JPH05281984A - 音声合成方法および装置 - Google Patents

Abstract

(57)【要約】 【目的】音声合成に要する時間と合成音声の品質を任意
に変えることができるようにする。 【構成】音声合成の対象とする漢字かな混じりの文字コ
ード列と次数Ｎを示す次数情報を入力部１により入力
し、言語処理部３にて、単語辞書２をもとに入力文字コ
ード列に対応する音韻系列と韻律情報を生成し、合成パ
ラメータ生成部５において、その音韻系列に対応する音
韻のケプストラムパラメータを、入力部１からの次数情
報の示す次数分だけ音声素片ファイル４より抽出して音
韻パラメータを生成すると共に、その韻律情報に対応す
る韻律パラメータを生成する。この音韻パラメータと韻
律パラメータを音声合成部６に入力して、この音韻パラ
メータと韻律パラメータをもとに、入力部１からの次数
情報の示す次数の合成フィルタリングを実行し、合成音
声を生成する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は文字コード列、または韻
律情報と音韻系列とから合成音声を生成する音声合成方
法および装置に関する。

【０００２】

【従来の技術】近時、漢字かな混じりの文を解析し、そ
の文が示す音声情報を規則合成法により音声合成して出
力する音声合成装置が種々開発されている。そして、こ
の種の音声合成装置は、銀行業務における電話紹介サー
ビスや、新聞校閲システム、文書読み上げ装置等として
幅広く利用され始めている。

【０００３】この種の規則合成法を採用した音声合成装
置は、基本的には人間が発声した音声を予めある単位、
例えばＣＶ（子音、母音）、ＣＶＣ（子音、母音、子
音）、ＶＣＶ（母音、子音、母音）、ＶＣ（母音、子
音）毎にＬＳＰ（線スペクトル対）分析やケプストラム
分析等の手法を用いて分析して求められる音韻情報を音
声素片ファイルに登録しておき、この音声素片ファイル
を参照して音声パラメータ（音韻パラメータと韻律パラ
メータ）を生成し、これらの音声パラメータをもとにし
て音源の生成と合成フィルタリング処理を行うことによ
り合成音声を生成するものである。

【０００４】従来、このような音声合成装置は、リアル
タイムに処理するために専用のハードウェアを必要とし
ている。この音声合成装置のシステム構成には大きく分
けて次の２種がある。

【０００５】第１の構成は、パーソナルコンピュータ
（ＰＣ）などのホスト計算機が漢字かな混じり文を韻律
情報と音韻系列に変換し（言語処理）、専用のハードウ
ェアで合成パラメータの生成、音源の生成、合成フィル
タリング、Ｄ／Ａ（ディジタル／アナログ）変換を行う
ものである。これに対して第２の構成は、漢字かな混じ
り文から音声を生成するまでの全ての処理を専用のハー
ドウェアで行うものである。いずれの構成における専用
ハードウェアも、積和演算が高速なＤＳＰ（ディジタル
・シグナル・プロセッサ）と呼ばれるＬＳＩと汎用のＭ
ＰＵ（マイクロプロセッサユニット）で構成されるのが
殆どである。

【０００６】一方、パーソナルコンピュータ（ＰＣ）や
エンジニアリング・ワーク・ステーション（ＥＷＳ）の
処理能力が高まったことと、標準でＤ／Ａ変換器、アナ
ログ出力部およびスピーカを搭載したことで、上記の処
理をリアルタイムにソフトウェアで行えるようになりつ
つある。

【０００７】このようなシステムでは、処理中のタスク
が少ない場合は問題ないが、タスクが多い場合はリアル
タイムに音声合成されないことが少なくない。そのた
め、発声単語の途中で無音区間が挿入され、非常に聞き
づらい音声となっていた。これは、音声合成に要する時
間が一定のため、少ないタスクでリアルタイム動作して
いても、タスクが多くなるとそれだけ他のタスクにＣＰ
Ｕの実行時間を取られるために起こるものである。

【０００８】ところで、現在の規則合成法を採用した音
声合成装置で生成される音声の声質を変えるものとし
て、男／女／子供／老男／老女、発話速度、声の高さ
（基本ピッチ、平均ピッチ）、ストレスレベル等があ
り、自分の好みにあった音声を選択できるようになって
いる。しかし、それらの選択では音声の声質は変えるこ
とができても品質そのものを変えることはできなかっ
た。

【０００９】現在は、明瞭度の高い「ハキハキ」とした
合成音声を生成するものがほとんどであるが、このよう
な合成音声は初めて聞く人に対してはなじみ易いが、合
成音声に対して慣れている者が長時間聞いている場合に
は疲れ易いという不具合もあった。

【００１０】

【発明が解決しようとする課題】このように上記した従
来の音声合成技術にあっては、音声合成に要する時間が
一定であったために、タスクが少ないときにはリアルタ
イムに音声合成できていたものが、タスクが多い場合に
はリアルタイムにできない等の不具合がある他、合成音
声の品質が固定であったため、長時間の使用には向いて
いない等の不具合があった。

【００１１】本発明はこのような事情を考慮してなされ
たもので、その目的とするところは、合成フィルタリン
グの次数を変えることによって、音声合成に要する時間
と合成音声の品質を任意に変えることができる音声合成
方法および装置を提供することにある。

【００１２】

【課題を解決するための手段】本発明に係る音声合成方
法および装置は、音韻パラメータの次数、あるいは合成
音の品質を表す情報を入力し、音韻系列と韻律情報に従
って生成された音韻パラメータと韻律パラメータをもと
に、この入力情報に応じた次数の合成フィルタリングを
実行して合成音声を生成するようにしたことを特徴とす
るものである。

【００１３】

【作用】上記の構成においては、音韻パラメータの次
数、あるいは合成音の品質を表す情報に従って、合成フ
ィルタに入力される音韻パラメータの次数が変えられ
て、その次数の合成フィルタリングが実行される。この
ように、本発明によれば、合成フィルタに入力される音
韻パラメータの次数を変えることによって同フィルタに
おける計算量を増減することができる。

【００１４】したがって、合成フィルタリングを含む音
声合成処理を、マルチタスクを実行するＣＰＵの特定の
タスク処理によって行うシステムでは、稼動する他のタ
スクが少ないとき（あるいはＣＰＵの能力が高いとき）
には高い次数を、逆に稼動する他のタスクが多いとき
（あるいはＣＰＵの能力が低いとき）は低い次数を選択
することによって合成音声をリアルタイムに生成するこ
とが可能となる。また、合成フィルタに入力される音韻
パラメータの次数を変えることによって、合成音の品質
を任意に変えることもできる。

【００１５】

【実施例】以下、図面を参照して本発明の一実施例を説
明する。図１は同実施例に係る音声合成装置の概略構成
を示すブロック図である。

【００１６】図１に示す音声合成装置は、音声合成の対
象とする漢字かな混じりの文字コード列と、合成音声の
制御情報の入力を司る入力部１を有する。この制御情報
は、例えば後述する音声合成部６内の合成フィルタに入
力すべき合成パラメータの次数Ｎを選択指定するための
情報（次数情報）からなる。

【００１７】図１に示す音声合成装置はまた、音声合成
の対象となる単語や句等についてのアクセント型、読
み、品詞情報等が予め登録されている単語辞書２と、入
力部１により入力された文字コード列を単語辞書２を用
いて解析し、対応する音韻系列および韻律情報を生成す
る言語処理部３とを有する。

【００１８】図１に示す音声合成装置はまた、予め任意
の音声単位毎に入力音声を分析することにより求められ
たケプストラムパラメータ群、およびケプストラムパラ
メータの次数を表す情報が格納されている音声素片ファ
イル４と、言語処理部３にて生成された音韻系列および
入力部１からの次数情報に従う音韻パラメータ（ここで
は、音韻のケプストラムパラメータ）の生成を行う合成
パラメータ生成部５とを有する。合成パラメータ生成部
５は、言語処理部３にて生成された韻律情報に従う韻律
パラメータの生成も行う。

【００１９】図１に示す音声合成装置は更に、合成パラ
メータ生成部５によって生成された音韻パラメータ、そ
の次数情報および韻律パラメータをもとに、音源の生成
と、次数Ｎ分の合成フィルタリング処理を行って合成音
声を生成する音声合成部６と、音声出力用のスピーカ７
とを有する。なお、音声合成部６において合成音声をア
ナログ信号に変換するためのＤ／Ａ変換器などは省略さ
れている。

【００２０】以上の構成の音声合成装置は、マルチタス
クを実行するパーソナルコンピュータ（ＰＣ）やエンジ
ニアリング・ワーク・ステーション（ＥＷＳ）によって
実現されるもので、入力部１、言語処理部３、合成パラ
メータ生成部５および音声合成部６（内の音源生成、フ
ィルタリング処理部分）は、ＣＰＵのプログラム処理
（音声合成処理用タスクの実行）によって実現される機
能ブロックである。

【００２１】次に、図１に示す音声合成装置の全体の動
作を説明する。まず入力部１により、音声合成の対象と
する漢字かな混じりの文字コード列と、次数Ｎを示す次
数情報が入力される。言語処理部３は、入力部１により
入力された文字コード列と単語辞書２とを照合し、この
入力文字コード列が示す音声合成の対象となっている単
語や句等についてのアクセント型、読み、品詞情報を求
め、その品詞情報に従うアクセント型・境界の決定、お
よび漢字かな混じり文の読みの形式への変換を行い、音
韻系列と韻律情報を生成する。

【００２２】言語処理部３によって生成された音韻系列
と韻律情報は合成パラメータ生成部５に与えられる。こ
の合成パラメータ生成部５には、入力部１により入力さ
れた次数情報も与えられる。

【００２３】合成パラメータ生成部５は、音韻系列に対
応する音韻のケプストラムパラメータを、入力部１から
与えられる次数情報の示す次数Ｎ分だけ音声素片ファイ
ル４より抽出して音韻パラメータを生成する。同時に合
成パラメータ生成部５は、韻律情報に従って韻律パラメ
ータを生成する。

【００２４】音声合成部６は、合成パラメータ生成部５
によって生成された音韻パラメータおよび韻律パラメー
タを、入力部１から与えられる次数情報と共に入力して
一時保持する。そして音声合成部６は、入力した音韻パ
ラメータおよびその次数情報と韻律パラメータとに従
い、音源の生成とディジタルフィルタリング処理とを行
うことにより、前記の入力文字コード列に示される合成
音声を生成し、図示せぬＤ／Ａ変換器によりアナログ信
号に変換してスピーカ７に出力する。このようにして、
入力部１により入力された漢字かな混じりの文から音声
が生成されスピーカ７から出力される。

【００２５】次に、図１の音声合成部６の詳細な処理に
ついて、図２のフローチャートを参照して説明する。ま
ず音声合成部６は、フレーム番号を示すカウンタ変数
「ｊ」に「１」を、１フレーム当りの処理すべきサンプ
ル数の残りを示すカウンタ変数「ｉ」に［フレーム周
期］／［サンプリング周期］＝Ｐを、それぞれ初期値と
して設定する（ステップＳ１，Ｓ２）。ここで、［サン
プリング周期］は、図示せぬＤ／Ａ変換器のクロックの
周期に一致する。

【００２６】次に音声合成部６は、入力部１から与えら
れる次数情報に従い、合成パラメータ生成部５より入力
して保持しておいた音韻パラメータと韻律パラメータの
中から、同情報で示される次数Ｎに対応する１フレーム
分（フレーム番号は「ｊ」）の音韻パラメータＣ0 〜Ｃ
N と韻律パラメータとからなる合成パラメータＲj を選
択的に入力する（ステップＳ３）。

【００２７】次に音声合成部６は、音韻パラメータＣ0
と韻律パラメータを用いて１サンプル分の音源データの
生成（音源生成）を行う（ステップＳ４）。そして音声
合成部６は、生成された１サンプル分の音源データを入
力として音韻パラメータＣ1〜Ｃ6 を用いてフィルタリ
ング（ディジタルフィルタリング）を実行する（ステッ
プＳ５）。

【００２８】音声合成部６は、ステップＳ５のフィルタ
リング処理を終了すると、入力部１から与えられた次数
情報の示す次数Ｎが「６」か否かを判定し（ステップＳ
６）、「６」のときはステップＳ５で生成された１サン
プリングデータ（音声データ）を出力する（ステップＳ
１０）。

【００２９】これに対し、次数Ｎが「６」以外のとき
は、音声合成部６は、ステップＳ５で生成されたデータ
を入力として音韻パラメータＣ7 〜Ｃ10を用いてフィル
タリングを実行する（ステップＳ７）。そして音声合成
部６は、上記次数情報の示す次数Ｎが「１０」か否かを
判定する（ステップＳ８）。

【００３０】音声合成部６は、ステップＳ８の判定の結
果、次数Ｎが「１０」であれば、上記ステップＳ１０の
１サンプリングデータ出力処理へジャンプする。これに
対し、次数Ｎが「１０」以外であれば、音声合成部６
は、上記ステップＳ７で生成されたデータを入力として
音韻パラメータＣ11〜Ｃ20のフィルタリングを実行し
（ステップＳ９）、しかる後にステップＳ１０の１サン
プリングデータ出力処理へ移る。

【００３１】このように本実施例では、次数情報の示す
次数Ｎが「６」のときはＣ1 〜Ｃ6のフィルタリング
を、「１０」のときはＣ1 〜Ｃ10のフィルタリングを、
それ以外のときはＣ1 〜Ｃ20のフィルタリングを実行す
る。

【００３２】音声合成部６は、ステップＳ１０の１サン
プリングデータ出力処理を終了すると、カウンタ変数
「ｉ」を「１」だけ減算し（ステップＳ１１）、この
「ｉ」が「０」より大きいか否かを判定する（ステップ
Ｓ１２）。もし、「ｉ」が「０」より大きいならば、音
声合成部６は、次の１サンプル分の音源生成と次数Ｎ分
のフィルタリング処理のために上記ステップＳ４以降の
処理に戻り、そうでなければ、即ちＰサンプル（Ｐ＝
［フレーム周期］／［サンプリング周期］）分のステッ
プＳ４〜Ｓ１２の処理が実行されたならば、フレーム番
号を示すカウンタ変数「ｊ」を１だけ加算する（ステッ
プＳ１３）。

【００３３】このようにして音声合成部６は、Ｐ回だけ
ステップＳ４〜Ｓ１２の処理を実行して、１フレーム
（Ｐサンプル）分の音声データを生成する。そして１フ
レーム（Ｐサンプル）分の音声データを生成すると、即
ちカウンタ変数「ｉ」が「０」より大きい状態ではなく
なると、音声合成部６はカウンタ変数「ｊ」が音声合成
すべきフレーム数「Ｆ」以下か否かを判定し（ステップ
Ｓ１４）、「Ｆ」以下であれば次の１フレームについて
の音声データ生成のためにステップＳ２以降の処理に戻
り、「Ｆ」を超えていれば処理を終える。

【００３４】このようにして、音声合成部６はＦ回だけ
ステップＳ２〜Ｓ１４の処理を実行して、Ｆフレーム分
の音声データを生成する。なお、図２のフローチャート
では、Ｎ＝６，１０以外のときはすべてＣ1 〜Ｃ20のフ
ィルタリングを行うことになるが、本実施例では、入力
部１により入力される次数情報で指定可能な次数Ｎは、
６，１０，２０の３つに限られており、それ以外の次数
は指定されないものとする。

【００３５】このように構成された音声合成装置におい
て、例えば次数「２０」（Ｎ＝２０）を示す次数情報が
入力部１に与えられたとする。サンプリング周期が１２
５μｓ、フレーム周期が１０ｍｓであるとすると、図２
におけるＰは「８０」となる。また、音声素片ファイル
４には各音節に対応するケプストラムパラメータがＣ0
〜Ｃ20まで格納されているものとする。

【００３６】合成パラメータ生成部５は、言語処理部３
で生成された音韻系列の各音韻に対応する指定次数分の
ケプストラムパラメータＣ0 〜Ｃ20を音声素片ファイル
４から抽出すると共に韻律情報に従って韻律パラメータ
を生成する。なお、ここで得られたパラメータの全フレ
ームＦの数が５００であるとすると、音韻パラメータは
２１×５００＝１０５００個、韻律パラメータは５００
個である。

【００３７】音声合成部６は、合成パラメータ生成部５
によって生成された１０５００個の音韻パラメータと５
００個の韻律パラメータの中から、最初の１フレーム分
の音韻パラメータＣ0 〜Ｃ20および韻律パラメータから
なる合成パラメータＲ1 を入力し（ステップＳ３）、音
韻パラメータＣ0 と韻律パラメータに基づいて音源を生
成する（ステップＳ４）。次に音声合成部６は、音源デ
ータを合成フィルタに入力すると共に、音韻パラメータ
Ｃ1 〜Ｃ20を用いてフィルタリングを実行する（ステッ
プＳ５〜Ｓ１２）。音声合成部６は、以上のステップＳ
４〜Ｓ１２の処理を８０回（８０サンプル分）行う。

【００３８】その後、音声合成部６は、次の１フレーム
分の合成パラメータＲ2 を入力し（ステップＳ３）、ス
テップ４〜１２の処理を８０回行う。そして音声合成部
６は、これらの一連の処理（ステップＳ３〜Ｓ１２）を
５００回（５００フレーム分）行う。音声データは、こ
れらの処理中のステップＳ１０にて出力される。

【００３９】即ち上記の例では、Ｃ1 〜Ｃ20を用いた合
成フィルタリングはＦ×Ｐ＝５００×８０＝４０００回
実行される。このとき、Ｃ1 〜Ｃ6 のフィルタリング１
回に要する時間をＴ１、Ｃ7 〜Ｃ10のフィルタリング１
回に要する時間（ステップＳ７，Ｓ８）をＴ２、Ｃ11〜
Ｃ20のフィルタリング１回に要する時間（ステップＳ
９）をＴ３とし、図２のフローチャートに示す一連の処
理のうち、その他の処理に要する時間をＴ４とすると、
発声時間５秒（フレーム周期１０ｍｓのフレーム５００
個分）の音声データを生成するのに必要な音声合成部６
における全処理時間は４０００×（Ｔ１＋Ｔ２＋Ｔ３）
＋Ｔ４となる。

【００４０】次に、上述と同様の設定条件で次数情報の
示す次数Ｎを「６」とすると、音声素片ファイル４から
抽出される音韻パラメータはＣ0 〜Ｃ6 であり、７×５
００＝３５００個となる。Ｎ＝６のため、音声合成部６
におけるステップＳ７〜Ｓ９の処理は行われない。この
場合の全処理時間は４０００×Ｔ１＋Ｔ４となり、次数
２０の場合と比べて４０００×（Ｔ２＋Ｔ３）だけ短縮
される。

【００４１】また、ケプストラムパラメータは一般に次
数が高いほど周波数のスペクトル包絡特性が良くなると
いう性質があり、低いほどスペクトルの包絡線がなまる
傾向にある。即ち、次数が高いほど品質の高い合成音声
が生成され、逆に次数が低いと品質の低い合成音声が生
成されるために、次数を選択することにより品質の異な
った合成音声を生成できる。例えば、合成音声を長時間
聞く場合には低い次数を選択すればよい。

【００４２】以上、説明してきたように上述の処理機能
を備えた本実施例装置によれば、音韻パラメータの次数
に応じたフィルタリングを実行することによって、合成
フィルタリングにおける計算量の増減が可能となる。ま
た、次数を変えることによって合成音声の品質を変える
ことが可能である。

【００４３】なお、本発明は上述した実施例に限定され
るものではない。即ち、実施例では、入力部１から入力
される次数情報により予め定められたケプストラムパラ
メータの３種の次数のうちの１つが直接指定される場合
について説明したが、「１，２，３」あるいは「Ａ，
Ｂ，Ｃ」等の合成音声の品質を表す情報として入力し、
装置内部で音韻パラメータの次数と対応付けても構わな
い。また、指定できる次数も３種に限定する必要はな
い。更に、ＣＰＵの能力、あるいは他のタスク（音声合
成処理用タスク以外のタスク）のＣＰＵ使用率に応じ
て、次数を自動設定するようにしてもよい、例えばＣＰ
Ｕの能力が低い場合、あるいは他のタスクのＣＰＵ使用
率が高い場合ほど、低い次数を設定するようにしてもよ
い。

【００４４】また、実施例では、音韻パラメータとして
ケプストラムパラメータを用いたが、他の音韻パラメー
タ、例えばＬＳＰパラメータ等を使用してもよい。その
場合には、分析次数に対応した音声素片ファイルが複数
必要になる。

【００４５】更に実施例では、合成パラメータの生成、
音源の生成、合成フィルタリング等がソフトウェア処理
によって行われるシステムに実施した場合について説明
したが、これらの処理が専用のハードウェアで行われる
システムであってもよく、次数を変えることによって合
成音声の品質を変えることができる。要するに本発明は
その要旨を逸脱しない範囲で種々変形して実施すること
ができる。

【００４６】

【発明の効果】以上説明したように本発明によれば、音
韻パラメータの次数を変えることによって合成フィルタ
リングの計算量が増減できるため、合成フィルタリング
を含む音声合成処理をＣＰＵの特定のタスク処理によっ
て行うシステムでは、ＣＰＵの能力、あるいは他のタス
クのＣＰＵ使用率に応じて次数を設定すればリアルタイ
ムに音声合成を行うことができる。また、音韻パラメー
タの次数を変えることによって、合成音の品質を任意に
変えることもできる等の実用上多大なる効果が奏せられ
る。

【図面の簡単な説明】

【図１】本発明の一実施例に係る音声合成装置の概略構
成を示すブロック図。

【図２】同実施例における音声合成部６の処理の流れを
説明するためのフローチャート。

【符号の説明】

１…入力部、２…単語辞書、３…言語処理部、４…音声
素片ファイル、５…合成パラメータ生成部、６…音声合
成部、７…スピーカ。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 音韻系列に従って対応する音韻パラメー
   タを生成すると共に韻律情報に従って韻律パラメータを
   生成し、これら音韻パラメータおよび韻律パラメータに
   従い音声を合成する音声合成方法において、 音韻パラメータの次数、あるいは合成音の品質を表す情
   報を入力し、前記生成された音韻パラメータおよび韻律
   パラメータをもとに、この入力情報に応じた次数の合成
   フィルタリングを実行して合成音声を生成するようにし
   たことを特徴とする音声合成方法。
2. 【請求項２】 音韻系列に従って対応する音韻パラメー
   タを生成すると共に韻律情報に従って韻律パラメータを
   生成し、これら音韻パラメータおよび韻律パラメータに
   従い音声を合成する音声合成装置において、 音韻パラメータの次数、あるいは合成音の品質を表す情
   報を入力する手段と、 前記生成された音韻パラメータおよび韻律パラメータを
   もとに、前記入力手段によって入力された情報に応じた
   次数の合成フィルタリングを実行して合成音声を生成す
   る音声合成手段と、 を具備することを特徴とする音声合成装置。