JPH09179577A - 音声合成における音韻エネルギ制御方法 - Google Patents

Abstract

(57)【要約】 【課題】 音質の劣化を防止するようにした。 【解決手段】 基本周波数が決定された当該音韻は子音
であるか、無いかがステップＳ４の判断部で判断され
て、子音と判断された場合にはステップＳ５の子音エネ
ルギ制御部に供給される。子音エネルギ制御部では子音
エネルギ用テーブルＴＢのデータを利用して子音のエネ
ルギが制御される。母音と判断されたなら、ステップＳ
７の母音エネルギ制御部に供給される。この母音エネル
ギ制御部では母音が数量化Ｉ類方式により制御される。
その後、子音と母音は前記ステップＳ６の音韻継続時間
長制御部に入力され、ここで音韻継続時間長用数量化Ｉ
類係数データベースＤＢ３を用いて音韻継続時間長（音
の長さ）が制御された後、ステップＳ８の波形編集部を
経た後、音声合成されてステップＳ９の合成音声ファイ
ルに入力される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、任意日本語規則
音声合成における音韻エネルギ制御方法に関する。

【０００２】

【従来の技術】図４は規則音声合成方式の概略構成を示
すブロック構成図で、この図４において、テキスト入力
部１に入力されている漢字かな混じり文（文章）を日本
語処理部２に与える。日本語処理部２では、与えられた
上記文章を内蔵の日本語辞書を参照しながら音韻記号列
に変換する。この音韻記号列は、ある音韻における音韻
パラメータ（基本周波数→音の高さ、振幅→音の大き
さ、音韻継続時間長→音の長さ）を決定する音韻制御部
３に入力され、ここで、音韻記号列に基づき韻律パラメ
ータが生成される。韻律パラメータは図示しない各基本
周波数、振幅、音韻継続時間長のデータベースに格納さ
れているデータに基づき、各音韻毎に目標値が決定され
た後に、音声合成部４に与えられる。音声合成部４では
図示しないデータベースを参照して所望の韻律パラメー
タを実現しながら音声を得る。

【０００３】上記のように構成された規則音声合成方式
において、音韻制御部３で音韻パラメータを決定する場
合には、その音韻の先行音韻、後続音韻、アクセント環
境、音韻種別等の要因を考慮しなくてはならない。逆に
言えば、これらのすべての要因により、韻律パラメータ
を説明することができる。

【０００４】音韻エネルギ制御において、発声したい入
力音韻記号列から、ある音韻のエネルギ決定に至るまで
の手法を述べる。これには、多変量解析のひとつである
数量化Ｉ類を用いる手法が知られている。この手法は、
質的説明要因である質的変量（音韻環境）に基づいて目
的の量的変量（エネルギ）を算出するもので、以下に述
べる（１）式、（２）式により定式化される。次式にお
いて、ｉ番目のデータの質的変量の要因アイテムをｊ、
その属するカテゴリ（各アイテムの分類）をｋ、そのカ
テゴリ数量（カテゴリに付与する数量「係数」）をａ_jk
とするとき、

【０００５】

【数１】

【０００６】ここで、δは次のように定義される変数で
ある。

【０００７】

【数２】

【０００８】量的変量の値｛ｙ_i｝を最小二乗法で予測
するため、次の（２）式を満たすようにカテゴリ数量
｛ａ_jk｝を定める。

【０００９】

【数３】

【００１０】上記手法を用いてカテゴリ数量を求めるに
は、次に述べるエネルギデータベースの（ｂ）から
（ｆ）の質的変量を入力し、（ａ）の基本周波数値を教
師信号とすることにより求まる。

【００１１】エネルギデータベース：データベース内の
１データは、音韻記号列のある音韻でのエネルギとそれ
を説明するための環境データで構成されており、次の
（ａ）から（ｆ）のようになっている。

【００１２】（ａ）基本周波数値 （ｂ）句内位置 （ｃ）文内位置 （ｄ）前置音韻種別 （ｅ）当該音韻種別 （ｆ）後置音韻種別 そして、制御時には入力音韻記号列から上記データベー
スの（ｂ）〜（ｆ）の質的変量を導出し、カテゴリ数量
から成り立つ線形式に入力することにより、各音韻エネ
ルギを推定することができる。この制御手法は目的変数
が量的変量、説明変数が質的変量のものを対象としてい
るので、その制御対象は、エネルギに止まらず、基本周
波数、音韻継続時間長にも適用できる。

【００１３】

【発明が解決しようとする課題】前述した音声合成方式
により得られた合成音声の良否の尺度のうちのひとつで
ある人間の発声する肉声らしさは、韻律パラメータによ
って左右されるので、この人間らしさを実現するため
に、合成音声の韻律パラメータは、人間の発声する肉声
の韻律パターンにより近いものが良い。従って、数量化
Ｉ類モデルで学習される韻律パラメータは、人間が自然
に発声したときの肉声を分析して得られたものを使用し
ている。しかし、分析手法がいまだ確立されていないた
め、分析に失敗するパラメータが多々ある。特に、子音
の韻律パラメータに関して顕著に現れるので、学習デー
タには、肉声の韻律パターンではないものも含まれてし
まう可能性を持っている。

【００１４】ところで、数量化Ｉ類モデルでは、各カテ
ゴリの独立性を仮定しており、また、線形式の係数の数
は、各説明変数のカテゴリ数の総和となり、非常に少な
いので、モデルの推定精度はその学習データの善し悪し
で決定される。ここでいう善し悪しは、説明変数の目的
変数に対する偏相関係数がある程度、高い値を取り、説
明変数が目的変数を十分に説明しているということを仮
定したとき、各カテゴリに存在するデータがどの程度、
正確に分布しているか、ということである。

【００１５】以下に、例文と当該音韻のエネルギを説明
する変数を示す。

【００１６】「もしもし、こちら、通訳電話、国際会議
事務局です。」「／MOSHIMOSHI／KOCHIRA／TU-Y Ａ KUD
EXWA／KOKUSAIKAIGIJIMUKYOKUDESU／」 なお、下線Ａ
は当該音韻を示す。

【００１７】 （イ）基本周波数 →基本周波数制御部で推定された
値、 （ロ）句内位置 →句のはじめの方に位置する、 （ハ）文内位置 →文のはじめの方に位置する、 （ニ）前置音韻種別 →半母音、鼻音である、 （ホ）当該音韻種別 →Ａである、 （ヘ）後置音韻種別 →無声破裂子音である。

【００１８】ここで、数量化Ｉ類手法における母音と子
音のエネルギ推定を比較する。母音エネルギデータベー
スと子音エネルギデータベースの元になる音声データ
は、「ＡＴＲ１１５」文発声データを用いた。母音エネ
ルギ推定では６母音に対して、子音エネルギ推定では１
２子音に対して実験を行った。両者の実験条件は当該音
韻種別のカテゴリ数の違い、さらに当該音韻の違いによ
る前置音韻種別、後置音韻種別のカテゴリ数の違いのみ
である。表１、表２に母音エネルギ推定実験と子音エネ
ルギ推定実験結果をそれぞれ示す。

【００１９】

【表１】

【００２０】

【表２】

【００２１】上記両者の実験結果を比較した場合、平均
二乗誤差は、母音エネルギ推定では、２.１４２ｄＢと
人間の弁別閾程度であるが、子音エネルギ推定では、
４.３７３ｄＢと非常に大きくなっている。この実験か
ら子音エネルギ推定には、数量化Ｉ類手法を使用するこ
とができない問題がある。

【００２２】この発明は上記の事情に鑑みてなされたも
ので、子音エネルギの推定部分に、テーブル方式を採用
することにより、極端に大きなエネルギ推定を防いで、
音質の劣化を防止するようにした音声合成における音韻
エネルギ制御方法を提供することを課題とする。

【００２３】

【課題を解決するための手段】この発明は、上記課題を
達成するために、第１発明は、テキスト入力部からの文
章を日本語処理部で音韻記号列に変換した後、その音韻
記号列を音韻記号列処理部にて処理してから、基本周波
数制御部に入力して音の高さを得た後、当該音韻は子音
か母音かを判断し、子音のときには、子音エネルギ制御
部に入力して子音エネルギ用テーブルからのデータを用
いて子音の音の大きさを制御し、母音のときには、母音
エネルギ制御部に入力して各音韻に対して基本周波数、
句内位置、文内位置、前置音韻、当該音韻、後置音韻か
らなる数量化Ｉ類方式処理を行って母音の音の大きさを
制御した後に、子音と母音を音韻継続時間長制御部に入
力して音の長さを得てから波形編集をして合成音声を得
るようにしたことを特徴とするものである。

【００２４】第２発明は、前記子音エネルギ用テーブル
は前置音韻、当該音韻、後置音韻で分類されていること
を特徴とするものである。

【００２５】

【発明の実施の形態】以下この発明の実施の形態を図面
に基づいて説明する。図１はこの発明の実施の形態を示
すエネルギ制御のための子音エネルギ制御方法のフロー
チャートで、図１において、ステップＳ１は音韻記号列
ファイルで、このステップＳ１のファイルから呼び出さ
れた音韻記号列はステップＳ２の音韻記号列処理部で処
理された後、ある音韻の基本周波数を決定するステップ
Ｓ３の基本周波数制御部に入力される。基本周波数制御
部では基本周波数を決定する際に、基本周波数用ＦＮＮ
係数データベースＤＢ１のデータを使用する。

【００２６】基本周波数が決定された当該音韻は子音で
あるか、無いかがステップＳ４の判断部で判断されて、
子音と判断された場合にはステップＳ５の子音エネルギ
制御部に供給される。子音エネルギ制御部では子音エネ
ルギ用テーブルＴＢのデータを利用して子音のエネルギ
（音の大きさ）が制御される。このテーブルＴＢは前置
音韻、当該音韻、後置音韻で分類されたもので、人間が
各音韻にチューニングを施したものである。

【００２７】前記ステップＳ４において、当該音韻が母
音と判断されたなら、ステップＳ７の母音エネルギ制御
部に供給される。この母音エネルギ制御部では母音が数
量化Ｉ類方式により制御される。ここで、数量化Ｉ類方
式について述べる。この方式は、予めオフラインで人間
の肉声を分析し、各音韻に対して基本周波数、句内位
置、文内位置、前置音韻、当該音韻、後置音韻（数量化
Ｉ類モデルの説明変数）、さらにエネルギを求めて、こ
れらを学習データとしたものである。この学習データを
数量化Ｉ類モデルに入力して、得られたカテゴリ数量を
保存し、エネルギ用数量化Ｉ類係数データベースＤＢ２
とする。

【００２８】音声合成装置が稼働しているときは、音韻
記号列から推定用説明変数の値を算出して（ステップＳ
２の音韻記号列処理部で処理される）、ステップＳ７の
母音エネルギ制御部に入力して、所望の当該母音のエネ
ルギを得る。

【００２９】一方、当該音韻が子音の場合は、数量化Ｉ
類方式では推定精度が良くないので、前述のようにステ
ップＳ５の子音エネルギ制御部で制御される。

【００３０】前記ステップＳ５とステップＳ７で得られ
た子音と母音は前記ステップＳ６の音韻継続時間長制御
部に入力され、ここで音韻継続時間長用数量化Ｉ類係数
データベースＤＢ３を用いて音韻継続時間長（音の長
さ）が制御された後、ステップＳ８の波形編集部を経た
後、音声合成されてステップＳ９の合成音声ファイルに
入力される。なお、ステップＳ８の波形編集部では音声
素片データベースＤＢ４の音声素片データとステップＳ
２の音韻記号列処理部からの音韻記号列をステップＳ１
０の素片データ選択部で選択した素片データとを用いて
波形編集を行っている。

【００３１】次に、全音韻のエネルギを数量化Ｉ類方式
で推定させた場合と、子音のエネルギをテーブル方式
で、母音のエネルギを数量化Ｉ類方式で推定させた場合
とを「一週間ばかり（Ｉ ＳＨＵ ＫＡ Ｘ ＢＡ ＫＡ Ｒ
Ｉ）」という文章例を用いた比較結果を図２、図３に示
す。図２、図３共に、横軸には時間、すなわち音韻記号
列を、縦軸にはエネルギ値を付して示した。

【００３２】特に、図２に示す全音韻のエネルギを数量
化Ｉ類方式の場合の音韻「Ｂ」（図２の丸印で囲ったエ
ネルギ）のエネルギは、前置音韻の「Ｘ」のエネルギに
対して極端に大きな値を取っている。これを合成音声で
聞くと、音韻「Ｂ」が破裂系の有声子音であるため、非
常に違和感のある音に聞こえる。これに対して図３に示
す子音のエネルギをテーブル方式で制御し、母音のエネ
ルギを数量化Ｉ類方式で制御した場合には、前置音韻
「Ｘ」から当該音韻「Ｂ」（図３の丸印で囲ったエネル
ギ）へ、エネルギが比較的スムーズに移行しているた
め、合成音声にした場合でも違和感のない滑らかな音と
して聞こえる。このように、子音のエネルギをテーブル
方式で、母音のエネルギを数量化Ｉ類方式で推定させた
方が音質の劣化を防止することができる。

【００３３】

【発明の効果】以上述べたように、この発明によれば、
子音エネルギの推定部分にテーブル方式を採用すること
により、極端に大きなエネルギ推定を防いで音質劣化を
防止することができるようにした。また、子音エネルギ
テーブルは、前置音韻、当該音韻、後置音韻の３つのパ
ラメータのみで分類されるので、容易に作成できる利点
がある。さらに、子音ならテーブル方式、母音なら数量
化Ｉ類方式という簡易なで、システムを構築することが
できる。この他、母音部に数量化Ｉ類方式を用いている
ので、複数のエネルギ用数量化Ｉ類係数データ（複数の
人間の学習データを取得して得られる）を持つことによ
り、複数の人間の声に対応したエネルギ制御が可能とな
る等の利点がある。

【図面の簡単な説明】

【図１】この発明の実施の形態を示すフローチャート。

【図２】全音韻のエネルギを数量化Ｉ類方式で推定させ
た場合の特性図。

【図３】子音のエネルギをテーブル方式で、母音のエネ
ルギを数量化Ｉ類方式で推定させ場合の特性図。

【図４】音声合成装置のブロック構成図。

【符号の説明】 Ｓ１…音韻記号列ファイル Ｓ２…音韻記号列処理部 Ｓ３…基本周波数制御部 Ｓ４…子音、母音判断部 Ｓ５…子音エネルギ制御部 Ｓ６…音韻継続時間長制御部 Ｓ７…母音エネルギ制御部 Ｓ８…波形編集部 Ｓ９…合成音声ファイル Ｓ１０…素片データ選択部 ＴＢ…子音エネルギテーブル ＤＢ１…基本周波数用ＦＮＮ係数データベース ＤＢ２…エネルギ用数量化Ｉ類係数データベース ＤＢ３…音韻継続時間長用数量化Ｉ類係数データベース ＤＢ４…音声素片データベース

Claims (2)

【特許請求の範囲】
1. 【請求項１】 テキスト入力部からの文章を日本語処理
   部で音韻記号列に変換した後、その音韻記号列を音韻記
   号列処理部にて処理してから、基本周波数制御部に入力
   して音の高さを得た後、当該音韻は子音か母音かを判断
   し、子音のときには、子音エネルギ制御部に入力して子
   音エネルギ用テーブルからのデータを用いて子音の音の
   大きさを制御し、母音のときには、母音エネルギ制御部
   に入力して各音韻に対して基本周波数、句内位置、文内
   位置、前置音韻、当該音韻、後置音韻からなる数量化Ｉ
   類方式処理を行って母音の音の大きさを制御した後に、
   子音と母音を音韻継続時間長制御部に入力して音の長さ
   を得てから波形編集をして合成音声を得るようにしたこ
   とを特徴とする音声合成における音韻エネルギ制御方
   法。
2. 【請求項２】 前記子音エネルギ用テーブルは前置音
   韻、当該音韻、後置音韻で分類されていることを特徴と
   する請求項１項記載の音声合成における音韻エネルギ制
   御方法。