Síntesis del habla con emociones en el dominio de las conversaciones virtuales

Abstract

Esta tesis, al centrarse en la generación de voz sintética en el dominio de las conversaciones virtuales en español, trata dos aspectos diferentes del proceso de la conversión de texto en habla: Por un lado, parte de esta investigación gira alrededor de la normalización-corrección de los mensajes que los usuarios escriben mientras chatean con amigos o conocidos, cuyo lenguaje dista considerablemente del texto estándar y normativo que emplean estos conversores. Estos textos presentan numerosas abreviaturas, emoticonos, sustituciones de grafías o repeticiones de ellas, haciendo que el texto si es procesado por los normalizadores convencionales de los CTH resultara incomprensible por el oyente. Por otro lado, el habla generada debe corresponderse con el dominio especificado. En las conversaciones virtuales, que se asemejan más a una conversación oral que a un discurso escrito, predomina un afán por comunicar situaciones, transmitir estados emocionales, opiniones, sentimientos, etc. Por lo tanto, la voz desarrollada en esta investigación pretende reflejar esta expresividad, concretamente se pretende generar enunciados en los que se transmitan emociones mediante la modelación de parámetros prosódicos. Para lograr este propósito se parte del conversor de texto a habla de la empresa escocesa Cereproc.

This thesis, by focusing on the generation of synthetic speech in the domain of virtual Spanish conversations, addresses two different aspects of the Text-to-Speech process. On one hand, most of this research revolves around the standardization-correction of messages that users type while chatting with friends or acquaintances, whose language varies considerably from standard text and the policy using these systems. These texts have many abbreviations, emoticons, photographic substitutions or repetitions of them, making the text incomprehensible to the listener if it is processed by the conventional normalisers of TTS. On the other hand, the speech generated should match the specified domain. In virtual conversations, which are more like a conversation than written speech, the prevailing situations are eagerness to communicate, convey emotional states, feelings, etc. Therefore, the voice developed in this research is intended to reflect this expression, specifically aims to generate statements, which emotions are transmitted through prosodic modeling. To achieve this purpose, the text-to-speech system by the Scottish company CereProc is addressed.