- / -

H διαρκώς αυξανόμενη ανάπτυξη εφαρμογών όπως τα συστήματα μετατροπής κειμένου σε ομιλία (TTS systems) ή τα συστήματα αυτόματης αναγώρισης ομιλίας (ASR systems) κάνουν επιτακτική την ανάγκη της μελέτης χαρακτηριστικών της ομιλίας που δεν περιορίζονται σε συντακτικούς ή λεξιλογικούς κανόνες, αλλά σηματοδοτούνται από διαφορετικές διαδικασίες, όπως είναι η προσωδία. Τα προσωδιακά χαρακτηριστικά της ομιλίας είναι αυτά που πέρα από το λεξιλογικό περιεχόμενο των προτάσεων, επισημαίνουν άλλα σημαντικά στοιχεία που αφορούν στην εστίαση και την έμφαση, εισάγωντας με αυτό τον τρόπο ένα δευτερεύον υποκείμενο κανάλι στην επικοινωνία. Επιπλεόν, συνδέονται σε μεγάλο βαθμό με την έκφραση συναισθήματος στην ομιλία. Γι'αυτό το λόγο είναι σημαντικό το να διερευνηθούν τα χαρακτηριστικά αυτά, τόσο στην ουδέτερη ομιλία, όσο και στις περιπτώσεις ομιλίας σε ορισμένες συναισθηματικές καταστάσεις. Στην παρούσα διπλωματική εργασία γίνεται τεμαχιοποίηση μιας συναισθηματικής ομιλίας, σε επίπεδο φωνημάτων και επιτονική επισημείωση των προσωδιακών γεγονότων που λαμβάνουν χώρα σε επίπεδο συλλαβών, προκειμένου να εξαχθούν οι παράμετροι εκείνες που θα μας επιτρέψουν να μελετήσουμε τα προσωδιακά χαρακτηριστικά παρουσία συναισθηματικής κατάστασης, σε σύγκριση με την ουδέτερη ομιλία. Στη συνέχεια πραγματοποιείται επεξεργασία των δεδομένων και μελέτη των προσωδιακών χαρακτηριστικών, μέσω σύγκρισης των χαρακτηριστικών που παρατηρούνται απο συναίσθημα σε συναίσθημα και μέσω της κατασκευής μοντέλων πρόβλεψης της διάρκειας των φωνημάτων και από αυτές τις διαδικασίες προκύπτουν και παρουσιάζονται κάποια συμπεράσματα σχετικά με την προσωδιακή πτυχή της συναισθηματικής ομιλίας. / The continuously rising development of applications such as Text-to-Speech systems (TTS systems) or Automatic Speech Recognition systems (ASR systems), make imperative the investigation of characteristics of speech which are not limited within the syntactic οr lexical rules, but are signaled by different processes, such as prosody. The prosodic features of speech are those which, beyond the lexical content of utterances, point out other important elements concerning the focus and the accent, implying in that way a secondary subjacent channel of communication. Moreover, they are connected to a great extent with the expression of emotion in speech. Thus, it is important to investigate these features, in neutral speech as well as in cases of speech under emotional conditions. In this thesis, took place the segmentation of a database of emotional speech in phonemic level and the intonational annotation of the prosodic events that occur in the syllabic level, in order to extract the parameters that allow us to study the prosodic features in the presence of emotional state compared to the neutral speech. Following, the extracted data were processed and the prosodic features were studied, through comparing the characteristics that are observed in the different emotional conditions and by building duration prediction models of phonemes and the conclusions drawn through these processes are presented, with regard to the prosodic aspect of emotional speech.

Η παρούσα εργασία βασίζεται στην παραδοχή ότι οι ποικίλες υφολογικές επιλογές ενός ομιλητή, συμπεριλαμβανομένων των προσωδιακών του επιλογών, λειτουργούν ως ενδείκτες συμφραστικοποίησης (contextualization cues) (βλ. Gumperz, 1982). Ως δείκτες συμφραστικοποίησης, καθοδηγούν τον ακροατή να εντάξει το λόγο που προσλαμβάνει κατάλληλα στην περίσταση, αλλά και στα κατάλληλα γνωστικά και γλωσσικά συμφραζόμενα ώστε να καταλήξει στην προσδοκώμενη ερμηνεία. Βασική υπόθεση της εργασίας είναι ότι μέσα σε χιουμοριστικές συνομιλιακές αφηγήσεις, συγκεκριμένα προσωδιακά χαρακτηριστικά μπορούν να αποτελέσουν δείκτες συμφραστικοποίησης για το χιούμορ (βλ. Norrick, 2004). Βασιζόμενη στην Γενική Θεωρία για το Γλωσσικό Χιούμορ (GTVH) (βλ. Attardo 1994, 2001), κατά την οποία το χιούμορ στηρίζεται στην ασυμβατότητα ανάμεσα σε αυτό που αναμένεται να συμβεί και σε αυτό που τελικά συμβαίνει, χρησιμοποιώ ως βασική μονάδα ανάλυσης των αφηγήσεών μου τη χιουμοριστική φράση (jab line), η οποία θεωρείται ότι εμπεριέχει την γνωστική αντίθεση στην οποία στηρίζεται το χιούμορ. Στόχος μου είναι να δείξω αν συγκεκριμένα προσωδιακά χαρακτηριστικά, όπως οι παύσεις, η ταχύτητα και η ένταση, συμβάλλουν στην (ανα)δείξη του χιούμορ μέσα σε μία αφήγηση, και αν κάτι τέτοιο γίνεται με συστηματικό τρόπο. Με άλλα λόγια, στόχος μου είναι να δείξω αν το χιούμορ οριοθετείται και προβάλλεται προσωδιακά συγκριτικά με το υπόλοιπο μη χιουμοριστικό κείμενο, και ποια είναι αυτά τα προσωδιακά χαρακτηριστικά που συμβάλλουν σε αυτό. / -

Αντικείμενο της παρούσης διδακτορικής διατριβής αποτελεί η μελέτη και μοντελοποίηση των φαινομένων επιτονισμού της Ελληνικής γλώσσας με εφαρμογές στην σύνθεση ομιλίας. Στα πλαίσια της διατριβής αυτής αναπτύχθηκαν πόροι ομιλίας και εργαλεία για την επεξεργασία και μελέτη προσωδιακών παραγόντων οι οποίοι επηρεάζουν την πληροφορία που μεταφέρεται μέσω του προφορικού λόγου. Για την διαχείρηση και επεξεργασία των παραπάνω πόρων υλοποιήθηκε πλατφόρμα μετατροπής κειμένου σε ομιλία βασισμένη στην συνένωση δομικών μονάδων ομιλίας. Για την μελέτη και την δημιουργία των μοντέλων μηχανικής μάθησης χρησιμοποιήθηκε η γλωσσολογική αναπαράσταση GRToBI των φαινομένων επιτονισμού. / In this thesis we cope with the task of studying and modeling prosodic phenomena encountered in Greek language with applications to the task of speech synthesis from tex. Thus, spoken corpora with various levels of morphosyntactical and linguistic representation as well as tools for their processing, we constructed. For the task of coding the emerged prosodic phenomena of our recorded utterences we have utilized the GRToBI annotation of speech.