Details

В данной работе изучению подлежит синтез эмоциональной речи, который осуществляется с трудом даже новейшими системами синтеза речи ввиду необходимости внедрения сложных акустических моделей. Предмет исследования составляют особенности восприятия эмоциональности синтезированной речи. Цель исследования заключается в оценке эмоциональности полученной синтезированной речи и изучении ее восприятия. Методы, использованные для достижения цели исследования, содержат анализ и систематизацию научно-методической литературы; сопоставление подходов и систем синтеза речи; перцептивный эксперимент, включающий анкетный опрос. В работе были получены следующие результаты: 1) Анализ особенностей интонационной системы русского языка позволил выявить параметры, которые необходимо учитывать при синтезе эмоционально окрашенной речи. 2) Акустический анализ показал, что синтезированная речь воспроизводит средние значения частоты основного тона и интенсивности без учета их естественной вариативности. 3) Перцептивный эксперимент продемонстрировал восприятие синтезированных фраз респондентами в большинстве как нейтральных и эмпирически подтвердил основные недочеты эмоциональной синтезированной речи, в результате чего были даны рекомендации по улучшению качества синтеза эмоциональной речи. Область применения результатов: результаты могут быть применены при совершенствовании систем синтеза речи для русскоязычных голосовых помощников. Проблема подлежит дальнейшему исследованию и имеет следующие перспективы: расширение выборки респондентов путем включения в нее людей, различающихся по возрасту и опыту взаимодействия с виртуальными ассистентами; изучение распознавания эмоций в синтезированной речи на других моделях синтеза; разработка и тестирование методов управления просодией.

The study examines the synthesis of emotional speech, a task that remains challenging even for state-of-the-art speech synthesis systems due to the need to implement complex acoustic models. The subject of the study is the perceptual characteristics of synthesized emotional speech. The aim of the study is to evaluate the emotionality of synthesized speech and to investigate its perception. The methods used to achieve the research goal include the analysis and systematization of scientific and methodological literature; a comparative analysis of speech synthesis approaches and systems; and a perceptual experiment involving a questionnaire-based survey. The following results were subsequently obtained: 1) An analysis of the intonational system of Russian language revealed the key parameters that must be considered when synthesizing emotionally coloured speech. 2) Acoustic analysis demonstrated that synthesized speech reproduces mean values of fundamental frequency and intensity while failing to reproduce their natural variability. 3) The perceptual experiment showed that respondents predominantly perceived synthesized utterances as neutral, thereby empirically confirming the major shortcomings of emotional synthesized speech. Based on these findings, recommendations for improving the quality of emotional speech synthesis were proposed. The field of application: The results can be applied to the improvement of speech synthesis systems for Russian-language voice assistants. The problem is up for further research and has the following prospects: expanding the respondent sample to include individuals varying in age and experience with virtual assistants; studying emotion recognition in synthesized speech using other synthesis models; developing and testing prosody control methods.