3 Stemmebaseret interaktion - The Game Design Chronologist ...

En talesynteseproces starter med, at computeren udleder mening af situationen, for
derefter at konstruere et logisk udtryk der kan repræsentere denne mening. F.eks. win(I).
Denne omdannes så til en sætning - her ”I win”. Fra dette punkt påbegyndes en proces
der kaldes text-to-speech [Jurafsky & Martin, 2000, s92], hvor målet er at omdanne en
tekststreng til en akustisk lydbølge. Der er overordnet set fire måder dette kan gøres på.
• Den første er at optage en begrænset mængde hele ord og sætninger, for
at kunne afspille kombinationer af disse, hvad der giver den højeste
naturlighed i lyden, men det at skulle optage alle ord på forhånd er ofte
en klar ulempe. Både fordi det stiller store krav til lagringsplads, men
også fordi det tager lang tid at implementere hvis ordforrådet skal være
stort. Til gengæld er det beregningsmæssigt simpelt [Furui, 2001, s217],
i det der ikke kræves andet end afspilning af ordene (evt. kan der
foretages en behandling af ordene afhængigt at hvor i en sætning de
placeres). Denne metode anvendes eksempelvis i alle nye fodboldspil,
hvor en kommentator kommenterer kampen. Jurafsky & Martin
beskriver slet ikke denne mulighed, og den er da også meget simpel,
men den er bestemt velegnet til mange formål.
• En anden mulighed er at analysere en mængde af optagne ord, og
opsplitte disse i mindre bidder. Disse bidder kan derefter benævnes
fonologisk, og flere ord kan så dannes ved at kombinere fonemer til
morfemer. Dette kan forbedres gennem anvendelsen af statiske metoder
som HMM, i sprog som dansk og engelsk hvor der ikke er en tydelig
sammenhæng mellem måden et ord staves på, og måden det udtales (og
dermed beskrives fonologisk). Dette er da ikke største problem ved
denne metode. Problemet er i stedet at fonemer ikke indeholder
tilstrækkeligt med information om hvordan en lyd skal udtales, fordi de
blot er abstrakte beskrivelser af en lyd. Derfor kommer talen med denne
metode ikke til at lyde helt naturlig, men til gengæld er den simplere at
implementere end den næste metode [Furui, 2001, s221].
• I forhold til førnævnte medtages nu fonetisk information, hvad der gør
processen langt mere kompliceret og beregningskrævende fordi der
kræves et stort kendskab til hvordan ord almindeligvis udtales, hvad der
også gør at processen kræver meget lagringsplads. Her lagres også
såkaldte triphones og diphones der er kombinationer af foner, hvormed
overgangene mellem dem kan virke mere naturlig [Furui, 2001, s221].
• Til sidst er der såkaldt formant synthesis som er den form for syntese der
blev anvendt i Magnavox’ Odyssey 2 spillemaskine fra 1978 (og tidligere
udenfor spilindustrien). Teknikken foreskriver ren syntetisk fremstilling
af tale, ved at beskrive foner som frekvenser. Det giver ikke et naturligt
resultat, men det er dog alligevel forståeligt, hvad der i nogle situationer
også kan være det vigtigste ved talesyntese.
31