O sintetizador de voz CoToVía permite converter un texto escrito en galego nunha cadea oral

Tras máis dunha década de traballo de investigadores do Grupo de Tecnoloxías Multimedia da Universidade de Vigo e do Instituto da Lingua Galega da Universidade de Santiago de Compostela, coordinados polo Centro Ramón Piñeiro, este venres presentouse oficialmente a versión definitiva do sintetizador de voz CoToVía. Trátase dunha ferramenta informática que permite a conversión dun texto escrito en galego nunha cadea oral. Os encargados de presentalo foron o secretario xeral de Política Lingüística, Valentín García e o director científico do Centro Ramón Piñeiro para a Investigación en Humanidades (CRPIH) e coordinador do proxecto, Manuel González.

Valentín García explicou que se trata dunha iniciativa pioneira no eido da tecnoloxía lingüística en galego. “Ademais do seu valor intrínseco para asegurar o funcionamento e utilidade da nosa lingua na actual sociedade da información e no futuro que nos agarda” e puxo en valor o traballo feito polo Centro Ramón Piñeiro, que “abriu camiños seguidos posteriormente por outros equipos de investigadores e mesmo por empresas”.

Froito do traballo dun equipo multidisciplinar de enxeñeiros e lingüistas

No proxecto CoToVía conflúe o traballo do equipo e enxeñeiros e enxeñeiras do Grupo de Tecnoloxías Multimedia da EE de Telecomunicación de Vigo, coordinados primeiro pola catedrática Carmen García Mateo e actualmente polo profesor Eduardo Rodríguez Banga, e de lingüistas da Universidade de Santiago de Compostela, baixo a dirección de Manuel González González. O obxectivo era construír un sistema de conversión automática texto-voz para a lingua galega e para iso, ao longo dos últimos anos foron presentándose distintas versións ata chegar a esta definitiva, construída con unidades pregravadas extraídas da lingua natural.

CoToVía funciona mediante a concatenación de unidades e difonos extraídos da linguaxe natural, emulando voces masculinas e femininas. Isto faise a través de tres módulos destinados a arquivar os recursos lingüísticos, acústicos e prosódicos (entoación, ortografía, duración dun segmento, etc) cos que se interpretará o texto dun xeito intelixible, fiable e cunha gran naturalidade e proximidade ao discurso oral. Isto supón un destacado avance respecto ás primeiras versións do programa que contaban cunha voz máis mecánica. Unha vez obtida a frase textual, o programa normaliza o texto e realiza un preprocesado do mesmo, para despois realizar unha análise morfolóxico e sintáctico. Esta tarefa deriva nunha transcrición fonética, a partir da que se dan ordes para buscar unha secuencia determinada no módulo acústico e un modulado prosódico, coa duración dos segmentos, a súa intensidade e a frecuencia de cada vogal.

De utilidade para persoas con discapacidades visuais

Os sintetizadores de voz serven para garantirlles a accesibilidade web a persoas con discapacidades visuais, pero son tamén fundamentais en todas as linguas no mundo da automatización das comunicacións, da información e das relacións sociais: en postos de información automatizados (servizos de banca, reservas de billetes, lectura de mensaxes por vía telefónica...), no ensino de idiomas, no ensino de lectura a nenos con dislexia, nas alarmas orais, na verificación de texto etc. Así, e segundo explicou González, persoas con minusvalía visual poderían consultar un dicionario, unha web, unha novela ou usar un programa informático sen necesidade de recorrer a recursos 'braille'.

A versión definitiva de CoToVía púxose ao libre dispor de toda a comunidade como Creative Commons, cunha licenza GPL 3.0+, de maneira que pode ser empregada libremente por calquera empresa ou usuario, coa única condición do recoñecemento de que os seus autores son o CRPIH e a Universidade de Vigo. O enderezo para a descarga é ftp.net-snmp.org. A partir de agora, o equipo do proxecto CoToVía seguirá traballando nunha nova dirección máis flexible e diversificada de elaboración de recursos auxiliares para o desenvolvemento deste tipo de tecnoloxías.