DE2212472A1

DE2212472A1 - Verfahren und Anordnung zur Sprachsynthese gedruckter Nachrichtentexte

Info

Publication number: DE2212472A1
Application number: DE19722212472
Authority: DE
Inventors: Coker Cecil Harold; Noriko Umeda
Original assignee: Western Electric Co Inc
Current assignee: AT&T Corp
Priority date: 1971-03-19
Filing date: 1972-03-15
Publication date: 1972-09-28
Also published as: JPS5514440B1; GB1380502A; SE381114B; BE780698A; US3704345A; NL7203613A; FR2129756A5; CA969276A; IT953975B

Description

WESTERN ELECTRIC COMPANY Coker8-1

Incorporated

NEW YORK, N. Y., 10007, USA

Verfahren und Anordnung zur Sprachsynthese gedruckter Nachrichtentexte

Die Erfindung betrifft ein Verfahren und eine Anordnung zur Durchführung dieses Verfahrens zur Sprachsynthese von gedrucktem Text, bei dem ein gedruckter Nachrichtentext in alpha-numerische Datensignale umgesetzt wird.

Mit der zunehmenden Verwendung automatischer Einrichtungen zur Umsetzung zwischen den verschiedenen Formen, in'denen Daten vorliegen können, ist es offensichtlich, daß eine direkte Umsetzung von hörbarer Sprache in die gedruckte Form oder von der gedruckten Form in hörbare Sprache zahlreiche Zwischenumwandlungsschritte vermeiden und eine große Vielseitigkeit bieten würde. Einrichtungen, wie automatische Informationsdienste, rechnergesteuerte Anweisungssysteme, Lesemaschinen für Bline und gesprochene ZuHtandsberiehte von Luft- und Raum fahrzeug-Systemen o.a., würden hieraus großen Nutzen ziehen. Ferner würden beträchtliche Informationsmengen übet· ein Telefon.sy.stem von flechnersystemen verfügbar .sein.

209840/0 7 54

BAD ORIGINAL

2212^72

Für derartige Anwendungen muß ein Datenrechner über ein großes und flexibles Vokabular verfügen. Er muß daher Mengen von zugreifbaren Sprachinformationen speichern und er muß die Information in einer Form verfügbar haben, um eine große Vielfalt von Nachrichten zu erzeugen. Die von einer Maschine erzeugte Sprache muß aber auch so gut verständlich sein wie natürliche Sprache, obwohl sie nicht notwendigerweise wie eine menschliche Stimme klingen muß, d.h.

sie darf auch ruhig einen "Maschinenakzent¹¹ besitzen.

Sprachausgabeeinheiten werden bereits in zahlreichen Anwendungen mit beschränktem Vokabular benutzt, wie beispielsweise in automatischen Telefonantwortsystemen. Die gegenwärtige Technik verwendet im allgemeinen voreingespeicherte Nachrichten, die auf Anforderung gespeichert und abgerufen werden. Die Beschränkungen bezüglich der Speicher- und Vokabulargröße engen die Anwendbarkeit derartiger Einrichtungen beträchtlich ein.

Auf dem Gebiet der Sprachsynthese wurden eine Reihe von Vorschlägen bezüglich der Erregung eines Sprachsysthesators von Phonem-Eingangsdaten gemacht, dif: den gedruckten Text repräsentieren.

BAD

209840/0754

Es sei an dieser Stelle erwähnt, daß unter Phonem eine Gruppe von Veränderlichen eines Spraclüautes verstanden wird, die gewöhnlich alle wie der gleiche oder äquivalente Btichsiabe ausgesprochen werden und allgemein als der gleiche Laut betrachtet werden, jedoch mit einer geringen Variation entsprechend verschiedener phonetischer Bedingungen {Naehbarlaute., Betonung, Länge., Intonation), die die Wörter und »Sätze einer Sprache oder eines Dialektes unterscheiden. Da jedoch bei derartigen Systemen ein besonders erfahrener Operator den Text manuell vor der Verarbeitung in Phonem-Form umsetzen muß, sind sie erheblich impraktisch. Darüberhinaus ist selbst mit einer Eingabe, die von e.inem menschlichen Operator bereits in die Phonem-Form umgesetzt wurde, eine zusätzliche Verarbeitung notwendig, um die Phoneme miteinander zu verbinden, um ein Eingangssignal zu bilden , das für einen Sythesaior verwendbar ist. Ein System, das eine derartige Verbindungsfähigkeit besitzt, ist beispielsweise in der US-Patentschrift 3 158 68 5 beschrieben. Etwas vorteilhafter ist die Speicherung parametrischer Daten, die für ein Vokabular einer gesprochenen Information repräsentativ sind, und die von einem menschlichen Operator passend gemacht wurde., wobei dann die gespeicherten

α 9-840/tfv-sV ·'"·■■ ^:··-^:''

ÖAD ORIGINAL

Daten dazu benutzt werden, auf ein Kommando hin die Synthesatorsignale zu assemblieren. Wenn jedoch die parametrischen Daten in den zahlreichen textlichen Formen, die für eine menschlich klingende Sprache erforderlich sind, gespeichert werden, ist eine enorme Speicherkapazität notwendig. So enthält beispielsweise ein typisches, gekürztes Handlexikon mehr als 130.000 Wörter. Wenn die Speicherform impuls codierte oder formantcodierte Wörter berücksichtigt und der Diktionär so ausgedehnt ist, daß er Variationen der meisten Stichwörter enthält, wie sie mit den verschiedenen Endungen , Vorsilben und dergleichen ausgesprochen werden, dann kann der erforderliche Lexikonspeicher leicht fünf- oder sechsmal mehr Stichwörter enthalten. Bei der Formantspeicherung ist der Diktionär noch groß und besitzt eine beschränkte Anwendbarkeit.

Die bekannten Systeme enthalten jedoch nicht genügend Regeln der menschlichen Sprache, um die Natürlichkeit der synthesierten Sprache zu erzeugen, die wichtig ist, wo Tonhöhe und Modulation die Bedeutung ähnlicher Laute oder Wörter verändern können.

209840/0754

Die Aufgabe der Erfindung besteht nun darin, den vorstehend diskutierten Nachteil der bekannten Systeme zu vermeiden.

Für ein Verfahren zur Sprachsynthese von gedrucktem Text, bei dem ein gedruckter Nachrichtentext in alpha-numerische Datensignale umgesetzt wird, ist die Erfindung gekennzeichnet durch die folgenden weiteren Verfahrensschritte:

1.) Ableitung der Daten über die syntaktische Satzkategorie für die einzelnen, durch alpha-numerische Datensignale dargestellten Wörter;

2.) Entwicklung der Pausen-, Betonungs-, Dauer-, Tonhöhen- und Lautstärken-Werte für die einzelnen Wörter in alphanumerischer Form aus den im Schritt 1.) gewonnenen syntaktischen Satzkategoriedaten;

3.) Entwicklung individueller phonetischer Werte aus den Wortintervallen, in Abhängigkeit von den im Schritt 2.) entwickelten individuellen Wortwerten und

209840/0764

4.) Kombination des Produkts der Schritte 1.) und 3.) in eine zusammenhängende Beschreibung der ausgewählten Nachricht, zur Übertragung zu einem Sprachsynthesator.

Für eine Anordnung zur Durchführung des vorstehenden Verfahrens mit einer Eingabevorrichtung zur Lieferung alpha-numerischer Datensignale, die einen gedruckten Nachrichtentext darstellen, der synthesiert werden soll, und mit einer Ausgabevorrichtung für den Sprachsynthesator besteht die Erfindung darin, daß die Anordnung fernher aus folgendem besteht:

einem Syntax-Analysator, der mit der Eingabevorrichtung für die Ableitung syntaktischer Satzkategoriedaten für die einzelnen Wörter, die durch die Eingangsdatensignale repräsentiert sind, verbunden ist;

einem Generator, der zwischen dem Syntax-Analysator und der Ausgabevorrichtung für den Sprachsynthesator geschaltet ist und auf santaktische Satzkategoriedaten und Sprachregeln anspricht, um folgendes zu erzeugen:

209840/0754

(a) parametrische Datenwerte, einschließlich Pausenwerten, Betonungswerten, Dauerwerten und Tonhöhen- und Lautstärkenwerten der einzelnen Nachrichtenwörter,

(b) individuelle phonetische Werte für Wortintervalle,

in Abhängigkeit von den erzeugten parametrischen Daten und

(c) kontinuierliche Steuersignale, die die Eingangsdatensignale repräsentieren, die ihrerseits von den erzeugten individuellen phonetischen Werten modifiziert sind.

Weitere Merkmale, vorteilhafte Ausgestaltungen und Weiterbildungen des Gegenstandes der Erfindung sind den Unteransprüchen zu entnehmen.

Hieraus ergeben sich mehrere Vorteile, da das Textsynthesesystem der vorliegenden Erfindung englischen Text von einem Eingabesystem, wie beispielsweise einem Fernschreiber, einem Textabtaster oder dgl. empfängt, Betonungs- und Zeitwerte jedem festgestellten Wort zuteilt, eine phonetische Beschreibung jedes Wortes aus einem

209840/0754

gespeicherten Diktionär aufsucht und die phonetischen Parameter errechnet, die für die Sprachsynthese erforderlich sind. Beim vorliegenden Ausführungsbeispiel wurde die englische Sprache zur Erläuterung der Erfindung gewählt. An diesen Operationen ist kein menschliches Sprachelement beteiligt. Es hängt jedoch von bestimmten prosodischen Informationen ab, d.h. von Regeln und Vorschriften der menschlichen Spracherzeugung und Sprache, wie die Umwandlung von der gedruckten in die phonetische Form gerichtet und gesteuert wird.

Ferner werden ein Syntax-Analysator und ein Diktionär, z.B. eine gespeicherte Ansammlung von phonetischen Daten für ein großes Wortvokabular und seine Variationen verwendet, um eine Satzkategorie, wie z.B. Subjekt, Verb, Objekt und dgl. jedem Wort des Eingangstextes zuzuteilen. Grenzen zwischen den Sätzen und Absätzen werden lokalisiert und darüberhinaus wird die Wahrscheinlichkeit und die Möglichkeit für einen Absatz an jeder Satzgrenze ausgewertet. Jedem Wort wird dann ein Betonungswert zugeteilt und dann eine Tonhöhenkontur, indem der zugeteilte Betonungswert und die Daten über die Pausenwahrscheinlichkeit verwendet werden,

209840/0754

die der Syntax-Analysator liefert.

Im letzten Schritt der Prosödie-Erzeugung wird jedem Phonem ein repräsentativer Wert der Dauer, Tonhöhe und Lautstärke zugeteilt, der bezüglich des im System verwendeten Sprachsynthesators kompatibel ist»

Unter dem vorstehend genannten Begriff Prosodie sind Prinzipien und Verfahren der Versbildung zu verstehen, wie sie von Silbengrößen, Akzenten und ihrer Ordnung abhängen.

Das System der vorliegenden Erfindung wandelt also in vorteilhafter Weise gedruckten Text in Sprachlaute um, indem bestimmte manipulative Operationen auf Texteingabedaten entsprechend der gespeicherten Regeln durchgeführt und dann eine detaillierte phonetische Beschreibung der gewünschten Sprache in einer Form vorbereitet wird, die direkt dazu verwendet werden kann, einen Sprachsythesator zu erregen. Derartige Sprachsynthesatoren sind an sich bekannt und in der Lage, hörbare Sprache zu erzeugen, deren Natürlichkeit weitgehend von der Natur der eingegebenen phonetischen Be-

209840/0754

10
Schreibung abhängig ist.

Im folgenden wird die Erfindung anhand eines durch Zeichnungen erläuterten Ausführungsbeispieles näher beschrieben. Es zeigen:

Fig. 1 ein schematisches Blockdiagramm des Systems zur Umsetzung gedruckten englischsprachigen Textes in diskrete, phonetische Symbole für die Speicherung oder die Synthese künstlicher Sprache gemäß der Erfindung;

Fig. 2 eine Darstellung von Vektorsignalen für die Kennzeichnung der Pausen in einem Satz;

Fig. 3 ein Diagramm zur Erläuterung der Kbnsonanten-Dauer als Funktion von Steuerzahlen;

Fig. 4 ein Diagramm zur Erläuterung der Vokaldauer als Funktion der Steuerzahlen;

Fig. 5 ein Diagramm, das sich auf die Konsonantendauerklasse

209840/0754

als Funktion der Dauersteuerzahlen und auf eine nähe rungs weise Änderung der durchschnittlichen Dauerwerte bezieht;

Fig. 6 ein Diagramm, in dem die Vokaldauer als Funktion des folgenden Konsonanten dargestellt ist;

Fig. 7 eine Bezugstabelle der in den Fig. 9-15 dargestellten Dauerwerttabellen;

Fig. 8 eine Tabelle der Tonhöhen-Steuerwerte und

Fig. 9-15 Tabellen der Dauerwerte für verschiedene Textsituationen, wie sie im Rahmen der Erfindung verwendet werden.

Fig. 1 zeigt als Blockdiagramm das System nach der Erfindung für die Umsetzung gedruckten englischsprachigen Textes in diskrete, phonetische Symbole, die geordnet und verkettet und dann als Steuersignale zu einem Sprachsynthesator übertragen werden. Die Signalgegenstücke des gedruckten Textes werden in einer

209840/0754

Eingabevorrichtung 10 von einer beliebigen Anzahl alternativer Textquellen entwickelt. Textsignale können beispielsweise von einem Textleser 11 geliefert werden, der gedrucktes Material abtastet oder sonstwie analysiert, um elektrische Signalgegenstücke zu erzeugen. Noch üblicher wird ein Fernschreiber 12 verwendet, um direkt elektrische Signaldarstellungen des gedruckten Textmaterials zu erzeugen. Es ist auch möglich, die Eingabevorrichtung 10 mit einer Signalinformation zu beliefern, die von einer numerischen Wortliste oder einer anderen kompakten Darstellung abgeleitet wird. Unabhängig von der Form der Eingangs signaldaten liefert die Eingabevorrichtung 10 als Aus gangs signal eine Folge von Signalen, die für die Texteingangsdaten repräsentativ ist.

Diese Daten werden zu dem Syntax-Analysator 13 übertragen. Dieser Syntax-Analysator- 13 befragt einen Phonemdiktionär 14 und wählt eine grammatische Kategorie aus, d. h. Substantiv, Verb, Präposition oder dgl. und zwar für jedes Wort in der Eingangsfolge. Er teilt ferner eine Satzkategorie, d.h. die Rolle jedes Wortes in dem Satz, wie beispielsweise Subjekt, Objekt oder dgl. zu. Der Phonemdiktionär 14 ist so ausgestattet, daß er äquivalente Signalinformation speichert,

209840/0754

die einem ausgewählten großen Vokabular von Wörtern oder Phrasen und deren Variationen entspricht. Daher kann jedes Wort in mehreren unterschiedlichen Formen gespeichert werden, die alternative Aussprachen, Verwendungen und dgl. wiederspiqgeln.

Er enthält ferner eine phonetische Umschreibung für jedes Wort mit lexikalen Betonungsangaben und eine codierte Angabe der möglichen Verwendung jedes Wortes in einem Satz. Wenn ein Wort von dem Phonemdiktionär 14 ausgewählt wurde, entnimmt der Satzanalysator

13 die geeignete Form des beschriebenen Wortes. \

Die Operationen des Syntaxanalysators 13 sind an sich bekannt. Mehrere geeignete Analysatoren wurden bereits beschrieben. Ein typischer Analysator besteht beispielsweise aus einem logischen Baum, bei dem Worte am Eingang untersucht werden und eine Zuteilung entsprechend der logischen Struktur der Einheit vorgenommen wird. Jeder Zustand in einem Satz ist daher in dem gogischem Baum repräsentiert und jeder Zweig des Baumes paßt zu einem Wort in der Eingangsfolge für die Identifizierung. Die Verbindung beispielsweise am Ende eines Subjekts bildet einen Zweig der Baumstruktur. Da jedes Wort definiert ist, wird das nächste Wort untersucht, um zu be-

209840/0754

stimmen, ob es Teil eines Verbs ist, eine Fortsetzung oder wenn es keines von beidem ist - die nächste wahrscheinliche Verwendung in der Wortgruppe.

Alternativ kann die Entscheidungslogik als ein relativ kleines Programm ausgeführt sein, das als eine Matrix arbeitet, indem die Zeilen definierte Zustände und die Spalten die vorliegende Wortklasse darstellen, die in die Beschreibung des Satzes eingebaut ist. Eine Zeile kann beispielsweise angeben, daß ein Subjekt gefunden wurde, und daß ein Verb als nächstes gefunden werden muß. Mit ähnlich strukturierten , logischen Instruktionen wird jedes Wort in dem Satz gemäß seiner syntaktischen Verwendung in dem Satz identifiziert. Basierend auf diesen zugeteilten, grammatikalischen Beziehungen wird eine Anzahl von syntaktischen ZuteilungsSignalen von dem Analysator 13 entwickelt.

An der Grenze jedes Wortpaares, entwickelt als nächstes der Pausenwahrscheinlichkeitsanalysator 15 ein Signal, das die Wahrscheinlichkeit oder die Möglichkeit einer Unterbrechung oder Pause zwischen jedem Wortpaar repräsentiert. Eins der Signale,

209840/07 54

das von diesem Analysator erzeugt wird, benennt die Satzkategorie. So sind beispielsweise die folgenden 7 Kategorien aufgestellt worden:

Tabelle (1)

Kategorie Erläuterung

E Einführender Ausruf; einführende Frage

angabe {Fragepronomen, Verb)

I Einleitender Absatz

S Subjekt mit allen Modifizierungen

V Verb mit modifizierenden Adverbien

O Objekt, direkt und indirekt; prädikative

Substantive und Adjektive

T Nachgestellte präpositioneile Sätze

P Interpunktion

Die Zuteilung einer Pausenwahrscheinlichkeit hängt von der Satzkategorie zweier Wörter ab. Wörteniin dem gleichen Satz (oder der gleichen Phrase) wird eine Null-Wahrscheinlichkeit für eine Unterbrechung zugeteilt . Höhere Unterbrechungswahrschein-

209840/0754

lichkeiten als zwischen Verb und Objekt oder Komplement werden zwischen Subjekt und Prädikat zugeteilt. Eine Unterbrechungswährscheinlichkeit wird zwischen einer einleitenden präpositioneilen Phrase und dem Subjekt relativ hoch gewählt. Jede umgekehrte Ordnung des Auftretens zwischen Satzkategorien bewirkt eine Angabe einer Absatzgrenze an dem Unikehrpunkt. Absatzgrenzen wird eine höhere Wahrscheinlichkeit einer Unterbrechung eingeräumt, als jeder Satzgrenze innerhalb des Absatzes. Schließlich wird den Interpunktionszeichen die höchste Wahrscheinlichkeit einer Unterbrechung zugeteilt.

Diese Operationen werden beispielsweise dadurch implementiert, daß gespeicherte numerische Werte für jede Satzkategorie, d.h. für jede Kategorie in der Tabelle (1) verwendet werden. Ein Pausenwahrscheinlichkeitswert wird der Tabelle auf der Basis zweier Symbole entnommen, und zwar eins für das vorhergehende und eins für das folgende Wort. Ein Beispiel einer solchen tabellarischen Darstellung zeigt die nachfolgende Tabelle (2).

209840/Ü75A

Tabelle (2)

Vorliegende Wortkategorie

V 0

0 0 0 0

Vorherge	I	7	0	6	6	6	6	9
hende
Wort	S	7	7	0	5	5	5	9
kategorie	V	7	7	7	0	2	4	9
	0	7	7	7	7	0	4	9
	T	7	7	7	7	7	0	9
	P	0	0	0	0	0	0	9

Die Pausen in einem Satz basieren ferner auf der Länge des Satzes und seiner grammatikalischen Struktur.

Der Generator 16 arbeitet zusammen mit dem Analysator 17, um eine Pause an dem geeignetsten Platz in dem Satz in Übereinstimmung mit der Wahrscheinlichkeit einer Pause, die von einem Signal des Analysators 15 abgegeben wird, einzusetzen. Die Zuteilung erfolgt in zwei Stufen. Eine generelle Pause wird zuerst in dem Generator 16 zugeteilt und dann in spezielle Anforderungen für Tonhöhen-

209840/0754

änderungen und Vokkalverlängerungen in dem Analysator 17 umgesetzt. Diese Werte werden kann an den Analysator 19 und die Generatoren 20 und 21 abgegeben, wo sie mit anderen Anforderungen kombiniert und zur Bestimmung der tatsächlichen Tonhöhe, Dauer und Pause verwendet werden. Die nachfolgende Tabelle (3) faßt die beiden Schritte zusammen. Sie gibt die Orte an, an denen Pausen zuzuteilen sind und zeigt einige Angaben, wo sie liegen müssen, Schließlich schlägt sie akustische Merkmale vor, die verschiedenen Pausentypen zugeordnet sind.

Art der Pause

Satzende

Stärkste Fort-Setzung

Starke Fortsetzung

Mäßige Fortsetzung

Schwache Fortsetzung

Tabelle (3)

Verfahren zur Ortsbestimmung

Periode

Fragezeichen bei einer Ja-Nein-Frage

Komma

Absatzgrenze, gefunden vom Analysator

Akustische Merkmale

Langer Vokal, Fallende Tonhöhe Stille

Sehr langer Vokal, Stark ansteigende Tonhöhe, Stille

Sehr langer Vokal, Ansteigende Tonhöhe, Stille

Langer Vokal, Ansteigende Tonhöhe

Mäßig andauernder Vokal, Gleichbleibende Tonhöhe

2Ü9840/Ü754

Die ersten drei in der Tabelle (3) angegebenen Pausenarten
werden in dem Syntax-Analysator 13 festgestellt. Signale, die sie klar als Pausen der Kategorie P definieren, d.h. Interpunktionspausen (von Tabelle (I)) sind am Ausgang des Analysators 13
verfügbar. Für diese Pausen werden am Ausgang des Wahrscheinlichkeitsanalysators 15 Signale erzeugt, die klar markiert sind, um einen Wahrscheinlichkeitswert 9 anzugeben. Die Wahrscheinlichkeitswerte 9 geben, wie Tabelle (2) anzeigt, eine bestimmte Pause in einer Äußerung an. Die übrigen zwei Arten von Pausen, nämlich mäßige Fortsetzungen und schwache Fortsetzungen müssen in einem Satz an solchen Punkten erzwungen werden, die nicht
klar durch die Interpunktion markiert sind. Dieses kann dadurch geschehen, daß'die Zuteilungswerte des Analysators 15 angepaßt werden gegen eine sich bewegende Schwelle oder Maske. Es
werden daher mehrere Schwellenwerte festgesetzt . Sie stellen
sicher, daß eine aktuelle Pause oder eine Unterbrechung mit ansteigender Tonhöhenkontur, ein Abschluß oder aktuelle Pause
zugeteilt wird, in Abhängigkeit von der Länge des Satzes und der Sprechgeschwindigkeit.

209840/0754

Eine Folge dieser Wahrscheinlichkeitswertesignale können als Werte einer Tabelle gespeichert werden, beispielsweise als Tabelle (2) oder sie können durch Vektorwerte dargestellt sein. In jedem Falle werden die Werte untersucht, um den Wert der größten Wahrscheinlichkeit in einer Gruppe von Wortpaaren zu bestimmen, die einen vollständigen Satz repräsentieren. Daher ist die Tabellen- und Vektortechnik alternativ. Eine andere zufriedenstellende Technik ist die Zuteilung der gleichen Art der Pause zu einem gegebenen Pausenwahrscheinlichkeitswert. So wird beispielsweise für einen Wahrscheinlichkeitswert 7 stets eine mäßige Fortsetzung zugeteilt. Bei einer Pausenwahrscheinlichkeit von 5 oder 6 wird eine schwache Fortsetzung verwendet. Die tatsächliche Pausenzuteilung bei einem Wahrscheinlichkeitswert 5 oder 6 hängt weitgehend davon ab, ob der Satz lang oder kurz oder ob die Sprache schnell oder langsam ist.

Die Vektortechnik stellt eine Verfeinerung der Pausenzuteilung dar,-Wie Fig. 2 zeigt, wird der Wahrscheinlichkeitswert, der jedem Wort zugeteilt ist, angegeben als ein Vektor mit der Länge des Vektors, der den Wahrscheinlichkeitswert angibt. Die höchste

2098A0/0754

Wahrscheinlichkeit für den Satz wird durch einen Vektor angegeben, der einen Schwellenwert überschreitet. Daher werden für mehrere Pausengrade bewegliche Schwellenwerte festgesetzt. Die Vektorhöhe hängt von der Länge der Äußerung ab. Bei einer langen Äußerung wird der Schwellwert herabgesetzt, bei einer kurzen Äußerung dagegen angehoben. Die Stärke der Pause, ob sie eine schwache oder starke Fortsetzung ist, wird nach dem Umfang zugeteilt, mit dem ein Vektor den Schwellenwert überschreitet. Alternativ hierzu wird die Höhe des Schwellenwertes mit Hilfe einer Amplitudenmaske oder dgl. untersucht oder er kann mit Hilfe anderer Längen-bezogener Kriterien bestimmt werden, wie beispielsweise die Zahl der Wörter mit Inhalt, die sich in dem Satz befinden. Der Schwellwert wird normalerweise an den Enden des Satzes verzerrt, da es wünschenswert ist, die Zuteilung einer Pause in der Nähe des Satzendes zu verhindern. Pausen werden nämlich schon an den Satzenden mit Hilfe der Perioden oder anderen Interpunktionszeichen zugeteilt. Eine derartige Sperr- oder Verzerrungstechnik entspricht der Festsetzung der Krümmung an den Enden der Untersuchungsmaske, wie es die Fig. 2 zeigt.

209840/0754

Ferner ist nur einem einzigen Vektor gestattet, eine Pause in einer Untersuchung des Satzes anzugeben, d.h. nämlich die eine, die den Schwellenwert übersteigt. Nachdem eine Pause angegeben wurde, wie Fig. 2A zeigt, werden die beiden Segmente erneut untersucht, wie die Fig. 2B zeigt, durch eine Kürzung der Länge der Maske, um den neuen Segmenten zu genügen. Dieses Verfahren wird fortwährend so lange durchgeführt, bis keine neuen Pausen mehr angegeben werden.

Es ist offensichtlich, daß auch eine andere Technik verwendet werden kann, um die größte zugeteilte Wahrscheinlichkeit auszuwählen, die für jedes Wort in einem gesamten Satz definiert ist. Einrichtungen für die Aufgreifen des größten Signals in einer Ansammlung von Signalen sind an sich bekannt.

Durch die Auswahl des größten Wahr scheinlichke its wertes durch ein beliebiges Mittel ist es also offensichtlich, daß eine untere Grenze festgesetzt werden muß, um zu verhindern, daß eine Pause für Spitzenwerte zugeteilt wird, die einen niedrigen Wahrscheinlichkeitswert besitzen, selbst dann, wenn sie andere niedrige Wahrschein-

209840/0754

lichkeitwerte übersteigen. Ein sehr einfaches Verfahren gestattet die Zuteilung der Pausen ohne Verschiebung des Schwellenwertes. Durch diese alternative Lösung werden für Wahrscheinlichkeitswerte unterhalb von 5 keine Pausenspezifiziert, selbst dann nicht, wenn sie als die größte in der Gruppe erkannt wurden. Pseudo-Pausen werden für Wahrscheinlichkeitswerte von 6 und 7 zugeteilt und wirkliche Pausen für noch höhere Wahrscheinlichkeitswerte eingeschoben. Eine Pseudo-Pause ist definiert als eine Veränderung im Ausgangs signal, die gekennzeichnet ist durch eine schwache Tonhöhenmodulation am Ende eines Intervalls zusammen mit einer Vokalverlängerung und anderen Pausenattributen. Es gibt jedoch kein tatsächliches Stille-Intervall, d.h. es gibt eine Verlangsamung , aber keinen wirklichen Stop. Untersuchungen haben gezeigt, daß derartige Pseudo-Pausen bei englisch-gesprochenen Äußerungen allgemein vorkommen. Diese Werte werden bestimmt und diesen Signale zugeteilt, die von einem Pausengruppenende-Tonhöhenmodulationsanalysator 17 erzeugt werden. Er bezieht sich auf Pausenzuteilungssignale des Generators 16, im Zusammenhang mit den gespeicherten Regeln der vorstehend diskutierten Art.

209840/0754

Die beiden folgenden Sätze illustrieren als Beispiel die Art und Weise, in der Pausen für einen englischen Satz bestimmt werden. Bei diesem Beispiel werden die Pausenwahrscheinlichkeitswerte in dem Pausenwahrscheinlichkeitsanalysator 15 bestimmt, und, wie oben angegeben, für Interpunktionswerte, die von dem Syntax-Analysator 13 zugeteilt werden, für jedes Wort in dem englischen Satz dargestellt.

BEISPIELE:

22 23456 666 6 7 On this page you see two examples of the seven categories.

13 4 5 6 6 7

Do you understand them after this?

Die Wahrscheinlichkeitswerte für eine Pause zwischen aufeinanderfolgenden Worten, wobei die Werte der Tabelle (2) verwendet werden, sind über jedem Wort jedes Satzes angegeben. Durch die Verwendung der oben definierten Regeln wird daher für jeden Satz die Pause angegeben. Wie vorstehend bereits diskutiert wurde.

2Q9840/07S4

erfolgt dieses dadurch, daß die Werte aus einer Tabelle ausgewählt oder indem der größte Vektorwert bestimmt wird, der den verschiebbaren Schwellenwert überschreitet.

Redundanz- Untersuchung

Während der Analyse ist es freilich erforderlich zu wissen, ob ein Wort im vorhergehenden Absatz aufgetreten war oder nicht. Der Redundanz-Analysator 23 liefert diese Information. Der Analysator 23 enthält zu diesem Zweck eine Liste von Worten, in typischer Weise eine Liste mit einer maximalen Länge von 100 Wörtern. Jedesmal, wenn ein neues Wort während der Analyse festgestellt wird, wird dieses Wort der Liste hinzugefügt. Wenn die Zahl der Wörter in der Liste dann 100 überschreitet, wird das älteste Wort von der Liste gestrichen. Der Analysator überfliegt dann die Liste und sucht eine Anpassung zu dem Wort herzustellen, das gerade hinzugefügt wurde. Wenn eine Anpassung, d. h. eine Übereinstimmung gefunden wird, dann wird das Wort als in der vorhergehenden Liste von 100 Wörtern als vorliegend identifiziert. Zusätzlich zu der Aufbewahrung einer Wortliste, die zuvor in dem

2098A0/O754

Absatz auftrat, wird eine zweite Liste von Wörtern aufbewahrt, die im vorhergehenden Satz aufgetreten waren. Ein ähnliches Anpassungs verfahr en schließt sich für die Wörter in der zweiten Liste an. Der Analysator 23 erzeugt auf diese Weise ein Ausgangssignal, das den Status jedes neuen Wortes angibt, z.B. daß es vorher nicht aufgetreten war, daß es in den vorherigen 100 Wörtern aufgetreten war, daß es in dem vorliegenden Satz aufgetreten ist oder daß daß es vorher in dem gleichen Satz aufgetreten war. Diese Ausgangsangaben werden dazu benutzt, dem Textmaterial B etonungsangaben zuzuteilen.

B etonungs Zuteilung

Unabhängig von der Pausenzuteilung in einem Satz wird ein Informationswert im Analysator 18 bezüglich des Diktionärs 14 zugeteilt, eine Information nämlich bezüglich des Hauptbestandteiles, den jedes Wort in einem Satz enthält. Dieser Informationswert wird als "Betonung" bezeichnet. Dieser Term jedoch muß von der gewöhnlichen Definition unterschieden werden, die auf der Relativität der Wahrnehmung basiert. Für die Spracherzeugung, insbesondere

2098 40/075 4

bei absatzlangem Material, hat sich eine subtile Unterscheidung der Betonung als notwendig erwiesen.

Die Wortbetonung wird daher hier als eine ziemlich spezialisierte Definition verwendet, die als "absolute Betonung*¹ bezeichnet wird.

Die Betonung kann von der Verwendung des Wortes her zugeteilt werden, ob es beispielsweise ein Substantiv, ein Verb, eine Präposition oder dergleichen ist oder von der Seltenheit des Wortes in dem Satz. Allgemeine und wiederholte Worte werden in der allgemeinen Sprache weniger betont als nur selten benutzte, neue Worte. Für schwächere Worte, wie beispielsweise Funktionsworte, ist der Grad der Betonung vorhersagbar von der Kenntnis des Wortes und im kleineren Umfang von der Syntax abhängig. Einige der mehrsilbigen Funktionswörter wie "inside", im Gegensatz zu "in"; "beside" im Gegensatz zu "by", neigen dazu, mehr Betonung

für
zu erhalten - möglicherweise weil sie¹ eine Hervorhebung gewählt werden, möglicherweise auch, weil sie mehrsilbig sind oder weil sie weniger häufig benutzt werden«

209840/0754

Die Betonung von Bedeutungswörtern scheint von der Seltenheit des Wortes abzuhängen. Verben, als eine Klasse, sind leichter vorherzusagen als Substantive, so daß sie weniger Betonung erhalten. Unter den Verben sind die selteneren stärker betont als die häufig verwendeten, möglicherweise wieder, weil sie zur Hervorhebung verwendet werden oder weil sie möglicherweise weniger häufig verwendet werden.

Bestimmte häufige, englische Verben werden verwendet und betont wie "be?'-Verben (Worte mit being) und Hilfszeitverben. Beispielsweise Verben wie "seem", "look", "get", "turn"^ ^wgo^t! usw. werden sehr schwach betont, wenn sie sich auf das Subjekt oder auf ein Kompliment beziehen. Beispielsweise: "The cake looks good." gegen "He looks out the window a lot."

Die Betonung eines Substantivs hängt davon ab, ob es in dem Absatz bereits zuvor erwähnt wurde, Wiederholungen eines Substantivs innerhalb des Satzes werden oft als eine Funktion des Wortes betont, da es oft als Pronomen verwendet wird.

209840/0754

Bei allen diesen Beispielen wird die Betonung eines Wortes, das aus dem Zusammenhang mehr vorhersagbar ist, verringert, aber für gewöhnliche Wörter oder ungewöhnliche Verwendungen von gebräuchlichen Wörtern vergrößert.

Es gibt hierbei eine besondere Bedingung, die jedoch sehr unterschiedlich ist» Dieses ist der Fall der Wörter wie beispielsweise "on" oder "off", "in" oder "out", die adjektivisch benutzt werden. Obwohl diese Wörter vom Zusammenhang her wohl vorhersagbar sind, sind ihre entgegengesetzten Alternativen ebenso einigermaßen wahrscheinlich und die Wahl zwischen den beiden dreht sich um die Bedeutung des Satzes. Diese Situation wird von dem Syntax-Analysator 13 festgestellt.

Obwohl die Betonung im allgemeinen zusammenhängend ist, kann auch eine verwendbare Näherung erzielt werden dadurch, daß die absolute Betonung in drei primären Stufen quantisiert wird, wie beispielsweise Funktionswörter, Zwischenwörter und Bedeutungswörter.

20984Q/0754

Bedeutungswörter werden weiterhin in Unterklassen eingeteilt, nämlich (1) Substantiv oder Verb oder übrige und (2) neue oder wiederholte Worte. Funktionswörter sind gewöhnlich einsilbig und dienen hauptsächlich zur Festlegung der grammatikalischen Beziehungen in dem Satz, so daß sie selten betont werden. Funktionswörter enthalten Artikel, Präpositionen, Konjunktionen und Personalpronomen. Bedeutungswörter sind Wörter, die die wesentliche Bedeutung in dem Satz tragen, so daß sie generell betont werden. Diese Bedeutungswörter beziehen sich auf Dinge, Aktionen oder Attribute. Sie sind ebenfalls Zwischenwörter, die weder zur Funktions- noch zur B edeutungs gruppe zählen. Mehrsilbige, weniger häufig verwendete Präpositionen, Konjunktionen und häufig verwendete Verben, wie beispielsweise "get", "take", "give¹' usw. fallen ebenso in diese Kategorie, wie einige Pronomen, Adverbien und Adjektive. Zwischen Wörter erfahren im allgemeinen eine schwache Betonung.

Zusätzlich zu der B etonungs Zuteilung des Einzelwortes wird eines der B edeutungs Wörter in jeder Pausengruppe im allgemeinen auf besondere Weise behandelt, um ihm eine stärkere Betonung und eine spezielle fallende Tonhöhe am Ende seines Hauptvokals

209840/0754

zu geben. In den meisten Sätzen fällt diese besondere Betonung auf die Hauptidee des Satzes. Sie wird oft als "Fokus¹¹ des Satzes bezeichnet. In der englischen Sprache gibt es eine sehr starke Tendenz für diese ^ll Fokussierung¹* auf dem letzten Bedeutungswort des Satzes, ganz besonders bei Tatsachenmaterial. Im Analysator Wird für jede Pausengruppe im letzten Wort mit absoluter Betonung oberhalb der Stufe "wiederholter Substantive die Fokus-Betonung zugeteilt, wenn nicht ein anderes Wort speziell für eine Hervorhebung im Eihgangstext markiert ist (beispielsweise durch Unterstreichung oder Kursivschrift).

Angaben absoluter Betonung, die in der Einheit 18 auf der Basis der Information des Syntax-Analysators 13 bestimmt wird,* sind von der Einheit 18 als Signale verfügbar^ die die Betonung jedes Wortes angeben» In ähnlicher Weise wird der geeignete ¹⁵FOkUS*¹ für den Satz in dem Fokuswort -Analysator 19 bestimmt* Dieser Analysator 19 wird mit den Angaben der absoluten Betonung der Einheit 18 und mit einer Angabe einer Pausengruppenende-TonhöheriiHödulatiönsangabe vom Analysator 17 beliefert. Der Analysator 19 erzeugt dann ein Signal, das den Fokus jeder Pausengruppe angibt.

209840/Ö154

Tonhöhen- und Zeitzuteilung

An dieser Stelle der Analyse wurden eine Anzahl von Signalen zugeteilt, die die Art anzeigen, in der ein Satz zu lesen ist. Signale wurden vorbereitet, um anzugeben, wo Pausen angebracht werden sollen, die Art der Tonhöhenmodulation bei jeder Pause angebracht werden soll, um anzugeben, welches Wort zu betonen ist und wieviel Betonung zuzuteilen ist. Während diese Darstellungen für einen Menschen bedeutsam sind, besteht weiterhin das Problem der Interpretation dieser Zuteilungen in einer Weise, die eine maschinelle Einrichtung verstehen kann. Es ist daher notwnedig, diese Signale in Zeitsteuerwerte, Tonhöhenwerte und Lautstärkewerte für jedes Phonem einer Wortfolge umzusetzen. Diese Umsetzungen erfolgen durch die Signalgeneratoren 20, 21 und 22.

Die Dauerumsetzungen erfolgen nach zwei Grundregeln, Die erste ist eine Regel für Konsonanten-Dauerwerte, die eine besondere Behandlung der Phoneme am Ende eines Wortes erfordert. Diese Regel wrd in dem Signalgenerator 22 realisiert. Die andere Regel bezieht sich auf Dauerwerte der Vokale und deren Tonhöhenwerte,

209840/0754

wobei sie eine spezielle Behandlung der vorpausalen Hauptvokale in einem. Wort angibt. Sie wird in den Generatoren 21 und 22 jeweils verwirklicht.

Es ist bequem, bei den Dauer- und Tonhöhen-Zuteilungsgeneratoren normalisierte Werte oder Steuerwerte festzusetzen, die von den tatsächlichen Werten unabhängig sind und danach diese Steuerzahlen in tatsächliche Werte, beispielsweise in einem Parameter-Zuteilungs gerät 27 umzusetzen. Dieses Gerät 27 ist daher mit einer Tabelle ausgerüstet, die Auskunft über die Dauer und Tonhöhe gibt. Für die Dauer von Phonemen werden für jedes Phonem zwei Zahlen verwendet, eine feste Dauerkomponente und eine variable Dauer komponente. Die festen und variablen Nummern definieren einen Punkt und eine Neigung einer Geraden oder Dauer, wie es in den Fig. 3 und 4 dargestellt ist.

Konsonantendauer

Im Analysator 22 wird die Konsonantendauer am Ende der Wörter abhängig von der dem Wort zugeteilten Betonung gemacht. Stark

209840/0754

betonte Wörter werden in dem Strom der Sprache von langen Konsonanten an ihren Grenzen beiseite gesetzt. Der Konsonanten-Dauer generator 22 spricht auf die Identität eines Phonems von dem Diktionär 14 an. Wenn der Konsonant an beiden Enden des Wortes liegt, dann wird die absolute Betonung des Wortes und die Betonung des entweder davor oder danach liegenden Wortes von dem Generator 18 zugeteilt. Diese drei Merkmale der Information dienen zur Findung einer Konsonantendauerklasse aus einer Datentafi. , beispielsweise einer solchen, wie sie in Fig. 5 gezeigt ist. Die Drfinition dieser Klasse führt zu einer Dauer Steuer zahl, wie sie in Fig. 5 gezeigt ist, und letzlich zur tatsächlichen Dauer. Die angenäherte Daueränderung für jede Klasse ist ebenfalls in Fig. 5 dargestellt. Exakte Dauerwerte werden dadurch erzielt, daß die Steuerdauer zahlen innerhalb von Millisekunden in tatsächliche Steuerwerte über Fig. 3 umgesetzt werden.

In Fig. 5 zeigt eine Bedingung A einen nachbetonten, intervokalischen Zungenanstoßkonsonanten an, der innerhalb eines Wortes auftritt. Die Bedingung B bezieht sich auf andere Konsonanten innerhalb der Wörter und auf Funktionswortgrenzen. Die Bedingung C bezeichnet

209840/0754

betonte Konsonanten innerhalb der· Wörter am Ende eines mittelbetonten Wortes an d#r Grenze zwischen Worten einer Wortverbindung oder bei einigen allgemeinen Ausdrücken und in Funktionswörtern, die an Bedeutungswörter angrenzen. Die Bedingung D dagegen gibt eine Bedeutungswortgrenze an und die Bedingung E schließlich bezeichnet Silbenkonsonantenansatzgrenzen.

Daher wird ein Funktionswortkonsonant, der an ein Bedeutungswort angrenzt, verlängert, zeigt z. B. von der Dauer B auf die Dauer C von den Daten in Fig. 5. Wenn zwei Substantive ein zusammengesetztes Wort bilden, dann werden die Konsonanten an ihren ßrenzen in ihrer Dauer verringert.

Die obigen generellen Regeln lassen sich auf die meisten Fälle anwenden, obwohl weitere Verfeinerungen, verwendet werden können, d. h. daß eine Anzahl von speziellen Fällen von dem System akkomodiert werden kann. So wird beispielsweise den Wörtern in einer Kombination aus einem Verb, dem ein Artikel oder eines der Pronomen folgt, kürzere Konsonanten an ihren Grenzen gegeben, als andere Bedeutungsfunktionskombinationen gemäß der Information,

0/Ü 7 5 A

die der Sy tax-Analysator 13 liefert. Andere spezielle Fälle der Konsonantendauer wird im fügenden bei der Diskussion eines besonderen Falles von Vokalzuteilungen beschrieben, die von dem Generator 21 vorgenommen werden.

Vokaldauer und Tonhöhe

Vokaldauer-und Vokaltonhöhen-Zuteilungen stellen zwei unterschiedliche Aspekte bei der Steuerung der Spracherzeugung dar. Der Vokaldauer-Generator 21 und der Tonhöhen- und Lautstärkengenerator 20 sprechen daher auf die gleichen Signale des Diktionärs 14 vom Betonungsgenerator 18, vom Fokusbetonungsanalysator 19 und vom Pausengruppenanalysator 17 an. Der gesamte Prozeß der Entwicklung der Dauer- und Tonhöhenwerte bezüglich der Vokale ist im wesentlichen ein Tabellten-Nachschlageprozeß, bei dem die ankommende Information dazu benutzt wird, eine Adresse in der Tabelle zu generieren. Von den Adressen in den Tabellen werden Dauerwerte, Tonhöhenwerte und Lautstärkewerte extrahiert.

Der Generator 21 umfaßt eine Anzahl von Tabellen mit Vokaldauerwerten.

209840/0754

Für jeden Vokal führen daher die Betonungs- und Pausensignale zur Zuteilung eines geeigneten Dauerwertes aus der gespeicherten Tabelle. Die Tabellen selbst basieren auf Überlegungen bezüglich der Vokaldauer-Verwendung bei der üblichen Sprache.

Die Regeln der Vokaldauer sind wesentlich komplexer als diejenigen für die Konsonanten. Die Dauer der Vokale wird von der Betonung noch mehr beeinflußt als die der Konsonanten.

Gleichzeitig werden sie von verschiedenen anderen Faktoren beeinflußt. Die Vokalstärke (für die Betonung) und Tonhöhenänderung über dem Vokal (für die Beendigung) beeinflussen die Phonemdauer sehr stark. Die lexikalische Betonung der Silbe, in der der Phonem auftritt, ist ein weiterer Faktor. Ein dritter Faktor ist die Tatsache, welcher Phonem vorausgeht oder nachfolgt. Jeder Vokal spricht auf diese Faktoren unterschiedlich an. Darüberhinaus wirken einzelne Phoneme mit speziellen Phonemen auf sehr spezielle Weise zusammen. So verkürzt beispielsweise ein Silbenendennasal, wenn ihm ein Vorder- oder Mittelvokal - nachlässig gesprochen - vorausgeht, den Vokal und verlängert

209840/0754

sich selbst. Dieses Phonem der nasalen Assimilation ist an sich bekannt. Der Vokal ¹V, wie in dem englischen Wort "hat" ist, wenn ihm ein "s" nachfolgt, in einsilbigen Wörtern sehr lang, nicht jedoch in mehrsilbigen Wörtern.

Der Vokaldauergenerator 21 trifft eine Anzahl von Zwischenentscheidungen einschließlich der Bestimmung:

(1) des lexikalischen Betonungszustande des von dem Diktionär 14 erhaltenen Vokals; ob er primär betont, sekundär oder unbetont ist;

(2) ob er sich in der Wortendsilbe befindet; und

(3) wenn dies der Fall ist, ob er sich in einer Vorpausen-Position befindet.

Die Fig. 6 zeigt die Dauerwerte für eine Anzahl von Vokalen als Funktion der nachfolgenden Konsonanten, und zwar für eine reprädentative Bedingung, wie betontes Wort, starke Betonung., starke ansteigende Pausengruppenendung auf dem Hauptvokal des Wortes. Die Dauer ist durch Konturlinien in einer räumlichen Anordnung von

2098A0/Ü754

Vokalen und Konsonanten dargestellt. Diese Konturen sind sanfter als die entsprechenden Datentabellen, Fig. 6 stellt nur eine aus einer Anzahl von Datengruppen dar. Diese Daten entsprechen den Daten in der Tabelle in Fig* 7.

Die Zuteilung der Vokaldauer erfolgt auf folgende Weise: Die Bedingungen der Pausengruppeneiidung, ob das Wort ein Fokus ist oder nicht, und die absolute Betonung, die einem Wort zugeteilt wurde, werden zum Auffinden einer Position in Fig. 7 verwendet, was dann zu anderen gespeicherten Tabellen führt, die die Dauersteuerwerte als eine Funktion des Vokals und der Art des nachfolgenden Konsonanten angibt. Diese Tabellen sind in den Fig. 9-15 dargestellt.

Die Tonhöhen- und Lautstärkewerte werden in dem Signalgenerator 20 zugeteilt, der im wesentlichen die gleiche Technik verwendet, die bei der Zuteilung der Dauerwerte für die oben beschriebenen Vokale benutzt. Daher empfängt die Einheit 20 die gleichen Daten vom Diktionär 14, dem Betonungsgenerator 18 und so weiter. Abhängig von den zu dem Signalgenerator 20 übertragenen Eingabedaten

209840/0754

wird ein Tonhöhen- und Lautstärkenwert für jedes Phonem aus den gespeicherten Tabellen zugeteilt. Fig. 8 zeigt das Verfahren der Zuteilung der Tonhöhe.

Die vertikalen und horizontalen Achsen der Tabelle sind mit denen in Fig. 7 identisch. Die Werte innerhalb der Tabelle sind Steuerwerte der Tonhöhe oder Grundfrequenz in Schwingungen pro Sekunde ( Hz). Einige der Eingänge in der Tabelle haben einen Wert, einige haben zwei Werte und andere haben drei Werte. Wo der Eingang einen Tonhöhenwert besitzt, wird dieser als Zieltonhöhe für die gesamte Dauer des Phonems ausgewählt. Wo zwei Werte vorliegen, wird das Phonem in zwei Teile geteilt, und zwar mit einem höheren Tonhöhenwert für die erste Hälfte und einem niedrigeren für die zweite Hälfte des Phonems. Wenn drei Eingänge in der Tabelle vorliegen vorliegen, gibt es zwei Alternativen. Wenn das Wort in einem stimmlosen Konsonanten oder mit einer Lautstille endet, wird der Vokal in 3 Teile geteilt, und zwar mit den Tonhöhenwerten in der Tabelle in der Reihenfolge oberer Wert zuerst, mittlerer Wert an zweiter Stelle und unterer Wert an dritter Stelle. Wenn jedoch ein stimmhafter Phonem nachfolgt, wird der niedrigste Eingang als Tonhöhe

209840/0754

für den stimmhaften Phonem verwendet, der diesem Phonem folgt, selbst dann, wenn es sich um eine Konstante handelt. Zwei Dauersteuerzahlen erscheinen in einigen Kästchen in den Fig. 9-15. Diese geben die Vokaldefinition für Tonhöhenwerte an.

Zur Erzeugung des tatsächlichen Tonhöhensignals sind mehrere alternative Wege möglich. So haben beispielsweise einige Syntheseverfahren eine gleichbleibende oder anhaltende Tonhöhe während der Dauer jedes Phonems mit einem kurzen, sanften Übergang zu dem nächsten Phonem verwendet. Andere haben diese Verbindung mit einer gradlinigen Interpolation durchgeführt. Gemäß dieser Erfindung wird vorzugsweise ein Tiefpaß verwendet, um die Tonhöhe zu plätten. Die Anstiegszeit des Filters wird im Vergleich zur mittleren Dauer eines Phonems langsam gewählt, und zwar erfolgt die volle Änderung von 10 auf 90 % in typischer Weise innerhalb von 300 Millisekunden. Die Tonhöhenwerte, die in Fig. 8 dargestellt sind, repräsentieren Zielwerte für die Tonhöhe. Die Filtercharakteristik ist jedoch so, daß ein übertragende Signal nicht wirklich den Zielwert erreicht, sondern näherungsweise diesen Wert annimmt, bis der nächste

209840/0754

Tonhöhenwert angeliefert wird. Daraufhin bewegt sich der betrachtete Signalwerflin Richtung auf den Zielwert.

Weiterhin gibt es mindestens zwei alternative Möglichkeiten, Tonstärkenwerte zuzuteilen. Die einfachste Technik besteht darin, die Lautstärke der Tonhöhe proportional zu machen. Eine alternative Möglichkeit besteht darin, die Lautstärkenwerte aus eine Tabelle abzulesen, die der in Fig. 8 dargestellten sehr ähnlich ist, bei der jedoch die Eingänge oder Stichworte Lautstärkewerte darstellen. Im allgemeinen sind die Lautstärkewerte mit den Tonhöhenwerten korreliert, jedoch nicht notwendigerweise mit diesen proportional.

Nach der Zuteilung der Tonhöhen- und Lautstärkewerte und auch der Dauerwerte für alle Phoneme, in der Weise, wie es oben erwähnt wurde, werden daraufhin die Signale, die im wesentlichen von gespeicherten Tabellen abgeleitet wurden, zusammen als ein Ausgangssignal zusammen mit dem Signal, das den Phonem selbst repräsentiert, ausgeliefert. Diese Ausgangssignalkette, die Tonhöhe, Dauersteuerung, Lautstärke und Phoneme repräsentiert, bildet eine detaillierte, phonetische Beschreibung, die ausreicht, um die Synthese der künstlichen

209840/0784

Sprache zu steuern. Diese Signalkette kann direkt für die Erzeugung künstlicher Sprache Verwendung finden oder in einen Speicher für spätere Verwendung, beispielsweise auf ein Kommando hin, eingegeben werden.

Daher werden diese Daten über den Schalter 24 entweder zu einem detaillierten phonetischen Speicher 25 oder zu der Synthese-Einrichtung 32 übertragen. Wenn die Information in den Speicher eingegeben wird, kann sie zu einem späteren Zeitpunkt in Abhängigkeit von einem Nachrichtensignal der Einheit 26 ausgelesen und daraufhin zu dem Parameterzuteilunj.-sgerät 27 übertragen werden. Dieses Gerät 27 spricht an und wählt Parametersymboldaten aus seinem internen Speicher aus und paßt die sich ergebenden Symboldaten an die Parameterdaten in dem Speicher 28 an. Ein Gerät dieser Art, ein Synthesator, der gespeicherte Parametersymbole verwendet und auf Fernschreiber-Eingangs signale anspricht, ist an sich bekannt. Zahlreiche Geräte dieser Art wurden bisher beschrieben. Deshalb genügt es anzugeben, daß die detaillierte phonetische Beschreibung in der Einheit 27 assembliert wird, um eine ausreichende Beschreibung der Kommandonachricht

209840/0764

zu bilden, um die Erzeugung von Synthesator-Steuersignalen in der Steuereinheit 29 zu erzeugen. Der genaue Aufbau der Steuereinheit 29 hängt von der Form des verwendeten Synthesators ab. Der Sprachsynthesator 30 setzt daraufhin die von der Steuereinheit 29 gelieferten Parameterdaten in analoge Sprachsignale um, die beispielsweise wie gewünscht dazu verwendet werden können, hörbare Ausgangssignale über einen Lautsprecher 31 zu erzeugen. Offensichtlich können diese akustischen analogen Signale aufgezeichnet oder anders angezeigt werden, beispielsweise in spektrografischer Form für jeden gewünschten Zweck.

Die oben beschriebenen Anordnungen sind an sich nur Erläuterungen der Anwendung und Prinzipien der Erfindung.

Die Erfindung wurde daher im wesentlichen in den Grundzügen ihrer Realisierung beschrieben, wobei eine Kombination einzelner elektronischer Elemente und Systeme verwendet wurde. Sie kann aber auch für praktische Anwendungen inform eines Allzweckrechners verwirklicht werden, der in Übereinstimmung mit den beschriebenen Regeln und Operationen programmiert wurde. Bei

209840/0754

einer Programmrealisierung werden die in den Tabellen und Figuren dargestellten Datengruppen in dem Rechner gespeichert und per Programm aufgerufen. Die Realisierung der Erfindung als Programm hat sich als sehr bequeme und ökonomische Ausführungsform der Erfindung erwiesen. Einige andere Anordnungen können von dem Fachmann angegeben werden. So ist es beispielsweise möglich, anstelle der Ableitung der Synthesator-Steuersignale von gespeicherten phonetischen Symbolen des Diktionärs 14, gemäß der Erfindung diese auch von gespeicherten Tabellen parametrischer Wortbeschreibungen, einschließlich der Formanten- oder Kanalvoköder-Signale abzuleiten. In diesem Falle skaliert die Zuteilungs einheit 27 die Länge der Parametersignale, um die Gesamtwortdauer, die von den Genratoren 21 und 22 zugeteilt wurde, einzuhalten.

20984 0/07-5

Claims

PATENTANSPRÜCHE

1. Verfahren zur Sprachsynthese von gedrucktem Text, bei dem ein gedruckter Nachrichtentext in alpha-numerische Datensignale umgesetzt wird, gekennzeichnet durch folgende weitere Verfahrensschritte:

2.) Entwicklung der Pausen-, Betonungs-, Dauer-, Tonhöhen- und Lautstärkenwerte für die einzelnen Wörter in alphanumerischer Form aus den im Schritt 1.) gewonnenen syntaktischen Satzkategoriedaten;

4.) Kombination des Produktes der Schritte 1.) und 3.) zu einer zusammenhängenden Beschreibung der ausgewählten Nachricht, zur Übertragung zu einem Sprachsynthesator.

209840/0754

ι 2. Anordnung zur Durchführung des Verfahrens nach Anspruch 1, mit einer Eingabevorrichtung zur Lieferung alpha-numerischer Datensignale, die einen gedruckten Nachrichtentext darstellen, der synthetisiert werden soll, und mit einer Ausgabevorrichtung für den Sprachsynthesator,, dadurch gekennzeichnet, daß die Anordnung ferner aus folgendem besteht:

einem Syntax-Analysator (13; Fig. 1), der mit der Eingabevorrichtung (10) für die Ableitung syntaktischer Satzkategoriedaten für die einzelnen Wörter, die durch die Eingangsdatensignale repräsentiert sind, verbunden ist;

einem Generator {15 - 22), der zwischen dem Syntax-Analysator und der Ausgabevorrichtung für den Sprachsynthesator (32) geschaltet ist und auf syntaktische Satzkategoriedaten und Sprachregeln anspricht, um folgendes zu erzeugen:

{h.} parametrische Datenwerte, einschließlich Pausenwerten (15- 17), Betonungswerten (18, 19), Dauerwerten (21, 22) und Tonhöhen- und Lautsärkewerten (20) der einzelnen Nachrichtenwörter;

(b) individuelle phonetische Werte (20 - 22) für Wortintervalle₃ in Abhängigkeit von den erzeugten parametrischen

209840/0754

Daten und

3. Anordnung nach Anspruch 2, dadurch gekennzeichnet, daß die Anordnung ferner aus folgendem besteht:

einem Diktionär (14; Fig. 1) für die Speicherung sowohl von Signalinformation, die einem ausgewählten Vokabular von Wörtern und Sätzen und deren unterschiedlichen Formen entspricht, einschließlich Aussprache und Verwendung und phonemischer Umschreibungen jedes Worts mit Angaben der lexikalischen Betonung und möglichen Verwendung, wobei der Diktionär auf Kommandosignale anspricht, die die Übertragung der gespeicherten Daten zu dem Syntax-Analysator (13) und zu dem Generator (15- 22) für eine Modifizierung mit den erzeugten phonetischen Werten veranlassen.

209840/0754

4. Anordnung nach Anspruch 2, dadurch gekennzeichnet, daß der Generator (15 - 22; Fig. 1) einen Pausenerzeugungsabschnitt (15 - 17) für die Erzeugung parametrischer Datenwerte, die für die Pausen repräsentativ sind, besitzt, wobei dieser Teil aus einem Pausenwahrscheinlichkeits-Analysätor (15) für die Erzeugung von Pausenwahrscheinlichkeitswerten für jedes Wort oder Symbol als Proportionalwertsignal in Abhängigkeit von den Satzkategorie daten für zwei benachbarte Worte oder Symbole, aus einem Pausenzuteilungssignal-Generator (16) für die Feststellung der größten Pausenwahrscheinlichkeitswerte für jedes Wort in der Eingangsnachricht und aus einem Pausengruppenende-Tonhöhenmodulations-Analysator (17) für die Ableitung eines Signals, das für Tonhöhenänderungen, Vokalverlängerungen und Wortpausen repräsentativ ist, in Abhängigkeit von den vom Pausenzuteilungssignal-Generator (16) empfangenen Werten, besteht.

5. Anordnung nach Anspruch 4, dadurch gekennzeichnet, daß der Pausenzuteilungssignal-Generator (16; Fig. 1) aus einer Vorrichtung zur Erstellung eines variablen Schwellwertes, dessen

209840/0754

Wert umgekehrt proportional zur Länge der Eingangs datensignalfolge ist und aus einer Vorrichtung zur Erstellung eines pausenrepräsentativen Signals für das Wort, das von dem proportionalen Signalwert bezeichnet wird, der den Schwellenwert überschreitet, besteht.

6. Anordnung nach einem oder mehreren der Ansprüche 2-5, dadurch gekennzeichnet, daß die Anordnung ferner aus folgendem besteht:

einem Redundanz-Analysator (23; Fig. 1) für die Erzeugung eines Ausgangs signals in Abhängigkeit von der Feststellung eines Wortes, das zuvor in beiden, nämlich dem gleichen Absatz und dem gleichen Satz,für die Erzeugung der parametrischen Datenbetonungswerte in dem Generator (18, 19) verwendet wurde.

7. Anordnung nach Anspruch 6, dadurch gekennzeichnet, daß der Generator (15 - 22; Fig. 1) einen Betonungserzeugungsabschnitt (18, 19) für die Erzeugung parametrischer Datenbetonungswerte besitzt, der aus folgendem besteht:

einem Betonungssignalgenerator für die Erzeugung eines absoluten

209840/0754

Betonungswertes für jedes Wort in einem Satz, in Abhängigkeit von den syntaktischen Satzkategoriedaten von dem Syntax Analysator (13) und dem Ausgangssignal des Redundanz-Analysators (23) und aus einem Fokuswort-Analysator (19) für das Einsetzen besonderer Betonungen in eine Hauptidee und ein Wort in einem Satz, in Abhängigkeit sowohl von dem absoluten Betonungswert, der in dem Betonungssignal-Generator (18), als auch von dem Pausenwert, der in dem Generator (15-22) erzeugt wurde.

8. Anordnung nach einem oder mehreren der Ansprüche 2-7, dadurch gekennzeichnet, daß der Generator (15-22; Fig. 1) einen Dauer- Tonhöhen- und Lautstärkenabschnitt (20-22) besitzt, der aus folgendem besteht:

einem Tonhöhen- und Lautstärken-Generator (20) für die Zuteilung von Lautstärkenwerten an die Vokale in jedem Wort und von Tonhöhen- und Lautstärkenwerten für jedes Phonem, in Abhängigkeit von den Eingangsdatensignalen und den Betonungs- und Pausenwerten, die in dem Generator (15 - 22) erzeugt wurden;

209840/0754

einem Vokaldaaergenerator (21) für die Zuteilung von Dauerwerten an die Vokale der Wörter in der vorgeschriebenen Nachricht, in Abhängigkeit von den Eingangsdaten-Signalen und den Betonungs- und Pausenwerten, die von dem Generator (15-22) erzeugt wurden, und

einem Konsonantendauergenerator (22) für die Zuteilung von Dauerwerten an die Konsonanten in den Wörtern der vorgeschriebenen Nachricht, abhängig von der Betonung, die den Wörtern von dem Generator (15-22) zugeteilt wurde, und in Abhängigkeit von der Identität der Phoneme in der vorgeschriebenen Nachricht.

209840/0754

Leerseite