estudios de Electrónica y

Tecnologías de la Información

Universidad Central “Marta Abreu” de Las Villas

Facultad de Ingeniería Eléctrica

Centro de Estudios de Electrónica y Tecnologías de la Información

CEETI

TRABAJO DE DIPLOMA

Sintetizador de Vocales

Sostenidas

Santa Clara

2013

"Año 55 de la Revolución"

Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central

“Marta Abreu” de Las Villas como parte de la culminación de estudios de la especialidad

de Ingeniería Biomédica, autorizando a que el mismo sea utilizado por la Institución, para

los fines que estime conveniente, tanto de forma parcial como total y que además no podrá

ser presentado en eventos, ni publicados sin autorización de la Universidad.

Firma del Autor

Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de

la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un

trabajo de esta envergadura referido a la temática señalada.

Firma del Tutor

Firma del Jefe de Departamento

donde se defiende el trabajo

Firma del Responsable de

Información Científico-Técnica

PENSAMIENTO

Los mejores hombres son los de pocas palabras.

William Shakespeare

DEDICATORIA

A mi familia.

AGRADECIMIENTOS

Agradezco a mis padres por toda la ayuda, a mi tía por su apoyo incondicional, en general a toda

mi familia que siempre me ayuda en las buenas y malas, a mi novia Anilet por estar conmigo en

todo momento, a mi tutora Msc. Diana Torres Boza por la ayuda brindada, al Dr. Carlos Ariel

Ferrer Riesgo por el apoyo.

A mis compañeros de aula y a todo el que de una forma u otra me brindó su mano para la

realización de este trabajo.

La voz contiene información útil para el diagnóstico médico. Entre los parámetros que

frecuentemente se utilizan para evaluar el estado del paciente se encuentran los de calidad vocal,

relacionados con las perturbaciones de la periodicidad de la señal la señal de excitación glotal.

Estas mediciones de calidad vocal, al estar relacionadas con las patologías de cuerda vocal son

usualmente estimadas durante la fonación de una vocal sostenida. En la investigación y

desarrollo de estas mediciones las señales de voz sintétizadas, tanto normales como patológicas,

son utilizadas para la comprobación de la eficacia de los diferentes métodos. Adicionalmente en

la docencia, en la asignatura de procesamiento de voz, es de gran importancia mostrar el

funcionamiento de cada una de las componentes involucradas en la síntesis así como la

influencia de las diferentes formas de perturbación de la periodicidad en la señal de voz.

En el sistema propuesto en este trabajo (Vowel_Synth) se implementan dos de las formas de

ondas reportadas en la literatura para la generación de la señal de la glotis (el modelo B de

Rosenberg y una alternativa más eficiente computacionalmente del modelo Liljencrants-Fant

(LF)), para la generación del filtro se escogieron dos modelos, el primero basado en la suma de

sinusoides el cual depende de las frecuencias centrales (formantes), sus anchos de banda y sus

amplitudes; el segundo se basa en un filtro auterregresivo (AR) todo polos que solo depende de

los coeficientes (polos) que introduzca el usuario. Las perturbaciones de la periodicidad como

jitter, shimmer y ruido aditivo fueron consideradas de igual manera con el fin de sintetizar voces

patológicas.

Resumen

TABLA DE CONTENIDOS

TABLA DE CONTENIDOS

INTRODUCCIÓN .......................................................................................................................... 1

Problema científico ................................................................................................................... 2

Objetivo general ........................................................................................................................ 2

Objetivos Específicos ................................................................................................................ 2

Estructura del trabajo .............................................................................................................. 3

1. CARACTERÍSTICAS DE LA SEÑAL DE VOZ .................................................................. 4

1.1. Modelo de producción de la voz ...................................................................................... 4

1.1.1 Modelo Fuente-Filtro ................................................................................................ 4

1.1.2 Señal de exitación g(t) .............................................................................................. 6

1.1.3 Conformación espectral de h(t) y r(t) ....................................................................... 7

1.1.4 Perturbaciones de la periodicidad ............................................................................. 9

1.1.5 Ruido aditivo ........................................................................................................... 11

1.2. Síntesis ........................................................................................................................... 11

1.2.1 Síntesis Concatenativa ............................................................................................ 12

1.2.2 Síntesis de formantes .............................................................................................. 13

1.3. Herramientas de Software disponibles para la síntesis de vocales................................. 16

1.3.1 Praat ........................................................................................................................ 16

1.3.2 Sintetizadores de formantes de Klatt ...................................................................... 17

Conclusiones parciales .................................................................................................................. 23

2. MATERIALES Y MÉTODOS ............................................................................................. 24

2.1. Modelos de Síntesis de la señal de la glotis ................................................................... 24

2.1.1 Modelos de Rosenberg ............................................................................................ 25

2.1.2 Modelo de Liljencrats-Fant ..................................................................................... 27

TABLA DE CONTENIDOS

2.1.1 Modelo de Veldhuis (R++) ..................................................................................... 28

2.2. Modelos de Síntesis del Tracto Vocal ............................................................................ 30

2.2.1 Suma de cosenos ..................................................................................................... 30

2.2.2 Filto autoregresivo (AR) todo polos ....................................................................... 31

2.3. Perturbaciones de la periodicidad .................................................................................. 32

2.3.1 Jitter ........................................................................................................................ 33

2.3.2 Shimmer .................................................................................................................. 34

2.3.3 Ruido ....................................................................................................................... 34

2.3.4 Jitter y Ruido .......................................................................................................... 35

2.3.5 Shimmer y Ruido..................................................................................................... 35

2.3.6 Perturbaciones combinadas ..................................................................................... 35

2.4. Diseño de la interfaz de Usuario .................................................................................... 36

2.4.1 Generalidades .......................................................................................................... 36

2.4.2 Uso de Matlab para la construccion de la interfaz de usuario de Vowel_Synth ... 37

Concluciones Parciales ................................................................................................................. 40

3. RESULTADOS Y DISCUSION .......................................................................................... 41

3.1. Requerimientos de Vowel_Synth. .................................................................................. 41

3.2. Vowel_Synth .................................................................................................................. 42

3.2.1 Configuración de la señal de la Glotis .................................................................... 44

3.2.2 Configuración de Tracto Vocal ............................................................................... 47

3.2.3 Configuración de Ruido .......................................................................................... 50

3.2.4 Síntesis y Visualización .......................................................................................... 52

3.3. Ventajas y Limitaciones de Vowel_Synth ..................................................................... 54

Conlusiones Parciales ................................................................................................................... 56

TABLA DE CONTENIDOS

CONCLUSIONES Y RECOMENDACIONES ........................................................................... 57

Conclusiones ............................................................................................................................. 57

Recomendaciones ..................................................................................................................... 58

REFERENCIAS BIBLIOGRÁFICAS.......................................................................................... 59

INTRODUCCIÓN 1

INTRODUCCIÓN

El habla es de gran importancia por ser la principal vía de comunicación entre los seres

humanos, en la actualidad se han reportado en la literatura innumerables trabajos

relacionados con el procesamiento de voz. Es por esto que han surgido diferentes áreas de

investigación del procesamiento de voz como la síntesis y codificación, análisis,

reconocimiento del habla y de locutor, reconocimiento de idiomas entre otras. Este trabajo

esta principalmente relacionado con la síntesis de señales de voz.

Los primeros sintetizadores de voz sonaban muy robóticos y eran a menudo inteligibles a

duras penas. Sin embargo, la calidad del habla sintetizada ha mejorado en gran medida, y el

resultado de los sistemas de síntesis contemporáneos es, en ocasiones, indistinguible del

habla humana real.

El primer sistema de síntesis computarizado fue creado a final de la década de 1950 y el

primer sistema completo texto a voz se finalizó en 1968. Desde entonces se han producido

muchos avances en las tecnologías usadas para sintetizar voz.

Estas herramientas de síntesis pueden ser aplicadas particularmente entre personas con

discapacidades, por ejemplo los ciegos pueden para acceder a la información visualizada en

pantalla; su objetivo es la lectura de información de la computadora al usuario mediante

mensajes que suelen ser emitidos con voces total o parcialmente sintéticas. Otras

aplicaciones de los sistemas de síntesis de voz están presente en los sistemas de telefonía

celular (convierten un mensaje de texto en un mensaje de voz).

Actualmente la gran mayoría de estos programas de síntesis de voz tienen como finalidad la

transmisión por voz del contenido de archivos de texto (TTS), estos tienen utilidades en el

Introducción

INTRODUCCIÓN 2

aprendizaje de lenguas extranjeras o para ayudar a mejorar la pronunciación de sonidos y

palabras a personas disléxicas o con otros defectos de habla. También existen herramientas

que sintetizan las diferentes patologías pero no permiten modificar los parámetros para la

síntesis de la voz.

En el caso del grupo de procesamiento de voz del CEETI las señales de voz simuladas son

utilizadas fundamentalmente para la prueba de diferentes mediciones de calidad vocal así

como en la docencia (asignatura de Procesamiento de Voz en la carrera de Ing. Biomédica).

En el caso de las aplicaciones médicas las señales más utilizadas para obtener mediciones

de calidad vocal son las vocales sostenidas. Estas a su vez son de especial interés en la

asignatura de Procesamiento de Voz por sus características particulares.

Problema científico

Dado que utilizando las aplicaciones comerciales es posible sintetizar vocales sostenidas

pero no es posible manipular cada una de las partes del modelo de producción de voz, es

necesaria, en el CEETI, una aplicación que simule tanto fonaciones de vocales con

características de voces normales como patológicas. Además que permita manipular y

visualizar las diferentes partes del modelo fuente-filtro.

Para la realización de esta herramienta se presenta el siguiente objetivo general

Objetivo general

Desarrollar una aplicación que permita sintetizar vocales sostenidas (normales y

patológicas) con el fin de utilizar las mismas en los experimentos de medición de

calidad vocal y en la docencia.

Para el cumplimiento del objetivo general se han planteado los siguientes objetivos

específicos

Objetivos Específicos

Ofrecer al usuario la posibilidad de introducir variaciones en la forma de onda que

simulen patologías de la voz.

Ofrecer al usuario la posibilidad de manipular los diferentes elementos del modelo

fuente-filtro.

INTRODUCCIÓN 3

Desarrollar una aplicación lo más amena posible a los usuarios finales de la misma

(profesores, investigadores y estudiantes).

Estructura del trabajo

En el Capítulo 1 se presentan los principales conceptos que se tratan en este trabajo así

como las características de la señal de voz, también se muestran los diferentes softwares

existentes en el mercado para la síntesis. Se brinda una panorámica general existente en

torno al problema que se aborda y que motiva este trabajo.

En el Capítulo 2 se muestran los modelos a seguir para la síntesis de la señal glotal, los

modelos de los filtros utilizados así como una caracterización de cómo sintetizar los tipos

de señales que se pueden realizar con Vowel_Synth y las bondades de Matlab para el

diseño de interfaces gráficas de usuario.

En el Capítulo 3 se presentan los resultados de esta herramienta así como un manual de

usuario para la ayuda al personal que utilice Vowel_Synth y una breve comparación con

otros programas de síntesis.

CARACTERÍSTICAS DE LA SEÑAL DE VOZ

4

1. CARACTERÍSTICAS DE LA SEÑAL DE VOZ

En este capítulo de darán a conocer varios conceptos relacionados con las características de

la señal de voz y la generación del habla tanto fisiológica como sintetizada. Además se

describen diferentes sistemas comerciales para la síntesis del habla particularmente de

vocales sostenidas.

1.1. Modelo de producción de la voz

El proceso de producción de la voz humana comienza en el cerebro con la creación del

mensaje, luego este envía los impulsos nerviosos necesarios para cada órgano involucrado

en el proceso del habla para así lograr los movimientos adecuados en cada órgano motor,

los pulmones son la fuente principal de aire, este aire es comprimido por el diafragma y

debido a la presión se producen los sonidos al hacer pasar el aire por algún estrechamiento

desde las cuerdas vocales hasta los labios.

1.1.1 Modelo Fuente-Filtro

Los sonidos se clasifican en sonoros o sordos según la periodicidad, los sonoros son

aquellos que tienen periodicidad y se producen cuando el estrechamiento es en las cuerdas

vocales, este es el caso de las vocales y algunas consonantes como “b”, “m”, “n” entre

otras. Los sonidos sordos son aquellos que no tienen periodicidad, esto es característico

solo en las consonantes tales como “s”, “j”, “f” etc… debido al paso de aire por las

constricciones en el tracto vocal, estas se denominan consonantes fricativas. Otro grupo de

Capítulo 1


5

consonantes son las explosivas sordas “p”, “t” y “k”, estas se producen al liberar

repentinamente una oclusión en el tracto vocal.

El modelo más empleado en la síntesis es el modelo Fuente-Filtro (Ver Figura 1.1).donde

los pulsos de aire generados por la glotis g(t) son conformados por la función de

trasferencia del tracto vocal H(t) y posterior por el radiador de los labios R(t). La principal

ventaja es la sencillez (Titze I, 1980) (Steinecke & Herzel, 1995) por lo que tiene tanto uso

en los estudios de la codificación y transmisión del habla. Hay que tener presente

considerar la estacionariedad del tracto vocal (20-50 milisegundos) (Malepati, 2010), o sea

que el tracto no cambia su posición en el intervalo de análisis para así poder aplicar las

técnicas más comunes de análisis tales como la correlación, la Transformada de Fourier y

otras (Torres, 2008).

Figura 1.1 Modelo Fuente-Filtro de Producción de la Voz

La ecuación que representa este modelo es mostrada a continuación:

(1.1)

con r(t) la respuesta al impulso del radiador, gi(t) la forma de onda de la fuente en el pulso

i-ésimo, que incluye también cualquier perturbación de amplitud, Ti-1 la perturbación de

duración con respecto a 0T , Ti-1 representa el pulso anterior y e(t) representando el ruido. Si

g(t) no depende del índice del pulso, las tres respuestas de frecuencia (h(t), r(t) y g(t)) son

constantes, y concentrándolas en una única respuesta resultante h(t) se puede asumir un

modelo más sencillo y práctico, descrito por la ecuación:

teTTTttgtrthtsN

i

iii

1

101 )(*)(*


6

(1.2)

En este caso se ha introducido el factor de proporcionalidad ai. La ecuación (1.2) resulta de

mucha mayor utilidad que (1.1) pues representa una simplificación del modelo.

Dado lo descrito anteriormente la señal de voz presenta las siguientes características:

Contiene una estructura de armónicos de la señal de excitación g(t) con

gran atenuación de las altas frecuencias.

Contiene resonancias en algunas frecuencias (formantes) presentes en la

respuesta del tracto vocal.

El radiador presenta reforzamiento de las altas frecuencias.

1.1.2 Señal de exitación g(t)

Han existido varios métodos para la estimación de la señal glotal g(t), los primeros fueron

altamente invasivos debido a la colocación de transductores, otros basados en el cálculo del

área de las cuerdas vocales como la electroglotografía, no tuvo éxito debido a la

conductividad eléctrica transglotal, la laringoboscopía fue otro método pero era muy difícil

la instrumentación para obtener una secuencia de imágenes adecuada para medir el área

(Torres, 2008).

El método más usado es el empleo de la señal residual del filtrado inverso para estimar la

forma de onda de g(t), aunque este tiene apareadas una serie de limitaciones que se tornan

rigurosas en voces patológicas. Las formas de onda obtenidas han sido representadas

mediante modelos paramétricos donde se le asignan determinadas funciones matemáticas a

las fases de apertura y cierre de la forma de onda de g(t) (ver Figura 1.2). Entre estos

modelos los más empleados son los polinomiales y trigonométricos de Rosenberg

(Rosenberg, 1971) y el modelo de Liljencrants-Fant (Fant, et al., 1985).

N

i

iii teTTTtathts1

01 )(


7

Figura 1.2 Formas de onda y fases de la señal de excitación glotal g(t) y su derivada g’(t). Tp es la

duración de la fase de apertura, Tn la del cierre, Tc la fase cerrada, y t la duración total del pulso.

Como indicador de cuán adecuado es el modelo se han empleado criterios de naturalidad de

la voz sintetizada y de minimización del error medio cuadrático con respecto a la señal

residual del filtrado inverso (Klatt, 1980) (Hillman, 1983). Ninguna de las dos alternativas

resulta completamente convincente. Por ejemplo, en (Rosenberg, 1971) se reporta que

voces sintetizadas con su modelo polinomial fueron percibidas como más naturales que las

grabaciones originales (un resultado sin explicación), mientras que el modelo de

Liljencrants-Fant (Fant, et al., 1985), con el que se reportan los menores valores de error

cuadrático medio en su ajuste a las señales residuales, ha producido “resultados

decepcionantes” (O´leidhin & Murphy, 2003) al sintetizar nuevamente la voz empleando la

g(t) estimada. En este momento no existen motivos para preferir un modelo u otro de

estimación o síntesis de g(t).

1.1.3 Conformación espectral de h(t) y r(t)

El empleo de técnicas de predicción lineal para estimar H(f) ha provocado que sea común

simplificar este modelo fundiendo las características de frecuencia de la fuente G y el

radiador R. Par ello se emplean fundamentalmente dos alternativas:

La primera aprovecha que G(f) y R(f) tienen características complementarias (G(f) pasa-

bajos y R(f) pasa-altos), para fundirlas en una señal de espectro plano en la glotis (fuente)

de manera que toda la conformación espectral de la señal acústica puede atribuirse a la

influencia del tracto vocal. La señal más simple que satisface las suposiciones de

periodicidad y espectro plano para la fuente es un tren periódico de impulsos, y es

R

e

s

u

m

e

n

I

n

t

r

o

d

u

c

c

i

ó

n

1


8

empleada con frecuencia en aplicaciones de análisis, codificación y síntesis. En ese caso

más sencillo la señal de voz s(t) es una suma de respuestas del tracto vocal al tren de

impulsos delta de Dirac () de excitación:

(1.3)

donde N es la cantidad de pulsos glotales que se consideran, 0T es el período del tren de

impulsos, y h(t) es la respuesta al impulso del tracto vocal.

La segunda alternativa hace uso de que el radiador consiste físicamente en una operación de

derivación (convirtiendo una señal de velocidad de flujo g(t) en una señal de presión

acústica s(t)). De esta manera el modelo fuente filtro puede reducirse al mostrado en la

siguiente figura:

Figura 1.3 Modelo Fuente-Filtro con el efecto derivativo del radiador incluido en la excitación; g´(t) es

la derivada de g(t).

La señal de presión acústica puede expresarse entonces como:

(1.4)

Donde g’ i (t) la derivada del pulso glotal i-ésimo. Si todos los pulsos tienen igual forma de

onda g(t) la ecuación (1.4) puede rescribirse:

(1.5)

g’(t)

TRACTO

s(t)

0 t si0

0t si1 t Titthts

N

i

1

0

tgthtsN

i

i

1

'

N

i

Tittgthts1

0

' *


9

que resulta equivalente a (1.3) si se considera a la convolución h(t)*g’(t) como la respuesta

al impulso del sistema que conforma espectralmente a s(t), representado sólo por h(t) en

(1.3).

El inconveniente de esta alternativa con relación a la anterior radica en la necesidad de

contar con un estimado de g(t) o su derivada g’(t), dado que ambas estiman h(t) mediante

técnicas de filtrado inverso. Su ventaja principal es la mayor naturalidad de la voz

sintetizada por esta vía, lo que ha provocado que sea la alternativa preferida en aplicaciones

de síntesis (Torres, 2008).

1.1.4 Perturbaciones de la periodicidad

La señal s(t) generada a partir de cualquiera de las dos alternativas descritas, (ecuaciones

(1.3) o (1.5)) es perfectamente periódica, mientras que en las señales reales la periodicidad

es sólo aproximada. El tracto puede considerarse estacionario en intervalos de algunas (2-5)

decenas de milisegundos, lo cual es suficiente en la mayoría de las vocales, donde se puede

aplicar el modelo. Si se considera que la configuración del tracto vocal permanece

constante (y por tanto su respuesta al impulso h(t)) las perturbaciones de la periodicidad de

s(t) están dadas completamente por las alteraciones en la excitación. Estas pueden ser

divididas en cuatro factores:

Perturbación de la duración de los pulsos (jitter), consiste en la separación

de los pulsos en intervalos de tiempo no exactamente iguales a 0T .

Perturbación de la amplitud de los pulsos (shimmer), consiste en que los

pulsos puedan expresarse uno en función de otro a través de un factor de

proporcionalidad diferente de la unidad.

Presencia de ruido aditivo: Cada pulso se diferencia del otro en una

magnitud aleatoria en cada instante de muestreo, de valor medio cero.

Perturbación de forma de onda: La g(t) varía de pulso a pulso de manera

que el cambio no se reduce a un factor de proporcionalidad.


10

Una expresión que incluye todos estos factores es:

(1.6)

con r(t) la respuesta al impulso del radiador, gi(t) la forma de onda de la fuente en el pulso

i-ésimo, que incluye también cualquier perturbación de amplitud (factores 2 y 4), Ti la

perturbación de duración con respecto a 0T (factor 1), y e(t) representando el ruido aditivo

(factor 3). Si el cuarto factor de perturbación no está presente, o sea, g(t) no depende del

índice del pulso, las tres respuestas de frecuencia (h(t), r(t) y g(t)) son constantes, y

concentrándolas en una única respuesta resultante h(t) se puede asumir un modelo más

sencillo y práctico, descrito por la ecuación siguiente e ilustrado en la Figura 1.4:

(1.7)

Figura 1.4 Representación gráfica de la ecuación (1.7)

En este caso se ha introducido el factor de proporcionalidad ai, anteriormente incluido en

gi(t) para representar el segundo factor de perturbación (shimmer). La ecuación resulta de

mucha mayor utilidad que (1.5) pues, aunque representa una simplificación del modelo,

conduce a un problema frecuentemente abordado en la literatura: la determinación de los

instantes de ocurrencia )( 01 ii TTT de las réplicas de una determinada señal (h(t)) en

400

0 420

0 440

0 460

0 480

0 500

0 -

0.2 -

0.15 -

0.1 -

0.05 0

0.0

5 0.

1 0.1

5 0.

2 0.2

5 0.

3

a5 a1 a2 a3

a4 T0 ΔT3

teTTTttgtrthtsN

i

iii

1

101 )(*)(*

N

i

iii teTTTtathts1

01 )(


11

presencia de ruido (e(t)) y atenuación (ai) desconocidos. Campos donde se encuentra el

mismo problema son el radar, el sonar, el ultrasonido, la supresión de interferencia (Hertz,

1986), etc. Esta amplia difusión del problema permite que se cuente en la actualidad con

una abundante literatura sobre el tema, con múltiples propuestas de solución.

A pesar de esto, no puede ignorarse que (1.7) constituye una aproximación gruesa de la

señal de voz, sobre todo en voces patológicas, donde la variabilidad de gi(t) dista de ser

despreciable. El uso de (1.7) se justifica sólo en la obtención de modelos de análisis y

expresiones de cálculo aproximado de parámetros, donde el trabajo con gi(t) variables

resulta muy complicado. La utilidad práctica de los modelos y expresiones obtenidos puede

ser evaluada posteriormente, ya sea en señales reales o sintéticas, empleando o no un

modelo para gi(t).

1.1.5 Ruido aditivo

Es de destacar que el último término de (1.7) (e(t)) es el ruido aditivo presente en s(t), la

señal acústica radiada, cuando en principio el ruido turbulento se asume generado en la

glotis. Se puede esperar entonces que e(t), resultado del paso a través de las respuestas del

tracto vocal y el radiador del ruido original generado en la glotis, no sea espectralmente

plano (ruido blanco) sino “coloreado”. La distribución espectral del ruido turbulento

original tampoco es completamente plana (O´leidhin & Murphy, 2003), y por demás, e(t) es

en principio no estacionario.

1.2. Síntesis

El primero en sintetizar vocales sostenidas para su estudio fue el científico danés Christian

Gottlieb Kratzenstein, quien construyó modelos del tracto vocal que podía producir las

cinco vocales largas (a, e, i, o, u) (Tordera, 2011).

La calidad de un sintetizador esta dada por la naturalidad e inteligibilidad. La naturalidad

de un sintetizador de voz se refiere hasta qué punto suena como la voz de una persona real.

La inteligibilidad de un sintetizador se refiere a la facilidad de la salida de poder ser

entendida. El sintetizador ideal debe de ser a la vez natural e inteligible.


12

La síntesis del habla puede ser desarrolada mendiante el uso de dos alternativas: síntesis

concatenativa y síntesis de formantes (Tordera, 2011). La síntesis concatenativa, se usa

principalmente para aplicaciones que requieran alta naturalidad, mientras que por fomantes

es muy útil para sistemas discretos computacionalmente.

1.2.1 Síntesis Concatenativa

La síntesis concatenativa se basa en la concatenación de segmentos de voz grabados.

Generalmente, produce los resultados más naturales. Sin embargo, las diferencias entre la

variación natural del habla y las técnicas automatizadas de segmentación de formas de onda

resultan en defectos audibles, que conllevan una pérdida de naturalidad.

Hay tres tipos básicos de síntesis concatenativa.

Síntesis por selección de unidades: La síntesis por selección de unidades utiliza una

base de datos de voz grabada (más de una hora de habla grabada). Durante la creación

de la base de datos, el habla se segmenta en unidades del lenguaje: fonemas, sílabas,

palabras, frases y oraciones. Normalmente, la división en segmentos se realiza usando

un reconocedor de voz modificado para forzar su alineamiento con un texto conocido.

La selección de unidades da la máxima naturalidad debido al hecho de que no aplica

mucho procesamiento digital de señales al habla grabada, lo que a menudo hace que el

sonido grabado suene menos natural, aunque algunos sistemas usan un poco de

procesado de señal en la concatenación para suavizar las formas de onda. De hecho, la

salida de la mejor selección de unidades es a menudo idéntica de la voz humana real,

especialmente en contextos en los que el sistema ha sido adaptado. Por ejemplo, un

sistema de síntesis de voz para dar informaciones de vuelos puede ganar en

naturalidad si la base de datos fue construida a base grabaciones de informaciones de

vuelos, pues será más probable que aparezcan unidades apropiadas e incluso cadenas

enteras en la base de datos. Sin embargo, la máxima naturalidad a menudo requiere

que la base de datos sea muy amplia, llegando en algunos sistemas a los gigabytes de

datos grabados.


13

Síntesis de dífonos: La síntesis de dífonos usa una base de datos mínima conteniendo

todos los dífonos que pueden aparecer en un lenguaje dado. El número de dífonos

depende de la fonotáctica del lenguaje: el español tiene unos 800 dífonos, el alemán

unos 2500. En la síntesis de dífonos, la base de datos contiene un sólo ejemplo de cada

dífono.

La calidad del habla resultante es generalmente peor que la obtenida mediante la

selección de unidades pero más natural que la obtenida mediante sintetización de

formantes. La síntesis de dífonos padece de los defectos de la síntesis concatenativa y

suena robótica como la síntesis de formantes.

Síntesis específica para un dominio: La síntesis específica para un dominio concatena

palabras y frases grabadas para crear salidas completas. Se usa en aplicaciones donde

la variedad de textos que el sistema puede producir está limitada a un particular

dominio, como anuncios de salidas de trenes o información meteorológica.

Esta tecnología es muy sencilla de implementar, y se ha usado comercialmente durante

largo tiempo: es la tecnología usada por aparatos como relojes y calculadoras parlantes. La

naturalidad de estos sistemas puede ser muy grande, porque la variedad de oraciones está

limitada y corresponde a la entonación y la prosodia de las grabaciones originales. Sin

embargo, al estar limitados a unas ciertas frases y palabras de la base de datos, no son de

propósito general y sólo pueden sintetizar la combinación de palabras y frases para los que

fueron diseñados (Tordera, 2011).

1.2.2 Síntesis de formantes

Los formantes son las frecuencias de resonancias, por lo que cada sonido sonoro

(periódico) tiene sus propios formantes. La síntesis de formantes no usa muestras de habla

humana en tiempo de ejecución. En lugar de eso, la salida se crea usando un modelo

acústico. Parámetros como la frecuencia fundamental y los niveles de ruido se varían

durante el tiempo para crear una forma de onda o habla artificial.


14

Varios sistemas basados en síntesis de formantes generan habla robótica y de apariencia

artificial, y la salida nunca se podría confundir con la voz humana debido a la falta de

naturalidad. Sin embargo, la naturalidad máxima no es siempre la meta de un sintetizador

de voz, y estos sistemas tienen algunas ventajas sobre los sistemas concatenativos.

La síntesis de formantes puede ser muy inteligible, incluso a altas velocidades, evitando

los defectos acústicos que pueden aparecer con frecuencia en los sistemas concatenativos.

La síntesis de voz de alta velocidad es a menudo usada por los discapacitados visuales

para utilizar computadores con fluidez. Por otra parte, los sintetizadores de formantes son

a menudo programas más pequeños que los sistemas concatenativos porque no necesitan

una base de datos de muestras de voz grabada. De esta forma, pueden usarse en sistemas

empotrados, donde la memoria y la capacidad de proceso son a menudo pequeñas y por

tanto de menor costo. Dado que los sistemas basados en formantes tienen un control total

sobre todos los aspectos del habla producida, pueden incorporar una amplia variedad de

tipos de entonaciones (Tordera, 2011).

1.2.2.1. Sintetizador de formantes de Klatt

Denis H. Klatt (Klatt, 1980) utilizó el método de síntesis de formantes para realizar un

software que permite sintetizar voces tanto normales como patológicas. Klatt describe que

el tracto vocal puede simularse con dos tipos de resonadores, en cascada (ver Figura 1.5) y

en paralelo (ver Figura 1.6), el primero tiene como ventaja que las amplitudes relativas de

los picos de los formantes son correctas sin la necesidad de controlar la amplitud individual

para cada formante como lo es en los resonadores en paralelo (cada formante necesita una

amplitud individual). La desventaja es que todavía necesita una configuración de formantes

en paralelo para la síntesis de las consonante fricativas y las explosivas, con esta

configuración en cascada la función de transferencia del tracto vocal no puede ser creada

adecuadamente, por lo que estos sintetizadores son más complejos como estructura global;

el segundo resonador (paralelo) son varios formantes del tracto vocal conectados en

paralelo con una amplitud de control delante que determina la amplitud de cada pico

espectral (Klatt, 1980).


15

Figura 1.5 Resonadores en cascada del sintetizador por formantes de Klatt, tomado de (Klatt, 1980).

Figura 1.6. Resonadores en paralelo del sintetizador por formantes de Klatt tomado de (Klatt, 1980)

Figura 1.7 Configuración cascada/paralelo del sintetizador por formantes de Klatt tomado de (Klatt,

1980).

Dadas las ventajas y desventajas de cada configuración que con una sola no podía sintetizar

todas las letras, Klatt se inclinó por mostrar una configuración que tuviera presente estas

dos configuraciones antes dichas y entonces diseñó la que se muestra en la Figura 1.7.


16

1.3. Herramientas de Software disponibles para la síntesis de vocales.

En esta sección se hará una breve descripción de herramientas disponibles para la síntesis

de voz. Estas herramientas están hechas para la síntesis del habla en general.

1.3.1 Praat

Praat es un software para el análisis fonético del habla creado por Paul Boersma y David

Weenink del Intituto de Ciencias Fonéticas de la Universidad de Amsterdam. Este sistema

permite el análisis, síntesis y manipulación de la señal de voz (Boersma & Weenink,

1992-2013). Debido a la amplia gama de herramientas implementadas en el mismo y la

incorporación de un lenguaje compilado (script), este programa se ha convertido en uno de

los más utilizados en la comunidad científica relacionada con el procesamiento del habla.

Praat posee varias herramientas para la síntesis de sonidos. Específicamente se pueden

sintetizar vocales mediante dos opciones:

La generación de un sonido mediante una fórmula matemática. Para las vocales

sostenidas basta con introducir la ecuación (1.3)

Utilizando la herramienta Editor de Vocales (VowelEditor) según se muestra en la

Figura 1.8

Específicamente la opción de síntesis 2 es la más recomendada para vocales pues la

herramienta está desarrollada con este fin.

VowelEditor utiliza una representación gráfica de la posición de las vocales en el plano F1-

F2 según se muestra en la Figura 1.8. Al señalar un punto en el plano con el ratón se

establece la vocal que se desea sintetizar. La duración de la síntesis así como la frecuencia

fundamental pueden ser controladas en VowelEditor. El valor de los cuatro primeros

formantes puede ser establecido así como la dinámica de la frecuencia fundamental. Esta

última es manipulada a través de las nombradas trayectorias (Boersma & Weenink, 1992-

2013).


17

Figura 1.8 Ventana del VoweEditor implementada en Praat.

Este sistema no permite de forma secilla la manipulación de las diferentes partes del

modelo de producción de la voz. Existe la posibilidad de que mediante el lenguaje de

scripts incorporado en Praat sea posible controlar los parámetros del modelo de producción

de voz así como la introducción de diferentes perturbaciones. Este procedimiento se torna

muy engorroso y es necesario estar familiarizado con los scripts de Praat.

1.3.2 Sintetizadores de formantes de Klatt

En la sección 1.2.2.1 se muestra un descripción de la arquitectura cascada/paralelo del

sintetizador de Klatt. Varias herramientas han sido desarrolladas con este fin algunas de

libre acceso, para otras es necesario pagar un elevado precio y otras son utilizadas por

grupos específicos de investigación y los ejecutables no se encuentran disponibles, solo las

descripciones de los sistemas. Dentro de las aplicaciones de libre acceso se encuentra

KLSyn88, KLSyn, WinSnoori, Praat, KPE80 entre otros. Entre las variantes de compra de

licencias esta SynthWorks distribuido por Scicon R&D Inc (Scicon R&D Inc, 1994-2013)

cuyo precio establecido es de $395.0 y HLsyn de Sensimetrics Corporation (Scicon R&D

Inc, 1994-2013). Existe también una variante online del sintetizador de Klatt elaborada por


18

el laboratorio de Investigaciones del Habla de la Universidad de Delaware (Speech

Research Lab, 2013). Algunos autores han realizado también bibliotecas de código para la

implementación del sintetizador de Klatt (Klatt, 1980).Estas bibliotecas han sido utilizadas

en la construcción de algunas de las herramientas mencionadas anteriormente. En esta

sección se describirán las variantes de libre acceso del sintetizador de Klatt.

1.3.2.1.KLsyn 88

Es un software desarrollado en el año 1991 por Dennis Klatt (Klatt, 1980). La

configuración general de este sintetizador puede ser modificada según se muestra en la

Figura 1.9.

Figura 1.9 Ventana de configuración para KLSyn 88

Como se observa en la figura anterior es posible manipular diferentes parámetros del

modelo de Klatt (Klatt, 1980) como la duración, la frecuencia de muestreo, número de

formantes en cascada, la forma que puede tomar la fuente (g(t)), la configuración del tracto

(cascada o paralelo), entre otras opciones (ver Figura 1.9).

Para cada porción del modelo de producción de la voz KLSyn88 permite la manipulación

de los parámetros correspondientes. En el caso de la función de la glotis g(t) es posible

sintetizarla a través de un tren de impulsos, según se describe en (Klatt, 1980) y del modelo

de Liljencrants-Fant (Fant, et al., 1985). La ventana de configuración se muestra en la

Figura 1.10


19

Figura 1.10 Ventana de configuración de la fuente

Para establecer la configuración de la arquitectura en cascada o paralelo del filtro para el

sintetizador de Klatt pueden utilizarse las ventanas de configuración de la Figura 1.11 A y

B respectivamente.

A

B

Figura 1.11 Ventanas de configuración de KLSyn88 A: Configuración de la arquitectura en cascada

B:Configuración de la arquitectura en paralelo

Es posible en KLSyn 88 generar señales que contengan ruidos de fricción. La

configuración del filtro para la fuente generadora de ruidos de fricción es posible

manipularla según se muestra en la Figura 1.12.


20

Figura 1.12 Ventana de configuración del resonador para la fuente generadora de ruidos de fricción.

Varios trabajos han sido reportados en la literatura donde la generación de señales

sintetizadas ha sido elaborada utilizando KLSyn88.

1.3.2.2. KPE80

KPE80 es otra de las variantes para la síntesis utilizando el sintetizador de Klatt. Este

sistema está desarrollado en C para plataforma Unix (Simpson, 2012). Este sistema fue

creado por Andrew Simpson del departamento de Lingüística y Fonética de la Universidad

de Londres.

Figura 1.13 Interfaz gráfica de KPE80

El sistema KPE80 provee una interfaz gráfica como la mostrada en la Figura 1.13. En esta

ventana los parámetros de la arquitectura de Klatt pueden ser manipulados por el usuario.


21

Es posible modificar la trayectoria de los formantes y refinar los valores de los parámetros

utilizados en la síntesis.

Permite llevar a cabo el proceso conocido como "síntesis por copia" mediante el cual

pueden crearse estímulos sintetizados basados en un enunciado natural, editando los valores

de los parámetros hasta conseguir una reproducción sintetizada lo más parecida posible a la

natural. Además es posible realizar comparaciones espectrales, entre las señales sintetizadas

y la original utilizando las facilidades incorporadas en el sistema.

1.3.2.3. WinSnoori

WinSnoori es un programa de análisis acústico del habla desarrollado en el LORIA (del

francés, Laboratoire Lorrain de Recherche en Informatique et ses Applications) de Nancy.

El programa incluye una interfaz gráfica con el sintetizador de Klatt, del que se usa la

implementación de Jon Iles and Nick Ing-Simmons (Laprie, 2009).

Figura 1.14 Interfaz Gráfica del Winsnoori. La ventana en el interior de la interfaz principal pertenece

al sintetizador de Klatt.


22

WinSnoori permite llevar a cabo la síntesis a partir de los valores extraídos del análisis

acústico de un documento y modificados mediante la interfaz gráfica según se muestra en la

Figura 1.14.

Para el manejo de los diferentes componentes del modelo de producción de voz, WinSnoori

provee diferentes opciones. Es posible acceder a la configuración general a traves del menú

Setup y en la ventana de configuración (Figura 1.5). En esta figura se puede observar

Figura 1.15 Ventana de configuración del sintetizador de Klatt en WinSnoori.

las diferentes opciones para la configuración del sintetizador. La fuente g(t) puede ser

sintetizada utilizando la variante propuesta por klatt (Klatt, 1980) o el modelo de

Liljencrats-Fant (Fant, et al., 1985). Además es posible escoger la forma de onda que se

desea visualizar en el panel de Señal de Salida (Output waveform) según se muestra en la

Figura 1.15. Para la configuración de los formantes varias opciones son implementadas. Es

posible elaborar una estructura de formantes manualmente o extraerla de alguna señal real.


23

Conclusiones parciales

En este capítulo se dieron a conocer las diferentes características de la señal de voz, los

modelos de síntesis más usados. Además se describen diferentes aplicaciones comerciales

para la síntesis del habla, específicamente síntesis de vocales sostenidas.

MATERIALES Y MÉTODOS

24

2. MATERIALES Y MÉTODOS

En este capítulo se describen las particularidades de las diferentes componentes del modelo

de síntesis implementado en el sistema propuesto (Fuente-Filtro). Se brinda una detallada

descripción de los diferentes modelos de la señal glotal considerados en la literatura asi

como las variantes para la síntesis de la función de transferencia del tracto vocal. Además

se describen las diferentes formas de perturbación de la periodicidad para la síntesis de

voces patológicas (jitter, shimmer, ruido) y cómo fueron tratadas en el desarrollo del

sistema propuesto.

Adicionalmente se describen las propiedades principales para el desarrollo de interfaces de

usuario así como las limitaciones y ventajas de Matlab para la elaboración del sistema

propuesto.

2.1. Modelos de Síntesis de la señal de la glotis

En la actualidad la síntesis de voz ha tenido gran auge en diversas aplicaciones, para esto ha

sido preciso simular los diferentes parámetros del modelo Fuente-Filtro. La variabilidad de

la señal glotal es un factor donde no existe consenso en cuanto a las formas de onda a

emplear y cómo efectuar la variación en las mismas (Rosenberg, 1971) (Klatt & Klatt,

1990) (Titze & Liang, 1993) (Murphy & Yegnanarayana, 1999). En este trabajo el Modelo

B de Rosenberg y el R++ (Veldhuis, 1998), una alternativa más eficiente

computacionalmente que fusiona el modelo original de la señal glotal de Rosenberg

(Rosenberg, 1971) y el de Liljencrats-Fant (Fant, et al., 1985), son implementados. La

Capítulo 2


25

elección de estas variantes esta dada por la sencillez con que estos modelos pueden ser

desarrollados.

2.1.1 Modelos de Rosenberg

En (Rosenberg, 1971) se plantea que la señal glotal no es mas que la concatenación de

diferentes polinomios donde se establecen una fase de apertura y otra de cierre de las

cuerdas vocales. Los diferentes modelos de la señal glotal reportados en este trabajo son:

A. La simulación de este modelo está caracterizado por una onda triangular, siendo

la fase de apertura ( ) y la fase de cierre .

B. Este modelo de síntesis está compuesto por polinomios, la fase de apertura está

dada por y la fase de cierre por

].

C. El presente modelo está compuesto por funciones trigonométricas, la fase de

apertura esta dada por y el cierre .

D. Este modelo presenta la misma forma de apertura que el anterior

y cuenta con fase de cierre .

E. Para la síntesis de este modelo se utiliza para la fase de apertura

y para el cierre

F. Este modelo está definido por un trapecio siendo la apertura y

el cierre .

Donde es la amplitud deseada, el tiempo de la onda glotal, el tiempo de apertura de

las cuerdas vocales y el tiempo de cierre. Las variantes de forma glotal descritas


26

anteriormente pueden ser observadas en la Figura 2.1. Estas formas de onda de la señal

glotal representan el flujo de aire que pasa por las cuerdas vocales (Rosenberg, 1971). Para

la estimación del flujo de aire es necesario estimar la derivada de la función de presión

(Rosenberg, 1971) (ver Figura 2.2).

Figura 2.1 Comparación entre los seis modelos se síntesis de señales glotales de Rosemberg (Rosenberg,

1971).

Figura 2.2 Tipos de ondas de la señal de la glotis g(t) y g´(t) (derivada) sintetizadas con Vowel_Synth

por modelo B de Rosemberg.

El modelo B se implementó por ser uno de los más semejantes y de los más económicos

computacionalmente, en la Figura 2.1 se muestra un ejemplo donde se introdujeron los

siguientes parámetros: frecuencia fundamental (F0) F0 = 150 Hz, período fundamental (T0)


27

T0 = 1\F0, amplitud a = 1, Tp = 0.33T0, Tn = 0.09 T0 y t = T0 como se muestra en la Figura

2.2.

2.1.2 Modelo de Liljencrats-Fant

El modelo de Liljencrants y Fant (Fant, et al., 1985) obtiene la forma de onda glotal de

presión g(t)´ por ser más sencilla de deducir que la señal de flujo, luego esta señal es

integrada para obtener g(t). Una representación de este modelo puede ser observada en la

Figura 2.3. La formulación matemática que representa el modelo de la señal glotal de

Liljencrants-Fant se representa en la ecuación (2.1).

(2.1)

Figura 2.3 Representación gráfica del modelo de Liljencrant-Fant. Figura tomada de (Fant, et al.,

1985).

(-(t -t )/t )0 e ae a

(-(t -t )/t )0 e a

(-(t-t )/t )

e 0

f(t) si 0

' f(t ) si

1-

e

e

t t

g t e et t t

e


28

donde tp es el tiempo donde ocurre el máximo flujo de aire, la máxima apertura ocurre a te,

el intervalo antes de te es la fase de apertura, y después de te es la fase de cierre de las

cuerdas vocales (ver Figura 2.3).

La función f(t) utilizada en (2.1) se define como:

(2.2)

Este modelo es muy complejo debido a que para el cálculo de α es necesario encontrar la

solución de la ecuación (2.3) y el costo computacional es muy elevado. (Veldhuis, 1998).

(2.3)

Para resolver esta limitante del modelo de Linljencrants-Fant se propone (Veldhuis, 1998)

utilizar la simplicidad del modelo de Rosenberg y las ventajas del modelo descrito en esta

sección. A continuación se describe esta variante.

2.1.1 Modelo de Veldhuis (R++)

El modelo R++ (Veldhuis, 1998) es una alternativa más eficiente computacionalmente del

modelo de Liljencrants-Fant y también responde a la ecuación (2.2) pero partiendo del

modelo de Rosenberg (Rosenberg, 1971) donde se muestra en la ecuación (2.4) y

(2.5).

(2.4)

(2.5)


29

El cálculo de tp responde a la ecuación (2.6)

( 2.6)

donde tp es el tiempo donde ocurre el máximo flujo de aire, la máxima apertura ocurre a te,

el intervalo antes de te es la fase de apertura, y después de te es la fase de cierre de las

cuerdas vocales.

Figura 2.4 Comparación de un pulso glotal de presión g´(t) entre el método (LF) y R++ para los

mismos parámetros, con línea discontinua el modelo (LF) y con línea contínua el R++, t en segundos y

g’(t) en unidades arbitrarias. (Veldhuis, 1998).

Figura 2.5 Forma de onda glotal de presión (derivada) sintetizada con Vowel_Synth por el modelo R++.

La Figura 2.5 muestra la forma de onda glotal de presión (derivada) sintetizada con

Vowel_Synth por el modelo R++.


30

2.2. Modelos de Síntesis del Tracto Vocal

Varios modelos del tracto vocal pueden ser utilizados para la síntesis de vocales (Quatieri,

2002). En este trabajo dos de estas variantes de función de transferencia del tracto vocal

son consideradas: el filtro todo polos que sería el equivalente de diseñar un filtro digital, y

la suma de cosenos. Ambas variantes serán descritas a continuación.

2.2.1 Suma de cosenos

Como respuesta al impulso, típica del tracto vocal, h(t), se empleó la suma de sinusoides,

este es el más frecuentemente empleado en la literatura para la síntesis de vocales. La h(t)

puede obtenerse como la suma de M sinusoides amortiguadas (ver ecuación ( 2.7)) que son

las representaciones temporales de los polos complejos conjugados del modelo:

( 2.7)

Tabla 2.1 Valores de amplitud (A) ancho de banda (B) y frecuencia central (F) de los cinco resonadores

del filtro. La amplitud en unidades arbitrarias (u. a.).

Formantes

Parámetros

1 2 3 4 5

A (u. a.) 250 60 215 25 40

B(Hz) 320 720 520 770 350

F(Hz) 520 800 1190 1840 2390

En este caso Am, Bm y Fm son las amplitudes, anchos de banda y frecuencias centrales

respectivamente de cada una de las M resonancias del tracto vocal. Se seleccionó para los

)(ttFeAthM

m

m

tB

mm 0 )2cos()(

1


31

ejemplos trabajar con los mismos valores que en (Parsa & Jamieson, 1999) y (Medan, et al.,

1991) fijando M = 5 y los formantes dados por los valores de la

Tabla 2.1, que corresponden a su vez con los valores de una vocal “a” (Rabiner & Juang,

1993) pero el usuario los puede cambiar.

2.2.2 Filto autoregresivo (AR) todo polos

Considerando el tracto vocal desde la glotis hasta fuera de los labios, el filtro todo polo

responde a la siguiente ecuación (Quatieri, 2002).

(2.8)

Donde A es la ganancia, M es el número de coeficientes, los coeficientes de predicción

lineal (LPC, del inglés, Linear Predictive Coefficients),

El modelo de secciones del tubo acústico es una simulación del tracto vocal, donde si se

selecciona un orden M para el filtro se está asumiendo M secciones con sus equivalentes M

coeficientes de reflexión (ver Figura 2.6), pero:

Figura 2.6 Modelo de secciones del tubo acústico.

1. La velocidad de las vibraciones en el aire es un factor físico V = 340 m/s.

2. La longitud del tracto de la persona es de aproximadamente 17 cm.

3. Los coeficientes M implican que el sonido efectivamente se refleje en los límites de

cada sección, esto ocurre cada segundos.


32

4. Los coeficientes k se aplican a muestras separadas a Ts, por lo que , parece

ser válido, pero en realidad es porque el sonido tiene que regresar al

origen luego de la reflexión para llegar al estado estable.

Como físicamente y , el orden del filtro debe cumplir con la

siguiente igualdad:

(2.9)

O sea, M es aproximadamente igual a los kilohertzios de frecuencia de muestreo para tener

sentido físico, pero se reporta que es posible adicionar cuatro o cinco polos (Markel &

Gray, 1976).

2.3. Perturbaciones de la periodicidad

El uso de la ecuación (1.7) para sintetizar una vocal permite variar fácilmente el valor de

jitter controlando, Ti, mientras ai puede emplearse para variar el shimmer, y la relación

señal a ruido (SNR) puede ser controlada mediante la adición del ruido e(t).

Teniendo en cuenta las perturbaciones de la periodicidad presentes en el modelo de la

ecuación (1.7) es posible crear varios tipos de señales: las que presentan sólo jitter, sólo

shimmer, sólo ruido y las combinaciones posibles de estas perturbaciones de la periodicidad

simulando así una gran variedad de voces patológicas.

A pesar de que las ecuaciones (1.6) y (1.7) permiten obtener s(t) para la variable continua

de tiempo t, su implementación en la variante discreta resulta engorrosa y costosa desde el

punto de vista computacional para un número elevado de pulsos, con la evaluación

acumulativa de (1.7) para cada uno de ellos. Por esta razón el método empleado en este

trabajo consiste en la discretización de h(t) descrita por ( 2.7) para una frecuencia de


33

muestreo dada, su posterior convolución con el tren de impulsos y la adición de ruido según

(1.6). El muestreo de h(t) se efectúa evaluando ( 2.7)

para t = kTs, kN, y truncando su longitud a un determinado número de muestras. En esta

variante, debido a que la convolución se efectúa en el dominio de tiempo discreto, el tren de

impulsos tiene que satisfacer que los instantes de excitación y las separaciones entre ellos

sean también múltiplos del período de muestreo (Ti-1+0T +T=k1Ts y

0T +T=k2Ts

respectivamente, k1, k2N). Esto no constituye una fuerte limitante en cuanto a las

posibilidades de generación de señales, pues las variabilidades de duración Ti

introducidas en este trabajo superan ampliamente el tiempo correspondiente a un período de

muestreo Ts (variabilidad mínima en un intervalo de 5 muestras).

La frecuencia de muestreo (Fs=1/Ts) empleada para la generación de las señales simuladas

fue de 22.05 kHz, mientras que el valor medio de frecuencia fundamental 0 01/F T se fija

por el usuario al valor deseado. La respuesta al impulso del tracto se truncó al doble de 0T .

Longitudes de h(t) por encima de dos 0T no aportan prácticamente ninguna potencia de

señal adicional (99.2% de potencia contenida en la duración de un pulso, 99.99% de

potencia contenida en la duración de dos 0T ) (Ferrer Riesgo, 2005). La longitud de las

señales generadas se especifica por el usuario.

Los detalles específicos de la generación de cada uno de los tipos de señales con

perturbaciones de la periodicidad (sólo jitter, sólo shimmer, sólo ruido aditivo y las

posibles combinaciones de estas) se describe a continuación.

2.3.1 Jitter

En estas señales el factor ai, que involucra la variabilidad de la amplitud en el tren de

impulsos en la ecuación (1.6), se fija a la unidad (ai=1), y se les anula el término

correspondiente a ruido (e(t) = 0). La única alteración de la periodicidad está dada por la

variación en la separación de los impulsos de excitación Ti, que en este caso es un número

entero aleatorio con distribución de probabilidad uniforme en el intervalo TMáx (en

muestras). Se puede emplear los valores deseados de TMáx pero se recomienda hasta un


34

25%, este límite superior se fija en correspondencia con (Medan, et al., 1991) donde se

plantean límites razonables de hasta un 25% de jitter en voces patológicas.

2.3.2 Shimmer

En estas señales se genera el factor que gobierna la amplitud de los impulsos de excitación

como ai=1+Δai, siendo Δai un número real en el intervalo ±ΔaMáx y teniéndose una

amplitud promedio unitaria. Al igual que en el caso de jitter, se puede emplear varios

valores diferentes de ΔaMáx. Como los límites reportados de shimmer están alrededor del

doble de los de jitter (límites de un 50% según (Titze, 1995) se decidió introducir las

perturbaciones de shimmer de forma que los porcentajes de ΔaMáx sean, con relación a la

unidad, el doble de los empleados en el caso de jitter. De esta forma los valores de ΔaMáx

recomendados son de 0 a 50%. El resto de las perturbaciones son suprimidas (ΔTi=0, y

e(t)=0).

2.3.3 Ruido

En este caso una señal s(t) “limpia” obtenida para amplitud constante ai=1 (ai=0) y

separación también constante e igual a 0T (Ti = 0), es contaminada con un ruido blanco

Gaussiano e(t) tal que la relación entre las energías (varianzas) de la señal (s2) y el ruido

(e2) (SNR) produzca un valor dado. Esto se logra manipulando la amplitud de una

realización de ruido blanco e(t) con varianza unitaria para obtener el valor de SNR deseado.

La expresión que relaciona ambas varianzas para una SNR (en dB) dada es:

(2.10)

Los valores de SNR se introducen por el usuario pero se recomienda una SNR desde 30db

hasta la más distorsionada con 2dB. Estos valores de SNR se han seleccionado de tal

manera que la mayor perturbación (SNR=2dB) no supere la energía de la señal periódica,

)/(10(SNR/10)2

s

2

e


35

pues según (Titze, 1995) esta última debe ser mayor que la energía de las perturbaciones en

señales hasta tipo 2 (no caóticas). El rango típico de SNR encontrado en la voz de 15 a 30

dB según (Murphy & Yegnanarayana, 1999).

2.3.4 Jitter y Ruido

En estas señales el factor ai, que involucra la variabilidad de la amplitud en el tren de

impulsos en la ecuación (1.6), se fija a la unidad (ai=1), y se les introduce el término

correspondiente al ruido e(t) (igual a solo ruido). La alteración de la periodicidad está dada

por el ruido y la variación en la separación de los impulsos de excitación ΔTi que al igual

que en sólo jitter es un número entero aleatorio con distribución de probabilidad uniforme

en el intervalo ±ΔTMáx (en muestras). Se puede emplear los valores deseados de ΔTMáx pero

se recomienda hasta un 25% (Medan, et al., 1991) donde se plantean límites razonables de

hasta un 25% de jitter en voces patológicas.

2.3.5 Shimmer y Ruido

En esta señal al igual que sólo shimmer se genera el factor que gobierna la amplitud de los

impulsos de excitación como ai=1+Δai, siendo Δai un número real en el intervalo ±ΔaMáx y

teniéndose una amplitud promedio unitaria. Al igual que en el caso de Shimmer, se puede

emplear varios valores diferentes de ΔaMáx. De esta forma los valores de ΔaMáx

recomendados son de 0 a 50%. El ruido se comporta igual que solo ruido (e(t)) El resto de

las perturbaciones es suprimido (ΔTi=0).

2.3.6 Perturbaciones combinadas

En este último tipo de señales, todas las alteraciones de la periodicidad contempladas

anteriormente fueron introducidas simultáneamente, en los mismos niveles que en los casos

de sólo “jitter”, sólo “shimmer”, y sólo ruido. Las señales se combinan introduciendo

niveles equivalentes de las perturbaciones individuales (n-ésimo nivel de jitter con n-ésimo

nivel de shimmer con n-ésimo nivel de ruido). De esta forma se obtienen señales con las

tres perturbaciones.


36

2.4. Diseño de la interfaz de Usuario

2.4.1 Generalidades

El término Interfaz Gráfica de Usuario GUI del inglés (Graphical User Interface) se utiliza

para llamar al conjunto de elementos visuales relacionados entre sí, que brinda un sistema o

programa para que el usuario interactúe con él (www.mathworks.com, 2004). El estudio y

desarrollo del diseño de una interfaz requiere de un trabajo donde están inmersas viarias

disciplinas en función a un mismo objetivo: cubrir la necesidad del hombre de transmitir y

comunicar, en este caso, a través de un medio virtual. Las disciplinas que intervienen

pueden variar pero las que se mantienen de alguna manera constante son: la ingeniería, la

programación y el diseño. Una interfaz gráfica, de forma general, debe ser básicamente:

Sencilla. Los elementos están para apoyar, ayudar y guiar, no para confundir, hay que

evitar la saturación y colocación innecesaria de los mismos.

Clara. La información debe ser fácilmente localizable, es decir, debe estar organizada

ya sea de manera lógica, jerárquica o temática.

Predecible. A acciones iguales, resultados iguales.

Flexible. Pensar en botones que puedan modificar textos, realizar cambios en algunas

secciones según convenga, etc.

Consistente. Aunque se realicen cambios en la programación, la representación

gráfica de las funciones e imágenes debe permanecer igual.

Intuitiva. El usuario se siente más seguro en una aplicación en la que no tenga que

adivinar ni pensar como ejecutar acciones.

Coherente. Tanto texto como gráficos, colores y demás elementos utilizados

deben corresponder al contenido de la aplicación. Apoyados generalmente por una

construcción de palabras, frases y elementos visuales (González, 2004).


37

2.4.2 Uso de Matlab para la construccion de la interfaz de usuario de

Vowel_Synth

Matlab, cuyo nombre proviene del inglés (MATrix LABoratory) es un software matemático

que tiene un lenguaje de programación propio (Lenguaje M) y es multiplataforma (Unix,

Windows y Apple Mac Os X). Creado en 1984 por Cleve Moler con la idea de crear

paquetes de subrutinas escritas en Fortran (del inglés Formula Translating System), un

lenguaje orientado al cálculo numérico, diseñado en sus inicios para las computadoras IBM

y usado en aplicaciones científicas y de ingeniería, se puede destacar que es el más antiguo

de los lenguajes de alto nivel (Inc., 2005)

El lenguaje de programación M se creó en 1970 proporcionando una acceso sencillo al

software de matrices LINPACK (del inglés Linear System Package) y EISPACK (del inglés

Eigen System Package) sin tener que hacer uso del lenguaje Fortran. Ya en el año 2004 se

apreciaba que Matlab era usado por aproximadamente más de un millón de personas, tanto

académicos como empresarios.

Dentro de sus principales funciones se encuentran:

Manipulación de matrices.

Representación de datos y funciones.

Implementación de algoritmos.

Creación de interfaces de usuario (GUI).

Comunicación con programas en otros lenguajes y con otros dispositivos Hardware.

Además, posee herramientas adicionales como el Simulink (Plataforma de simulación

multidominio) y el Editor de interfaces de usuario (GUI).

El uso del Matlab ha posibilitado el desarrollo en áreas de investigación relacionadas con

procesamiento digital de señales; ya sea audio, imágenes o video, debido a la gran

diversidad de funciones y herramientas que presenta destinadas para ese fin. Posee una

ayuda al usuario con numerosos ejemplos que, hace posible a un usuario de menor


38

experiencia realizar los algoritmos, funciones y herramientas en un intervalo corto de

tiempo dependiendo de la complejidad del problema al que se enfrente

(www.mathworks.com, 2004).

Una de las herramientas que posee Matlab es el Editor de Interfaces de Usuario GUIDE

(del inglés Graphical User Interface Development Environment), la cual presenta

características que posibilitan el desarrollo de interfaces gráficas de usuario de manera

sencilla e intuitiva. Para realizar la construcción de un GUI se utiliza el Editor de Diseño

del GUIDE que permite de manera gráfica seleccionar y configurar los elementos y los

componentes del GUI que se desea desarrollar. Los componentes en el GUIDE más

utilizados dentro del área de diseño son:

Push button o botones de presión son los encargados de generar una acción cuando se

le hace clic encima de ellos.

Slider o barra de desplazamiento, acepta valores de entrada de posición dentro de un

rango especificado que son establecidos moviendo la barra deslizante. La

localización de la barra deslizante indica la localización que es el valor que tomará

la variable asociada al elemento.

Check Box o cajas verificación, pueden generar una acción una vez que se activen e

indican su estado de verificado o no verificado o sea en alto o en bajo. Las cajas

verificadoras son útiles para proporcionar opciones independientes al usuario, por

ejemplo, cuando se tienen los textos de una imagen la opción de ser mostrados o no

puede estar asociada a un elemento de este tipo.

Radio Button o botón circular, son similares a los check boxes o botones de chequeo

con la diferencia de que están relacionados entre sí de manera que, si uno está

seleccionado el otro por definición esta deseleccionado.

Edit Text o texto editable, son campos que le permiten a los usuarios insertar o

modificar cadenas de caracteres. Es importante destacar que este objeto manipula

cadenas de caracteres por lo tanto cuando se insertan números para poder ser usados

deben convertirse a sus equivalentes numéricos.

Static Text o textos estáticos, es un objeto que permite mostrar líneas de texto que a

diferencia del Edit Text se muestran fijas y no pueden ser modificadas por el


39

usuario. Este tipo de objeto puede ser usado para etiquetar controles, proporciona

las direcciones al usuario, o indica valores resultantes de algún cálculo.

Pop-Up menú o menú desplegable, este objeto despliega una lista de opciones.

Axes, permiten al GUI desplegar gráficos o imágenes. Tienen propiedades que

pueden ser modificadas en función de los requerimientos de la aplicación.

Panel o tablero, se usa para agrupar elementos del GUI en grupos según las funciones

que realicen o a gusto del programador, lo cual hace más amigable el diseño (Inc.,

2005).

La Figura 2.7 muestra la herramienta GUIDE inicializada lista para comenzar un diseño.

Figura 2.7 Herramienta GUIDE lista para comenzar el diseño.

Una de las bondades que presenta el desarrollo de un GUI utilizando Matlab es la

interactividad que presenta con el desarrollador y el amigable lenguaje de programación,

por otro lado la propia herramienta genera de forma automática el código en un archivo *.m

asociado a cada uno de los elementos, dentro de este fichero se reservan espacios

específicos donde el programador introduce segmentos de código correspondiente a las

instrucciones específicas para cada elemento que compone la herramienta en desarrollo.

Cuando se desarrolla un GUI queda almacenado en dos archivos


40

Un archivo con extensión *.m, llamado M-File (archivo *.m), mencionado

anteriormente, el cual contiene el código que corresponde a cada elemento del GUI.

Un archivo con extensión *.fig, llamado FIG-File (archivo *.fig), el cual contiene la

estructura gráfica del diseño y de la configuración de los componentes del GUI.

De modo que cuando se trabaja en la componente gráfica, es almacenado en el archivo *.fig

y cuando se modifica el código de programación de los elementos del GUI es almacenado

en el archivo *.m (Inc., 2005).

Concluciones Parciales

En este capítulo se ha descrito de forma detallada los diferentes parámetros para la síntesis

de los vocales. La función glotal es representada por los modelos B de Rosenberg y R++.

La función de trasferencia del tracto es simulada utilizando la variante de suma de cosenos

y el filtro autorregresivo todo polos. A las señales simuladas es posible introducirles

perturbaciones de la periodicidad tanto de frecuencia, amplitud y ruido aditivo para

representar las voces patológicas. La facilidad para el desarrollo de interfaces gráficas de

Matlab fue escogida para la implementación del sistema propuesto.

RESULTADOS Y DISCUSION

41

3. RESULTADOS Y DISCUSION

En este capítulo se dará una ayuda al usuario del funcionamiento de la aplicación. Además

se brinda información acerca de los requerimientos mínimos del sistema para la utilización

de Vowel_Synth. Una comparación con respecto a los sistemas comerciales descritos en las

secciones 1.3.1 y 1.3.2 es elaborada teniendo en cuenta aspectos como sencillez para los

usuarios finales del sistema, síntesis de patologías, manipulación de las diferentes

componentes del modelo de producción de voz, entre otros.

3.1. Requerimientos de Vowel_Synth.

Para el correcto funcionamiento de Vowel_Synth se deben tener en cuenta los siguientes

requerimientos:

1. Dependencias: Dado el sistema Vowel_Synth es desarrollado en Matlab es necesario

Matlab Runtime Compiler (MRC). Esta herramienta es necesaria para la

interpretación de los ejecutables realizados en Matlab. La desventaja es que este

producto debe adquirirse de forma separada a la instalación de Matlab. De no tener

el MRC debe instalar Matlab y ejecutar Vowel_Synth directamente desde la ventana

de comandos.

2. Matlab: versión 7.4 en adelante.

3. Sistema Operativo:

a. Windows XP/Vista/7/8 versiones 32 y 64 bits.

b. Plataformas Unix, Linux.

c. Mac-OS.

Capítulo 3


42

4. Requerimientos mínimos de hardware:

a. Procesador: Intel Pentium o Celeron. 2.66 GHz.

b. Almacenamiento: 2,20 Gb de espacio libre en el disco duro (incluye el

Matlab).

c. RAM: 256 Mb de memoria RAM.

5. Configuración de hardware recomendada:

a. Intel Pentium, Celeron, Intel Pentium Dual Core o Intel Pentium Core Dos

Duo en adelante.

b. 3Gb de espacio libre en el disco duro (incluye Matlab).

c. RAM: Memoria RAM de 1 Gb o superior.

3.2. Vowel_Synth

A continuación se muestra el ejemplo de la herramienta Vowel_Synth (síntesis de vocales)

propiamente seleccionado para ser asociado a la herramienta para la que fue desarrollada.

Se puede apreciar que la herramienta posee una interfaz amigable y sencilla. Este es el

principal resultado de la investigación, diseñar la herramienta Vowel_Synth que sea capaz

de sintetizar vocales sostenidas para permitirles a los usuarios realizar estudios realcionados

con la señal de voz.

La herramienta cuenta con seis ventanas con las cuales se puede configurar y visualizar las

diferentes partes del modelo de producción de la voz Fuente-Filtro, la primera ventana es la

presentación (Figura 3.1), para acceder a la configuración pulsamos en el botón siguiente y

se visualiza el panel de configuración el cual muestra el modelo Fuente-Filtro según se

observa en la Figura 3.2.


43

Figura 3.1 Ventana de bienvenida de Vowel_Synth.

Figura 3.2 Ventana de configuración del modelo Fuente-Filtro de Vowel_Synth.

A continuación se presenta la descripción de las diferentes componentes de la ventana de

configuración del modelo Fuente-Filtro según se muestra en la Figura 3.2

1. Botón glotis:

Al presionar ‘1’ se muestra la ventana de configuración de la glotis.

2. Botón filtro:

Al presionar ´2´ se muestra la ventana de configuración del filtro del tracto vocal.

3. Botón ruido:

Al presionar ´3´ se muestra la ventana de configuración del ruido de la señal a

sintetizar.

4. Botón inicio:

Al presionar ´4´ se retornará a la ventana de presentación.

5. Botón visualizar:


44

Al presionar ´5´ se abrirá a la ventana de visualización.

6. Botón cerrar:

Al presionar ´6´ se cerrará a la ventana configuración y se retorna a la presentación.

3.2.1 Configuración de la señal de la Glotis

Al presionar el botón correspondiente a la función glotal del modelo fuente-filtro según la

Figura 3.2 la ventana de configuración de la fuente g(t) es mostrada (ver Figura 3.3).

Figura 3.3 Ventana de configuración de la función glotal g(t) e introducción de perturbaciones de la

periodicidad.

Esta ventana está dividida en cuatro secciones. En la parte superior izquierda el usuario

puede escoger la función glotal que desea para la síntesis, a la derecha de esta sección

aparece la sección de visualización de la g(t) escogida. Las secciones de introducción de las

perturbaciones de frecuencia y amplitud se encuentran en la porción inferior de la ventana

de la Figura 3.3. Las funcionalidades incluidas en la configuración de la señal de excitación

glotal son:


45

1. Menú glotis:

En este menú se le brinda al usuario la posibilidad de generar la señal glotal

por dos modelos muy usados como son el de Rosenberg (Rosenberg, 1971)

y el R++ una alternativa más eficiente computacionalmente del modelo de

Liljencrants-Fant (Fant, et al., 1985) (Veldhuis, 1998), el modelo escogido

se sintetizará y se visualizará en ´4´.

2. Frecuencia fundamental (F0):

En este control se introduce la frecuencia fundamental F0 en Hz. El valor por

defecto es de 150 Hz pero el usuario puede modificar este valor.

3. Tiempo de sintetizado:

En este control se introduce el tiempo en segundos (s) de la vocal

sintetizada. El tiempo de síntesis por defecto es de 1 segundo pero el usuario

puede variar este valor. Es necesario que para generar la señal glotal (´1´) se

hayan introducido los controles ´2´ y ´3´.

4. Visualización de la señal glotal:

Este gráfico muestra al usuario la forma de onda de la señal glotal escogida.

5. Introducción de jitter:

Al marcarse esta opción es posible que el usuario introduzca valores de jitter

a la señal. Los controles que permiten la introducción de los valores de jitter

son activados. El jitter introducido puede ser un valor numérico determinado

o un intervalo establecido.

6. Introducción de shimmer:

Al marcarse esta opción es posible que el usuario introduzca valores de

shimmer a la señal. Los controles que permiten la introducción de los

valores de shimmer son activados. El shimmer introducido puede ser un

valor numérico determinado o un intervalo establecido.

7. Grupo jitter:

Si ´5´ está activo se activará ´7´ para introducir el jitter, este valor se

introduce en porciento.


46

8. Una señal (jitter):

Al activar este control el usuario sólo podrá sintetizar una señal con el

porciento de jitter especificado en ´7´.

9. Varias señales (jitter):

Al activar este control el usuario podrá sintetizar varias señales con el

porciento de jitter desde el valor mínimo especificado en ´10´ con paso ´12´

y valor máximo ´11´.

10. Mínimo jitter:

Si ´9´ está activo en este control se introduce el mínimo valor de jitter

requerido para la síntesis.

11. Máximo jitter:

Si ´9´ está activo en este control se introduce el máximo valor de jitter


12. Paso jitter:

Si ´9´ está activo en este control se introduce el paso de jitter requerido para

la síntesis.

13. Una señal shimmer:

Al activar este control el usuario solo podrá sintetizar una señal con el

porciento de shimmer especificado en ´14´.

14. Valor del shimmer:

Si ´13´ está activo se activará ´14´ para introducir el shimmer, este valor se

introduce en porciento.

15. Varias señales shimmer:

Al activar este control el usuario solo podrá sintetizar varias señales. Los

valores de shimmer varían desde el valor mínimo especificado en ´16´ con

paso ´18´ hasta valor máximo especificado en ´17´.

16. Mínimo shimmer:

Si ´15´ está activo en este control se introduce el mínimo valor de shimmer


17. Máximo shimmer:


47

Si ´15´ está activo en este control se introduce el máximo valor de Shimmer


18. Paso shimmer:

Si ´15´ está activo en este control se introduce el paso de shimmer requerido

para la síntesis.

19. Botón Aceptar:

Después de configurar los controles requeridos se procede a ´19´ para

guardar la configuración actual y continuar conformando los demás bloques

del modelo fuente-filtro. A continuación se cierra la ventana glotis y se

muestra nuevamente la ventana de configuración general (Figura 3.2).

20. Botón Cerrar:

Al hacer clic en este botón se cierra la ventana glotis y se muestra

nuevamente la ventana de configuración general (Figura 3.2).

21. Botón inicio:

Al presionar ´21´ se cierra esta ventana y muestra la ventana principal de

Vowel_Synth (Figura 3.1).

Si el usuario desea introducir combinaciones de perturbaciones de jitter y shimmer debe

activar en paralelo las opciones ‘5’ y ‘6’e introducir los valores deseados en cada caso.

3.2.2 Configuración de Tracto Vocal

Al presionar el botón correspondiente a la función de transferencia del tracto vocal del

modelo fuente-filtro según muestra la Figura 3.2 la ventana de configuración de la fuente

g(t) es mostrada (ver Figura 3.3).


48

Figura 3.4 Ventana de configuración de la función de transferencia del tracto vocal h(t).

Esta ventana está dividida en tres secciones. En la parte superior izquierda el usuario puede

escoger la función de transferencia del tracto vocal que desea para la síntesis a la derecha

de esta sección aparece la sección de visualización de la h(t) escogida. Las secciones de

introducción de los parámetros requeridos se muestran en la porción inferior de la ventana

según se muestra en la Figura 3.4. Las funcionalidades incluidas en la configuración de la

señal de transferencia del tracto vocal h(t) son:

1. Suma de sinusoides:

Al activar la opción ´1´ la función de transferencia del tracto vocal es

establecida como la suma de funciones coseno. Las frecuencias de

resonancias o formantes, amplitudes de estos y ancho de bandas de cada uno

son previamente introducidos en ´5´, este diseño de filtro se rige por la

ecuación mostrada en ´2´.

2. Ecuación del filtro suma de sinusoides:

En ´2´ solo se muestra la ecuación de dicho filtro.

3. Filtro autorregresivo todo polo (AR).


49

Al activar la opción ´3´ el filtro a usar es un filtro FIR al cual en ´4´ se le

introducen los polos del mismo. Los coeficientes del filtro pueden ser

estimados utilizando análisis de predicción lineal (LPC).

4. Coeficientes del filtro:

En este control se introducen los coeficientes del filtro (AR). Los valores por

defecto de los coeficientes del filtro se muestran al seleccionar ‘3’ el usuario

si desea puede variar estos valores. Los coeficientes mostrados son

obtenidos a partir de la extracción de coeficientes LPC a una señal real. La

cantidad M de coeficientes extraídos es 22 según se corresponde con la

frecuencia de muestreo utilizada en Vowel_Synth. El usuario tiene la

facilidad de introducir los coeficientes deseados. Para ello debe hacer extraer

los coeficientes sin el uso de Vowel_Synth y luego introducirlos en ‘4’.

5. Datos del filtro suma de sinusoides.

En ´5´se introducen las frecuencias de resonancias o formantes, amplitudes

de estos y ancho de bandas de cada formante, estos datos son muy

importantes debido que son los que deciden la vocal a sintetizar. Los valores

por defecto son los publicados en (Rabiner & Juang, 1993) que se

corresponden con la vocal ‘a’.

6. Visualización:

Aquí se visualiza el filtro suma de cosenos una vez generado.

7. Botón inicio:

Al presionar ´7´ se cierra esta ventana y se retornará a la ventana de

presentación.

8. Botón Aceptar:

Después de configurar la los controles requeridos se procede a ´8´ para

guardarlos y seguir configurando las demás partes del modelo fuente-filtro,

se cierra la ventana filtro y se muestra nuevamente la configuración.

9. Botón Cerrar:

Al hacer clic en este botón se cierra la ventana filtro y se muestra

nuevamente la ventana de configuración general (Figura 3.2).


50

3.2.3 Configuración de Ruido

Al presionar el botón correspondiente a la componente de ruido aleatorio del modelo

fuente-filtro según muestra la Figura 3.2 la ventana de configuración de ruido e(t) es

mostrada (ver Figura 3.5).

Figura 3.5 Ventana de configuración de la componente de ruido aleatorio e(t)

Esta ventana está dividida en cuatro secciones. En la parte superior el usuario puede

escoger entre sintetizar una señal con ruido o limpia. De no marcar la opción anterior los

controles inferiores se activan y el usuario puede introducir los parámetros deseados según

se puede observar en la Figura 3.5. Las funcionalidades incluidas en la configuración del

ruido aleatorio e(t) son:

1. Uso del ruido:

Si el usuario desea tener la señal limpia de ruido solo debe activar ´1´ y se

desactivan todos los demás controles, si no, lo desactiva y procede a la

configuración del mismo. Al abrir esta ventana este control está activo.


51

2. Relación Señal a Ruido (SNR) :

Si ´1´ está inactivo entonces se introduce en ´2´ el valor de relación señal a

ruido deseado (SNR) para la síntesis.

3. Ruido filtrado:

El ruido es añadido de dos formas, filtrado o blanco, para configurarlo

filtrado se activa el control ´3´.

4. Ruido blanco:

El ruido es añadido de dos formas, filtrado o blanco, para configurarlo

blanco se activa el control ´4´.

5. Ruido aditivo aleatorio:

Si ´1´ está inactivo, se escogió ´3´ o ´4´ entonces se activa ´5´ para usar

ruido aditivo aleatorio.

6. Ruido aditivo proporcional:

Si ´1´ está inactivo, se escogió ´3´ o ´4´ entonces se activa ´6´ para usar

ruido aditivo proporcional, para el uso de este ruido es necesario usar un

nivel determinado de shimmer debido a que este ruido es proporcional a la

amplitud de los pulsos glotales.

7. Botón Cerrar:

Al hacer clic en este botón se cierra la ventana ruido y se muestra

nuevamente la ventana de configuración general (Figura 3.2)

8. Botón inicio:

Al presionar ´8´ se cierra esta ventana y muestra la ventana principal de

Vowel_Synth (Figura 3.1).

9. Botón Aceptar:

Después de configurar los parámetros deseados por el usuario se procede a

´9´ para guardarlos y continuar conformando los bloques restantes del

modelo fuente-filtro, se cierra la ventana ruido y se muestra nuevamente la

ventana de configuración general (Figura 3.2).


52

3.2.4 Síntesis y Visualización

Después de establecer los parámetros deseados para la síntesis y guardar sus valores como

se explica en las secciones 3.2.1, 3.2.2 y 3.2.3 es necesario visualizar el resultado final y

guardar las señales sintetizadas. Para mostrar la ventana de síntesis y visualización debe

utilizarse el botón ‘5’ de la ventana de configuración general mostrada en la Figura 3.2.

Figura 3.6 Ventana de visualización y manipulación de la señales sintetizadas en Vowel_Synth.

Esta ventana está dividida en cuatro secciones. En la parte izquierda de la ventana se

encuentras los controles para la manipulación de la señal sintetizada así como información

de la misma. Las funcionalidades incluidas en la ventana de síntesis y visualización son:

1. Botón visualizar:

Al ejecutarse esta acción se sintetiza la señal según los parámetros establecidos

anteriormente y posteriormente se muestra en el área de visualización ‘12’.

2. Botón guardar:

Con el objetivo de crear una base de datos de vocales normales y patológicas

sintetizadas una opción para guardar dichas señales es incluida en Vowel_Synth.

Esta acción se realiza mediante ´2´ en el panel de Acciones (ver Figura 3.6) y se

simboliza con un disco (Floppy) para asociarlo, una vez ejecutada la acción se


53

abrirá una ventana donde le introducimos la dirección y el nombre y esta señal se

guarda en formato *.WAV.

3. Botón escuchar:

Al ejecutar ´3´ en el panel de acciones (ver Figura 3.6.) la voz sintetizada y

visualizada en ‘12’ es reproducida. De esta forma el usuario puede tener una idea

auditiva de la calidad de la síntesis y así modificar los parámetros si la señal no

tiene la calidad requerida. Esto es una forma de realimentación del sistema

Vowel_Synth.

4. Aumentar zoom:

Mediante esta opción es posible realizar un acercamiento de la señal. De esta

manera el usuario puede visualizar con mejor facilidad los detalles de la misma.

Vowel_Synth posee acceso a esta acción mediante ´4´. Para aumentar una porción

de la señal, la función de zoom creará un rectángulo que delimitará la región

deseada por el usuario. También, se puede hacer uso del botón central del ratón, con

la cual se puede aumentar y disminuir el zoom si está activa la acción.

5. Disminuir zoom:

Esta acción es muy importante y se utiliza simultáneamente con ´4´, al presionar ´5´

y hacer clic sobre ´12´ se disminuye el zoom por pasos.

6. Desplazamiento:

Esta acción sólo se realiza mediante ´6´ (ver Figura 3.6) y el usuario puede

identificarla con una mano para asociarlo con la acción de sujetar la señal y

desplazarla. Una vez ejecutada esta acción, el puntero se convierte en una mano con

la cual se puede controlar el desplazamiento en la dirección que el usuario necesite.

7. Cursor:

Luego de usar el ajuste del zoom o mover la señal, una herramienta muy útil es el

cursor donde se activará en el botón ´7´ (ver Figura 3.6.), para hacer uso de ello,

solo después de activarlo, ejecutamos la acción sobre el lugar de interés de la señal

y esta utilidad dará las coordenadas X (tiempo) e Y(amplitud).

8. Ayuda:

El botón ayuda (ver Figura 3.6.) muestra la ayuda de Vowel_Synth.


54

9. Botón Acerca de…:

Al presionar este botón se le mostrará al usuario una breve información sobre

Vowel_Synth.

10. Panel de información de la señal:

Este panel es el encargado de mostrar la información de interés sobre la señal

sintetizada ya que muestra la frecuencia fundamental (F0), el tiempo de sintetizado,

la frecuencia de muestreo (Fs), el porciento de jitter usado, el porciento de shimmer

usado y la relación señal a ruido (SNR).

11. Panel desplegable:

Para acceder a este panel el usuario debe configurar el sistema para sintetizar varias

señales, en este panel el usuario podrá desplegar los menús y escoger los valores de

perturbaciones establecidos durante la configuración del modelo fuente-filtro (ver

Figura 3.6) para así ver simultáneamente las señales sintetizadas.

12. Área de visualización:

En esta área es donde se visualiza la señal sintetizada.

13. Botón inicio:

Al presionar ´13´ se cierra la ventana de síntesis y visualización y se muestra la

ventana principal de Vowel_Synth (Figura 3.1).

14. Botón configuración:

Al presionar ´14´ se muestra la ventana de configuración general (Figura 3.2)

15. Botón aceptar:

Al presionar ´15´ se cierra la ventana de síntesis y visualización.

3.3. Ventajas y Limitaciones de Vowel_Synth

A continuación una comparación con respecto a los sistemas comerciales descritos en las

secciones 1.3.1 y 1.3.2 es elaborada teniendo en cuenta aspectos como sencillez para los

usuarios finales del sistema, síntesis de patologías, manipulación de las diferentes

componentes del modelo de producción de voz entre otros.

Tabla 3.1 muestra un resumen de las principales características de Vowel_Synth y cómo se

comporta este sistema con respecto a otros sistemas de síntesis propuestos, según los


55

objetivos planteados en este trabajo. En esta tabla se puede observar como el sistema

propuesto tiene un mayor control sobre los parámetros específicos de las componentes

modelo fuente-filtro. En los sistemas que implementan la variante de Klatt (tres últimos en

la Tabla 3.1) el usuario puede elegir entre los diferentes modelos de la función glotal g(t)

pero no tiene acceso a modificar los parámetros particulares de cada modelo.

Tabla 3.1 Comparación del sistema propuesto Vowel_Synth con sistemas existentes para la síntesis.

Parm: Parámetros, Apl: Tipo de aplicación, MP: Multiplataforma. Simp: Simplicidad. Fr: Ruido de

fricción.

Parámetros g(t) Parm

g(t)

h(t) Parm

h(t)

jitter shimmer Ruido

SNR

Interfaz

gráfica

IF

Simp

de IF

Apl M

P

Programas

Vowel_Synth X X X X X X X X X L, M X

Praat X - X X X X X - L,M X

KLSyn88 X X X X - - Fr ms dos - L -

KPE80 X - X - - Fr X - L -

WinSnoori X - X X - - Fr X X L -

El Praat es un sistema muy potente no sólo para aplicaciones lingüísticas sino también para

aplicaciones médicas. La desventaja de este sistema está en que el mismo es orientado a

objetos y scripts y es necesario una familiarización previa por su complejidad.

Particularmente la síntesis de señales con jitter, shimmer y ruido no es posible realizarla

con solo utilizar el VowelEditor como se describe en la sección 1.3.1.

Es posible deducir de la información de la Tabla 3.1 que la mayoría de los sistemas que se

tuvieron en cuenta en este trabajo están orientados a aplicaciones lingüísticas o de

conversión de texto a voz. La carencia de control sobre las diferentes perturbaciones de la

periodicidad no posibilita el estudio de la influencia de las mismas en el análisis de las

voces patológicas.

El sistema propuesto Vowel_Synth presenta una interfaz gráfica amena para los usuarios

finales, profesores, investigadores y estudiantes asociados al CEETI. Es posible con el

mismo controlar detalladamente cada uno de los módulos del modelo de producción de voz


56

fuente filtro. La principal desventaja de Vowel_Synth radica en que no puede ser ejecutado

de forma independiente, sino que depende de que las estaciones de trabajo tengan instalado

el intérprete de código Matlab requerido o el propio Matlab.

Conlusiones Parciales

Los requerimientos necesarios para utilización de Vowel_Synth son descritos en este

capítulo, una detallada descripción del sistema es brindada y las ventajas y limitaciones de

Vowel_Synth con respecto a otros sistemas son analizadas. Se puede concluir que

Vowel_Synth brinda una interfaz amena para los usuarios finales de la aplicación y los

parámetros del modelo fuente filtro son fácilmente manipulados dentro del ambiente

gráfico del sistema propuesto.

CONCLUSIONES Y RECOMENDACIONES 57

CONCLUSIONES Y RECOMENDACIONES

Conclusiones

En este trabajo se ha encontrado solución a varios problemas que afectan a los

sintetizadores de voz en la actualidad. Estos aportes se centran alrededor de los objetivos

específicos planteados en la introducción:

1. Con respecto a ofrecer al usuario la posibilidad de introducir variaciones en la forma

de onda que simulen patologías de la voz:

Se insertó la posibilidad de que el usuario escoja si desea sintetizar señales

normales o la introducción de patologías con la inserción de jitter, shimmer y

ruido.

2. En cuanto a ofrecer al usuario la posibilidad de manipular los diferentes elementos

del modelo fuente-filtro:

El usuario podrá mostrar de manera interactiva los diferentes tipos de onda de la

glotis (fuente) y escoger el modelo del filtro que desea generar para lograr la

síntesis.

3. Con respecto a tratar que la aplicación sea lo más amena posible a los usuarios

(profesores, investigadores y estudiantes).

La herramienta se diseñó de modo que la ventana de configuración muestre las

partes del modelo de producción de voz fuente-filtro.

Se personalizaron los botones con iconos que dan idea al usuario de la función

que realiza

Conclusiones y

Recomendaciones

CONCLUSIONES Y RECOMENDACIONES 58

Este conjunto de resultados permite afirmar que con este trabajo se pone en manos de

investigadores, profesores y estudiantes una herramienta que permite la manipulación, la

visualización de las señales de voz y que el trabajo tenga un gran impacto tanto para la

docencia como la investigación.

Recomendaciones

1 Implementar otros modelo de síntesis de la funcion de la fuente glotal g(t)

2 Introducir otros tipos de ruidos aditivos según se propone en (O´leidhin & Murphy,

2003).

3 Implementar el sistema en etros lenguajes de programación como C, C++, Delphi

para crear un programa independiente de MatLab

REFERENCIAS BIBLIOGRÁFICAS 59

REFERENCIAS BIBLIOGRÁFICAS

1. Boersma, P. & Weenink, D., 2001. Praat: Doing Fonetic by Computer. Glot

International , 5 (9-10), pp. 341-345.

2. Fant, G., Liljencrants, J. & Lin, Q., 1985. A four parameter model of the glottal flow.

Speech Transmission Laboratory Quarterly Progress Status Report.

3. Ferrer Riesgo, C. A., 2005. Cuantificación de Parámetros de la Voz para

Aplicaciones Médicas. Trabajo de diploma aspirante a Doctor en Ciencias

Técnicas.

4. González, L., 2004. El diseño de interfaz gráfica de usuario para publicaciones

digitales. Publicaciones Digitales, DGSCA, UNAM., Volumen 5.

5. Hertz, D., 1986. Time delay estimation by combining afficient algorithms and

generalized cross-correlation methods. IEEE Transaction on Acoustic Speech Signal

Processing.

6. Hillman, R. E., 1983. Characteristics of the glottal turbulent noise source. Journal of

the coustical Society of America, pp. 691-694..

7. Inc., T. M., 2005. MATLAB The Language of Technical Computing. Getting Started

with MATLAB. 2 ed. s.l.:MathWorks Inc..

8. Klatt, D. H., 1980. Software for a cascade/parallel formant synthesizer. Journal of the

Acoustic Society of America.

Referencias

Bibliográficas

REFERENCIAS BIBLIOGRÁFICAS 60

9. Klatt, D. H. & Klatt, L. C., 1990. Analysis, synthesis and perception of the voice

quality variations among female and male talkers. Journal of the Acoustical Society

of America, Volumen 87, pp. 820-857.

10. Laprie, Y., 2009. WinSnoori 1.34. Free Software for Speech Synthesis. [En línea]

Available at: www.cs.cmu.edu/afs/cs.cmu.edu/project/ai-

epository/ai/areas/speech/systems/klatt/0.html

[Último acceso: 14 Febrero 2013].

11. Malepati, H., 2010. Digital Media Processing: DSP Algotims Using C. Primera ed.

Burlington: Elsevier Science.

12. Markel, J. D. & Gray, A. H. J., 1976. Linear Prediction of Speech. s.l.:s.n.

13. Medan, Y., Yair, E. & Chazan, D., 1991. Super resolution pitch determination of

the signals. IEEE Transaction on Signal Processing, pp. 40-48.

14. Murphy, P. J. & Yegnanarayana, B., 1999. Robustness of group delay based

methodfor extraction of significant instants of exitation from speech signals.,,. IEEE

Transaction on Speech and Audio Processing, Volumen 7, pp. 609-619..

15. O´leidhin, E. & Murphy, P. J., 2003. Spectral tilt as a perturbation-free estimate of

noise levels in voice signals. Journal of Speech and hearing Research, Volumen 30,

pp. 529-538..

16. Parsa, V. & Jamieson, D. G., 1999. A comparison of high precision F0 extration

algorithms for sustained vowels. Journal of Speech and Hearing Research,

Volumen 42, pp. 112-126..

17. Podesba, R. & Sharma, D., 2013. Research methds in Linguistics. 1 ed. Cambridge:

Cambridge University Press.

18. Quatieri, T. F., 2002. Discrete-Time Speech Signal Processing. Massachusetts: s.n.

19. Rabiner, L. R. & Juang, B., 1993. Fundamentals of speech recognition.

s.l.:Englewood Cliffs, Prentice Hall.

20. Rosenberg, A. E., 1971. Effect of glottal pulse shape on the quality of natural

vowels. Journal of the Acoustical Society of America, Volumen 84, pp. 583-588..

61

21. Scicon R&D Inc, 1994-2013. SynthWorks. [En línea]

Available at: www.sciconrd.com/synthworks.aspx

[Último acceso: 1 2013].

22. Simpson, A., 2012. KPE80- A Klatt Synthesiser and Parameter Editor. [En línea]

Available at: www.enhance.phon.ucl.ac.uk/public/examples/copysyn/kpe/kpe.htm

23. Speech Research Lab, 2013. Synthesis of Speech. [En línea]

Available at: www.asel.udel.edu/speech/tutorials/synthesis/index.html

[Último acceso: 23 1 2013].

24. Steinecke, I. & Herzel, H., 1995. Bifurcations in an asymmetric vocal fold model.

Journal of the Acoustical Society of America, Volumen 97, pp. 1874-1884..

25. Titze I, R., 1980. Comments on the myoelastic-aerodinamic theroy of phonation.

Journal of Speech and hearing Research, Volumen 23, pp. 495-510..

26. Titze, I. R., 1995. Summary Statements. N. C. O. V. A. ed. IN SPEECH Workshop-

on acoustic voice analysis.: Iowa..

27. Titze, I. R. & Liang, H., 1993. Comparison of F0 extraction methods for high-

precision voice perturbations measurements. Journal of Speech and hearing

Research.

28. Tordera, Y. C. J., 2011. Lingüística computacional. Tratamientos del habla.

29. Torres, D., 2008. Evaluación de Algoritmos de Detección de Período Fundamental

para Voces Patológicas. Trabajo de diploma aspirante a licenciatura en Ciencias de

la Computación.

30. Torres, D., 2010. Reducción de la Influencia de las Perturbaciones de Amplitud en.

Tesis maestria.

31. Veldhuis, R., 1998. A computacionally efficient alternative for the Liljencrants-Fant

model and its perceptual evaluation. Journal of Acoustical Society of America,

Volumen 103 , pp. 566-571.

Documents

Sintetizador de Vocales Sostenidas