La lingüística computacional es imprescindible para la creación de voces sintéticas y el desarrollo de las tecnologías del habla. Para que las máquinas hablen, debemos enseñarles todos los matices del lenguaje y esto lo conseguiremos gracias a la generación de un corpus lingüístico específico para cada caso de uso.
Un corpus lingüístico en síntesis de voz es un conjunto de grabaciones que cubren todos los fonemas de una lengua concreta y se guardan junto con su texto correspondiente, su transcripción fonética y varias anotaciones. Gracias a la grabación del corpus, los algoritmos de redes neuronales pueden entrenar y aprender a imitar la voz humana.
El corpus se debe crear según unas necesidades expresivas concretas para que la voz sintética pueda sonar lo más natural posible dentro de un registro lingüístico específico. No será lo mismo una voz diseñada para narrar novelas que para locutar noticias: el tono de voz, la entonación, la formalidad o coloquialidad e incluso el vocabulario son diferentes en cada caso y esto debe reflejarse en el corpus.
Pero ¿por qué es tan importante el corpus para la creación de una voz sintética?
El proceso de creación de una voz sintética podríamos describirlo en dos grandes fases:
- Aprendizaje a partir de muestras de voces reales
- Síntesis del habla (Text-To-Speech, TTS)
Para la primera fase de aprendizaje, partiremos de la lectura de una serie de textos con una representación de fonemas suficiente que permita al algoritmo encontrar un patrón común en su sonido.
Esta lectura debe hacerse de forma natural para mantener cierta consistencia dentro de un estilo concreto y un acento particular. Con el apoyo de un/a lingüista computacional, supervisaremos el proceso de grabación y aseguraremos que los audios generados son de buena calidad.
Además del texto y las grabaciones es necesaria una transcripción fonética. Normalmente usaremos una notación con alguno de los alfabetos fonéticos existentes como el AFI (Alfabeto Fonético Internacional), que sirve para representar los sonidos de cualquier idioma, incluido el español, o el SAMPA, un alfabeto fonético adaptado a las máquinas más popular por su sencillez.
La transcripción fonética se hace de forma automática por un sistema G2P (grapheme to phoneme, o grafema a fonema) y luego es revisada por un/a lingüista. Para las excepciones, podemos bien cambiar la transcripción o añadir algunas palabras a un diccionario donde se recoge su pronunciación particular incluso teniendo en cuenta el contexto en el que aparezca la palabra. Es el caso de la palabra Final en el título Final Fantasy, que leído en inglés podría sonar como fáinal, pero debe distinguirse de la palabra ‘final’ en español.
En la segunda fase de síntesis de habla, la normalización del texto se hace fundamental. Una vez las máquinas han aprendido a imitar nuestra forma de hablar, deben ser capaces de pronunciar correctamente según el texto que le demos de entrada. La normalización es el proceso que nos ayuda a leer números, abreviaturas, monedas, URLs… Gracias a ella sabemos que la palabra VI cuando va detrás de Final Fantasy VI se pronunciaría como seis, detrás de Felipe VI, se pronunciaría como sexto y en la frase AYER TE VI se pronunciaría como vi.
Finalmente, dentro de la creación del corpus hemos mencionado que pueden usarse anotaciones. Las anotaciones nos sirven para marcar determinados sonidos o estilos, como por ejemplo la risa, y que ésto pueda ser utilizado durante la síntesis de voz como recurso expresivo.
Todos los rasgos que podemos escuchar en una voz sintética, ya sea clonación o una voz generada que no identifica a nadie, habrán sido aprendidos de una o varias personas. La cobertura fonética y la prosodia deben estar recogidas en un corpus lingüístico y este estará a su vez diseñado para cada caso de uso.
Te dejamos un ejemplo que te ayudarán a valorar los resultados.
¡Hola! Mi nombre es Pepa. Este es un ejemplo de mi voz sintética, clonada con la tecnología de Monoceros Labs y editada con Fonos.
Voz Clonada
