Федеральное агентство по техническому регулированию и метрологии
Национальный
стандарт
Российской
ФедерацииГОСТ Р
52873-2021
Комплексы электронно-цифровые интерактивные, рассчитанные на использование людьми с инвалидностью и другими ограничениями жизнедеятельности
Системы вывода текстовой информации в форме синтезированной речи.
Технические требования
Предисловие
- РАЗРАБОТАН Федеральным государственным унитарным предприятием «Российский научно-технический центр информации по стандартизации, метрологии и оценке соответствия» (ФГУП «СТАНДАРТИНФОРМ») и авторским коллективом в составе: юриста, сертифицированного тренера и консультанта по адаптивным информационным технологиям А.В. Зеленова, сооснователя и администратора Портала Tiflocomp (tiflocomp.ru), разработчика адаптивных решений А.Н. Камынина, начальника отдела социокультурных проектов и программ ГМКЦ «Интеграция» им. Н.А. Островского, представителя Российской Федерации в глобальной инициативе за инклюзивные ИКТ (G3ICT/Smart cities for all) А.Д. Попко
- ВНЕСЕН Техническим комитетом по стандартизации ТК 381 «Технические средства и услуги для инвалидов и других маломобильных групп населения»
- УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от №
- ВЗАМЕН ГОСТ Р 52873–2017
Введение
По важности и объему воспринимаемой информации слух является второй, после зрения, системой восприятия человека, а в случае невозможности по тем или иным причинам воспользоваться зрением, роль слуха и звуковой информации резко возрастает и при взаимодействии между людьми, и при взаимодействии человека с информационными системами.
Все более широкое распространение получают электронно-цифровые интерактивные комплексы, предоставляющие информацию пользователю в виде синтезированной речи. Примерами таких комплексов можно считать специальное рабочее место для инвалида по зрению (ГОСТ Р 51645—2017); персональный компьютер, смартфон или иное мобильное устройство, оснащенное программой экранного доступа и используемое людьми с нарушениями зрения в повседневной жизни; банковский терминал, оснащенный, помимо дисплея, еще и возможностью подключить аудиовоспроизводящее устройство для прослушивания информации о выполняемой транзакции; любой персональный компьютер или аналогичное по своим возможностям устройство, на котором установлены игровые, обучающие, информационные, навигационные и прочие приложения, использующие синтезированную речь для взаимодействия с пользователем; портативные и стационарные медицинские диагностические приборы с возможностью речевого вывода и многое другое.
Для целей настоящего стандарта все многообразие подобных аппаратно-программных комплексов было сведено к одной обобщенной схеме, в которую вошли аппаратно-техническая платформа, включающая все необходимые компоненты для функционирования операционной среды и прикладных программ; операционная среда (или операционная система), которая может содержать, а может и не содержать вспомогательные программные интерфейсы для поддержки синтеза речи по тексту; прикладное программное обеспечение, использующее синтез речи для взаимодействия с пользователем; система вывода текстовой информации в форме синтезированной речи или (для целей настоящего документа) – система речевого вывода, которая предоставляет соответствующий прикладной программный интерфейс для создания синтезированной речи и вывода ее через аудиовоспроизводящее устройство, предоставленное аппаратно-технической платформой.
Систему речевого вывода, обозначенную в данной схеме, в свою очередь, тоже можно представить в виде набора взаимосвязанных функциональных модулей, одним из которых является синтезатор речи (иногда называемый «речевым движком»). Несмотря на ключевое значение синтезатора речи во всей системе речевого вывода, в настоящем стандарте особого внимания именно синтезатору речи не уделяется. Система речевого вывода рассматривается как единое целое, предоставляющее пользователю возможность получать текстовую информацию в виде звучащей синтезированной речи, параметры которой должны соответствовать настоящему стандарту. Внутренняя архитектура системы вывода текстовой информации в форме синтезированной речи, состав и структура ее модулей, принципы функционирования и методы, используемые для анализа входных текстовых данных, для синтеза звуковых данных и тому подобное, оставлено на усмотрение разработчика. Кроме того, разнообразие современных операционных платформ и их возможностей в части поддержки систем синтеза речи по тексту не позволяет ориентироваться лишь на одну из них.
Именно такой интегрированный подход и обеспечил ключевую роль понятия «система речевого вывода» вместо понятия «синтезатор речи» в настоящем стандарте.
Несмотря на то, что настоящий стандарт в первую очередь ориентирован на специально оборудованное компьютерное рабочее место, используемое людьми с инвалидностью по зрению, в том числе и как средство реабилитации, область его применения охватывает также любое прикладное программное обеспечение, взаимодействующее с пользователем с помощью системы вывода текстовой информации в форме синтезированной речи, причем речевой вывод может сочетаться с визуальным, тактильным и т.п. Примерами такого программного обеспечения могут служить программы экранного доступа, используемые людьми с нарушениями зрения на рабочем месте, в бытовых условиях и иных местах пребывания; игровые, обучающие, информационные, навигационные и прочие программы для широкого круга пользователей.
Любое торговое наименование, использованное в данном документе, является информацией, приводимой для удобства пользователей, и не является свидетельством в пользу того или иного товара.
1. Область применения
Настоящий стандарт распространяется на системы речевого вывода, предназначенные для представления произвольной текстовой информации в форме синтезированной речи для широкого круга лиц, требования и / или особенности деятельности которых предполагают постоянное или ситуационное использование звучащей (устной) речи как способа взаимодействия с человеко-ориентированной информационной системой или контроля ее работы. Примерами подобного взаимодействия могут служить:
- усиление воздействия визуальной информации при помощи речевых сообщений;
- речевое представление информации, когда отсутствуют аппаратно-программные возможности для их визуального представления;
- обеспечение пользователя информацией в ситуациях, когда невозможно использовать зрение (отсутствует освещение или зрение пользователя ослаблено в силу возраста, травмы или болезни);
- выполнение пользователем сложных манипуляций, при которых визуальный канал максимально используется для решения приоритетных задач, но другая необходимая информация воспринимается через слуховой канал (например, управление автомобилем и одновременное прослушивание сообщений навигационного устройства).
2. Нормативные ссылки
В настоящем стандарте использованы нормативные ссылки на следующие стандарты:
ГОСТ Р 50840-95 Передача речи по трактам связи. Методы оценки качества, разборчивости и узнаваемости
ГОСТ Р 51645 Рабочее место для инвалида по зрению типовое специальное компьютерное. Технические требования к оборудованию и производственной среде
ГОСТ Р 52872 Интернет-ресурсы и другая информация, представленная в электронно-цифровой форме. Приложения для стационарных и мобильных устройств и иные пользовательские интерфейсы. Требования доступности для людей с инвалидностью и других лиц с ограничениями жизнедеятельности
Проект, окончательная редакция
3. Термины, определения и сокращения
3.1 Термины и определения
В настоящем стандарте применены следующие термины с соответствующими определениями:
3.1.1 application programming interface (интерфейс прикладного программирования): Описание возможностей, которые операционная среда или прикладная программа через средства программирования предоставляет другим программам, а также требования к программному коду, использующему эти возможности.
3.1.2 extended Speech Assessment Methods Phonetic Alphabet: Система [1] представления знаков Международного фонетического алфавита с помощью набора символов 7-битного компьютерного кода ASCII.
3.1.3 international phonetic alphabet (Международный фонетический алфавит): Фонетический алфавит для транскрибирования любого языка [2].
3.1.4 pronunciation Lexicon Specifications: Язык разметки, основанный на XML и разработанный консорциумом W3C для унифицированного представления информации о произношении слов или фраз в системах распознавания и синтеза речи [3].
3.1.5 pulse code modulation (импульсно-кодовая модуляция): Способ представления цифрового сигнала в виде числовых значений амплитуды (отсчетов), следующих через фиксированные интервалы времени.
3.1.6 speech Synthesis Markup Language: Язык разметки, основанный на XML и разработанный консорциумом W3C для унифицированного представления информации, управляющей параметрами синтеза речи, такими как произношение, громкость, высота тона, скорость и другие [4].
3.1.7 unicode: Международный стандарт индустрии информационных технологий для кодирования, представления и обработки текста, составленного на большинстве мировых систем письменности.
- Стандарт поддерживается консорциумом Unicode [5], и по состоянию на март 2020 года версия Unicode 13.0 содержит 143859 символов, охватывающих 154 современных и исторических наборов букв, а также несколько наборов символов для смайликов.
- Набор символов Unicode синхронизирован с ISO / IEC 10646 в части соответствия символов и их кодов.
3.1.8 вспомогательные технологии: Аппаратное и программное обеспечение, применяющееся пользователем с ограниченными возможностями здоровья отдельно или совместно с основным аппаратно-программным комплексом для обеспечения функциональности, недостижимой с помощью обычных аппаратных и программных средств.
3.1.9 высота тона: Параметр речи, соответствующий высоте основного тона синтезированной речи.
3.1.10 голос: Совокупность акустических и фонетических характеристик синтезированной речи, зависящая от используемого метода синтеза, фонетической базы синтезатора речи и воспринимаемое слушателем как уникальное звучание.
3.1.11 графическая среда: Комплекс программных средств пользовательского устройства, обеспечивающий визуальное представление элементов графического пользовательского интерфейса на видеодисплее и взаимодействие пользователя с этими элементами посредством различных устройств ввода (клавиатуры, мыши, переключателей, сенсорных панелей и других).
3.1.12 громкость речи: Параметр речи, соответствующий уровню громкости выходного звукового сигнала системы речевого вывода.
3.1.13 интонация: Параметр речи, соответствующий просодическим характеристикам синтезированной речи.
3.1.14 качество речи: Субъективная оценка слушателем звучания синтезированной речи.
3.1.15 метаданные: Вспомогательная информация, поступающая в систему речевого вывода совместно с преобразуемым текстом.
3.1.16 операционная среда: Комплекс программных средств пользовательского устройства, обеспечивающий функционирование на нем прикладных программ.
3.1.17 параметр речи: Характеристика синтезированной речи, изменяемая системой речевого вывода в зависимости от исходного текста и метаданных, а также через API, предоставляемого системой речевого вывода для взаимодействия с пользовательским приложением.
3.1.18 пауза: Интервал времени между определенными частями синтезированной речи, не содержащий звука.
3.1.19 передискретизация: Обработка отсчетов исходного цифрового сигнала для получения цифрового сигнала с иной частотой дискретизации.
3.1.20 пользовательское приложение: Прикладное программное обеспечение, взаимодействующее с пользователем, получающее, обрабатывающее входные данные и предоставляющее информацию пользователю, в том числе посредством системы речевого вывода.
3.1.21 прикладное программное обеспечение: Совокупность программных средств, выполняющих задачи, решаемые в предметной области пользователя.
3.1.22 программа экранного доступа: Пользовательское приложение, позволяющее незрячим пользователям воспринимать текстовую и иную экранную информацию посредством рельефно-точечного шрифта Брайля, синтезированной речи, вибрационных, звуковых и иных сигналов.
3.1.23 разборчивость речи: Характеристика синтезированной речи, определяющая семантически верное восприятие пользователем единиц речевой информации.
3.1.24 синтезатор речи: Компонент системы речевого вывода, преобразующий цифровой текст в синтезированную речь, передаваемую на аппаратные средства вывода звука.
3.1.25 синтезированная речь: Искусственно созданный звуковой сигнал, воспринимаемый слушателем как аналог человеческой речи.
3.1.26 система речевого вывода: Программное обеспечение, преобразующее цифровой текст в синтезированную речь, а также звуковые сигналы, являющиеся смысловыми аналогами речевых сообщений.
- Система речевого вывода взаимодействует с пользовательским приложением, получая от него текст, представленный кодами символов, который необходимо преобразовать в синтезированную речь, а также метаданные, содержащие информацию, управляющую процессом синтеза речи и / или изменяющие значения параметров речи и системы речевого вывода.
- Системы речевого вывода используют различные архитектурно-программные решения, способы взаимодействия между внутренними компонентами, с внешними приложениями и операционной средой, чтобы реализовать требуемый функционал и обеспечить требуемое качество синтезированной речи. Например, система речевого вывода может быть реализована как неотъемлемая часть пользовательского приложения; как загружаемые модули для работы в рамках одного процесса с пользовательским приложением, предоставляя соответствующий API для такого взаимодействия; как самостоятельный процесс (служба) для работы с любым пользовательским приложением по протоколу, определяемому международными, государственными, общественными или корпоративными стандартами и спецификациями.
- Обобщенная система речевого вывода включает в себя: реализацию API для взаимодействия с пользовательским приложением; блок синтеза речи, содержащий один или несколько программных или аппаратных синтезаторов речи; компонент для взаимодействия с аппаратными устройствами вывода звука.
- В настоящем стандарте система речевого вывода рассматривается исключительно в аспекте ее главного предназначения – обеспечивать пользователя корректной, релевантной информацией в форме синтезированной речи, сформированной на основе информации, предоставляемой в виде цифрового текста пользовательским приложением и / или операционной средой.
3.1.27 скорость речи: Параметр речи, соответствующий количеству передаваемых речевых единиц в единицу времени (например, количество слогов в секунду или количество слов в минуту).
3.1.28 специальное рабочее место: Категория оснащенных компьютером рабочих мест, специализированных для выполнения трудовых обязанностей человеком с инвалидностью по зрению и соответствующих требованиям ГОСТ Р 51645.
3.1.29 текст: Информация, воспринимаемая человеком и представленная с использованием символов какой-либо системы письменности.
3.1.30 Универсальный Кодовый набор символов: Набор символов с сопоставленными им числовыми кодами и способами кодирования, определенный в стандарте ISO / IEC 10646, Information technology – Universal Coded Character Set (UCS) (и поправках к этому стандарту), а также в индустриальном стандарте Unicode.
3.1.31 фонемная база: Обобщенное название для совокупности упорядоченных звуковых фрагментов в любом формате хранения цифрового звука, используемой в процессе конкатенативного синтеза речи.
3.1.32 фонетический алфавит: Алфавит, предназначенный для фонетической транскрипции языка устной речи.
3.1.33 цифровой текст: Текст, символы которого представлены числовыми значениями из какого-либо кодового набора символов.
3.2 Сокращения
В настоящем стандарте приняты следующие сокращения:
3.1.34 API: application programming interface;
3.1.35 IPA: International phonetic alphabet;
3.1.36 PCM: pulse code modulation;
3.1.37 PLS: Pronunciation Lexicon Specifications;
3.1.38 SSML: Speech Synthesizers Markup Language;
3.1.39 X-SAMPA: Extended Speech Assessment Methods Phonetic Alphabet.
4. Технические требования
4.1 Система речевого вывода должна удовлетворять требованиям настоящего стандарта независимо от того, какие компоненты и модули задействованы в синтезе речи по тексту, являются ли эти компоненты и модули частью операционной среды или разработаны сторонними разработчиками.
Если компоненты операционной среды, используемые при синтезе речи по тексту, не позволяют системе речевого вывода соответствовать требованиям настоящего стандарта, то система речевого вывода должна использовать аналогичные по функционалу сторонние компоненты, позволяющие реализовать требования настоящего стандарта.
Система речевого вывода должна реализовывать все требования настоящего стандарта независимо от того, существует ли возможность реализовать их на стороне пользовательского приложения, взаимодействующего с системой речевого вывода. Если система речевого вывода и прикладная программа, взаимодействующая с ней, составляют единый программный продукт и не предполагают раздельного использования, что явно оговорено в лицензионном соглашении и условиях эксплуатации, то требования к системе вывода речи относятся ко всему продукту целиком, а выбор внутреннего компонента, который будет реализовывать требования настоящего стандарта, остается на усмотрение разработчика.
4.2 Система речевого вывода должна соответствовать:
а) всем требованиям используемой операционной среды, предъявляемым к прикладным программам;
б) требованиям операционной среды, предъявляемым к прикладным программам, использующим системный API для поддержки синтеза речи по тексту, если система вывода речи использует указанный API;
в)требованиям прикладной программы, совместно с которой используется данная система.
4.3 Система речевого вывода, используемая в составе специального рабочего места, должна соответствовать, в том числе и в части предоставляемого API, требованиям программы экранного доступа, которой оснащено данное рабочее место.
4.4 Система речевого вывода может предоставлять дополнительный API для взаимодействия с прикладными программами и управления параметрами синтеза речи, не оговоренными в настоящем стандарте.
4.5 Система речевого вывода должна обеспечивать устойчивую совместную работу с пользовательским приложением, обрабатывать все варианты метаданных, в том числе и содержащие ошибки, обрабатывать любые сочетания символов во входных данных без аварийного завершения работы.
4.6 Вспомогательное программное обеспечение, входящее в состав системы речевого вывода и предназначенное для взаимодействия с пользователем при помощи пользовательского графического интерфейса, должно надлежащим образом взаимодействовать с API вспомогательных технологий и удовлетворять требованиям доступности, предъявляемым в используемой операционной или графической среде к интерфейсу пользовательских приложений.
Для системы речевого вывода, используемой в составе специального рабочего места, указанное вспомогательное программное обеспечение должно быть доступно для программы экранного доступа, которой оснащено данное рабочее место.
4.7 Система речевого вывода в качестве входных данных должна принимать:
а) цифровой текст для преобразования в речь, представленный в кодировках, поддерживаемых используемой операционной средой;
б) цифровой текст совместно с метаданными, представленными с использованием SSML;
в) транскрибированный текст, представленный с использованием знаков IPA в кодах Unicode. Дополнительно может поддерживаться представление знаков IPA по системе X-SAMPA;
г) информацию о произношении, представленную с использованием PLS.
4.8 Система речевого вывода, в составе специального рабочего места или взаимодействующая с программой экранного доступа, должна поддерживать:
а) корректное произношение любых символов Unicode в том числе и составных.
Составной символ Unicode должен произноситься как единый символ в потоке речи (то есть при чтении слов, предложений), и как последовательность отдельных символов, входящих в его состав, при посимвольном чтении. Для символов Unicode, не входящих в алфавит языка синтезированной речи, должно озвучиваться их локализованное название в соответствии со спецификацией Unicode;
б) произношение любого сочетания букв, в том числе и невозможного или ошибочного по правилам произношения языка синтезированной речи;
в) произношение числовых данных.
4.9 Синтезированная речь должна соответствовать современным орфоэпическим нормам используемого языка (для русского см. [6]).
В частности, для русского языка должны выполняться:
а) правильное произношение слов с буквой «ё» в случаях, когда в тексте буква «ё» представлена буквой «е»;
б) распознавание и правильное произношение омонимов;
в) распознавание и правильное произношение сокращений и аббревиатур.
Система речевого вывода должна поддерживать пользовательский словарь произношений, а также предоставлять пользователю возможность внесения новых, редактирования и удаления существующих записей из такого словаря.
Это требование не распространяется на электронно-цифровые комплексы массового применения, не использующие аутентификацию или не поддерживающие долговременное хранение учетных данных пользователей (например, банкоматы или иные компьютеризированные терминалы самообслуживания).
Возможность изменять пользовательский словарь может быть реализована как в виде вспомогательного приложения с графическим пользовательским интерфейсом, удовлетворяющим 4.6, так и в форме текстовых файлов словаря произношений, доступных для чтения и редактирования пользователем при помощи текстового редактор
4.11 Система речевого вывода должна обеспечивать вывод звука посредством соответствующих интерфейсов, стандартизованных или специфицированных для базовых операционной среды и аппаратной платформы, и формировать звуковой поток данных на аппаратное средство вывода звука. Взаимодействие с указанными средствами может выполняться как при помощи API, предоставляемого операционной средой, так и программными средствами самой системы речевого вывода, если необходимый API операционной среды отсутствует или не позволяет воспроизвести звук в том качестве, которое определено настоящим стандартом.
4.12 Система речевого вывода должна преобразовывать текст быстрее, чем он выдается в виде синтезированной речи через аппаратные средства вывода звука.
Данное требование не распространяется на системы речевого вывода, не участвующие в момент своей работы в интерактивном взаимодействии с пользователем, и осуществляющие вывод звуковых данных не через аппаратное средство воспроизведения звука.
- Данное требование, в частности, означает, что паузы между единицами речи должны определяться значениями соответствующих параметров, а не задержками, возникающими в ходе преобразования текста в речь.
- Примером работы системы речевого вывода, не участвующей в интерактивном взаимодействии с пользователем, может быть работа такой системы совместно с приложением, которое преобразует текстовые данные в синтезированную речь и сохраняет результат в виде одного или нескольких звуковых файлов.
4.13 Система речевого вывода должна синтезировать звуковой поток, параметры которого эквивалентны звуковому потоку, кодированному линейной PCM с частотой дискретизации 22050 Гц, размерностью отсчетов 16 бит и числом каналов 1 (моно).
Если аппаратные средства устройства поддерживают воспроизведение звука только с частотой дискретизации или размерностью отсчетов, ниже требуемых, то система речевого вывода должна синтезировать звук с частотой дискретизации и размерностью отсчетов максимально близких к требуемым.
Если в системе речевого вывода используются фонемная или речевая базы, то указанные параметры должны быть результатом представления звуковых данных в таких базах, а не результатом передискретизации, изменения разрядности отсчетов или числа каналов звукового потока, полученного с использованием исходной фонемной или речевой базы.
Система речевого вывода может синтезировать звуковой поток с более высокой частотой дискретизации, более высокой размерностью отсчета и большим числом каналов, если воспроизведение звука с такими параметрами поддерживается операционной средой и аппаратной платформой.
Если система речевого вывода поддерживает различные варианты параметров звукового потока, пользователю должна быть предоставлена возможность выбрать вариант по своему усмотрению.
4.14 Система речевого вывода должна предоставлять возможность пользователю по своему усмотрению выбрать аппаратное устройство для вывода звука, если в аппаратно-технической платформе присутствует более одного такого устройства, а операционная среда поддерживает работу с ними. Система речевого вывода должна предоставлять такой выбор независимо от того, предоставляет ли его пользовательское приложение.
4.15 Система речевого вывода должна обеспечивать естественность звучания синтезированной речи.
Для оценки естественности звучания можно использовать способ, основанный на п. 10.5 ГОСТ Р 50840-95, когда группа аудиторов прослушивает фрагменты синтетической речи и сравнивает их звучание с образцом голоса диктора, принимавшего участие в создании фонемной базы синтезатора, оценивая схожесть звучания по пятибалльной шкале.
Для методов синтеза речи, не использующих записи естественной речи дикторов-доноров, естественность звучания можно оценивать, предлагая аудиторам прослушать различные фрагменты синтезированной речи и оценить их естественность звучания по пятибалльной шкале.
4.16 Система речевого вывода, используемая в составе специального рабочего места, должна поддерживать синтез речи на русском и английском языках. Дополнительно такая система речевого вывода может поддерживать синтез речи на государственном языке республики в составе Российской Федерации или языке народности Российской Федерации, если специальное рабочее место установлено на территории, где такой язык употребляется при обучении или в профессиональной деятельности.
Система речевого вывода должна поддерживать синтез речи на языке, для которого локализовано пользовательское приложение.
4.17 Система речевого вывода может поддерживать синтез речи на любых языках.
4.18 Система речевого вывода должна обеспечивать необходимую разборчивость синтезированной речи при любых поддерживаемых значениях скорости речи. Разборчивость речь определяется по ГОСТ Р 50840-95.
4.19 Система речевого вывода должна поддерживать изменение скорости речи при неизменной высоте тона голоса. В качестве нормальной скорости устанавливается Нормальный темп речи по ГОСТ Р 50840-95.
Диапазон поддерживаемых значений должен охватывать от 50%до 200% от значения нормальной скорости и содержать не менее пяти неубывающих промежуточных значений, равноудаленных друг от друга.
4.20 Система речевого вывода, используемая совместно с программой экранного доступа или в составе специального рабочего места, должна содержать хотя бы один голос, поддерживающий максимальное значение скорости речи не менее четырехкратного значения нормальной скорости.
4.21 Система речевого вывода должна поддерживать изменения основного тона голоса при неизменной скорости речи. Диапазон поддерживаемых значений должен охватывать от 50% до 150% от значения нормальной высоты голоса.
4.22 Система речевого вывода должна поддерживать изменения громкости речи во всем диапазоне значений, определяемых размерностью отсчета в звуковом потоке.
4.23 Система речевого вывода должна предоставлять возможность изменения, переключения, включения и отключения пользователем по его выбору поддерживаемых параметров речи (обязательных и необязательных в соответствии с настоящим стандартом), таких как высота, громкость, скорость, длительность пауз между словами и предложениями, используемый голос, интонирование , эмоциональная окраска, распознавание и переключение языка, выбор параметров звука и аудиоустройства для воспроизведения синтезированной речи.
Внесенные пользователем изменения должны сохраняться между периодами работы системы речевого вывода, исключая аппаратно-программные комплексы массового применения, не использующие аутентификацию или не поддерживающие долговременное хранение учетных данных пользователей (например, банковские или иные компьютеризированные терминалы самообслуживания).
Значения параметров, установленные пользователем, имеют более высокий приоритет, чем значения, используемые системой речевого вывода по умолчанию.
Разработчик системы речевого вывода может предоставить пользователю возможность изменять другие параметры речи. Пользователю должна быть предоставлена возможность в любой момент вернуть изменяемые параметры к их исходным значениям.
Исходные значения изменяемых параметров должны соответствовать настоящему стандарту и выбираются разработчиком на основе экспертной оценки работы системы речевого вывода.
4.24 Система речевого вывода должна предоставлять пользователю возможность изменить названия символов для их произношения при посимвольном чтении, а также возможность отключить произнесение символов Unicode, не входящих в алфавит языка синтезируемой речи.
Внесенные пользователем изменения должны сохраняться между периодами работы системы речевого вывода.
Названия символов, установленные пользователем, имеют более высокий приоритет, чем названия символов, используемые системой речевого вывода по умолчанию.
Отключение произнесения символов Unicode должно быть возможно как для отдельного символа, так и для диапазонов / наборов символов.
Требования, указанные в данном пункте, не распространяются на аппаратно-программные комплексы массового применения, не использующие аутентификацию или не поддерживающие долговременное хранение учетных данных пользователей (например, банковские или иные компьютеризированные терминалы самообслуживания).
4.25 Система речевого вывода, используемая в составе специального рабочего места или взаимодействующая с программой экранного доступа, должна для русского языка поддерживать режим особого произношения, при котором звучащая синтезированная речь максимально идентична входному тексту независимо от правил произношения. В частности: озвучиваются все буквы, в том числе и непроизносимые в обычном режиме; все гласные звуки произносятся одинаково четко независимо от того, являются ли они ударными или нет; все согласные звуки произносятся четко без замены их парными глухими или звонкими.
- Такой режим позволяет пользователю анализировать на слух грамматические и орфографические характеристики читаемого текста, выявлять многие ошибки эффективнее, чем с использованием современных систем проверки орфографии.
- Выбор способа реализации режима особого произношения предоставляется разработчику системы речевого вывода. К примеру, это может быть и набор специальных настроек для того же голоса, что используется в обычном режиме, либо голос, используемый специально для особого произношения, с иными, чем у основного голоса, характеристиками.
4.26 Система речевого вывода может предоставлять режим особого произношения для любого из поддерживаемых языков синтезируемой речи.
4.27 Система речевого вывода, работающая в режиме особого произношения, должна соответствовать требованиям настоящего стандарта (при этом для г) 4.30 удовлетворительным считается степень выраженности от 0 до 2 баллов включительно).
4.28 Система речевого вывода, работающая в режиме особого произношения, должна отключать эмоциональную окраску синтезированной речи, если иное не установлено пользователем.
4.29 Система речевого вывода должна предоставлять пользователю возможность включать и отключать режим особого произношения в любой момент работы системы речевого вывода.
4.30 Система речевого вывода должна соответствовать требованиям качества речи. Следующие признаки синтезированной речи являются причинами ее низкого качества:
а) картавость – искажение сонорных «л», «р»;
б) плаксивость – дрожание основного тона;
в) гнусавость – звучание речи с излишней назализацией («произношение в нос»);
г) механический голос – монотонность речи, потеря естественности звучания речи;
д) дребезжание, хрип – неровный, резкий и прерывистый звук;
е) помехи – шумы и призвуки в речевых паузах;
ж) ошибки в произношении;
и) замена звуков, их выпадение или добавление;
к) отсутствие пауз или их неправильная, произвольная длительность;
л) неверный ритм чтения;
м) неровная или неверная интонация;
н) неверная или чрезмерная эмоциональная окраска;
п) нарушения плавности речи (дефекты в речевом сигнале): прерывистость, скачки, «бульканье», стук и т. п.
Для выявления указанных признаков и оценки их выраженности используется способ, который базируется на ГОСТ Р 50840-95 «Измерение качества речи методом оценки по селективным признакам» и состоит в прослушивании аудиторами фрагментов синтезированной речи, созданных в реальном времени оцениваемой системой речевого вывода по произвольному тексту. Каждый из аудиторов по результатам прослушивания определяет наличие признака в синтезированной речи и оценивает степень его выраженности по пятибалльный шкале. Прослушивание выполняется для минимального, нормального и максимального значений всех параметров речи, изменения которых должны поддерживаться системой речевого вывода по требованиям настоящего стандарта.
Система речевого вывода, используемая в составе специального рабочего места или взаимодействующая с программой экранного доступа, получившая для требуемых значений параметров речи по каждому из указанных признаков среднюю оценку степени выраженности не выше одного балла, считается соответствующей настоящему стандарту в части требований по качеству речи.
Система речевого вывода, используемая в составе специального рабочего места, должна проходить указанную процедуру оценки качества речи непосредственно на данном специальном рабочем месте с применением программы экранного доступа.
4.31 Система речевого вывода, используемая в составе специального рабочего места или взаимодействующая с программой экранного доступа, должна обеспечивать единообразие произношения идентичных фрагментов текста, интонационную и эмоциональную нейтральность синтезированной речи при озвучивании информации, предоставляемой программой экранного доступа при отсутствии метаданных, явно определяющих интонационные и / или эмоциональные характеристики речи.
4.32 Система речевого вывода, используемая в составе специального рабочего места или взаимодействующая с программой экранного доступа, не должна синтезировать речь или создавать звуковые сигналы, негативно влияющие на пользователя, вызывающие повышенную утомляемость и снижающие его работоспособность.
4.33 Система речевого вывода должна включать в свой состав руководство пользователя в виде электронного документа, соответствующего ГОСТ Р 52872.
Для системы речевого вывода, используемой в составе специального рабочего места, руководство пользователя должно быть доступно для чтения при помощи программы экранного доступа, которой оснащено данное рабочее место.
4.34 Для системы речевого вывода должны быть представлены условия эксплуатации, содержащие минимальные и рекомендуемые значения параметров аппаратно-программного оснащения, необходимого для функционирования системы речевого вывода. Условия эксплуатации должны быть представлены в доступной для пользователя форме.
4.35 Производительность системы речевого вывода должна обеспечивать необходимую для пользователя скорость предоставления выходных речевых данных на системах, удовлетворяющих минимальным аппаратно-программным требованиям, указанным в условиях эксплуатации системы речевого вывода.
4.36 Аппаратно-программное оснащение специализированного рабочего места должно удовлетворять рекомендуемым аппаратно-программным требованиям, указанным в условиях эксплуатации системы речевого вывода, или превосходить их.
Библиография
- SAMPA computer readable phonetic alphabet: https://www.phon.ucl.ac.uk/home/sampa/
- IPA symbols with Unicode decimal and hex codes: https://www.internationalphoneticalphabet.org/ipa-charts/ipa-symbols-with-unicode-decimal-and-hex-codes/
- Pronunciation Lexicon Specification (PLS) Version 1.0: https://www.w3.org/TR/pronunciation-lexicon/
- Speech Synthesis Markup Language (SSML) Version 1.1: https://www.w3.org/TR/speech-synthesis/
- Unicode – The World Standard for Text and Emoji: https://home.unicode.org/
- Российская Академия Наук. Институт русского языка им. В.В.Виноградова. Орфоэпический словарь русского языка: произношение, ударение, грамматические формы: свыше 70000 слов / Под. ред. Н. А. Еськовой. – 10-е изд., испр. и доп. – М.: АСТ, 2014. – 1008 с.ISBN 978-5-17-082898-2 (Лучшие современные словари). ISBN 978-5-17-082897-5 (Словари нового поколения) + CD.
УДК 681.327.8:006.354 ОКС 11.180.30 Э65 ОКП 40 3320 ОКПД2 26.20.16.140
Ключевые слова: система речевого вывода, электронно-цифровые интерактивные комплексы, синтезатор речи