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

La herramienta TTSI de MPEG-4 es una interfaz TTS escalable híbrido -
multinivel considerado como un conjunto más poderoso que la infraestructura
TTS convencional. EL TTSI extendido puede añadir información de prosodia
tomada de la voz natural, además de la entrada de texto. La interfaz y su formato
de stream de bits son altamente escalables en términos de ésta información
añadida; por ejemplo, si algunos parámetros de la información de prosodia no
están disponibles, el decodíficador puede generar los parámetros que faltan
siguiendo determinada regla. Los algoritmos para síntesis de voz y para
conversión de texto a fonemas no son normativos en MPEG-4.
El TTSI de MPEG-4 tiene importantes funcionalidades como un codificador
individual y como sincronizador con las técnicas de animación facial. Como un
codificador autosuficiente, el formato del strea-m de bits provee enlaces para
controlar el lenguaje que está siendo transmitido, el género, la edad del locutor, la
velocidad de hablado y la prosodia de la voz.
En algunas ocasiones se puede enviar un siream de bits que contenga solo
texto que será convertido a voz. En este caso el sintetizador añadirá a la voz
sintetizada prosodia predefinida o generados por una regla. La voz sintetizada con
prosodia predefinida entregará contenido emocional al oyente.
Por otro lado, se puede enviar un stream. de bits que contenga texto, así como
la prosodia detallada de la voz original, como por ejemplo: secuencia de fonemas,
duración de cada fonema, frecuencia base (pitch) de cada fonema, y la energía
de cada fonema. La voz sintetizada en este caso será muy similar a la voz original
ya que emplea la prosodia original.
3.3,2.1.2 Proceso de Decodificación TTSI MPEG-4
La arquitectura del decodificador puede ser vista como una colección de
interfaces. El comportamiento normativo del TTSI de MPEG-4 es descrito en
términos de estas interfaces, no del sonido o animación que estos producen.
217