JPH01211799A - 多言語を扱う音声の規則合成装置 - 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】 ［産業上の利用分野］ この発明は、音声の規則合成装置に関し、特に、多言語
を扱う規則合成装置に関する。

［従来の技術および発明が解決しようとする課題］従来
、規則合成システムは、各言語ごと（たとえば、日本語
、英語、ドイツ語などそれぞれについて）に開発されて
いる。しかし、これらの規則合成システムは、あくまで
もネイティブスピーカか使用することが念頭に置かれ、
ネイティブスピーカでないものが使用する機能を有して
いない。

すなわち、各言語ごとに開発した規則合成システムは、
合成に使用する音声の単位、韻律制御規則などともにネ
イティブスピーカをもとに作成されているため、その規
則合成音は、ネイティブスピーカでないものが話す音声
よりも流暢な音声を出力できるが、一方、これらの規則
合成システムの出力可能な音声の声質は、１つまたは数
種類（男性の音声、女性の音声、子供らしい音声および
老人のような音声など）に限られている。

したがって、規則合成システムがある人に代わって音声
を合成すること、すなわちある人の音声の声質に近い音
声を合成し、あたかもその人がその言語で話しているよ
うな音声を出力することかできないという課題があった
。

その理由として、 （１）　規則合成に用いられる音声単位は、ある話者が
発生した数百例の音声がら作成されるため、発声者の負
担が大きい。

（２）　音声単位の作成は、全自動で行なうのが難しく
、人手がかかり、たくさんの話者について音声の単位を
作成するのは事実上不可能である。

（３）　規則合成に用いられる音声の単位セットを各話
者ごとに作ると、格納しておくメモリ量が膨大なものと
なる。　　− などを挙げることができる。

この発明は、上記のような課題を解決するためになされ
たもので、各言語について合成された規則合成音に発声
者の個人的特徴を持たせることを目的とする。

［課題を解決するための手段］ この発明に係る多言語を扱う音声の規則合成装置は、複
数の言語のそれぞれについて外部から文字情報信号を受
け、各言語について標準となる第一の話者の音声単位信
号集合を参照することにより、各言語の第一の話者の音
声信号を合成する複数の規則合成手段と、各言語の第一
の話者の音声信号のうちいずれかを選択して出力する選
択手段と、第一の話者の音声を、音声に個人的特徴を付
与したい第２の話者の音声に変換するのに必要な変換信
号を蓄積した変換信号ファイル手段と、選択手段から出
力された第１の話者の音声信号を変換信号ファイル手段
に蓄積された変換信号に基づいて、第２の話者の音声信
号に変換する音声変換手段とを含む。

［作用］ この発明における多言語を扱う音声の規則合成装置は、
規則合成手段によりその言語の標準となる第１の話者の
音声信号を規則合成した後で、選択手段により選択され
た言語について、音声変換手段により変換信号ファイル
手段に蓄積された変換信号に従って、その第１の音声信
号を個人的特徴を有する第２の話者の音声信号に変換す
るので、多言語について個人的特徴を有する音声信号を
得ることができる。

［発明の実施例］ 第１図は、この発明による多言語を扱う規則合成装置の
一実施例を示すブロック図である。

第１図を参照して、この規則合成装置は、入力部］０な
いしｎｏと、多言語規則合成群１０４と、切換部１００
と、声質変換部１０１と、音声個人情報ファイル１０２
と、出力部１０３とを含む。

この規則合成装置は、言語Ｌ１ないし言語ＬＮのＮ個の
言語（たとえば、英語、ドイツ語、中国語、日本語など
）を扱うことができる。

多言語規則合成群１０４は、各言語について文字情報信
号が与えられる入力部からの信号をそれぞれ処理する規
則合成部を含む。たとえば、ある言語Ｌ１について、入
力部１０に、外部から言語Ｌ１に関する文字およびアク
セント型などの文字列ならびに韻律信号を含む文字情報
信号ｓｌＯが与えられる。言語Ｌ１の標準の話者Ａ１の
音声の単位セット情報ファイル１２を含む規則合成部１
１は、文字情報信号ｓｌＯを受け、音声の単位セット情
報ファイル１２を参照して、その言語の標準の話者Ａ１
の音声信号ｓｌｌを規則合成する。

一方、言語Ｌ１以外の他の言語についても、各規則合成
部２１ないしｎｌによって、同様に、各言語の標準の話
者Ａ２ないしＡｎの音声信号ｓ２１ないしｓｎｌを規則
合成することができる。

ここで、音声の単位セット情報ファイル１２ないしｎ２
は、各言語Ｌ１ないしＬｎの標準の話者Ａ１ないしＡｎ
について、それぞれ、音素や音節などの音声の単位とな
る情報が予め蓄えられたデータベースである。

切換部１００は、各言語Ｌ１ないしＬｎのうちから、い
ずれか１つの言語、たとえば、言語Ｌ１を選択し、多言
語規則合成群１０４から出力された選ばれた言語Ｌ１の
標準話者Ａ１の音声信号Ｓ１１を声質変換部１０１に出
力する。

声質変換部１０１は、音声信号ｓｌｌを受け、予め登録
されている、音声個人情報ファイル１０２の中から音声
に個人性を付与したい話者Ｂのデータを参照して、標準
話者Ａ１の音声信号ｓｌｌを話者Ｂの音声信号ｓ４に変
換して出力する。

声質変換部１０１における声質変換方法として、ベクト
ル量子化を利用した声質変換法が用いられる。この方法
は、規則合成部の基準となった標準話者と、音声に個人
性を付与したい話者との間の声質変換を、各話者のコー
ドブックの対応づけである変換コードブックによって行
なうものである。

変換コードブックは、個人性を付与したい話者の音声の
パワー、ピッチ周波数およびスペクトル情報を含み、音
声の特徴が離散的に表現されている。第１図の音声個人
情報ファイル１０２は、音声に個人性を付与したい話者
ごとにこの変換コードブックの内容を含む。

以下では、−例として、言語Ｌ１を英語とし、英語の規
則合成部１１で合成されたあるアメリカ人話者Ａ１の音
声信号ｓ’ｌｌを、個人性を付与したい日本人Ｂの音声
信号Ｓ４に変換する場合について説明する。

第２図は、変換コードブックの作成手順を示すフロー図
である。

第２図を参照して、以下に変換コードブック４１．４２
．４３を求める手順について説明する。

まず、ステップ３０１および３０２において、アメリカ
人話者Ａ１および日本人話者已に同一の単語を発声させ
、それぞれの音声にＬＰＧ分析を施し、パワー、ピッチ
周波数およびスペクトルパラメータを求める。次に、ス
テップ３０３および３０４において、スペクトルパラメ
ータをベクトル量子化し、ステップ３０５および３０６
でパワーをスカラー量子化し、ステップ３０７および３
０８においてピッチ周波数をスカラー量子化する。

話者Ａおよび話者Ｂの発声した音声の時間対応をとるた
めに、スペクトルパラメータを用いて、ステップ３０９
においてＤｏｕｂｌｅ　　５ｐｌｉｔ法によるＤＰマツ
チングを行なう。ここで得られた時間対応の情報を基に
して、ステップ３１０．３１１および３１２において、
各特徴量について話者Ａと話者Ｂの対応関係を求め、ヒ
ストグラムを作成する。スペクトルパラメータおよびパ
ワーの変換コードブック４Ｌ　４３は、このヒストグラ
ムを重みとした話者Ｂの特徴ベクトルの線形結合で求め
る。また、ピッチ周波数の変換コードブック４２は、こ
のヒストグラムの最大値を与える話者Ｂの特徴ベクトル
で作成する。

第３図は、声質変換部１０１における声質変換手順を示
すフロー図である。

第３図を参照して、以下に変換コードブックを用いた声
質変換方法について、言語Ｌ１すなわち英語を例として
説明する。話者Ａ１の音声ｓｌｌは、ステップ４０１に
おいてＬＰＧ分析され、パワー、ピッチ周波数およびス
ペクトルパラメータが抽出される。　次に、ステップ４
０２において話者Ａ１のスペクトルコードブックからの
スペクトルパラメータがベクトル量子化され、ステップ
４０３において話者Ａ１のパワーコードブックからのパ
ワーがスカラー量子化され、ステップ４０４において話
者Ａ１のピッチ周波数コードブックからのピッチ周波数
がスカラー量子化される。これらの量子化されたパラメ
ータを復号化する過程において、前述の変換コードブッ
ク４１．４２．４３が使用される。すなわち、ステップ
４０５において、話者Ａ１から話者Ｂへのスペクトル変
換コードブック４１を用い、ステップ４０６において、
パワー変換コードブック４３を用い、ステップ４０７に
おいてピッチ周波数変換コードブック４２を用いる。そ
して、変換された各パラメータを用いてステップ４０８
で話者Ｂの音声が合成される。これによって、日本人話
者Ｂの声質をもった英語の規則合成音か得られる。

第４図は、この発明による多言語を扱う規則合成装置を
含む規則合成システムのハードウェア構成を示す概略ブ
ロック図である。

第４図を参照して、この規則合成システムは、アンプ１
とローパスフィルタ２とＡ／Ｄ変換器３とコンピュータ
システム４とを含む。アンプ１は入力された音声信号を
増幅するものであり、ローパスフィルタ２は増幅された
音声信号から折返し雑音を除去するものである。Ａ／Ｄ
変換器３は音声信号を１２ｋＨｚのサンプリング信号に
より、１６ビツトのディジタル信号に変換するものであ
る。コンピュータシステム４は、規則合成装置（演算処
理部）５と磁気ディスク６と端末類７とプリンタ８とを
含む。この発明による多言語を扱う音声の規則合成装置
は、第４図の規則合成装置５内において構成される。

以上に述べた多言語を扱う規則合成装置は、特に、多数
の言語をある話者が発声する代わりに音声を出力する多
言語発声代行用規則合成システムとして有用である。

［発明の効果］ 以上のように、この発明によれば、多言語について標準
となる第１の話者の音声信号を合成する規則合成手段と
、選択手段から出力された音声信号を個人的特徴を付与
したい第２の話者の音声信号に変換する音声変換手段と
を含むので、多言語について個人的特徴を有する音声信
号を得ることができる。

【図面の簡単な説明】

第１図は、この発明による多言語を扱う規則合成装置の
一実施例を示すブロック図である。第２図は、変換コー
ドブックの作成手順を示すフロー図である。第３図は、
声質変換部における声質変換手順を示すフロー図である
。第４図は、この発明による多言語を扱う規則合成装置
を含む規則合成システムのハードウェア構成を示す概略
ブロック図である。 図において、１はアンプ、２はローパスフィルタ、３は
Ａ／Ｄ変換器、４はコンピュータシステム、５は規則合
成装置、１０ないしｎｏは入力部、１１ないしｎｌは規
則合成部、１２ないしｎ２は音声単位セット情報ファイ
ル、１００は切換部、１０１は声質変換部、１０２は音
声個人情報ファイル、１０３は出力部、ｓｌＯないしｓ
ｎＯは文字情報信号、ｓｌｌないしｓｎｌは話者Ａ１な
いしＡｎの音声信号、ｓ３は話者Ｂの音声個人情報信号
、ｓ４は話者Ｂの音声信号を示す。

Claims (1)

1. 【特許請求の範囲】 複数の言語のそれぞれについて、標準となる第１の話者
   の音声単位信号の集合を含み、外部から文字情報信号を
   受け、前記音声単位信号集合を参照することにより、前
   記第１の話者の音声信号を合成する複数の規則合成手段
   と、 前記複数の規則合成手段に接続され、前記複数の言語の
   中から１つの言語を選択し、選択された言語について前
   記第１の話者の音声信号を出力する選択手段と、 前記第１の話者の音声を、音声に個人的特徴を付与した
   い第２の話者の音声に変換するのに必要な変換信号が蓄
   積された変換信号ファイル手段と、前記選択された言語
   の合成された前記第１の話者の音声信号を受け、前記変
   換信号ファイル手段に蓄積された変換信号に基づいて前
   記第１の話者の音声信号を前記第２の話者の音声信号に
   変換する音声変換手段とを含む、多言語を扱う音声の規
   則合成装置。