Procedimiento para generar habla sintetizada a partir de información textual en un terminal de usuario (2),

estando dicho terminal de usuario provisto de un motor de síntesis del habla (4) teniendo una base de datos básica (6) de formas de onda de habla, comprendiendo las etapas de:

- iniciar (52) la síntesis del habla de dicha información textual utilizando dicha base de datos básica (6) de formas de onda de habla;

- extraer (42) información de contexto asociada a dicha información textual;

- seleccionar (42) una base de datos incremental (DB1, ...DBN) de formas de onda de habla asociada a dicha información de contexto;

- proporcionar (48) a dicho terminal de usuario (2) dicha base de datos incremental (DB1, ...DBN);

- gestionar (50) la composición de una base de datos ampliada de formas de onda de habla incluyendo dicha bases de datos básica (6) y dicha incremental de formas de onda de habla; y

- continuar (52) la síntesis del habla de dicha información textual utilizando dicha base de datos ampliada de formas de onda de habla

Proporcionar síntesis del habla en terminales de usuario en una red de comunicaciones.

Campo de la invención

La presente invención se refiere a un procedimiento y a un sistema para proporcionar síntesis del habla a un terminal de usuario a través de una red de telecomunicaciones. En particular, la presente invención se refiere a una arquitectura de servicios para proporcionar síntesis del habla en terminales de usuarios con memoria disponible limitada, como teléfonos móviles, PDAs (Asistente Personal Digital), organizadores personales y cámaras digitales.

La invención se ha desarrollado prestando atención particular a su posible utilización en redes de telecomunicaciones inalámbricas, para proporcionar servicios de texto a voz (TTS) a terminales móviles que tienen incorporado un módulo sintetizador del habla basado en la concatenación de formas de onda del habla almacenadas en una base de datos. Descripción de la técnica relacionada.

La síntesis del habla basada en la técnica de concatenación es muy conocida en la técnica, es decir, por la solicitud de patente WO 00/30069 o de la publicación "A concatenative speech synthesis method using context dependent phoneme sequences with variable length as search units", NHK (Nippon Hoso Kyokai; Japan Broadcasting Corp.) Science and Technical Research Laboratories, 5th ISCA Speech Synthesis Workshop, Pittsburgh, USA, June 2004.

El documento WO 00/30069 describe un sintetizador del habla basado en la concatenación de unidades de habla tomadas digitalmente desde una gran base de datos.

La publicación "A concatenative speech synthesis method using context dependent phoneme sequences with variable length as search units" proporciona un procedimiento de división de un texto de entrada en una secuencia de fonemas dependientes de contexto y un procedimiento de selección de una forma de onda de voz apropiada desde una base de datos de habla estática. La calidad del habla aumenta cuando se utiliza una base de datos de habla grande.

El solicitante ha observado que la calidad de tal sistema de síntesis del habla, cuando está incorporado en un terminal móvil, está limitado intrínsicamente por el tamaño máximo de la base de datos, que no puede aumentarse según se desee en un terminal de recursos limitados.

El documento EP 1.471.499 A1 ilustra un procedimiento de síntesis del habla distribuido que realiza una conversión texto a voz basada en un procesamiento distribuido entre un servidor remoto y un terminal de usuario. En particular, la síntesis de segmentos de habla es realizada por el servidor. El terminal de usuario descarga segmentos de habla sintetizados y los concatena mediante las reglas del servidor. Además, el terminal de usuario realiza un mecanismo de memoria caché según las reglas proporcionadas por el servidor.

El solicitante ha observado que, aunque la síntesis del habla de alta calidad puede lograrse utilizando un sistema de síntesis del habla distribuido, en tales sistemas no es factible realizar síntesis del habla sin una conexión de red activa, limitando así la eficacia de algunos terminales de usuario, por ejemplo, PDAs.

La patente EP-A1-1.431.958 describe la descarga de diferentes voces de hablantes.

El documento US 2004/0054534 ilustra un ejemplo de personalización de síntesis del habla basada en preferencias del usuario. El usuario selecciona los criterios de voz en un terminal de usuario local. Los criterios de voz representan las características que el usuario desea para una voz sintetizada. Los criterios de voz se comunican a un servidor. El servidor genera una serie de reglas de voz sintetizada basada en los criterios de voz y los envía al terminal de usuario local. Las reglas de voz sintetizada representan aspectos prosódicos de la voz sintetizada.

El solicitante ha observado que la calidad de síntesis del habla de los sistemas de síntesis del habla arriba mencionados está, como normal general, directamente relacionada con el tamaño de la base de datos de las formas de onda utilizadas.

El solicitante ha abordado el problema de obtener un aumento significativo de la calidad de la síntesis del habla en sistemas que están incorporados en terminales móviles, sin afectar demasiado a los requisitos de memoria de la base de datos de formas de onda del habla. En particular, el solicitante ha abordado el problema de personalizar dinámicamente un sistema de síntesis del habla basado en la técnica de concatenación, logrando la misma calidad que una solución estática basada en una base de datos de formas de onda tan grande que no puede almacenarse en terminales de usuarios portátiles.

Objeto y resumen de la invención

El solicitante ha hallado que este problema se puede solucionar proporcionando una arquitectura de sistema de red capaz de descargar dinámicamente bases de datos incrementales de formas de onda del habla e información de indexación relacionada que, integradas en el módulo de síntesis del habla en el terminal móvil, mejoran una base de datos reducida en el terminal.

Un objeto particular de la presente invención es proporciona una arquitectura de servicio para proporcionar síntesis del habla de alta calidad en terminales de usuario móviles con baja memoria disponible.

El objeto de la invención es, por tanto, responder satisfactoriamente a las necesidades anteriores.

Según la presente invención, ese objeto se alcanza por medio de un procedimiento que tiene las características expuestas en la reivindicación 1. La invención también se refiere a una arquitectura de servicio, reivindicada en la reivindicación 10, así como a un producto de programa informático relacionado, reivindicado en la reivindicación 21. Las realizaciones preferidas se exponen en las reivindicaciones dependientes.

La referencia a "al menos un ordenador" está destinada evidentemente a subrayar la posibilidad de que la presente invención se implemente de forma distribuida/modular.

Las reivindicaciones son una parte integrante de la descripción de la invención aquí descrita.

La solución de síntesis del habla dinámica aquí propuesta puede lograr la misma calidad que una solución estática basada en una base de datos grande. La solución dinámica trabaja en una gran base de datos virtual utilizando una base de datos estática reducida ubicada dentro del terminal de usuario y descargando las bases de datos incrementales adecuadas solo cuando es necesario. Cada base de datos incremental, que contiene elementos de habla adicionales respecto a la base de datos por defecto, está relacionada con el contexto de la información específica que se va a sintetizar. Al utilizar la base de datos extendida, proporcionada por la base de datos por defecto más la base(s) de datos incremental(es) descargada, la síntesis del habla en el terminal de usuario logra una calidad mejorada.

Cada base de datos incremental dinámica está relacionada con uno o más contextos de información, por ejemplo, economía, deporte, humor, etcétera. La misma base de datos incremental se puede utilizar para mejorar la síntesis de varios contenidos relacionados con el mismo contexto. Un mecanismo de memoria caché se puede implementar en el terminal de usuario para evitar descargas adicionales de la misma base de datos incremental cuando el contexto de información no ha cambiado, o cuando se utiliza frecuentemente el mismo contexto. Además, se pueden utilizar bases de datos incrementales para personalizar la síntesis del habla realizada en un terminal de usuario respecto a reglas de contexto, según el perfil de usuario específico o las preferencias de usuario específicas.

Características y ventajas adicionales de la presente invención se clarificarán a partir de la siguiente descripción detallada de algunos ejemplos de la misma, provista simplemente a modo de ejemplo sin ninguna intención restrictiva. La descripción detallada se referirá a las siguientes figuras, en las que:

- La figura 1 muestra esquemáticamente una arquitectura de servicio para proporcionar síntesis del habla en terminales de usuario, según la presente invención;

- La figura 2 muestra un diagrama de flujo de un procedimiento para proporcionar síntesis del habla en terminales de usuario, según la presente invención;

- La figura 3 muestra un diagrama de flujo de un procedimiento alternativo para proporcionar síntesis del habla en terminales de usuario, según un ejemplo;

- La figura 4 muestra esquemáticamente una...

1. Procedimiento para generar habla sintetizada a partir de información textual en un terminal de usuario (2), estando dicho terminal de usuario provisto de un motor de síntesis del habla (4) teniendo una base de datos básica (6) de formas de onda de habla, comprendiendo las etapas de:

2. Procedimiento según la reivindicación 1, en el que dicha etapa de proporcionar dicho terminal de usuario con dicha base de datos incremental incluye:

3. Procedimiento según la reivindicación 2, en el que dicha etapa de descarga de dicha base de datos incremental en dicho terminal de usuario incluye:

4. Procedimiento según la reivindicación 1, comprendiendo además la etapa de almacenar dicha base de datos incremental en una memoria caché en dicho terminal de usuario.

5. Procedimiento según la reivindicación 1, en el que dicha etapa de seleccionar (42) una base de datos incremental (DB1, ...DBN) de formas de onda de habla asociada a dicha información de contexto se realiza según las reglas de contexto independientes de perfiles de usuario.

6. Procedimiento según la reivindicación 1, en el que dicha etapa de seleccionar (42) una base de datos incremental (DB1, ...DBN) de formas de onda de habla asociada a dicha información de contexto se realiza según las reglas de contexto basadas en un perfil de usuario.

7. Procedimiento según la reivindicación 1, en el que dicha información textual es recuperada por dicho terminal de usuario a través de una red de comunicaciones (12).

8. Procedimiento según la reivindicación 1, incluyendo las etapas de:

9. Procedimiento según cualquiera de las reivindicaciones 2, 3, 7 u 8, en el que dicha red de comunicaciones es una red de comunicaciones inalámbrica.

10. Arquitectura de servicio incluyendo un terminal de usuario para proporcionar a dicho terminal de usuario (2) síntesis del habla relativa a información textual, estando dicho terminal de usuario provisto de un motor de síntesis del habla (4) y una base de datos básica de formas de onda de habla (6), caracterizada por el hecho de que incluye:

11. Arquitectura de servicio según la reivindicación 10, en la que dicho servidor de contexto (14) incluye:

12. Arquitectura de servicio según la reivindicación 10, comprendiendo además en dicho terminal de usuario (2) una memoria caché para almacenar temporalmente al menos una base de datos incremental descargada.

13. Arquitectura de servicio según la reivindicación 11, comprendiendo además un servidor de base de datos (8) que almacena una pluralidad de bases de datos incrementales (DB1, ...DBN) seleccionadas por dicho selector de contexto (24).

14. Arquitectura de servicio según la reivindicación 11, en la que dicho selector de contexto (24) funciona según las reglas de contexto independientes de perfiles de usuario.

15. Arquitectura de servicio según la reivindicación 11, en la que dicho selector de contexto (24) funciona según las reglas de contexto basadas en un perfil de usuario.

16. Arquitectura de servicio según la reivindicación 10, comprendiendo además un servidor de contenido (16) para descargar dicha información textual en dicho terminal de usuario.

17. Arquitectura de servicio según cualquiera de las reivindicaciones 10 a 16, en la que dicha red de comunicaciones es una red de comunicaciones inalámbrica.

18. Terminal de usuario (2) para una red de comunicaciones incluyendo:

caracterizado por el hecho de que comprende:

19. Terminal de usuario según la reivindicación 18, comprendiendo además una memoria caché (10) para almacenar temporalmente al menos una base de datos incremental descargada.

20. Terminal de usuario según la reivindicación 18, en el que dicho motor de síntesis de habla (4) está basado en una síntesis de habla concatenativa.

21. Producto de programa informático, que se puede cargar en la memoria de al menos un ordenador y que incluye porciones de código de software para realizar el procedimiento de cualquiera de las reivindicaciones 1 a 9.