JPH01171000A - 音声合成方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 Ａ、産業上の利用分野 本発明は音素データを使用して音声を合成する規則音声
合成方式に関する。

Ｂ１発明の概要 本発明は、音素を基本単位として音声を合成するように
したものにおいて、各音素を立ち上がり。

定常、立ち下がりの区分を行い、これらの各区分毎に継
続時間、音の高さおよび大きさを決めるピッチおよびエ
ネルギー、音源ならびにこれら音素、　　′ピッチ、エ
ネルギーの時定数を定めて音素パラメータを作成する際
、前記エネルギー値をピッチにより補正して音素データ
を正規化するようにしたことを特徴とした音声合成方式
に関する。

Ｃ１従来の技術 人工的に音声を合成して出力する電子装置は、最近にな
って１ないし数チップの音声認識や音声合成のＬＳＩが
音声情報処理と半導体の大規模集積回路技術により低価
格で実現されるようになり、その使用目的、制約条件に
より種々の方式が提案されている。この音声合成には、
人間の発生した生の音声を録音しておき、これを適当に
結合して文章に編集する録音編集方式と、人間の声を直
接的には利用せず、人間の音声のパラメータだけを抽出
し、音声合成、過程で、そのパラメータを制御して人工
的に音声信号を作り出す方法がある。

このパラメータ方式で良質な合成音が得られることで広
く利用されているパーコール（ＰＡＲＣＯＲ）方式があ
る。

音声を電子計算機で扱う場合、音声波形をある周期毎に
サンプリングして各サンプリング点での音声信号の値を
アナログ／ディジタル変換し、その値を０と１の符号で
表示して行われるが、アナログ信号に忠実な記録、をす
るには、ビット数を増やす必要があるが音声合成信号は
大変多くのメモリーを必要とする。

そこで、この情報量を極力少なくするために各種の高能
率な符号化法が研究開発されている。

その方法の１つとして、１つの音声信号の情報に対し、
最低限の１ビツトとした方式で、デルタ変調方式がある
。この方式は、１ビツトの使い方として、次にくる音声
信号値が現在の値より高いか低いかを判定して、高けれ
ば符号“ビ、低ければ符号“０”を与え音声信号の符号
化を行うもので、実際のシステム構成としては一定の振
幅ステップ量（デルタ）を定めておき、誤差が蓄積され
ないように今までの符号化によって得られる音声の値と
、入力してくる音声信号との残差信号に対して、符号化
を行う。

このような構成を予測コード化といわれ、線形予測法（
何個か前のサンプル値から予測する）およびパーコール
方式（線形予測法の予測係数の代わりにパーコール係数
にといわれる偏自己相関関数を用いる）がある。

Ｄ６発明が解決しようとする問題点 前述のように予測コード化を用いたものは、音と音との
継ぎ目に相当する調音結合が難しいという問題がある。

例えば母音から子音を経て母音に至る発声において、母
音の定常から過渡を経て子＼ 音に至りまた母音の過渡を経て母音の定常音に至ろ過程
で母音と母音の継ぎ目の音が跡切れ、人間が聞いたとき
に自然な感じを与えない。

また楽器音合成の場合は、音階の継ぎ目が重要であるが
合成手法が実際の楽器の音発生の原理と異なるため、や
はり自然な感じが無く、特に残響音において顕著にあら
れれる。これら両者において自然な音に近付けるために
は、これを構成するメモリや、演算器等の電子部品を多
く必要とし装置が高価になる等の問題がある。

Ｅ１問題点を解決するための手段ヒ、４簾用そこで本願
の発明者は人間の音の発生や楽器の楽音は人間の口腔や
音響管の長さや断面積等の形状変化によって作り出され
るので、これら音響管の音波の伝達を表す進行波現象を
音響管等価回路で解析し、音響管の断面積がサージイン
ピーダンスに反比例することに着目し、サージインピー
ダンスを変化させることで断面積を模擬的に変化させ、
サージインピーダンスを連続的変化することで調音結合
をスムーズに行うことができるようにして人間の発声と
同様な音の合成を容易となし音声の自然性の向上を図る
ようにした音声合成方式を創案し、先に特許出願した（
特願昭６２−９１７０５号、以下先願と称す）。

この先願の発明を基に自然音声からパラメータを抽出し
て音声合成データを作る際、自然音の音の高さ（ピッチ
）や音の強さ（エネルギー）ζこばらつきがあり、耳で
聴き取ったときと同じ強さの音に聞こえるように音の強
さを正規化する必要がある。正規化する場合は、各自然
音声について実際の波形を抽出して、その高さやピッチ
を対比するか、あるいは音声を出して耳で聞き、ピッチ
やエネルギーを調整して音のレベルを合わせた音声合成
データを作っている。この作業は非常に時間と熟練を要
する。そこで、本発明は、種々実験の結果、エネルギー
とピッチは相関関係があり、ピッチの大きいところはエ
ネルギーも大きいことに着目し、ピッチとエネルギーの
相関特性曲線を作り、この曲線からピッチによりエネル
ギー値を補正して音声データを正規化し、作業の効率化
を図ったものである。

Ｆ、実施例 先ず、本願の基礎となる先願の発明の詳細な説明する。

音声発声時の声道の断面積変化は、例えば「ア」の発声
の場合は、喉の奥が狭く口唇が開いた状態で肺から押し
出される呼気で声帯が呼気を断続的に開閉して声道（音
響管）の中で反射を繰り返して出てくる音波が「ア」の
音声波形となって出てくる。「イ」は喉の方が広く口唇
の先が狭いと「イ」の音声波形が出力される。

このように口の恰好で周波数が決まり、口の恰好を模擬
すれば「ア」なり「イ」が発声される。

口の恰好は音響管の断面積で模擬でき、また音響管の断
面積の変化は、サージアドミッタンスの変化で模擬でき
る。従って、サージアドミッタンスを変化すれば口の恰
好が模擬できる。サージアドミッタンスの変化は、電気
回路上極めて容易に可変できるので電気信号によって様
々な音声を合成することができる。第２図（ア）は断面
積ＡＩ。

Ａ！・・・Ａ、と異なる断面積をもった音響管を接続し
て声道を模擬したものである。同図（イ）はその音響イ
ンピーダンスを電気回路のＬＣ回路に置き換えたもので
、各音響管を１個のＬＣ線路とし、全体を集中線路のｎ
−１の電気回路としたものである。また第２図（つ）は
進行波等価モデル図で、各音響管の音響インピーダンス
２１．Ｚ！・・・Ｚ７は、音響管の断面積に反比例（音
響アドミッタンスは比例）し、音波の速度Ｃ′と空気密
度ρに比例するので となる。なお、同図でＺｇは音源インピーダンス、ＺＬ
は放射インピーダンスを示し、またブロック間の矢印は
、進行波と後進波を表している。

今「ア」という音声を発声させる場合は、口唇の先に相
当する音響管の断面積のところで「ア」の口の恰好を与
えて、インパルスＰを断続的に印加することで、「ア」
の音が得られ、また「ア」から「イ」の音を発声させる
場合は、口唇の先に相当する音響管の断面積を狭め「イ
」の口の恰好に与えることで「イ」が得られる。

インパルスＰが連続して断続的に与えられ、断面積全体
を「イ」の口の恰好に変化させる場合、声道は第２図に
示すｎ個の音響管によって模擬しているので、これらの
各断面積を「ア」から動かして口の恰好を「アーイ」と
連続的に変えることになる。この音響管の断面積を変え
るということは、サージインピーダンスを徐々に変える
ことによって行われる。

従って、断面積は連続的に変えられるので、定常状態の
「ア」、「イ」の音が得られることは勿論であるが、更
にインピーダンスは連続して可変できるので、その中間
の音、即ち音と音との間の音を得ることができる。従っ
て音の切れが無く人間の発音に近い調音結合がスムーズ
に行われる。

次に音波の伝搬速度を考えると、これは長さｅでＬＣを
持った電線路にインパルスを印加した時の過渡現象に似
ている。

即ち第３図に示すようにＬＣを有する線路を等価的に表
すと第４図のようになる。ここで両端部からみたサージ
インピーダンスＺ。ｉ　Ｚｏｔは、Ｚ、、＝ＪＬ／Ｃ，
Ｚｏｔ＝ＪＬ／Ｃとなる。

ここで相手から到達してきた進行波を等価的な電流源と
考えると、 １＋＝ｉｔ（Ｌ−Ｔ）＋　　　Ｖｔ（ｔ　　ｆ）Ｚｏ。

１　！　＝　ｉ　ｌ（ｔ　−ｒ　）　＋　　　Ｖ　ｌ（
ｔ　−ｒ　）ＯＩ となり電流は中間にｎ個の遅延回路ブロックＺがあれば
、ｎ時間後に出力される。即ち左側の回路で発生したも
のが１時間後右側に到達したということになる。

Ｉ２は送り管側の電流ｉ、＋　　’　　Ｖ、（ｔ−ｔ）
Ｚ（１１ となる。但し、ディジタル計算においては、電圧または
電流を細分割するのでＶ＋、Ｖｔは計測時刻ｔにおける
電圧、τは経過時間を示している。

第４図では、Ｌ、Ｃ回路にインパルスを印加すれば、τ
時間後に出力管側に出る。そしてτ時間前到達されたも
のは相手にも到達しているということを等価的に表して
いる。線路の長さＣを１にするということは、遅延ブロ
ックｎを正規化してｌにすることで計算し易くなる。ｅ
を３ｃｉに刻む場合は遅延ブロックのｎを３ブロツクに
すればよい。

第２図（ア）を人間の声道は男性で約１７ｃｍなので、
１ＣｊＩ刻みで１７本の音響管で模擬すれば、Ａ、から
入うた波形は、半周期の電流をｌＯに分割しそのΔｔを
１０μｓｅｃとすれば、１７０μｓｅｃかかってＡｎ側
から出てくる。

したがって、音響管ＡＩ−Ａｎの断面積変化に対応した
演算処理を演算処理装置で行い、音響管Ａ１〜Ａｎの個
々の等価回路を流れる各部の電流値を計算する必要なＡ
１〜Ａｎに対応するインピーダンスＺ、〜Ｚ、の値をテ
ーブルとして有するメモリと、当該等価回路の各部の電
流値を演算する演算手段と、この等価回路とは相隣接す
る等価回路の電流値を用いて電流値を演算する演算手段
とを備えて演算処理を行えば音声信号が得られ、その出
力をＤ／Ａ変換してスピーカに出力すればスピーカより
音声として出力される。

次に上記の音響管モデルを使用して文字入力信号から規
則によって音声を合成する実施例について説明する。

第５図は本発明の一実施例を説明するためのブロック説
明図で、ｌは日本語処理部で、漢字かな混じりで書かれ
た文章を入力として受けとり、こ、れを辞書２と対応さ
せて文節１句２文の区切り。

形態素分類の自然語解析を行い、更にアクセント処理を
行ってこれを表音変換してイントネーションをつけて文
章処理データを作る。３は音節処理部で、音節パラメー
タを有すし、文書処理されたデータの音節処理を行う。

音節パラメータは子音の１１０個〜１４０個（普通に話
せる言葉は１１０個程度あればよい）の音節毎に音の高
さ（ピッチ）、音の強さ（エネルギー）および継続時間
を与える。例えば「桜」の場合は第６図に示すようにＳ
Ａ、ＫＵ、ＲＡ各音節毎にピッチＰ、エネルギーＥ１時
間Ｔを正規化する。４は音素処理部で、パラメータ補間
機能をもつ音素パラメータを有する。音素パラメータは
、各音素毎に音の立ち上がり部０８．定常部０２．立ち
下がり部０３に区分を几い、各区分毎に音素（断面積）
時定数、継続時間、ピッチ、ピッチ時定数、エネルギー
、エネルギー時定数、音源を正規化し、各区分毎のデー
タのブロックを形成する。前記の「桜」に例をとれば第
７図に示すようにｒＳＪ　、ｒＡＪ　＋、ｒＫＪ。

ｒＵＪ、ｒＲＪ、ｒＡＪの各音素に区分の立ち上がり部
Ｏ３であればＤｏｇ、　Ｔｒ、　Ｐ　ｒ、　ＤＰ　ｌ＋
　Ｅｔ。

Ｄ　Ｅ　＋、　Ｇ　＋のデータユニットを形成する。こ
れらのデータユニットは第１図の音響管モデルの断面積
Ａ、〜Ａ１の各断面積Ａ、・１〜Ａ１・０に対応して設
けられている。即ち音響管モデルの断面積Ａが１７ある
場合は各音節毎に６Ｘ１７＝１０２のデータユニットが
用意される。

前記の各時定数は、前の区分の最終値から、当該区分の
それぞれに対応する目標値への動き方を指定する。時間
Ｔは継続時間で、この時間Ｔ内に上記の各処理が行われ
る。また音源Ｇ、、Ｇ、、Ｇ３は子音部分では各区分毎
に時間Ｔに応じて変化するが、おおむね３００パツ程度
、母音部では５０パツ程度のパルス列で音源を与える。

６は音響管モデル部で、音響管の断面積の変化を模擬す
る制御を行い、その出力を音声合成波形部７に入力し、
音声合成波形部７でテジタル信号をアナログ信号に変え
てスピーカ８から音声として出力させる。

上記の音素データの作成は、自然音声からパラメータを
抽出して行われる。即ち上記のエネルギー、ピッチ、＠
！続時間、音響管断面積などの各種パラメータを基本音
声データから導出する。このとき基本音声データから逆
フイルタ分析などで求めたパラメータ値を、そのまま用
いず、正規化を行ったり調音結合の具合などを試聴しな
がら何回も修正を加えて音素パラメータを作成する。

このとき、エネルギー値を基準に音の強さを正規化しよ
うとすれば、エネルギーは一般的には波形の高さと比例
関係にあり、音を強くする場合は、波形の高さを高くす
ればよいが、しかしエネルギーの値は、単に波形の大き
さだけでなく、ピッチにも影響している。即ち、同じ高
さの波形の場合ピッチの巾を小さくするとエネルギー値
は小さく、また広いとエネルギー値は大きくとる必要が
ある。

従って単にエネルギー値を基準に音の強さを正規化する
ことは困難である。

そこで本発明は音のデータからすると、母音のピッチの
大きいところはエネルギーも大きいということに着目し
、第１図（イ）の点線で示すように予め自然音声からエ
ネルギ一対ピッチのデータａをとり、そのばらつきの平
均的な値すの相関特性曲線を第１図（イ）のように作成
する。そしてあとは、この曲線からエネルギー値はピッ
チに合わせて機械的に定める。

即ち音の種類によってピッチがＰ、のときはエネルギー
はＥ、とし、また他の音で抽出した波形からエネルギー
がＥ、のらのであってもピッチがＰ、あれば、エネルギ
ーはＥ、′に補正する。なおピッチは音声波形から簡単
に測ることができるのでこの補正は簡単に行うことがで
きる。またこの曲線は、母音の種類によっては変わらな
いが、音声を出す人によっては変わる。

なお、上記の実施例においては音響管断面積の場合の音
素データ作成について説明したが、従来のパーコール方
式の音素データの作成にも利用できる。このときは、音
素時定数はパーコール係数を用いる。

Ｈ３発明の効果 本発明は以上のように音素データを作るとき、エネルギ
ー値をピッチとエネルギーの相関特性曲線を作ってこの
特性曲線からピッチによりエネルギー値を補正して音素
データを正規化するようにしているので、従来のように
基本音声データから逆フイルタ分析などで求めたパラメ
ータのエネルギー値等の正規化を行ったり、調音結合の
具合などを試聴しながら繰り返し修正を加えて作成する
必要がなく、ピッチからピッチとエネルギーの相関特性
曲線からエネルギー値を正規化できるので熟練を要せず
、効率的に音素データを正規化できる。

【図面の簡単な説明】

第１図は本発明の詳細な説明するためのピッチ対エネル
ギーの相関特性曲線図、第２図は音響管の電気回路等価
モデル図、第３図は音声伝搬を電気的に模擬した電気回
路図、第４図は第３図の等価回路図、第′（ン図は本発
明を説明するための文字入力信号から音声合成するブロ
ック結線図、第メータ説明図を示す。 ｌ・・・日本語処理部、３・・・音節処理部、４・・・
音素処理部、５・・・パラメータ補間部、６・・・音響
管モデル部、７・・・音声合成波形部、８・・・スピー
カ。 ぴ１シテＰ ｐ、　ｐ２ ピ１νすＰ 第５図 １　　　　　　宮！ｅＡ部 第６図 第７図

Claims (1)

【特許請求の範囲】
1. 音素を基本単位として音声を合成するものにおいて、前
   記各音素を立ち上がり、定常、立ち下がりに区分し、こ
   れら各区分毎に音素時定数、継続時間、ピッチ、ピッチ
   時定数、エネルギー、エネルギー時定数、音源を定めて
   音素データを作成するとき、前記エネルギー値を前記ピ
   ッチとエネルギーの相関特性曲線を作ってこの特性曲線
   からピッチによりエネルギー値を補正して音素データを
   正規化するようにしたことを特徴とする音声合成方式。