Modelado de la coarticulación consonante-vocal para la síntesis de habla articulatoria

Un desafío central para la síntesis de habla articulatoria es la simulación de movimientos articulatorios realistas, lo cual es crítico para la generación de un habla altamente natural e inteligible. Esto incluye modelar la coarticulación, es decir, la variación dependiente del contexto de la realización articulatoria y acústica de los fonemas, especialmente de las consonantes. Aquí proponemos un método para simular la articulación sensible al contexto de consonantes en sílabas consonante-vocal. Para lograr esto, la forma objetivo del tracto vocal de una consonante en el contexto de una vocal dada se deriva como el promedio ponderado de tres formas de tracto vocal de referencia medidas y acústicamente optimizadas para esa consonante en el contexto de las vocales de esquina /a/, /i/ y /u/. Los pesos se determinan mapeando la forma objetivo de la vocal de contexto dada en el subespacio vocal abarrotado por las vocales de esquina. El modelo se aplicó para la síntesis de sílabas consonante-vocal con las consonantes /b/, /d/, /g/, /l/, /r/, /m/, /n/ en todas las combinaciones con las ocho vocales largas alemanas. En una prueba de percepción, la tasa media de reconocimiento para las consonantes en las sílabas aisladas fue del 82.4%. Esto demuestra el potencial del enfoque para la síntesis de habla articulatoria altamente inteligible.