Virtual Singer Aspectos técnicos de la voz Síntesis de la voz cantada

En síntesis vocal, hablada o cantada, se encuentran tres métodos principales:

• la modelización del conducto vocal,
• la puesta uno detrás de otro de elemento grabados,
• la síntesis por formantes.



La modelización del conducto vocal

Es el método historicamente más antiguo. Las primeras síntesis vocales fueron hechas para autómatas utilizando un conjunto de tubos y de membranas que simulan el conducto vocal.
Por el momento, la puesta en obra informática de este proceso no dio resultado convincente por culpa de su extrema complejidad.

La puesta uno detrás de otro de los elementos de la voz

Es la grabación de un cantante o de un locutor para memorizar los fonemas o las reuniones de fonemas para ponerlos uno detrás de otro para restituir la voz de la persona. Algoritmos complejos que deforman los fonemas grabados para que sigan la prosodía de la voz cantada, y dan excelentes resultados. Sin embargo, estos algoritmos son mal adaptados a las largas zonas de frecuencias utilizadas en la voz cantada.
El inconveniente de este proceso es llegar a archivos de descripción de voz muy largos. Además, para definir otra voz, es necesario grabar otra persona.
El otro defecto de este sistema es que la totalidad de los fonemas de una lengua deben ser pronunciados. Entonces, para fabricar un programa multilingüe, es necesario grabar una persona perfectamente polígloto para sacar muestras del conjunto de los fonemas pronunciables en cada lengua.

La síntesis por formantes

Esta síntesis se apoya sobre el análisis del sonido que constituye la voz. En efecto, los especialistas en acústica se dieron cuenta de que las resonancias del conducto vocal favorecían algunas zonas de frecuencia específicas al fonema pronunciado. Los especialistas en acústica llamaron estas zonas de frecuencia "formantes".
Un formante está caracterizado por su frecuencia (altura) y su energía (fuerza).


Nota: En electrónica o en informática, el formante se acerca de un filtro pasa zona de frecuencia con resonancia.


En los años 1960, los primeros dispositivos utilizaban filtros electrónicos para producir fonemas reconocibles. Se dieron cuenta de que tres e seis formantes eran suficientes para obtener un fonema de buena calidad acústica.
Las ventajas de este sistema son que muy pocos datos son necesarios para generar un fonema (estando suficiente, en teoría, la descripción de los formantes) y que es mucho más fácil hacer pequeñas modificaciones para obtener voz diferentes.
Sin embargo, el resultado obtenido es en general menos realista que en el caso de una voz grabada.

Este tercero método es el que fue tomado para Virtual Singer.