Preparation of a free-running text corpus for Maltese concatenative speech synthesis

Abstract

Sistemi ta' sinteżi tat-taħdit jeħtieġu korpus ta' diskors għani mil-lat fonetiku. Dan l-istudju jixhed għal metodu ġdid li, b'mod awtomatiku, joħloq korpus ta' testi għall-Malti li fuqu jinbena repożitorju diġitali ta' taħdit. Korpus ta' madwar 33 miljun kelma nġabar minn siti elettroniċi, gazzetti, kotba u dokumenti uffiċjali; wara li dan tnaddaf u nqaleb għal rappreżentazzjoni fonetika (minn grafemi), ġie analizzat bl-għan li tinħareġ statistika biex tgħin jinqabdu l-ħsejjes kollha li hemm bżonn għall prosodija ta' ilħna sintetiċi. B'hekk, ġie magħżul korpus iżgħar li, għaldaqstant, xorta jiġbor fih il-karatteristiċi u l-ħsejjes kollha tal-korpus il-kbir. Il-metodu li ntuża biex bih jinħoloq dan il-korpus huwa indirizzat bir-reqqa f'din il-pubblikazzjoni. Il-kwalità tal-korpus hi mill-aqwa meta mqabbla ma' korpora maħluqa minn metodi oħra, inkluża l-għażla manwali.