Análise de Modelos de Síntese de Fala para Integração ao Avatar Educação

Resumo

O Avatar Educação consiste num assistente virtual que utiliza personagens animados com voz sintética com o objetivo de melhorar a comunicação e a interação no Ambiente Virtual de Aprendizagem (AVA) Moodle (MACIEL et al., 2014). Apesar da sua considerável contribuição na área educacional, alguns problemas na qualidade da voz sintética têm sido relatados pelos usuários que utilizam o ambiente. Na avaliação da qualidade da voz são analisadas a sua naturalidade que avaliar a capacidade de um sistema produzir fala sintética mais próximo da fala humana e a sua inteligibilidade que avaliar a compreensão do conteúdo linguístico sintetizado pela voz (LATSCH, 2011). As vozes avaliadas pelos usuários, tem como base, o trabalho de Maciel et al. (2012), que utiliza uma ferramenta de síntese de fala HTS (HMM-based Speech Synthesis Toolkit) numa base de dados própria, contendo cerca de quatro horas de áudio para voz masculina e feminina. Diante deste cenário, o objetivo geral deste trabalho é analisar um conjunto de mecanismos de síntese de fala visando uma melhor qualidade da voz em termos de naturalidade e inteligibilidade. Para isso, esse trabalho realizou uma análise da arquitetura do framework FIVE (módulo responsável pela geração de síntese de fala) e do Avatar Vocálico (módulo responsável pela geração da animação do avatar) de modo a proporcionar um entendimento geral da situação e favorecer a escolha do sistema de síntese de fala MaryTTS (Modular Architecture for Research in sYynthesis) (MACIEL et al. 2010; RODRIGUES et al. 2012). O MaryTTS disponibiliza ferramentas com suporte para a adição de novos idiomas e para a construção de vozes baseadas nas técnicas seleção de unidades e HMM (CHARFUELAN et al.,2013). Neste trabalho foram realizados experimentos com 30 usuários para avaliar a qualidade da voz, tendo como foco a análise da naturalidade e da inteligibilidade de um conjunto com 30 amostras de áudio. Os resultados obtidos até o presente momento mostraram que no quesito inteligibilidade, as vozes baseadas em seleção de unidades e em HMM obtiveram avaliações similares, já no quesito naturalidade a técnica seleção de unidade produziu melhores resultados do que a HMM dentro da escala MOS (Mean Option Score). Contudo, as vozes baseada em seleção de unidades apresentaram uma importante descontinuidade na pontuação das frases e entre os espaços das palavras. Outro quesito avaliado foi o WER (Word Error Rates) das transcrições realizadas pelos usuários. As vozes baseadas em HMM obtiveram uma taxa de erro (8.05%) maior do que as vozes baseadas em seleção de unidades (6,2%). Como trabalhos futuros, novos experimentos já estão sendo realizados a fim de mitigar o problema da descontinuidade das vozes baseadas em seleção de unidades, e ao mesmo tempo, o processo de integração do MaryTTS ao framework FIVE está em curso para que as vozes geradas possam estar disponíveis no Avatar Educação. Palavras-chave: Síntese de Fala; MaryTTS; FIVE; Avatar Educação.