Capítulo 3 en formato DOC

CAPÍTULO 3
ARQUITECTURA DEL SISTEMA
ELABORADO
3.1.- ARQUITECTURA DEL SISTEMA
Para poder realizar la transcripción fonética de un texto, por medio de este
sistema que aquí se presenta se necesitan como entradas:

El texto en palabras del cual se quiere su pronunciación

Directorio con archivos de sonido, los cuales son sílabas grabadas con el
formato WAV (Waveform Audio File Format), descrito en el apéndice B.
La operación del sistema se compone de dos fases: la grabación de los
archivos de sonido y la generación de voz, como se muestra en la figura 3.1
Figura 3.1 Arquitectura del sistema
Capítulo 3.- Arquitectura del sistema
3.1.1.- GRABACIÓN DE LOS ARCHIVOS DE SONIDO
La grabación de los archivos de sonido, es la primera fase en la operación
de este sistema, su finalidad es grabar dentro de un directorio las sílabas como
archivos de sonido. Dicha fase se compone a su vez por dos partes: un
segmentador y un comparador, como se muestra en la figura 3.2
Figura 3.2 Grabación de los archivos de sonido
El texto de entrada, llega a un segmentador que se encarga de separar
cada una de las palabras de este texto en sílabas (véase la sección 2.5),
asignándoles su nombre correspondiente como archivo de sonido. Como ejemplo
véase la figura 3.3.
Figura 3.3 Segmentador
23
Capítulo 3.- Arquitectura del sistema
Nótese que en las vocales acentuadas, el acento es sustituido por el
carácter ‘~’, antes de la vocal. Por ejemplo, en el caso de la sílaba ‘ción’, quedará
‘ci~on’. Para el caso de la letra ‘ñ’, es sustituida por el carácter ‘-‘ antes de la letra
n. Por ejemplo la sílaba ‘ña’ será sustituida por ‘-na’. Y para el caso de la diéresis
se sustituirá por la ‘u’ precedida del carácter ‘^’. Estas modificaciones a los
nombres de archivos son necesarias cuando se tiene el sistema operativo MsWindows, pues no es posible escribir vocales acentuadas, con diéresis o la letra ñ.
Una vez que se conocen los nombres de las sílabas del texto como
archivos de sonido, son comparados por el programa con los nombres de los
archivos de sonido existentes, para conocer las sílabas que están dentro del texto
y de las cuales hace falta su archivo de sonido. Para cada uno de estos sonidos
faltantes se deberá ejecutar el programa que permite grabar sonido en MsWindows y que es parte del sistema operativo; el archivo de voz que se graba, se
guarda con el nombre del archivo correspondiente a cada sílaba.
Cuando se graba una sílaba, en la mayoría de los casos, se generan
espacios sin voz, debido a que se empieza a hablar después de oprimir el botón
de inicio de grabación, así como al terminar de hablar y detener la grabación; a
este espacio sin voz, lo llamaremos vacío, por no contener información de sonido
importante. Una vez que han sido grabadas estas sílabas, es necesario eliminar el
vacío que se tiene al inicio y fin de la sílaba, como se observa en la figura 3.4.
Figura 3.4 Señal de voz, con vacío
24
Capítulo 3.- Arquitectura del sistema
Este recorte de las sílabas se lleva acabo, utilizando los algoritmos
descritos en [Romero, 1990], y que consisten en encontrar el inicio y fin de la
sílaba, extraer esta señal y desechar todo lo demás, que es considerado como
vacío. Una vez que se ha llevado a cabo este recorte, la señal de voz queda como
se observa en la figura 3.5
Figura 3.5 Señal de voz, sin vacío
Si no se llevara a cabo este recorte de vacío, ocasionaría demasiado
espacio entre una sílaba y otra, pues el vacío al final de una sílaba se sumaría con
el vacío al inicio de la otra sílaba, al momento de concatenar estas sílabas para su
reproducción final, como se ilustra en la figura 3.6
Figura 3.6 Unión de dos sílaba con vacío
25
Capítulo 3.- Arquitectura del sistema
Con este recorte del vacío se mejora la naturalidad de la pronunciación de
voz, así como la reducción significativa del espacio en el disco utilizado para cada
archivo. En las pruebas se logró una reducción de espacio del orden del 50%.
3.1.2 GENERADOR DE VOZ
Una vez que ha concluido la fase de grabación de archivos de sonido, se
procede a concatenar las sílabas de cada palabra, generando un solo archivo de
sonido por cada palabra que posteriormente será reproducido, cabe mencionar
que dicho archivo se sobreescribe con cada palabra nueva. La figura siguiente
muestra las partes de esta segunda fase.
Figura 3.7 Generador de voz
Por ejemplo, si se tiene la palabra “karina”, las sílabas que se unirán son:
_ka.wav, _ri.wav y _na.wav, para generar un archivo llamado _palabra.wav, este
archivo es el que finalmente se reproduce, logrando que la palabra “karina” sea
escuchada.
26
Capítulo 3.- Arquitectura del sistema
Cabe mencionar que si el texto contiene alguno de los siguientes símbolos
ortográficos: coma, punto, punto y coma. Serán reemplazados por archivos de
sonido que contienen el efecto de cada uno de ellos. Una coma se interpreta como
una pausa corta, un punto como una pausa un poco más larga y un punto y coma
como una pausa intermedia entre el punto y la coma. Finalmente cabe mencionar,
que cuando no se encuentra el archivo de sonido de alguna de las sílabas del
texto, su sonido es cambiado por un archivo llamado ERROR, el cual contiene un
timbre indicando la falta de este archivo.
3.1.3 INTERFAZ DE USUARIO
Este sistema elaborado, puede usarse haciendo llamadas a los programas
mencionados a continuación. La forma de instalarse se puede consultar en el
apéndice C.
Para la fase de grabación de archivos de sílabas, se ejecuta el programa
grabar.exe. Requiere como entrada un archivo con el texto y el nombre del
directorio donde serán almacenados los archivos de sonido, cabe mencionar que
durante esta fase, se puede realizar el recorte del vacío de cada una de las
sílabas.
Por medio del programa recorta.exe se elimina el vacío de los archivos de
sonido. Logrando que estos archivos ocupen el mínimo espacio en el disco y
tenga naturalidad la pronunciación de salida.
El programa llamado tocawin.exe, realiza la fase de generación de voz,
descrita en la sección 3.1.2, dicho programa requiere como entrada un archivo de
texto del cual se quiere su reproducción, y que además deben estar en el mismo
directorio donde fueron almacenados los archivos de sonido.
27