در چنين سيستم هايي صداي فرد با استفاده از شبکه هاي عصبي سيستم ضبط مي شود و پس از پردازش توسط نرم افزار تبديل به صداي فرد ديگري شده و قابل شنيدن از طريق رايانه مي شود.
بهروز مکي ، دانش آموخته کارشناسي ارشد دانشگاه اميرکبير نرم افزار تقليد صدا را در کشور طراحي کرده است. ما نيز با وي به گفتگو نشسته ايم.


نرم افزار تقليد صدا چه نوع وسيله اي است و چه کاربردهايي دارد؟
نرم افزار تقليد صدا روشي است که در آن گفتار بيان شده توسط گوينده اي (گوينده مبدا) به طريقي تغيير مي يابد که به نظر مي رسد شخص ديگري (گوينده هدف) آن را بيان کرده است. کاربردهاي متعددي ازجمله سرگرمي هاي صوتي تصويري ، دوبله فيلم با صداي خود هنرپيشه ، ساخت سيستم هاي کمکي براي بيماراني که مشکل گويشي دارند و پردازش اوليه در سيستم هاي بازشناسي گفتار براي اين سيستم ذکر شده است.
وليکن شايد مهمترين کاربرد تبديل گوينده استفاده از آن در سيستم هاي تبديل متن به آوا در رايانه باشد.

آيا سيستم طراحي شده به بهبود کيفيت صداهاي ضبط شده هم کمک مي کند؟
از آنجا که سيستم هاي تبديل متن به آوا به خودي خود احتياج به پردازش هاي پيچيده و فراواني دارند ، سعي بر آن است که اين گونه سيستم ها به طريقي طراحي شوند که متن با آواي يک فرد خاص خوانده شود. به همين علت غالبا از يک سيستم تبديل گوينده در ادامه سيستم هاي تبديل متن به آوا استفاده مي شود که آواي توليد شده را با صداي افراد مختلف ايجاد نمايد.همچنين اين سيستم مساله جمع آوري اطلاعات را بسيار ساده مي نمايد زيرا با داشتن گفتار يک شخص خاص مي توان گفتار افراد مختلف را توليد کرد. اين مطلب بويژه در مواردي که فرد موردنظر به هر علتي وجود نداشته باشد ، اهميت پيدا مي کند. از ديدگاه نظري نيز هدف از ايجاد سيستم تبديل گوينده ، دستيابي به شناخت کامل تر نسبت به مشخصات سيگنال گفتار ، نحوه توليد و سازوکار درک آن در مغز انسان است.
برخلاف بسياري از تحقيقات دانشگاهي ديگر ، تبديل گوينده از نظر صنعتي با اقبال فراواني روبه رو گشته است به طوري که در حال حاضر گروههاي تحقيقاتي بسياري در سرتاسر جهان تحقيقات خويش را به سمت مساله تبديل گوينده سوق داده اند و اميدوارند که بتوانند سيستم هاي تبديل گوينده و زبان همزمان مقاوم در برابر اغتشاشاتي ايجاد نمايند.

اين دستگاه چگونه و تحت چه مکانيسمي موفق به تقليد صدا مي شود؟ از شبکه هاي عصبي استفاده شده در اين سيستم ها و نحوه عملکردشان نيز برايمان بگوييد؟
شبکه هاي عصبي نوعي از سيستم هاي پردازش هوشمند هستند که طي 2 دهه اخير و براساس ايده هاي زيستي طراحي شده اند. اين سيستم هاي بويژه توانايي پردازش سيگنال هاي پوياي غيرخطي ازجمله سيگنال گفتار را دارند. تبديل گوينده در اين روش بر اين اساس صورت مي گيرد که شبکه با استفاده از حجم محدودي از سيگنال هر فرد به طريقي آموزش مي بيند که بتواند بعضي مولفه هاي اساسي حاوي اطلاعات گوينده را از مولفه اساسي حاوي اطلاعات مفهوم گفتار جدا کند. سپس اين مولفه هاي اساسي حاوي اطلاعات هر گوينده به مولفه هاي فرد جديد تبديل مي شوند و مجددا با مولفه هاي حاوي اطلاعات مفهومي گفتار ترکيب مي شوند تا به اين ترتيب گفتار با بيان فرد جديدي ساخته شود.

پردازش صدا چگونه و با چه سطح وضوح و دقتي در سيستم طراحي شده توسط شما صورت مي گيرد؟ نرم افزار طراحي شده چه مزيتهايي نسبت به سيستم هاي مشابه دارد؟
با وجود تمام تلاشهايي که تا به امروز صورت گرفته است ، تمامي سيستم هاي ايجاد شده داراي مشکلاتي هستند: روشهاي ارائه شده تا به امروز تنها در حالتي که مجموعه منطبق و همگوني از گفتار افراد منبع و هدف در اختيار داشته باشند توانايي تبديل گوينده را دارند. در حالي که در بسياري از موارد اصلا امکان ضبط يکنواخت صداي افراد منبع و هدف وجود ندارد. همچنين در بسياري از روشهاي ايجاد شده براي تبديل گوينده گفتار حالت طبيعي خود را از دست مي دهد. مساله مهم ديگري که کيفيت عملکرد سيستم را تحت الشعاع خود قرار مي دهد ، وجود تنوعات در سيگنال است.
اکثر روشهاي ارائه شده در زمينه تبديل گوينده در شرايط طبيعي نيز عملکرد مناسبي ندارند. حال چنانچه سيگنال گفتار دچار تنوعات زائدي (همچون وجود اغتشاشات ، سرعت بيانهاي متفاوت ، شرايط ضبط گوناگون و...) باشد کيفيت سيستم بشدت افت مي کند. به همين علت امروزه بحث تبديل گوينده مقاوم مطرح شده است که البته روشهاي معرفي شده بسيار ابتدايي هستند.

نرم افزار طراحي شده چه مزيتهايي نسبت به سيستم هاي مشابه دارد؟
در نرم افزار ارائه شده سعي شده است که اولا مساله وجود مجموعه منطبق و همگون از گفتار افراد منبع و هدف حل شود و همچنين تعداد گوينده ها را از 8 گوينده (آنچه که در روشهاي قبلي استفاده مي شد) به 50گوينده افزايش داد. مزيت ديگر اين روش در پردازش اطلاعات است که باعث حفظ حالت طبيعي گفتار مي شود. در مجموع کيفيت تبديل در اين روش در حدود 10 درصد نسبت به روشهاي قبلي بهبود يافته است که با توجه به افزايش تعداد گوينده ها رقم قابل توجهي است.
نقل از جام جم
پونه شيرازي