Capítulo VISIÓN GENERAL DE MPEG-4 - Repositorio Digital EPN ...

se señala en el stream de bits que una región espectral es como "ruido",
incluyendo información adicional que indique la energía total en esa región. De
esta manera se evita la asignación de bits para este tipo de valores espectrales.
3.3.2 HERRAMIENTAS DE CODIFICACIÓN DE AUDIO SINTÉTICO.
MPEG-4 provee compresión, representación y transmisión de sonidos sintéticos y
la combinación de sonidos naturales y sintéticos dentro de pistas de sonido
híbridas. A través de las herramientas de audio MPEG-4 se proveen capacidades
avanzadas para la transmisión de sonidos a bajas velocidades de transmisión,
así como interactividad con escenas que contengan sonido.
A diferencia de la codificación de audio natural, que usa modelos basados en la
percepción (modelos perceptuales) para comprimir el audio natural, en la
codificación de audio sintético se emplean modelos específicos para transmitir
descripciones de sonido. Las descripciones son recibidas en el terminal de
decodificación y convertidas en sonido a través de síntesis de sonido en tiempo
real.
3.3.2.1 Voz humana sintetizada.
El sistema de conversión de texto a voz (Text-to-speech,, TTS), definido por
MPEG-4, genera sonidos de voz de acuerdo a un texto dado.
Los sistemas TTS típicamente consisten de múltiples módulos de procesamiento,
como se muestra en la figura 3.58. Los sistemas aceptan texto como entrada y
generan la correspondiente secuencia de fonemas. Los fonemas son las unidades
más pequeñas del lenguaje humano; cada fonema corresponde a un sonido
utilizado en la voz. Un conjunto de alrededor 120 fonemas, es suficiente para
describir todo el lenguaje humano.
La secuencia de fonemas se usa para generar una secuencia de voz básica sin
prosodia, que es, sin tono (pitch), sin duración, y sin variaciones de amplitud.
De forma paralela, un módulo de entendimiento de texto analiza la entrada para
3.3.2.1.1 La interfaz Texto a Voz MPEG-4 (Interface Text-to-Speech, TTSI).
El TTSI MPEG-4 es definido para que la voz pueda ser transmitida como un
stream de bits que contenga texto.
215