JP2000305585A - 音声合成装置 - Google Patents

Abstract

(57)【要約】 【課題】 文章毎の平均ピッチのばらつきを抑制し、聞
き易い合成音声を生成できる音声合成装置を提供する。 【解決手段】 音声合成装置は、パラメータ生成部３０
０が、中間言語解析部３０１、フレーズ指令決定部３０
２、アクセント指令決定部３０３、音韻継続時間決定部
３０４、音韻パワー決定部３０５、ピッチパタン生成部
３０６、及び基底ピッチ決定部３０７を備え、フレーズ
指令の生起時点Ｔ0iと大きさＡpi、アクセント指令の開
始時点Ｔ1j，終了時点Ｔ2jと大きさＡajが算出された
後、基底ピッチ決定部３０７では、ピッチパタンの概算
からフレーズ成分総和Ｐpowとアクセント成分総和Ａpow
の平均値ａｖｅｐｏｗを算出し、この平均値ａｖｅｐｏ
ｗと基底ピッチとの加算値が常に一定となるように基底
ピッチを決定するように構成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、規則によって任意
の音声を合成する音声合成装置に関し、特に、日常読み
書きしている漠字・仮名混じり文を音声として出力する
テキスト音声変換技術に関して合成音声のピッチパタン
制御を改良した音声合成装置に関する。

【０００２】

【従来の技術】テキスト音声変換技術は、我々が日常読
み書きしている漠字かな混じり文を入力し、それを音声
に変換して出力するもので、出力語彙の制限がないこと
から録音・再生型の音声合成に代わる技術として種々の
利用分野での応用が期待できる。

【０００３】従来、この種の音声合成装置としては、図
１３に示すような処理形態となっているものが代表的で
ある。

【０００４】図１３は従来の音声合成装置の構成を示す
ブロック図である。

【０００５】図１３において、１０１はテキスト解析
部、１０２はパラメータ生成部、１０３は波形生成部、
１０４は単語辞書、１０５は素片辞書である。

【０００６】テキスト解析部１０１は、漢字かな混じり
文を入力して、単語辞書を参照して形態素解析し、読
み、アクセント、イントネーションを決定し、韻律記号
付き発音記号（中間言語）を出力する。

【０００７】パラメータ生成部１０２は、ピッチ周波数
パターンや音韻継続時間等の設定を行い、波形生成部１
０３では、音声の合成処理を行う。

【０００８】波形生成部１０３は、目的とする音韻系列
（中間言語）から音声合成単位を、あらかじめ蓄積され
ている音声データから選択し、パラメータ生成部で決定
したパラメータに従って、結合／変形して音声の合成処
理を行う。

【０００９】音声合成単位は、音素、音節（ＣＶ）、Ｖ
ＣＶ，ＣＶＣ（Ｃ：子音、Ｖ：母音）等や、音韻連鎖を
拡張した単位がある。

【００１０】音声合成方法としては、あらかじめ音声波
形にピッチマーク（基準点）を付けておき、その位置を
中心に切り出して、合成時には合成ピッチ周期に合わせ
て、ピッチマーク位置を合成ピッチ周期ずらしながら重
ね合わせる合成方式が知られている。

【００１１】上記構成のテキスト音声変換によって、よ
り自然性の高い合成音声を出力するには、音声素片の単
位の持ち方、素片品質、合成方式と共に、前記パラメー
タ生成部でのパラメータ（ピッチ周波数パターン、音韻
継続時間長、ポーズ、振幅）をいかに自然音声に近くな
るよう適切に制御するかが極めて重要となる。ポーズと
は、文節の前後の若干の休止区間をいう。

【００１２】以上の構成において、日常読み書きしてい
る漠字仮名混じり文（以下、テキストという）を入力す
ると、テキスト解析部１０１は、文字情報から音韻・韻
律記号列を生成する。音韻・韻律記号列とは、入力文の
読み、アクセント、イントネーション等を文字列として
記述したもの（以下、中間言語という）である。単語辞
書１０４は、単語の読みやアクセント等が登録された発
音辞書で、テキスト解析部１０１はこの発音辞書を参照
しながら中間言語を生成する。

【００１３】テキスト解析部１０１で生成された中間言
語は、パラメータ生成部１０２で、音声素片（音の種
類）、音韻継続時間（音の長さ）、基本周波数（声の高
さ、以下ピッチという）等の各パターンからなる合成パ
ラメータを決定し、波形生成部１０３に送る。音声素片
とは、接続して合成波形を作るための音声の基本単位
で、音の種類等に応じて様々なものがある。

【００１４】パラメータ生成部１０２で生成された各種
パラメータは、波形生成部１０３で音声素片等を蓄積す
るＲＯＭ等から構成された素片辞書１０５を参照しなが
ら、合成波形が生成され、スピーカを通して合成音声が
出力される。

【００１５】以上がテキスト音声変換処理の流れであ
る。

【００１６】次に、パラメータ生成部１０２における処
理を図１４を参照して詳細に説明する。

【００１７】図１４は従来の音声合成装置のパラメータ
生成部１０２の構成を示すブロック図である。

【００１８】図１４において、パラメータ生成部１０２
は、中間言語解析部２０１、フレーズ指令決定部２０
２、アクセント指令決定部２０３、音韻継続時間決定部
２０４、音韻パワー決定部２０５、ピッチパタン生成部
２０６から構成される。

【００１９】パラメータ生成部１０２に入力される中間
言語は、アクセント位置・ポーズ位置などを含んだ音韻
文字列であり、これより、ピッチの時間的な変化（以
下、ピッチパタンという）、それぞれの音韻の継続時間
（以下、音韻継続時間という）、音声パワー等の波形を
生成する上でのパラメータ（以下、波形生成用パラメー
タという）を決定する。入力された中間言語は、中間言
語解析部２０１で文字列の解析が行われ、中間言語上に
記された単語区切り記号から単語境界を判定し、アクセ
ント記号からアクセント核のモーラ位置を得る。

【００２０】アクセント核とは、アクセントが下降する
位置のことで、１モーラ目にアクセント核が存在する単
語を１型アクセント、ｎモーラ目にアクセント核が存在
する単語をｎ型アクセントと呼び、総称して起伏型アク
セント単語と呼ぶ。逆に、アクセント核の存在しない単
語（例えば「新聞」や「パソコン」）を０型アクセント
または平板型アクセント単語と呼ぶ。

【００２１】フレーズ指令決定部２０２及びアクセント
指令決定部２０３は、中間言語上のフレーズ記号・アク
セント記号などにより、後述する応答関数のパラメータ
の決定を行う。またこの時、ユーザからの抑揚（イント
ネーションの大きさ）指定があった場合は、それに応じ
て、フレーズ指令・アクセント指令の大きさを修正す
る。

【００２２】音韻継続時間決定部２０４は、音韻文字列
からそれぞれの音韻の持続時間を決定し、波形生成部１
０３に送る。音韻継続時間の決定方法は、隣接する音韻
の種別により規則または、数量化１類などの統計的手法
を用いる。ここで、数量化１類は、多変量解析の１つで
あり、質的な要因に基づいて、目的となる外的基準を算
出するものである。また、ユーザが発声速度を指定する
場合も音韻継続時間決定部２０４に影響を与える。通
常、発声速度を遅くした場合は音韻継続時間は長くな
り、発声速度を速くした場合は音韻継続時間は短くな
る。

【００２３】音韻パワー決定部２０５は、波形の振幅値
を算出し、波形生成部１０３へ送る。音韻パワーは、音
韻の立ち上がりの徐々に振幅値が大きくなる区間と、定
常状態にある区間と、立ち下がりの徐々に振幅値が小さ
くなる区間のパワー遷移のことで、テーブル化された係
数値から算出される。

【００２４】これらの波形生成用パラメータは波形生成
部１０３に送られ、合成波形が生成される。

【００２５】次に、ピッチパタンの生成過程について説
明する。

【００２６】図１５はピッチパタン生成過程モデルを説
明するための図であり、ピッチ制御機構モデルを示す。

【００２７】種々の文章のイントネーションの差異を十
分に表現するためには、音節内のピッチと時間との関係
を明確にする必要がある。

【００２８】このような音節内のピッチパターンを記述
し、しかも時間構造を明確に定義できるモデルとして、
臨界制動２次線形系で記述される「ピッチ制御機構モデ
ル」が用いられてきた。ここでピッチ制御機構モデルと
は、以下に述べるようなモデルである。

【００２９】声の高さの情報を与える基本周波数は、次
のような過程で生成されると考えるのがピッチ制御機構
モデルである。声帯振動の周波数、すなわち基本周波数
は、図１５に示すようにフレーズの切り替わりごとに発
せられるインパルス指令と、アクセントの上げ下げごと
に発せられるステップ指令によって制御される。このと
き、生理機構の遅れ特性により、フレーズのインパルス
指令は文頭から文末に向かう緩やかな下降曲線（フレー
ズ成分）となり（図１５破線波形参照）、アクセントの
ステップ指令は局所的な起伏の激しい曲線（アクセント
成分）となる（図１５実線波形参照）。これらの２つの
成分は、各指令の臨界制動２次線形系の応答としてモデ
ル化され、対数基本周波数の時間変化パターンは、これ
ら両成分の和として表現される。

【００３０】対数基本周波数Ｆ0（ｔ）（ｔは時刻）
は、次式（１）に示すように定式化される。

【００３１】

【数１】 上記式（１）において、Ｆminは最低周波数（以下、基
底ピッチという）、Ｉは文中のフレーズ指令の数、Ａpi
は文中ｉ番目のフレーズ指令の大きさ、Ｔ0iは文中ｉ番
目のフレーズ指令の開始時点、Ｊは文内のアクセント指
令の数、Ａajは文内ｊ番目のアクセント指令の大きさ、
Ｔ1j、Ｔ2jはそれぞれｊ番目のアクセント指令の開始時
点と終了時点である。また、Ｇpi（ｔ）、Ｇaj（ｔ）は
それぞれ、フレーズ制御機構のインパルス応答関数、ア
クセント制御機構のステップ応答関数であり、次式
（２），（３）で与えられる。

【００３２】

【数２】 上記式（２），（３）は、ｔ≧０の範囲での応答関数で
あり、ｔ＜０ではＧpi（ｔ）＝Ｇaj（ｔ）＝０である。
また、上記式（３）の記号ｍｉｎ［ｘ，ｙ］は、ｘ，ｙ
のうち小さい方をとることを意味しており、実際の音声
でアクセント成分が有限の時間で上限に達することに対
応している。ここで、αiはｉ番目のフレーズ指令に対
するフレーズ制御機構の固有角周波数であり、例えば
３．０などに選ばれる。βjはｊ番目のアクセント指令
に対するアクセント制御機構の固有角周波数であり、例
えば２０．０などに選ばれる。また、θはアクセント成
分の上限値であり、例えば０．９などに選ばれる。

【００３３】基本周波数及びピッチ制御パラメータ（Ａ
pi，Ａaj，Ｔ0i，Ｔ1j，Ｔ2j，αi，βj，Ｆmin）の値
の単位は次のように定義される。すなわち、Ｆ0（ｔ）
及びＦminの単位は［Ｈｚ］、Ｔ0i及びＴ2jの単位は
［ｓｅｃ］、αi及びβjの単位は［ｒａｄ／ｓｅｃ］と
する。また、Ａpi及びＡajの値は、基本周波数及びピッ
チ制御パラメータの値の単位を上記のように定めたとき
の値を用いる。

【００３４】以上で述べた生成過程に基づき、パラメー
タ生成部１０２では、中間言語からピッチ制御パラメー
タの決定を行う。例えば、フレーズ指令の生起時点Ｔ0i
は中間言語上での句読点が存在する位置に設定し、アク
セント指令の開始時点Ｔ1jは単語境界記号直後に設定
し、アクセント指令の終了時点Ｔ2jはアクセント記号が
存在する位置、あるいはアクセント記号がない平板型ア
クセント単語の場合は、次単語との単語境界記号直前に
設定する。

【００３５】フレーズ指令の大きさを表わすＡpiとアク
セント指令の大きさを表わすＡajは、テキスト解析によ
り通常３段階程度に量子化された形で導き出されるた
め、中間言語上のフレーズ記号、アクセント記号の種類
によって、規定値を設定する。また近年では、フレーズ
指令・アクセント指令の大きさは規則で決定するのでは
なく、数量化１類などの統計的手法を用いて決定する場
合も多い。ユーザから抑揚指定があった場合は、決定し
た値Ａpi、Ａajに対しての修正を行う。

【００３６】通常、抑揚指定は３〜５段階に制御され、
それぞれのレベルに対してあらかじめ割り当てられた定
数を乗ずることにより行われる。抑揚指定がない場合は
修正は行われない。

【００３７】基底ピッチＦminは、合成音声の最低ピッ
チを表わしており、このパラメータが声の高さの制御に
用いられている。通常Ｆminは、５〜１０段階に量子化
されてテーブルとして保持されておりユーザの好みによ
って、全体的に声を高くしたい場合はＦminを大きく
し、逆に声を低くしたい場合はＦminを小さくするとい
った処理を行う。したがって、Ｆminはユーザからの指
定があった時のみに変更される。この処理は図１４のピ
ッチパタン生成部２０６で行われる。

【００３８】

【発明が解決しようとする課題】このような従来のピッ
チパタン生成方法にあっては、合成されるべき入力テキ
ストの単語構成によって平均ピッチの変動が激しいとい
った問題があった。以下、具体的に説明する。

【００３９】図１６はアクセント型の違いによるピッチ
パタンの比較を示す図である。

【００４０】例えば、図１６（ａ）（ｂ）に示すピッチ
パタンを比較すると、平板型アクセント単語の連続する
テキスト（図１６（ａ））と、起伏型アクセント単語の
連続するテキスト（図１６（ｂ））とでは明らかに平均
ピッチが異なる。人間が声の高低を認識する際、それは
基底ピッチではなく平均的なピッチによって行っている
と考えられる。テキスト音声変換技術は、単一文章の音
声合成としてではなく、複合文章の音声合成として用い
られる場合が多く、従来技術では、文章によって声の高
さが上下して非常に聞きづらいという問題があった。

【００４１】また、ユーザの行う抑揚指定は、しかるべ
き処理によって導き出されたフレーズ指令・アクセント
指令の大きさに対して、ある定数を乗ずることにより実
現されているため、特に抑揚を大きくするような場合に
は、文章によっては部分的に極端に声が高くなるといっ
た現象が発生し易い。このような合成音は、非常に聞き
づらい上に音質としても歪みをもたらす。合成音声を聞
き取る場合、品質の劣る部分が耳に残りやすい。

【００４２】本発明は、文章毎の平均ピッチのばらつき
を抑制し、聞き易い合成音声を生成できる音声合成装置
を提供することを目的とする。

【００４３】また、本発明は、極端に声高になることを
抑制し、聞き易い合成音声を生成できる音声合成装置を
提供することを目的とする。

【００４４】

【課題を解決するための手段】本発明に係る音声合成装
置は、音声の基本単位となる音声素片が登録された素片
辞書と、音韻・韻律記号列に対して少なくとも音声素
片、音韻継続時間、基本周波数の合成パラメータを生成
するパラメータ生成部と、パラメータ生成部からの合成
パラメータを素片辞書を参照しながら波形重畳を行って
合成波形を生成する波形生成部とを備えた音声合成装置
において、パラメータ生成部は、フレーズ成分及びアク
セント成分の総和を求め、該フレーズ成分及びアクセン
ト成分の総和から平均ピッチを算出する算出手段と、平
均ピッチから基底ピッチを決定する決定手段とを備えた
ことを特徴とする。

【００４５】本発明に係る音声合成装置は、算出手段
が、フレーズ指令の生起時点と大きさと、アクセント指
令の開始及び終了時点と大きさからフレーズ成分及びア
クセント成分の総和の平均値を平均ピッチとして算出
し、決定手段が、平均値と基底ピッチとの加算値が一定
となるように基底ピッチを決定するものであってもよ
い。

【００４６】本発明に係る音声合成装置は、音声の基本
単位となる音声素片が登録された素片辞書と、音韻・韻
律記号列に対して少なくとも音声素片、音韻継続時間、
基本周波数の合成パラメータを生成するパラメータ生成
部と、パラメータ生成部からの合成パラメータを素片辞
書を参照しながら波形重畳を行って合成波形を生成する
波形生成部とを備えた音声合成装置において、パラメー
タ生成部は、フレーズ成分及びアクセント成分を重畳
し、重畳結果からピッチパタンを概算し、概算したピッ
チパタンから少なくともピッチパタンの最大値を算出す
る算出手段と、少なくとも最大値を用いてフレーズ成分
及びアクセント成分の値を修正する修正手段とを備えた
ことを特徴とする。

【００４７】本発明に係る音声合成装置は、算出手段
が、フレーズ指令の生起時点と大きさと、アクセント指
令の開始及び終了時点と大きさとからピッチパタンの最
大値及び最小値を算出し、修正手段が、最大値及び最小
値の差分値とユーザが指定する抑揚値が同等になるよう
にフレーズ指令及びアクセント指令の大きさを修正する
ものであってもよい。

【００４８】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態について説明する。 第１の実施形態 図１は本発明の第１の実施形態に係る音声合成装置のパ
ラメータ生成部の構成を示すブロック図である。本発明
の特徴部分は、ピッチパタン生成方法にある。前記図１
３に示すテキスト解析部１０１、単語辞書１０４、波形
生成部１０３、素片辞書１０５は従来技術のものと同一
でよい。

【００４９】図１において、パラメータ生成部３００
は、中間言語解析部３０１、フレーズ指令決定部３０
２、アクセント指令決定部３０３、音韻継続時間決定部
３０４、音韻パワー決定部３０５、ピッチパタン生成部
３０６、及び基底ピッチ決定部３０７（算出手段，決定
手段）から構成される。

【００５０】パラメータ生成部３００への入力は、従来
例と同じく韻律記号の付加された中間言語である。ま
た、ユーザの好みや利用形態などにより、声の高さやイ
ントネーションの大きさを示す抑揚などの発声パラメー
タを外部から指定する場合もある。

【００５１】中間言語は、まず中間言語解析部３０１に
入力され、中間言語解析部３０１で音韻記号、単語区切
り記号、アクセント記号などの解釈が行われ、必要なパ
ラメータという形式に変換されて、それぞれフレーズ指
令決定部３０２、アクセント指令決定部３０３、音韻継
続時間決定部３０４、音韻パワー決定部３０５に出力さ
れる。この時のパラメータについては後述する。

【００５２】フレーズ指令決定部３０２は、入力された
パラメータ及びユーザからの抑揚指定からフレーズ指令
の生起時点Ｔ0iと大きさＡpiを算出し、ピッチパタン生
成部３０６と基底ピッチ決定部３０７に出力される。

【００５３】アクセント指令決定部３０３は、入力され
たパラメータ及びユーザからの抑揚指定からアクセント
指令の開始時点Ｔ1j、終了時点Ｔ2j及び大きさＡajを算
出し、ピッチパタン生成部３０６と基底ピッチ決定部３
０７に出力する。

【００５４】音韻継続時間決定部３０４は、入力された
パラメータから音韻それぞれの持続時間を算出し、波形
生成部１０３に出力する。この時、ユーザにより発声速
度の指定があった場合、この発声速度の指定は音韻継続
時間決定部３０４に入力され、発声速度指定値を加味し
た音韻継続時間が出力される。

【００５５】音韻パワー決定部３０５は、入力されたパ
ラメータから音韻それぞれの振幅形状を算出し、波形生
成部１０３に出力する。

【００５６】基底ピッチ決定部３０７は、フレーズ指令
決定部３０２、アクセント指令決定部３０３から出力さ
れるパラメータと、外部から入力される声の高さ指定値
とから基底ピッチＦminを算出し、ピッチパタン生成部
３０６に出力する。

【００５７】ピッチパタン生成部３０６は、入力された
パラメータから、前述した式（１）〜式（３）に従いピ
ッチパタンを生成し、波形生成部１０３（前記図１３）
に出力する。

【００５８】以下、上述のように構成された音声合成装
置及び規則音声合成方法の動作を説明する。従来技術と
異なる点は、パラメータ生成部３００内の処理であるの
で、それ以外の処理については省略する。

【００５９】本実施形態は、しかるべき手法により算出
されたフレーズ成分とアクセント成分とから、文全体と
してのピッチパタンを概算し、基底ピッチの値を調整す
る点である。

【００６０】まず、ユーザはあらかじめ声の高さや抑揚
などの声質制御のためのパラメータを指定する。ここで
は特にピッチパタン生成に関わるパラメータに注目して
述べるが、他にも、発声速度や声の大きさといったパラ
メータも考えられる。ユーザが特に指定しない場合は、
あらかじめ定められた値（デフォルト値）が指定値とし
て設定される。

【００６１】図１に示すように、指定された声質制御用
パラメータのうち抑揚指定値がパラメータ生成部３００
内部のフレーズ指令決定部３０２とアクセント指令決定
部３０３に、声の高さ指定値が基底ピッチ決定部３０７
にそれぞれ送られる。

【００６２】抑揚指定値は、イントネーションの強さを
調整する（抑揚の強弱）パラメータであり、例えば、し
かるべき処理によって算出されたフレーズ指令・アクセ
ント指令の大きさを０．５倍あるいは１．５倍に変更す
るといった操作に関わる。また、声の高さ指定値は、全
体の声の高さを調整するパラメータであり、例えば、基
底ピッチＦminを直接設定するといった操作に関わる。
これらのパラメータの詳細については後述する。

【００６３】パラメータ生成部３００に入力された中間
言語は、中間言語解析部３０１に送られ入力文字列の解
析が行われる。ここでの解析単位として仮に１文章単位
とする。１文章に対応する中間言語から、フレーズ指令
の数とそれぞれのフレーズ指令のモーラ数などの情報が
フレーズ指令決定部３０２に送られ、アクセント指令の
数とそれぞれのアクセント指令のモーラ数・アクセント
型などの情報がアクセント指令決定部３０３に送られ
る。

【００６４】また、音韻文字列などは、音韻継続時間決
定部３０４、音韻パワー決定部３０５に送られ、音韻継
続時間決定部３０４及び音韻パワー決定部３０５で音韻
あるいは音節それぞれの継続時間・振幅値などが算出さ
れ、波形生成部１０３に送られる。

【００６５】フレーズ指令決定部３０２では、フレーズ
指令の大きさと生起時点が算出される。アクセント指令
決定部３０３では、アクセント指令の大きさと開始・終
了時点が算出される。フレーズ指令・アクセント指令の
大きさは、規則で与える場合も、統計的な手法で予測す
る場合も、ユーザから指定される抑揚を制御するパラメ
ータによって修正される。例えば、抑揚指定が３段階
で、レベル１が１．５倍、レべル２が１．０倍、レベル
３が０．５倍であるとすると、規則あるいは予測された
大きさに対して、レベル１の場合は１．５倍、レベル２
の場合は１．０倍、レベル３の場合は０．５倍する処理
が行われる。この処理が施された後のフレーズ指令・ア
クセント指令それぞれの大きさＡpi、Ａajと、それぞれ
の開始時点及び終了時点Ｔ0i、Ｔ1j、Ｔ2jがピッチパタ
ン生成部３０６に送られる。

【００６６】また、フレーズ指令・アクセント指令それ
ぞれの大きさやモーラ数といった情報は基底ピッチ決定
部３０７に送られ、ユーザから入力される高さ指定値と
共に、基底ピッチ決定部３０７で基底ピッチＦminが算
出される。

【００６７】基底ピッチ決定部３０７で算出された基底
ピッチは、ピッチパタン生成部３０６に送られ前述した
式（１）〜（３）に従ってピッチパタンが生成され、波
形生成部１０３に送られる。

【００６８】次に、ピッチパタン生成までの動作につい
てフローチャートを参照して詳細に説明する。

【００６９】図２は基底ピッチ決定のフローチャートで
ある。図中、ＳＴはフローの各処理ステップを示す。

【００７０】まず、ステップＳＴ１でユーザによる声質
制御パラメータの指定を行う。この声質制御パラメータ
の指定では、声の高さを制御するパラメータをＨleve
l、抑揚の大きさを制御するパラメータをＡlevelとす
る。通常、Ｈlevelの採りうる値は｛３．５，４．０，
４．５｝の３段階、Ａlevelの採りうる値は｛１．５，
１．０，０．５｝の３段階といった具合に、量子化した
値を設定する。ユーザの指定がない場合は、３段階のい
ずれかのデフォルト値が設定される。

【００７１】次いで、ステップＳＴ２で中間言語の解析
を行う。この中間言語の解析では、フレーズ指令数カウ
ントをＩ、アクセント指令数カウントをＪ、フレーズ指
令のモーラ数カウントをＭpi、アクセント指令のアクセ
ント型抽出をＡＣj、アクセント指令のモーラ数カウン
トをＭajとする。

【００７２】例えば、中間言語の仕様として、フレーズ
記号「Ｐ」、アクセント記号「＊」、単語境界記号を
「／」、音韻文字列を片仮名文字と仮定すると、「あら
ゆる現実をすべて自分の方へねじ曲げたのだ。」という
文章は、以下の中間言語として表わされるべきである。

【００７３】すなわち、「Ｐアラユ＊ル／ゲンジツオＰ
ス＊べテＰジブンノ／ホ＊ーエ／ネジマゲタ＊ノダ」と
なる。ここでは、フレーズ指令・アクセント指令の大き
さを数量化１類などの統計的な手法で予測する場合の中
間言語の例を示したが、それぞれの大きさを明示しても
よい。例えば、フレーズ指令の大きさを３段階のレベル
として大きい方から「Ｐ１」「Ｐ２」「Ｐ３」、アクセ
ント指令の大きさも３段階のレベルとして大きい方から
「＊」「‘」「“」などという仕様でも構わない。

【００７４】上記の中間言語の場合、フレーズ指令数カ
ウントＩは３、アクセント指令数カウントＪは６、フレ
ーズ指令のそれぞれのモーラ数カウントＭpiは｛９，
３，１４｝、アクセント指令のそれぞれのアクセント型
抽出ＡＣjは｛３，０，１，０，１，５｝、アクセント
指令のそれぞれのモーラ数カウントＭajは｛４，５，
３，４，３，７｝となる。

【００７５】次いで、ステップＳＴ３でフレーズ指令・
アクセント指令それぞれの大きさや開始・終了時点とい
ったピッチパタン制御パラメータの算出を行う。このピ
ッチパタン制御パラメータの決定では、フレーズ指令の
生起時点をＴ0i、フレーズ指令の大きさをＡpi、アクセ
ント指令の開始時間をＴ1j、アクセント指令の終了時点
をＴ2j、アクセント指令の大きさをＡajとする。アクセ
ント指令の大きさＡajに関しては、数量化１類といった
統計的な手法を用いて予測し、開始・終了時点Ｔ1j，Ｔ
2jに関しては一般的に基準となる母音開始時点からの相
対時間によって指令時点が推定される。アクセント指令
の大きさ及び開始・終了時点は、本発明と直接関係がな
いので詳細についての説明は行わない。

【００７６】次いで、ステップＳＴ４でフレーズ成分値
の総和Ｐpowを算出し、ステップＳＴ５でアクセント成
分値の総和Ａpowを算出する。フレーズ成分値の総和Ｐp
ow算出については図３（ルーチンＡ）で、アクセント成
分値の総和Ａpow算出については図４（ルーチンＢ）で
それぞれ後述する。

【００７７】次いで、ステップＳＴ５で算出されたフレ
ーズ成分総和Ｐpowとアクセント成分総和Ａpowから、入
力テキスト１文章にわたるフレーズ成分とアクセント成
分の和のモーラ平均値ａｖｅｐｏｗを、次式（４）によ
り算出する。ここでｓｕｍ＿ｍｏｒａは、モーラ総数を
表わす。

【００７８】 ａｖｅｐｏｗ＝（Ｐpow＋Ａpow）／ｓｕｍ＿ｍｏｒａ …（４） モーラ平均値が算出された後、次式（５）により対数基
底ピッチｌｎＦminを算出し、本フローを終了する。こ
れは入力テキストに依らず、モーラ平均値がＨlevel＋
０．５になることを意味している。例えば、モーラ平均
値ａｖｅｐｏｗが０．３の時と０．７の時を比べてみる
と、基底ピッチｌｎＦminはそれぞれ、Ｈlevel＋０．
２、Ｈlevel−０．２になる。ここで、前記式（１）よ
りｌｎＦ0（ｔ）＝ｌｎＦmin＋フレーズ成分＋アクセン
ト成分であるので、平均ピッチはそれぞれ、Ｈlevel＋
０．５、Ｈlevel＋０．５となり同一の値となる。但
し、ここでの０．５という数値には限定はしない。

【００７９】 ｌｎＦmin＝Ｈlevel＋（０．５−ａｖｅｐｏｗ） …（５） 次に、図３のフローチャートを参照してフレーズ成分総
和の算出方法について説明する。

【００８０】図３はフレーズ成分総和算出のフローチャ
ートであり、前記図２のステップＳＴ４のサブルーチン
Ａに相当する処理である。

【００８１】まず、ステップＳＴ１１〜ステップＳＴ１
３で各パラメータの初期化を行う。初期化パラメータ
は、フレーズ成分総和Ｐpow、フレーズ指令カウンタｉ
及びモーラ総数カウンタｓｕｍ＿ｍｏｒａであり、それ
ぞれを０に設定する（Ｐpow＝０，ｉ＝０，ｓｕｍ＿ｍ
ｏｒａ＝０）。

【００８２】次いで、ステップＳＴ１４で第ｉ番目のフ
レーズ指令に対して、ユーザの指定した抑揚レベルＡle
velにあわせて次式（６）に従ってフレーズ指令の大き
さを修正する。

【００８３】 Ａpi＝Ａpi×Ａlevel …（６） 次いで、ステップＳＴ１５でフレーズ内モーラ数カウン
タｋを０に初期化して（ｋ＝０）、ステップＳＴ１６で
第ｉ番目のフレーズ指令のモーラごとの成分値の算出を
行う。モーラ単位での成分値算出により処理量の節約を
行っている。

【００８４】ここで仮に、平均的な発声速度として４０
０［モーラ／分］という値を用いるとすると、１モーラ
当たりの時間は０．１５秒になる。したがって、第ｋモ
ーラの、フレーズ生起時刻からの相対時刻ｔは０．１５
×ｋで表わすことができ、その時点でのフレーズ成分値
はＡpi×Ｇpi（ｔ）で表わすことができる。

【００８５】ステップＳＴ１７では、この結果（フレー
ズ成分値はＡpi×Ｇpi（ｔ））を、フレーズ成分総和Ｐ
powに加算し（Ｐpow＝Ｐpow＋Ａpi×Ｇpi（ｔ））、ス
テップＳＴ１８でフレーズ内モーラ数カウンタｋを１イ
ンクリメントする（ｋ＝ｋ＋１）。

【００８６】次いで、ステップＳＴ１９でフレーズ内モ
ーラ数カウンタｋが、第ｉ番目のフレーズ指令のモーラ
数Ｍpiか、または２０モーラを超えたか（ｋ≧Ｍpi又は
ｋ≧２０か）否かを判別し、フレーズ内モーラ数カウン
タｋが、第ｉ番目のフレーズ指令のモーラ数Ｍpiか、ま
たは２０モーラを超えていないときはステップＳＴ１６
に戻って上記処理を繰り返す。

【００８７】フレーズ内モーラ数カウンタｋが、第ｉ番
目のフレーズ指令のモーラ数Ｍpiか、または２０モーラ
を超えた時に第ｉ番目のフレーズ指令の処理が終了した
と判断してステップＳＴ２０に進む。

【００８８】２０モーラを超えると、前記式（２）から
も分かるように成分値は十分減衰していると考えること
ができるので、処理量削減のために、本実施形態では２
０モーラを制限値として設けている。

【００８９】第ｉ番目のフレーズ指令に対する処理を終
了すると、ステップＳＴ２０でモーラ総数カウンタｓｕ
ｍ＿ｍｏｒａに第ｉ番目のフレーズ指令のモーラ数Ｍpi
を加算し（ｓｕｍ＿ｍｏｒａ＝ｓｕｍ＿ｍｏｒａ＋Ｍp
i）、ステップＳＴ２１でフレーズ指令カウンタｉを１
インクリメントして（ｉ＝ｉ＋１）次のフレーズ指令に
対する処理を行う。

【００９０】ステップＳＴ２２では、フレーズ指令カウ
ンタｉがフレーズ指令数カウントＩ以上か（ｉ≧Ｉか）
否かを判別し、ｉ＜Ｉのときは入力テキスト全音節に対
し処理が終了していないと判断してステップＳＴ１４に
戻って全音節についての処理を繰り返していく。

【００９１】上記の処理を第０番目のフレーズ指令から
第Ｉ−１番目のフレーズ指令に対して行い、ｉ≧Ｉにな
ると入力テキスト全音節に対し処理が終了し、フレーズ
成分総和Ｐpowと入力テキストのモーラ総数ｓｕｍ＿ｍ
ｏｒａが得られる。

【００９２】次に、図４のフローチャートを参照してア
クセント成分総和の算出方法について説明する。

【００９３】図４はアクセント成分総和算出のフローチ
ャートであり、前記図２のステップＳＴ５のサブルーチ
ンＢに相当する処理である。

【００９４】まず、ステップＳＴ３１及びステップＳＴ
３２各パラメータの初期化を行う。初期化パラメータ
は、アクセント成分総和Ａpow、アクセント指令カウン
タｊでありそれぞれを０に設定する（Ａpow＝０，ｊ＝
０）。

【００９５】次いで、ステップＳＴ３３で第ｊ番目のア
クセント指令に対して、ユーザの指定した抑揚レベルＡ
levelにあわせて次式（７）に従ってアクセント指令の
大きさを修正する。

【００９６】 Ａai＝Ａai×Ａlevel …（７） 次いで、ステップＳＴ３４で第ｊ番目のアクセント指令
のアクセント型ＡＣjが１か（ＡＣj＝１か）否かを判別
し、ＡＣj＝１でなければステップＳＴ３５で第ｊ番目
のアクセント指令のアクセント型ＡＣjが０か（ＡＣj＝
０か）否かを判別する。

【００９７】第ｊ番目のアクセント指令のアクセント型
ＡＣjが０の場合（平板型アクセント単語）は、ステッ
プＳＴ３６でアクセント成分値をＡai×θ×（Ｍaj−
１）で近似し、ＡＣjが１型の場合は、ステップＳＴ３
７でアクセント成分値をＡai×θで近似し、それ以外の
場合は、ステップＳＴ３８でアクセント成分値をＡai×
θ×（ＡＣj−１）で近似する。

【００９８】上記アクセント成分値による近似処理が終
了すると、ステップＳＴ３９でアクセント成分総和Ａpo
wに上記各型におけるアクセント成分値ｐｏｗを加算し
（Ａpow＝Ａpow＋ｐｏｗ）、ステップＳＴ４０でアクセ
ント指令カウンタｊを１インクリメントして（ｊ＝ｊ＋
１）次のアクセント指令に対する処理を行う。

【００９９】ステップＳＴ４１では、アクセント指令カ
ウンタｊがアクセント指令数カウントＪ以上か（ｊ≧Ｊ
か）否かを判別し、ｊ＜Ｊのときは入力テキスト全音節
に対し処理が終了していないと判断してステップＳＴ３
３に戻って全音節についての処理を繰り返していく。

【０１００】上記の処理を第０番目のアクセント指令か
ら第Ｊ−１番目のアクセント指令に対して行い、ｊ≧Ｊ
になると入力テキスト全音節に対し処理が終了し、アク
セント成分総和Ａpowが得られる。

【０１０１】上述したアクセント成分総和フローによる
動作の具体例について説明する。

【０１０２】東京方言における単語アクセントは、単語
を構成する音節（モーラ）の音の高低の配置によって記
述される。ｎモーラからなる単語には（ｎ＋１）個のア
クセント型があり、どのモーラにアクセント核があるか
が指定されればその型が決まる。一般には、語頭から数
えたアクセント型のあるモーラ位置によってその型を表
わす。アクセント核のない単語は０型である。

【０１０３】図５は、５モーラからなる単語の各アクセ
ント型に対応する点ピッチパタン（母音重心点における
ピッチの遷移）を示す図である。

【０１０４】図５に示すように、単語の点ピッチパタン
は、低ピッチで始まり、第２モーラで上昇して、アクセ
ント核を有するモーラから次のモーラにかけて大きく下
降し、最終ピッチに落ち着くのが基本的なパタンであ
る。但し、１型では第１モーラから高く始まり、ｎモー
ラ単語のｎ型と０型ではピッチの大きな下降がない。こ
れをさらに簡略化して、０型アクセント単語「パソコ
ン」と１型アクセント単語「金属」と２型アクセント単
語「井戸水」と３型アクセント単語「髪の毛」の、簡略
化したアクセント関数を図６に示す。

【０１０５】図６はアクセント型による簡易ピッチパタ
ン比較を示す図である。

【０１０６】図６に示すように、平板型アクセント単語
は最終音節終了時点でピッチ下降が発生するとし、起伏
型アクセント単語はアクセント核の存在する音節終了時
点でピッチ下降が発生するとする。したがって、図６に
示したように、アクセント成分の立ち上がり・立ち下が
りの遅延を無視すると前述したような近似が可能とな
る。

【０１０７】以上説明したように、第１の実施形態に係
る音声合成装置は、パラメータ生成部３００が、中間言
語解析部３０１、フレーズ指令決定部３０２、アクセン
ト指令決定部３０３、音韻継続時間決定部３０４、音韻
パワー決定部３０５、ピッチパタン生成部３０６、及び
基底ピッチ決定部３０７を備え、フレーズ指令の生起時
点Ｔ0iと大きさＡpi、アクセント指令の開始時点Ｔ1j，
終了時点Ｔ2jと大きさＡajが算出された後、基底ピッチ
決定部３０７では、ピッチパタンの概算からフレーズ成
分総和Ｐpowとアクセント成分総和Ａpowの平均値ａｖｅ
ｐｏｗを算出し、この平均値ａｖｅｐｏｗと基底ピッチ
との加算値が常に一定となるように基底ピッチを決定す
るように構成したので、文章毎の平均ピッチのばらつき
が抑制でき、聞き易い合成音声を生成することができ
る。

【０１０８】すなわち、従来では入力テキストの単語構
成によっては声の高さが上下にばらつき非常に聞きづら
いという問題があったが、本実施形態では、どのような
入力テキストの単語構成であっても、声の高さが上下せ
ず平均ピッチの変動も抑制でき、聞き易い合成音声を生
成することが可能となる。

【０１０９】なお、第１の実施形態では、基底ピッチ決
定のための定数を０．５（図２のステップＳＴ７参照）
としているが、これに限定されるものではない。また、
処理量削減のための一例として、フレーズ成分総和を求
める際に２０モーラで処理を打ち切っているが、厳密に
計算するようにしてもよいことは勿論である。 第２の実施形態 第１の実施形態は、フレーズ成分とアクセント成分の総
和の平均値を算出し、この平均値と基底ピッチとの加算
値が常に一定となるように基底ピッチを決定していた。
第２の実施形態では、算出されたフレーズ成分とアクセ
ント成分とから文全体としてのピッチパタンの最大値と
最小値の差分を求め、この値が指定された抑揚になるよ
うにフレーズ成分とアクセント成分の大きさを修正する
ものである。

【０１１０】図７は本発明の第２の実施形態に係る音声
合成装置のパラメータ生成部の構成を示すブロック図で
ある。本発明の特徴部分は、第１の実施形態と同様にピ
ッチパタン生成方法にある。前記図１３に示すテキスト
解析部１０１、単語辞書１０４、波形生成部１０３、素
片辞書１０５は従来技術のものと同一でよい。

【０１１１】図７において、パラメータ生成部４００
は、中間言語解析部４０１、フレーズ指令算出部４０
２、アクセント指令算出部４０３、音韻継続時間決定部
４０４、音韻パワー決定部４０５、ピッチパタン生成部
４０６、ピーク検出部４０７（算出手段）、及び抑揚制
御部５０８（修正手段）から構成される。

【０１１２】パラメータ生成部４００への入力は、従来
例と同じく韻律記号の付加された中間言語である。ま
た、ユーザの好みや利用形態などにより、声の高さやイ
ントネーションの大きさを示す抑揚などの発声パラメー
タを外部から指定する場合もある。

【０１１３】中間言語は、まず中間言語解析部４０１に
入力され、中間言語解析部４０１で音韻記号、単語区切
り記号、アクセント記号などの解釈が行われ、必要なパ
ラメータという形式に変換されて、それぞれフレーズ指
令算出部４０２、アクセント指令算出部４０３、音韻継
続時間決定部４０４、音韻パワー決定部４０５に出力さ
れる。この時のパラメータについては後述する。

【０１１４】フレーズ指令算出部４０２は、入力された
パラメータからフレーズ指令の生起時点Ｔ0iと大きさＡ
piを算出し、抑揚制御部４０８とピーク検出部４０７に
出力する。

【０１１５】アクセント指令算出部４０３は、入力され
たパラメータからアクセント指令の開始時点Ｔ1j、終了
時点Ｔ2j及び大きさＡajを算出し、抑揚制御部４０８と
ピーク検出部４０７に出力する。この時点では、フレー
ズ指令の大きさＡpi及びアクセント指令の大きさＡajは
確定していない。

【０１１６】音韻継続時間決定部４０４は、入力された
パラメータから音韻それぞれの持続時間を算出し、波形
生成部１０３に出力する。この時、ユーザにより発声速
度の指定があった場合、この発声速度の指定は音韻継続
時間決定部４０４に入力され、発声速度指定値を加味し
た音韻継続時間が出力される。

【０１１７】音韻パワー決定部４０５は、入力されたパ
ラメータから音韻それぞれの振幅形状を算出し、波形生
成部１０３に出力する。

【０１１８】ピーク検出部４０７は、フレーズ指令算出
部４０２、アクセント指令算出部４０３から出力される
パラメータを用いて、ピッチ周波数の最大値及び最小値
を算出し、その結果を抑揚制御部４０８に出力する。

【０１１９】抑揚制御部４０８には、フレーズ指令算出
部４０２からのフレーズ指令の大きさ、アクセント指令
算出部４０３からのアクセント指令の大きさ、ピーク検
出部４０７からのフレーズ成分、アクセント成分の重畳
結果の最大値・最小値、さらにユーザから指定される抑
揚レベルが入力される。

【０１２０】抑揚制御部４０８は、これらのパラメータ
を用いて、フレーズ指令・アクセント指令の大きさを必
要があれば修正する機能を持ち、その結果をピッチパタ
ン生成部４０６に出力する。

【０１２１】ピッチパタン生成部４０６は、抑揚制御部
４０８から入力されたパラメータと、ユーザから指定さ
れる声の高さ指令レベルとから、前記式（１）〜式
（３）に従いピッチパタンを生成し、波形生成部１０３
に出力する。

【０１２２】以下、上述のように構成された音声合成装
置及び規則音声合成方法の動作を説明する。本実施形態
における特徴部分は、パラメータ生成部４００内の処理
であり、それ以外の処理については省略する。

【０１２３】まず、ユーザはあらかじめ自分の好みや利
用形態の制約などにより、声の高さや抑揚などの声質制
御のためのパラメータを指定する。ここでは特にピッチ
パタン生成に関わるパラメータに注目して述べるが、他
にも、発声速度や声の大きさといったパラメータも考え
られる。ユーザが特に指定しない場合は、あらかじめ定
められた値（デフォルト値）が指定値として設定され
る。

【０１２４】図７に示すように、指定された声質制御用
パラメータのうち抑揚指定値はパラメータ生成部４００
内部の抑揚制御部４０８に、声の高さ指定値はピッチパ
タン生成部４０６にそれぞれ送られる。抑揚指定値は、
イントネーションの強さを調整する（抑揚の強弱）パラ
メータであり、例えば、算出されたフレーズ指令・アク
セント指令の重畳結果が指定値となるように、フレーズ
指令・アクセント指令の大きさを修正するといった操作
に関わる。一方、声の高さ指定値は、全体の声の高さを
調整するパラメータであり、例えば、基底ピッチＦmin
を直接設定するといった操作に関わる。これらのパラメ
ータの詳細については後述する。

【０１２５】パラメータ生成部４００に入力された中間
言語は、中間言語解析部４０１に送られ入力文字列の解
析が行われる。ここでの解析単位として仮に１文章単位
とする。１文章に対応する中間言語から、フレーズ指令
の数とそれぞれのフレーズ指令のモーラ数などの情報が
フレーズ指令算出部４０２に送られ、アクセント指令の
数とそれぞれのアクセント指令のモーラ数・アクセント
型などの情報がアクセント指令算出部４０３に送られ
る。

【０１２６】また、音韻文字列などは、音韻継続時間決
定部４０４、音韻パワー決定部４０５に送られ音韻ある
いは音節それぞれの継続時間・振幅値などが算出され、
波形生成部１０３に送られる。

【０１２７】フレーズ指令算出部４０２では、フレーズ
指令の大きさと生起時点が算出される。アクセント指令
算出部４０３では、アクセント指令の大きさと開始・終
了時点が算出される。それぞれの算出方法は、例えば音
韻文字列の並びなどから規則で与える場合や、統計的な
手法で予測する場合など、様々な方法があるがここでは
特に限定しない。

【０１２８】しかるべき処理によって算出されたフレー
ズ指令・アクセント指令の制御パラメータはピーク検出
部４０７と抑揚制御部４０８に送られる。

【０１２９】ピーク検出部４０７では、前記式（１）〜
式（３）を用いて、基底ピッチＦminを除いたピッチパ
タンの最大値と最小値が計算され、その結果が抑揚制御
部４０８に送られる。

【０１３０】抑揚制御部４０８では、フレーズ指令算出
部４０２とアクセント指令算出部４０３で求められたフ
レーズ指令の大きさとアクセント指令の大きさを、ピー
ク検出部４０７で求められたピッチパタンの最大値・最
小値を用いて修正する処理が行われる。

【０１３１】ユーザから指定される抑揚制御パラメータ
は、例えば、５段階で｛０．８，０．６，０．５，０．
４，０．２｝と規定された値のうちいずれかが抑揚制御
部４０８に設定される。これらの値は、抑揚成分を直接
規定するものであり、レベル１の０．８の場合、先に求
められたピッチパタン最大値と最小値の差分値が０．８
になるように修正を行うことを意味する。ユーザからの
抑揚指定がない場合は、上記５段階のデフォルトとして
規定された値を用いて修正する。

【０１３２】この処理が施された後のフレーズ指令・ア
クセント指令それぞれの大きさＡ′pi、Ａ′ajと、それ
ぞれの開始時点、終了時点Ｔ0i、Ｔ1j、Ｔ2jがピッチパ
タン生成部４０６に送られる。

【０１３３】ピッチパタン生成部４０６では、ユーザか
ら指定された基底ピッチＦminと抑揚制御部４０８から
送られたパラメータを用いて前記式（１）〜式（３）に
従ってピッチパタンを生成し、波形生成部１０３に送
る。

【０１３４】次に、フレーズ指令・アクセント指令の大
きさ修正までの動作についてフローチャートを参照して
詳細に説明する。

【０１３５】図８は抑制制御のフローチャートであり、
図８のサブルーチンとして図１０〜図１２の各フローが
ある。これらのフローチャートに示す処理は、抑揚制御
部４０８の機能であり、フレーズ指令算出部４０２にお
いて算出されたフレーズ指令の大きさＡpiとアクセント
指令算出部４０３において算出されたアクセント指令の
大きさＡajを、ユーザによって指定された抑揚制御パラ
メータＡlevelによって修正を行い、修正後のフレーズ
指令の大きさＡ′piとアクセント指令の大きさＡ′ajを
得る部分についての流れである。

【０１３６】まず、ステップＳＴ５１〜ステップＳＴ５
３で各パラメータの初期化を行う。フレーズ・アクセン
ト重畳成分の最大値を格納するためのＰＯＷmaxは０
に、最小値を格納するためのＰＯＷminは無限大に近い
数値（例えば、１．０ｅｘｐ５０）に、モーラ数カウン
タｋは０にそれぞれ初期化する（ＰＯＷmax＝０，ＰＯ
Ｗmin＝∞，ｋ＝０）。

【０１３７】次いで、ステップＳＴ５４で入力テキスト
中の第ｋモーラに対してフレーズ・アクセント重畳成分
値の算出を行う。第１の実施形態と同様に、モーラ単位
での成分値算出により処理量の節約を行っている。前述
したように、第ｋモーラの発声開始時刻からの相対時刻
ｔは０．１５×ｋで表わせる（ｔ＝０．１５×ｋ）。

【０１３８】次いで、ステップＳＴ５５でフレーズ成分
値ＰＨＲを算出し、ステップＳＴ５６でアクセント成分
値ＡＣＣを算出する。フレーズ成分値ＰＨＲ算出につい
ては図１０（ルーチンＣ）で、アクセント成分値ＡＣＣ
算出については図１１（ルーチンＤ）でそれぞれ後述す
る。

【０１３９】次いで、ステップＳＴ５７で第ｋモーラに
おけるフレーズ・アクセント重畳成分値ＰＯＷsumを次
式（８）に従って求める。

【０１４０】 ＰＯＷsum＝ＰＨＲ＋ＡＣＣ …（８） 次いで、ステップＳＴ５８〜ステップＳＴ６３でフレー
ズ・アクセント重畳成分の最大値ＰＯＷmaxと最小値Ｐ
ＯＷminの更新を行う。

【０１４１】すなわち、ステップＳＴ５８でフレーズ・
アクセント重畳成分値ＰＯＷsumがフレーズ・アクセン
ト重畳成分の最大値ＰＯＷmaxより大きいか（ＰＯＷsum
＞ＰＯＷmaxか）否かを判別し、ＰＯＷsum＞ＰＯＷmax
のときはフレーズ・アクセント重畳成分値ＰＯＷsumが
フレーズ・アクセント重畳成分の最大値ＰＯＷmaxを超
えたと判断してステップＳＴ５９でフレーズ・アクセン
ト重畳成分値ＰＯＷsumをフレーズ・アクセント重畳成
分の最大値ＰＯＷmaxとしてステップＳＴ６０に進む。
ＰＯＷsum≦ＰＯＷmaxのときはフレーズ・アクセント重
畳成分値ＰＯＷsumがフレーズ・アクセント重畳成分の
最大値ＰＯＷmaxを超えていないのでそのままステップ
ＳＴ６０に進む。

【０１４２】ステップＳＴ６０では、フレーズ・アクセ
ント重畳成分値ＰＯＷsumがフレーズ・アクセント重畳
成分の最小値ＰＯＷminより小さいか（ＰＯＷsum＜最小
値ＰＯＷminか）否かを判別し、ＰＯＷsum＜ＰＯＷmin
のときはフレーズ・アクセント重畳成分値ＰＯＷsumが
フレーズ・アクセント重畳成分の最小値ＰＯＷminを超
えたと判断してステップＳＴ６１でフレーズ・アクセン
ト重畳成分値ＰＯＷsumをフレーズ・アクセント重畳成
分の最小値ＰＯＷminとしてステップＳＴ６２に進む。
ＰＯＷsum≧最小値ＰＯＷminのときはフレーズ・アクセ
ント重畳成分値ＰＯＷsumがフレーズ・アクセント重畳
成分の最小値ＰＯＷminを超えていないのでそのままス
テップＳＴ６２に進む。

【０１４３】次いで、ステップＳＴ６２でモーラ数カウ
ンタｋを１インクリメントして（ｋ＝ｋ＋１）次モーラ
の処理を同様に行っていく。ステップＳＴ６３でモーラ
数カウンタｋが入力テキストのモーラ総数ｓｕｍ＿ｍｏ
ｒａ以上か（ｋ≧ｓｕｍ＿ｍｏｒａか）否かを判別し、
ｋ＜ｓｕｍ＿ｍｏｒａのときは入力テキスト全音節に対
し処理が終了していないと判断してステップＳＴ５４に
戻って全音節についての処理を繰り返していく。

【０１４４】こうして、入力テキストの総モーラ数ｓｕ
ｍ＿ｍｏｒａを超えた（ｋ≧ｓｕｍ＿ｍｏｒａ）時点で
最大値ＰＯＷmaxと最小値ＰＯＷminが確定され、ステッ
プＳＴ６４で次のフレーズ成分・アクセント成分修正処
理に移行して本フローを終了する。フレーズ成分・アク
セント成分修正処理については図１２（ルーチンＥ）で
後述する。

【０１４５】以上の処理によって得られた最大値・最小
値を図に示すと図９に示すようになる。図９はモーラ単
位によるピッチパタン最大値・最小値を示す図である。

【０１４６】次に、図１０のフローチャートを参照して
フレーズ成分値算出方法について説明する。

【０１４７】図１０はフレーズ成分値ＰＨＲ算出のフロ
ーチャートであり、前記図８のステップＳＴ５５のサブ
ルーチンＣに相当する処理である。

【０１４８】第ｋモーラにおけるフレーズ成分値ＰＨＲ
を求めるために、まず、ステップＳＴ７１でフレーズ指
令カウンタｉを０に初期化し（ｉ＝０）、ステップＳＴ
７２でフレーズ成分値ＰＨＲを０に初期化する（ＰＨＲ
＝０）。

【０１４９】次いで、ステップＳＴ７３で現時刻ｔが第
１番目のフレーズ指令の生起時刻Ｔ0i以上か（ｔ≧Ｔ0i
か）否かを判別し、ｔ＜Ｔ0iのときは現時刻ｔよりも第
ｉ番目のフレーズ指令の生起時刻Ｔ0iが時間的に後であ
り、第ｉ番目以降のフレーズ指令に関しては影響がない
と判断して処理を中止し本フローを終了する。

【０１５０】ｔ≧Ｔ0iのときはステップＳＴ７４で次式
（９）に従って第ｉ番目のフレーズ成分ＰＨＲを算出す
る。

【０１５１】 ＰＨＲ＝ＰＨＲ＋Ａpi×Ｇpi（ｔ−Ｔ0i） …（９） 第ｉ番目のフレーズ指令に対する処理を終了すると、ス
テップＳＴ７５でフレーズ指令カウンタｉを１インクリ
メントして（ｉ＝ｉ＋１）次のフレーズ指令に対する処
理を行う。ステップＳＴ７６では、フレーズ指令カウン
タｉがフレーズ指令数カウントＩ以上か（ｉ≧Ｉか）否
かを判別し、ｉ＜Ｉのときは入力テキスト全音節に対し
処理が終了していないと判断してステップＳＴ７３に戻
って全音節についての処理を繰り返していく。

【０１５２】上記の処理を現時刻ｔにおいて第０番目の
フレーズ指令から第Ｉ−１番目のフレーズ指令に対して
フレーズ成分の大きさをＰＨＲに加算していく。ｉ≧Ｉ
になると入力テキスト全音節に対し処理が終了し、最終
フレーズ第Ｉ−１番目の処理を終えた時点で、第ｋモー
ラにおけるフレーズ成分値ＰＨＲが求められる。

【０１５３】次に、図１１のフローチャートを参照して
アクセント成分値算出方法について説明する。

【０１５４】図１１はアクセント成分値ＡＣＣ算出のフ
ローチャートであり、前記図８のステップＳＴ５６のサ
ブルーチンＤに相当する処理である。

【０１５５】フレーズ指令の場合と同様に、第ｋモーラ
におけるアクセント成分値ＡＣＣを求めるために、ま
ず、ステップＳＴ８１でアクセント指令カウンタｊを０
に初期化し（ｊ＝０）、ステップＳＴ８２でアクセント
成分値ＡＣＣを０に初期化する（ＡＣＣ＝０）。

【０１５６】次いで、ステップＳＴ８３で現時刻ｔが第
ｊ番目のアクセント指令の立ち上げ時刻Ｔ1j以上か（ｔ
≧Ｔ1jか）否かを判別し、ｔ＜Ｔ1jのときは現時刻ｔよ
りも第ｊ番目のアクセント指令の立ち上げ時刻Ｔ1jが時
間的に後であり、第ｊ番目以降のアクセント指令に関し
ては影響がないと判断して処理を中止し本フローを終了
する。

【０１５７】ｔ≧Ｔ1jのときはステップＳＴ８４で次式
（１０）に従って現時刻ｔにおいて第０番目のアクセン
ト指令から第Ｊ−１番目のアクセント指令に対してアク
セント成分の大きさをＡＣＣに加算していく。

【０１５８】 ＡＣＣ＝ＡＣＣ＋Ａaj×｛Ｇaj（ｔ−Ｔ1j）−Ｇaj（ｔ−Ｔ2j）｝ …（１０） 第ｊ番目のアクセント指令に対する処理を終了すると、
ステップＳＴ８５でアクセント指令カウンタｊを１イン
クリメントして（ｊ＝ｊ＋１）次のアクセント指令に対
する処理を行う。ステップＳＴ８６では、アクセント指
令カウンタｊがアクセント指令数カウントＪ以上か（ｊ
≧Ｊか）否かを判別し、ｊ＜Ｊのときは入力テキスト全
音節に対し処理が終了していないと判断してステップＳ
Ｔ８３に戻って全音節についての処理を繰り返してい
く。

【０１５９】上記の処理を現時刻ｔにおいて第０番目の
アクセント指令から第Ｊ−１番目のアクセント指令に対
してアクセント成分の大きさをＡＣＣに加算していく。
ｊ≧Ｊになると入力テキスト全音節に対し処理が終了
し、最終アクセント第Ｊ−１番目の処理を終えた時点
で、第ｋモーラにおけるアクセント成分値ＡＣＣが求め
られる。

【０１６０】次に、図１２のフローチャートを参照して
フレーズ成分・アクセント成分修正方法について説明す
る。

【０１６１】図１２はフレーズ成分・アクセント成分修
正のフローチャートであり、前記図８のステップＳＴ６
４のサブルーチンＥに相当する処理である。

【０１６２】まず、ステップＳＴ９１でフレーズ成分・
アクセント成分を修正するための乗数ｄを次式（１１）
により算出する。

【０１６３】 ｄ＝Ａlevel／（ＰＯＷmax−ＰＯＷmin） …（１１） 次いで、ステップＳＴ９２でフレーズ指令カウンタｉを
０に初期化し（ｉ＝０）、ステップＳＴ９３で第ｉ番目
のフレーズ指令のフレーズ成分値Ａpiに対して上記乗数
ｄを乗算し、処理が施されたフレーズ成分Ａ′piを算出
する（Ａ′pi＝Ａpi×ｄ）。

【０１６４】次いで、ステップＳＴ９４でフレーズ指令
カウンタｉを１インクリメントし（ｉ＝ｉ＋１）、ステ
ップＳＴ９５でフレーズ指令カウンタｉがフレーズ指令
数カウントＩ以上か（ｉ≧Ｉか）否かを判別し、ｉ＜Ｉ
のときは入力テキスト全音節に対し処理が終了していな
いと判断してステップＳＴ９３に戻って全フレーズにつ
いての処理を繰り返していく。

【０１６５】ｉ≧Ｉのときはアクセント成分修正処理の
ため、ステップＳＴ９６でアクセント指令カウンタｊを
０に初期化し（ｊ＝０）、ステップＳＴ９７で第ｊ番目
のアクセント指令のアクセント成分値Ａajに対して上記
乗数ｄを乗算し、処理が施されたアクセント成分Ａ′aj
を算出する（Ａ′aj＝Ａaj×ｄ）。

【０１６６】次いで、ステップＳＴ９７でアクセント指
令カウンタｊを１インクリメントし（ｊ＝ｊ＋１）、ス
テップＳＴ９８でアクセント指令カウンタｊがアクセン
ト指令数カウントＪ以上か（ｊ≧Ｊか）否かを判別す
る。ｊ＜Ｊのときは入力テキスト全音節に対し処理が終
了していないと判断してステップＳＴ９７に戻って全音
節についての処理を繰り返し、ｊ≧Ｊのときはフレーズ
成分及びアクセント成分修正が終了したと判断して本フ
ローを終える。

【０１６７】このように、乗数ｄを求め、第０番目のフ
レーズ指令から第Ｉ−１番目のフレーズ指令、第０番目
のアクセント指令から第Ｊ−１番目のアクセント指令ま
ですべての成分値に対して乗数ｄを乗ずる。こうした処
理が施されたフレーズ成分Ａ′pi及びアクセント成分
Ａ′ajは、それぞれの生起時刻Ｔ0i、立ち上げ・立ち下
げ時刻Ｔ1j，Ｔ2jとともにピッチパタン生成部４０６に
送られピッチパタンが生成される。

【０１６８】以上説明したように、第２の実施形態に係
る音声合成装置は、フレーズ指令算出部４０２、アクセ
ント指令算出部４０３から出力されるパラメータを用い
て、ピッチ周波数の最大値及び最小値を算出するピーク
検出部４０７と、フレーズ指令算出部４０２からのフレ
ーズ指令の大きさ、アクセント指令算出部４０３からの
アクセント指令の大きさ、ピーク検出部４０７からのフ
レーズ成分、アクセント成分の重畳結果の最大値・最小
値、さらにユーザから指定される抑揚レベルが入力さ
れ、これらのパラメータを用いて、フレーズ指令・アク
セント指令の大きさを修正する抑揚制御部４０８とを備
え、フレーズ指令の生起時点Ｔ0iと大きさＡpi、アクセ
ント指令の開始時点Ｔ1j，終了時点Ｔ2jと大きさＡajが
算出された後、ピッチパタンの概算からフレーズ指令と
アクセント指令の重畳成分ＰＨＲ，ＡＣＣの最大値ＰＯ
Ｗmaxと最小値ＰＯＷminを算出し、この差分値とユーザ
が指定する抑揚値が同等になるようにフレーズ指令・ア
クセント指令の大きさを修正するように構成したので、
従来、入力テキストの単語構成によって部分的に極端に
声高になることにより聞きづらかったという不具合が解
消でき、聞き易い合成音声を生成することができる。

【０１６９】したがって、第１の実施形態と同様に、簡
易な構成で、ピッチパタンを適切に制御でき、自然な発
生リズム感の合成音声を得ることが可能になる効果があ
る。

【０１７０】なお、第２の実施形態において、処理量削
減のために、最小値は計算することなく基底ピッチＦmi
nに固定してしまうようにしてもよい。

【０１７１】また、上記各実施形態では、処理を簡略化
するためにモーラ開始位置での時刻を０．１５×ｋモー
ラで計算して（図３のステップＳＴ１６、図８のステッ
プＳＴ５４参照）、フレーズ成分・アクセント成分を算
出しているが、モーラ単位ではなく、より厳密な単位で
処理を行っても構わない。

【０１７２】また、前記図９から明らかなように、モー
ラ開始位置よりモーラ中心位置の方がより正確な成分値
が求められるので、上記モーラ開始位置（０．１５×ｋ
モーラ）に所定値、例えば０．０７５を加え、０．１５
×ｋ＋０．０７５モーラで成分値を求めるようにしても
よい。

【０１７３】また、上記各実施形態では、フレーズ成分
総和あるいは重畳成分値を求める際のモーラ位置に対す
る時刻を、０．１５秒／モーラという定数を用いている
が、デフォルトの発声速度ではなくユーザの指定した発
声速度から導出してモーラ時刻を決定してもよい。

【０１７４】またさらに、フレーズ成分総和を求める際
にモーラ単位の成分値を前記式（２）により逐一計算す
ることはなく、あらかじめ計算してＲＯＭ等にテーブル
化しておく構成でもよい。

【０１７５】また、上記各実施形態における規則音声合
成のためのパラメータ生成方法としては、汎用コンピュ
ータによって、ソフトウェアで実現する構成にしても、
専用ハードウェア装置（例えば、テキスト音声合成ＬＳ
Ｉ）で装置を実現する構成にしてもよい。また、このよ
うなソフトウェアを格納した、フロッピー・ディスク、
ＣＤ−ＲＯＭ等の記録媒体を用いて、必要に応じて読み
出して、汎用コンピュータ上で実行させるような構成に
しても、何ら差支えない。

【０１７６】また、上記各実施形態に係る音声合成装置
では、テキストデータを入力とする音声合成方法に全て
適用することができるが、規則によって任意の合成音声
を得る音声合成装置であればどのようなものでもよく、
各種端末に組み込まれる回路の一部であってもよい。

【０１７７】さらに、上記各実施形態に係る音声合成装
置を構成する辞書や各種回路部の数、モデルの形態など
は前述した各実施形態に限られない。

【０１７８】

【発明の効果】本発明に係る音声合成装置では、パラメ
ータ生成部は、フレーズ成分及びアクセント成分の総和
を求め、該フレーズ成分及びアクセント成分の総和から
平均ピッチを算出する算出手段と、平均ピッチから基底
ピッチを決定する決定手段とを備えて構成したので、文
章毎の平均ピッチのばらつきを抑制することができ、聞
き易い合成音声を生成することができる。

【０１７９】本発明に係る音声合成装置では、パラメー
タ生成部は、フレーズ成分及びアクセント成分を重畳
し、重畳結果からピッチパタンを概算し、概算したピッ
チパタンから少なくともピッチパタンの最大値を算出す
る算出手段と、少なくとも最大値を用いてフレーズ成分
及びアクセント成分の値を修正する修正手段とを備えて
構成したので、極端に声高になることを抑制することが
でき、聞き易い合成音声を生成することができる。

【図面の簡単な説明】

【図１】本発明を適用した第１の実施形態に係る音声合
成装置のパラメータ生成部の構成を示すブロック図であ
る。

【図２】上記音声合成装置の基底ピッチ決定のフローチ
ャートである。

【図３】上記音声合成装置のフレーズ成分総和算出のフ
ローチャートである。

【図４】上記音声合成装置のアクセント成分総和算出の
フローチャートである。

【図５】上記音声合成装置の５モーラからなる単語の各
アクセント型に対応する点ピッチパタン（母音重心点に
おけるピッチの遷移）を示す図である。

【図６】上記音声合成装置のアクセント型による簡易ピ
ッチパタン比較を示す図である。

【図７】本発明を適用した第２の実施形態に係る音声合
成装置のパラメータ生成部の構成を示すブロック図であ
る。

【図８】上記音声合成装置の抑制制御のフローチャート
である。

【図９】上記音声合成装置のモーラ単位によるピッチパ
タン最大値・最小値を示す図である。

【図１０】上記音声合成装置のフレーズ成分値ＰＨＲ算
出のフローチャートである。

【図１１】上記音声合成装置のアクセント成分値ＡＣＣ
算出のフローチャートである。

【図１２】上記音声合成装置のフレーズ成分・アクセン
ト成分修正のフローチャートである。

【図１３】従来の音声合成装置の構成を示すブロック図
である。

【図１４】従来の音声合成装置のパラメータ生成部の構
成を示すブロック図である。

【図１５】ピッチパタン生成過程モデルを説明するため
の図である。

【図１６】アクセント型の違いによるピッチパタンの比
較を示す図である。

【符号の説明】

１０１ テキスト解析部、１０３ 波形生成部、１０４
単語辞書、１０５素片辞書、３００，４００ パラメ
ータ生成部、３０１，４０１ 中間言語解析部、３０２
フレーズ指令決定部、３０３ アクセント指令決定
部、３０４，４０４ 音韻継続時間決定部、３０５，４
０５ 音韻パワー決定部、３０６，４０６ ピッチパタ
ン生成部、３０７ 基底ピッチ決定部（算出手段，決定
手段）、４０２ フレーズ指令算出部、４０３ アクセ
ント指令算出部、４０７ ピーク検出部（算出手段）、
５０８ 抑揚制御部（修正手段）

Claims (4)

【特許請求の範囲】
1. 【請求項１】 音声の基本単位となる音声素片が登録さ
   れた素片辞書と、 音韻・韻律記号列に対して少なくとも音声素片、音韻継
   続時間、基本周波数の合成パラメータを生成するパラメ
   ータ生成部と、 前記パラメータ生成部からの合成パラメータを前記素片
   辞書を参照しながら波形重畳を行って合成波形を生成す
   る波形生成部とを備えた音声合成装置において、 前記パラメータ生成部は、 フレーズ成分及びアクセント成分の総和を求め、該フレ
   ーズ成分及びアクセント成分の総和から平均ピッチを算
   出する算出手段と、 前記平均ピッチから基底ピッチを決定する決定手段とを
   備えたことを特徴とする音声合成装置。
2. 【請求項２】 前記算出手段は、フレーズ指令の生起時
   点と大きさと、アクセント指令の開始及び終了時点と大
   きさからフレーズ成分及びアクセント成分の総和の平均
   値を平均ピッチとして算出し、 前記決定手段は、前記平均値と基底ピッチとの加算値が
   一定となるように基底ピッチを決定するを備えたことを
   特徴とする請求項１記載の音声合成装置。
3. 【請求項３】 音声の基本単位となる音声素片が登録さ
   れた素片辞書と、 音韻・韻律記号列に対して少なくとも音声素片、音韻継
   続時間、基本周波数の合成パラメータを生成するパラメ
   ータ生成部と、 前記パラメータ生成部からの合成パラメータを前記素片
   辞書を参照しながら波形重畳を行って合成波形を生成す
   る波形生成部とを備えた音声合成装置において、 前記パラメータ生成部は、 フレーズ成分及びアクセント成分を重畳し、重畳結果か
   らピッチパタンを概算し、前記概算したピッチパタンか
   ら少なくともピッチパタンの最大値を算出する算出手段
   と、 少なくとも前記最大値を用いて前記フレーズ成分及びア
   クセント成分の値を修正する修正手段とを備えたことを
   特徴とする音声合成装置。
4. 【請求項４】 前記算出手段は、フレーズ指令の生起時
   点と大きさと、アクセント指令の開始及び終了時点と大
   きさとからピッチパタンの最大値及び最小値を算出し、 前記修正手段は、前記最大値及び最小値の差分値とユー
   ザが指定する抑揚値が同等になるように前記フレーズ指
   令及びアクセント指令の大きさを修正することを特徴と
   する請求項３記載の音声合成装置。