Prosody — nutqning so‘z va alohida tovushlardan yuqori darajadagi ohang, urg‘u, ritm, davomiylik va pauza xususiyatlari. U gap turi, ma’no markazi, kayfiyat, speaker uslubi va phrase chegaralarini yetkazadi. Bir xil so‘zlar prosody o‘zgarsa savol, tasdiq, kinoya yoki turli emotsional mazmunda eshitilishi mumkin.
Akustik tarkib
Fundamental frequency, odatda F0, perceived pitch bilan bog‘liq. Energy ovoz kuchiga, duration tovush va bo‘g‘in uzunligiga ta’sir qiladi. Pause phrase bo‘linishini bildiradi. Speaking rate birlik va vaqt nisbati bilan o‘lchanadi, ammo faqat tezlikni bir xil koeffitsiyentda o‘zgartirish tabiiy ritm bermasligi mumkin.
Pitch absolute qiymati speaker jins, yosh va fiziologiyasiga bog‘liq. Prosodic tahlilda speaker-normalized contour, slope va relative accent muhimroq. Voiceless segmentlarda F0 aniqlanmaydi. Pitch tracker octave error yoki shovqinda noto‘g‘ri qiymat berishi mumkin.
Lingvistik vazifa
Lexical stress so‘z ichidagi bo‘g‘inni ajratadi. Sentence stress yangi yoki qarama-qarshi ma’lumotni ta’kidlaydi. Intonation contour gap oxiridagi savol yoki davomiylikni bildirishi mumkin, lekin til va dialektga bog‘liq. Tone language’da pitch lexical ma’no ham ajratadi.
Prosodic phrase syntax bilan bog‘liq, ammo aynan bir xil emas. Speaker tushunarlilik uchun uzun gapni semantic bo‘laklarga ajratadi. Noto‘g‘ri pauza modifierni boshqa so‘zga bog‘lab, ma’noni o‘zgartirishi mumkin. Punctuation yordam beradi, lekin matndagi vergul doim audio pause emas.
Speech synthesis
TTS prosody predictor text feature, phoneme, punctuation va contextdan duration, pitch hamda energy chiqaradi. Averaging modelni monoton qiladi. Style token, reference audio yoki explicit control boshqa speaking style yaratishi mumkin. Boshqaruv model training distributionidan juda uzoqqa chiqsa distortion paydo bo‘ladi.
SSML break, emphasis, pitch va rate kabi parametrlarni belgilashi mumkin. Mutlaq pitchni hamma voice’ga bir xil qo‘llash tabiiy emas; relative o‘zgarish ko‘proq mos. Long-form synthesis’da paragraph va dialog davomida style izchil saqlanadi. Speaker turnlari alohida voice va pauza bilan ajratiladi.
Speech recognition
Prosody word boundary, punctuation va speaker intentni aniqlashga yordam beradi. End-to-end ASR akustik feature orqali ayrim prosodic signalni implicit o‘rganadi. Punctuation restoration alohida model transcriptga vergul va nuqta qo‘shadi. Savol intonatsiyasi semantic matnda savol belgisini tanlashga yordam berishi mumkin.
Emotion recognition pitch va energy patternlariga tayanadi, ammo cultural, speaker va context farqi katta. Ovozdan ruhiy holat yoki niyatni qat’iy xulosa qilish yuqori xato va etik xavfga ega. Bunday prediction inson qarorini avtomatik almashtirmaydi.
Baholash
Objective metric predicted F0, duration va energy’ni reference bilan solishtiradi. Bir matnning bir nechta tabiiy prosody varianti bo‘lgani uchun bitta referencega masofa sifatni to‘liq o‘lchamaydi. Mean Opinion Score, preference test va task-specific comprehension tinglovchi bahosini beradi.
Test savol, ro‘yxat, uzun gap, dialog, abbreviation va turli emotsional uslubni qamrab oladi. Speaker similarity bilan prosody tabiiyligi alohida baholanadi. Juda ifodali, lekin matn ma’nosiga zid output yuqori “jonlilik” bahosi olsa ham sifatli emas.
Annotatsiya va boshqaruv
Prosody datasetida pitch contour, stressed syllable, phrase boundary yoki emotion label annotatsiya qilinadi. Inson annotatorlar intonatsiyani har doim bir xil talqin qilmaydi, shuning uchun agreement o‘lchanadi. TTS control’da foydalanuvchiga “tez”, “xotirjam” kabi yuqori darajali style berish raw pitch qiymatini qo‘lda belgilashdan tushunarliroq. Model bu style’ni speaker identity bilan aralashtirmasligi uchun alohida tekshiruv zarur.
Bog‘liq tushunchalar
Intonation, Stress, Rhythm, Pitch, Speech synthesis, SSML, Acoustic model