مهمترین شاخصه یک برنامه تبدیل متن به گفتار، میزان طبیعی بودن گفتار حاصل است. در برنامههای تبدیل متن به گفتار معمولا پردازش نوایی با تغییر فرکانس پایه و دیرش واحدهای بازسازی صورت میگیرد، که گفتار حاصل تا حدی ویژگیهای نوایی جمله را دارد اما با توجه به آزمونهای ادراکی و پژوهشهای جدیدی که در زمینه بازسازی واحدهای گفتاری صورت گرفته به نظر میرسد بهتر است واحدهای بازسازی از بافتهای نوایی مختلف و حساس به ساختار نوایی انتخاب شده و سپس برای تولد گفتار همگذاری شوند. در این حالت گفتار حاصل طبیعیتر خواهد بود. از این رو تهیه واحدهای بازسازی یعنی هجا بر این اساس مد نظر قرار گرفت و پیکره نوشتاری هجای CV فارسی بر این اساس تهیه شد. از آنجا که پرداختن به همه تفاوتهای نوایی هجاها و لحاظکردن همه این تفاوت در برنامه بازسازی گفتار پیچیده و دشوار است، بنابراین هجاهای مورد نظر تنها از چهاربافت نوایی ۱) هجای بیتکیه واژگانی؛ ۲) هجای تکیه بر واژگانی، تکیه زیر و بمی غیرهسته؛ ۳) هجای تکیه بر واژگانی، تکیه زیر و بمی هسته، نواخت مرزی افتان؛ ۴) هجای تکیه بر واژگانی، تکیه زیر و بمی هسته، نواخت مرزی خیزان استخراج میشوند: در زبان فارسی ۲۳ همخوان و ۶ واکه وجود دارد که از ترکیب همخوانها با واکهها ۱۳۸ (۱۳۸ =۶*۲۳) هجای CV بدست میآید که با احتساب چهار بافت نوایی، تعداد هجاهای نوایی ۵۵۲ (۵۵۲=۴*۱۳۸) نمونه است. تولید هجاها در گفتار پیوسته و در درون جمله صورت گرفت. ضبط و تهیه پیکره گفتاری هجاهای ساده و مرکب براساس سیگنال آکوستیکی و طیف نگاشت و با لحاظ معیارهای مشخص صورت گرفت و سپس هجاهای حاصل در پروندههای مختلف مبتنی بر جایگاه نوایی ذخیره شد. این دادهها میتوانند برای استفاده در برنامه تبدیل متن به گفتار مورد استفاده قرار گیرد.
محمودزاده، زهرا، و وحید صادقی. 1392. ساخت پیکره گفتاری هجای CV زبان فارسی مبتنی بر الگوی نوایی گفتار برای استفاده در برنامه تبدیل متن به گفتار. تهران: پژوهشگاه علوم و فناوری اطلاعات ایران.
