podrecznik_uzytkownika_ivona

Praca z IVONĄ - pierwsze kroki

odczas  instalacji  syntezatora  mowy  IVONA  -  komputer  wzbogacił  się  o  możliwość
generowania  ludzkiej  mowy  wysokiej  jakości.  Interpretacja  tekstu  podawanego
syntezatorowi  mowy  IVONA  jest  realizowana  przez  niedeterministyczne  algorytmy

sztucznej inteligencji. Oznacza to, że w niektórych przypadkach wyniki ich działania mogą być inne
od oczekiwań użytkowników. W takich przypadkach należy odpowiednio przygotować
syntezowany tekst by osiągnąć zamierzony efekt.

Przecinki i kropki

Tekst  do  odczytu  powinien  być  napisany  zgodnie  z  zasadami  polskiej  gramatyki  i  ortografii.
Przykładowo  zdanie  Ala  ma,jednego  kota."  zostanie  przeczytane:  Ala  ma  przecinek  jednego
kota.", ponieważ w tekście brakuje spacji po przecinku przed wyrazem  jednego". Taki sposób
interpretacji  tekstu  do  odczytu  jest  pomocny  przy  znajdowaniu  błędów  w  pisowni  tekstu.
Syntezator mowy IVONA zawsze interpretuje przecinki i kropki. Zdanie  Ala ma kota, a kot ma Alę."
zostanie zinterpretowane i odczytane jak zdanie złożone (z przerwą na znaku przestankowym),
podczas gdy zdanie  Ala ma kota a kot ma alę." jak pojedyncze zdanie twierdzące. Interpretowanie
przecinków i kropek powoduje, że zdania zostają odczytane i zaintonowane w sposób taki, jakiego
oczekuje się od lektora. Pamiętając o tej właściwości syntezatora mowy IVONA można osiągnąć
ciekawe efekty. Na przykład można wyróżnić pewne wyrazy stawiając przed nimi przecinek, np.
zdanie  Ala ma, jednego, kota." zostanie zupełnie inaczej przeczytane niż zdanie  Ala ma jednego
kota.".

Wyrazy obcojęzyczne

Jednym z głosów dostępnych dla syntezatora mowy IVONA jest głos Jacek, który jest głosem mowy
polskiej. Oznacza to, że tekst podany syntezatorowi zostanie zawsze przeczytany tak, jakby był
napisany w języku polskim. Dlatego też wyrazy obcojęzyczne zostaną również przeczytane po
polsku. Aby osiągnąć poprawną wymowę należy występujący w tekście wyraz obcojęzyczny
zastąpić jego zapisem fonetycznym w języku polskim. Do tego celu można wykorzystać słownik
syntezatora mowy IVONA, w którym można wpisać słowa pojawiające się szczególnie często w
syntezowanych tekstach.

Przykłady: windows menu -> łindołs meni; microsoft word ->majkrosoft łord
Więcej informacji na temat używania słownika znajduje się w rozdziale Zaawansowany paser
tekstu”.

„

Słownik głosu

Lista wyrazów zamienianych

Zamieniaj Z” oraz Zamieniaj Na”

„

Akceptuj – (widoczny w czasie edycji słowa)
wciśnięcie powoduje zaakceptowanie
wprowadzonej zmiany do słownika

Anuluj – (w polu Słownik”, widoczny w
czasie edycji słowa) wciśnięcie anuluje
wprowadzoną zmianę do słownika

„

Dodaj - po wciśnięciu przycisku

Dodaj” można

wypełnić pole Z” wyrazem poszukiwanym oraz Na”
wyrazem na jaki należy wyraz poszukiwany zamieniać.

„

Edytuj - wciśnięcie przycisku spowoduje możliwość
zmiany wyrazu poszukiwanego i zamienianego

Usuń - wciśnięcie przycisku usuwa aktualnie
wybrany wyraz poszukiwany ze słownika

Pomijaj znaki - pozwala wybrać znaki, które mają być
ignorowane podczas odczytu tekstu (cudzysłów, myślnik,
nawiasy, klamry, tylda, apostrofy, znaki: < >,/)

Sposoby odczytu tekstu

Tryb odczytu

„

Dokładny”

Tryb odczytu

„

Lektorski”

iekiedy zachodzi potrzeba przekształcenia tekstu przed syntezą, w sposób zapewniający
poprawny sposób jego odczytu. Typowym przykładem mogą tu być wyrazy obcego
pochodzenia, które należy przekazać do syntezatora fonetycznie. Aby sprostać tym

potrzebom głosy syntezatora mowy IVONA obsługują rozbudowany mechanizm słownika
wyjątków.

Okno dialogowe słownika wyjątków zawiera trzy części:

Słownik - jest to lista wyrazów wyjątkowych. Użytkownik może do niej dopisywać własne
wyjątki zapisane w sposób fonetyczny.

Sposób odczytu tekstu - pozwala wybrać jeden z trybów odczytywania. W trybie

Dokładnym” syntezator odczytuje wszystkie znaki znajdujące się w podanym tekście, podczas

gdy w trybie Lektorskim” część z nich interpretuje imitując zachowanie lektora. Szczegóły
działania obu trybów zostały opisane w dalszej części tego dokumentu.

Pomijanie znaków - użytkownik może skonfigurować, które znaki mają zostać bezwzględnie
pominięte podczas odczytywania. Zaznaczone znaki zostaną usunięte z tekstu wejściowego
zanim trafi on do syntezatora.

„

Tryb Dokładny i Lektorski

Zaawansowany paser tekstu

yntezator mowy I

może pracować w dwóch trybach:

ektorskim i

okładnym . W

zależności od używanego trybu IVONA w różny sposób odczytuje tekst. W trybie

okładnym wystąpienie jednego ze znaków specjalnych (np. nawias, myślnik, etc.)

powoduje odczytanie jego nazwy przez I

. W trybie

ektorskim I

próbuje

zinterpretować tekst tak, jak to robi lektor, czyli nie odczytuje nazwy specjalnego znaku, ale
odpowiednio zmienia intonację zdania. Na przykład zdanie: Ala ma kota Stefanka

zostanie

zupełnie inaczej odczytane w obu trybach. W trybie dokładnym usłyszymy Ala ma kota cudzysłów
Stefanka cudzysłów." podczas, gdy w trybie lektorskim usłyszymy Ala ma kota, Stefanka.".

Aby uruchomić tryb lektorski należy uruchomić okno konfiguracji słownika i zmienić sposób
interpretacji tekstu na tryb lektorski. Tryb lektorski jest szczególnie użyteczny do zamiany na
mowę dużej ilości tekstu wcześniej nieobrobionego, np. tekstu książek, w którym znajduje się
wiele dialogów.

VONA

”

VONĘ

VONA

„

”.”

„

„D

”

„L

”

„

UWAGA!!!

łos SAPI5 syntezatora mowy IVONA ładuje reguły z pliku słownik ivona.lex, który
umieszczony jest w katalogu instalacyjnym syntezatora. W rzeczywistości słownik jest
bardzo rozbudowanym parserem tekstu pozwalającym praktycznie dowolnie modyfikować

tekst poprzez zastosowanie wyrażeń regularnych zgodnych z definicją POSIX 1003.2 regular
expressions . Słownik zbudowany jest na zasadzie - jedna reguła w jednej linii. Reguła

tekst_do_zamian łańcuch_docelowy

Przykład: ivo software iwo softłer

Jeżeli któryś z członów zawiera białe znaki to należy go ująć w czudzysłów. Jeżeli któryś z członów
zawiera cudzysłów to należy poprzedzić go znakiem ucieczki \ (backslash). Człon tekst do zmiany
definiuje wyrażenie regularne dopasowujące tekst do zamiany. W procesie przekształcania tekstu
przed syntezą dopasowany fragment zostaje zastąpiony poprzez łańcuch docelowy. Przy czym
łańcuch docelowy może zawierać referencje do dopasowywanego tekstu zapisane notacją \1 .. \9
(\0 to całe dopasowanie). Na przykład dodanie reguły: Singapur([[:alpha:]]*) S~'ingapur\1
spowoduje zamianę wszystkich wystąpień słowa Singapur we wszystkich odmianach.

Ręcznie dodawane reguły do pliku słownika mogą pojawić się w oknie dialogowym

słownika wyjątków w zmienionej formie. Ze względu na ułatwienie obsługi okno dialogowe
słownika wyjątków wstępnie przetwarza reguły tak, aby były łatwiejsze do zrozumienia. Nie należy
w oknie dialogowym słownika wyjątków modyfikować reguł dodanych ręcznie do pliku!

Przykładowe reguły

Poniżej przedstawiamy kilka reguł słownika systemu syntezy mowy IVONA używanych do
najbardziej typowych zadań. Należy zauważyć, że reguły są case-insensitive - czyli działają bez
rozróżniania wielkości liter.

(^|[[:punct:][:space:]])Software([[:punct:][:space:]]|$) \1softłer\2

Powyższa  reguła  działa  w  sposób  następujący:  zamień  słowo  Software ,  na  wersję  zapisaną
fonetycznie -  softłer . Otoczenie słowa ^|[[:punct:][:space:]] oraz [[:punct:][:space:]]|$
oznacza  dowolny  znak  interpunkcyjny,  biały  znak  lub  początek  tekstu  (znak  ^)  lub
koniec tekstu (znak $) . Gdyby go nie było algorytm zamieniałby wszystkie wystąpienia słowa

Software (co akurat dla słowa Software nie jest niekorzystne, w przeciwieństwie do np. dla

słowa Ala - ponieważ zamieniane byłyby także takie słowa jak: oddala , przechwala ).
Opisywane tu otoczenie słowa zostało ujęte w nawiasy, aby umożliwić wykorzystanie referencji
wstecznych - \1, \2, które powodują kopiowanie znaków dopasowanych do fragmentów reguły z
nawiasów, na wyjście bez zmian. Powyższą regułę należy rozszerzyć jeżeli chcemy dopasować dwa
wyrazy, np.: (^|[[:punct:][:space:]])IVO[[:space:]]+Software([[:punct:] [:space:]]|$)
\1iwo softłer\2

Zapis w słowniku usuwający niechciane znaki z tekstu: [!?@#$%*&()]+

„

”

składa się z

dwóch członów oddzielonych dowolną ilością białych znaków:

„

”

„

”

„

”

„

”

„

”

„

”

„

”

„

” „

”

„

”

„”

Znaczniki sterujące interfejsu SAPI5

Obsługa błędów syntezatora mowy

tekście podawanym do syntezy można używać znaczników sterujących, które pozwalają
na modyfikację generowanej mowy w trakcie syntezy. Wszystkie znaczniki mają postać
znaną z XML.

Lista znaczników przydatnych podczas pracy z syntezatorem mowy IVONA:

Volume - Przy pomocy znacznika Volume można kontrolować głośność głosu. Jeżeli znacznik

pozostanie pusty to zmiana głośności odnosi się do całego tekstu następującego po znaczniku,
inaczej wyłącznie do tekstu ujętego w znacznik. Znacznik Volume wymaga atrybutu

evel ,

który określa nowy poziom głośności. Wartość tego atrybutu musi zawierać się w przedziale [0,
100], gdzie 100 oznacza 100% głośności i jednocześnie jest wartością domyślną.
Przykład:

Ala ma kota, <volume level= 5

>a kot ma Alę.

Ala ma <volume

level= 50 >kota</volume>, a <volume level= 50 >kot</ volume> ma Alę.

Rate - Znacznik Rate pozwala kontrolować szybkość generowanej mowy. Znacznik może być

pusty, co oznacza, że jego działanie odnosi się do całego następującego po nim tekstu. Znacznik
Rate wymaga jednego z dwóch atrybutów: speed lub absspeed. Oba atrybuty przyjmują wartości z
zakresu [-10, 10], gdzie -10 oznacza mowę najwolniejszą. Wartość 0 oznacza prędkość domyślną
głosu. Atrybut speed zmienia prędkość mowy w sposób względny (czyli w odniesieniu do bieżącej
prędkości mowy), a absspeed w sposób bezwzględny.
Przykład: Ala ma kota, <rate absspeed= 5 >a kot ma Alę. <rate absspeed= -1 >Ala ma <rate
speed= 1 >kota</rate>, a <rate speed= 1 >kot</rate> ma Alę.

Silence - Znacznik Silence pozwala wstawić ciszę w określonym miejscu generowanej

wypowiedzi. Długość wstawianej ciszy wyrażona jest w milisekundach. Znacznik Silence musi być
pusty i zawierać jeden atrybut msec.
Przykład: 3 <silence msec= 2000 /> 2 <silence msec= 2000 /> 1 <silence msec= 2000”/>
bum.”

Spell - Znacznik Spell wymusza literowanie ujętego w nim fragmentu tekstu. Znacznik ten

nie może być pusty. Ala ma papugę, która mówi i umie całkiem nieźle wymawiać niektóre literki,
na przykład <spell>abcd</spell>.

„

”

„

”

„L

”

„

”

„

„ 0”

”

„

”

„

”

„

„ ”

” „

„

”

„ ”

”

„

”

„

”

„

”

„

”

„

”

łosy SAPI5 syntezatora mowy IVONA do zgłaszania błędów wykorzystują mechanizm
rejestru zdarzeń systemu Windows. Rejestr ten jest dostępny w Panelu Sterowania/
Narzędzia administracyjne/Podgląd Zdarzeń w sekcji Aplikacja.

Błędy głosu SAPI5

Wystąpił problem z inicjalizacja interfejsu SAPI5 - nie można zaladowac pliku biblioteki głosu ”

Błąd może powstać podczas próby niepoprawnie zainstalowanego głosu syntezatora mowy IVONA,
któremu brakuje jednego ze składników. Pojawienie się tego błędu oznacza, że dany głos nie będzie
mógł być używany dopóki problem nie zostanie usunięty. Należy zainstalować dany głos ponownie.

Interfejs SAPI5 nie może zostać użyty, ponieważ przekroczono limit dozwolonych licencji

syntez równoleglych.”

Błąd powstanie podczas próby przeprowadzenia syntezy niezgodnej z dostępną licencją.
Najczęstszą przyczyną jego występowania jest próba przeprowadzenia większej liczby
jednoczesnych syntez niż zezwala na to licencja. Należy zwrócić uwagę na to, że niektóre programy
korzystające z interfejsu

5 zajmują syntezator nawet gdy nie syntezują mowy. Dlatego też, w

przypadku pojawienia się tego błędu, należy sprawdzić czy nie został uruchomiony inny program
wykorzystujący dany głos IVONA.

„

SAPI „

”

Document Outline