JPH1097290A - 音声合成装置 - Google Patents

Abstract

(57)【要約】 【課題】 従来では、音声単位の選択の際、音声単位の
平均ピッチ周期や平均パワー等の音響的な特徴を評価し
うる韻律情報のみで判定を行っており、日本語の語尾の
ように、韻律情報だけでは最適な音声単位が選択できな
い。 【解決手段】 第１の音韻記号列を所定の優先順位で複
数の第１の音韻記号部分列に分割する分割手段(12)と、
所定の優先順位で分割された第２の音韻記号部分列を含
む第２の音韻記号列、及び第２の音韻記号部分列に対応
する単位音声波形を含む音声波形を蓄積した波形メモリ
(16)と、第１の音韻記号部分列に対応する単位音声波形
を波形メモリから読み出す波形読出手段(12)と、波形メ
モリ(16)から読み出された単位音声波形を接続する波形
接続手段(12) と、を具備し、第２の音韻記号列には、
音韻記号毎にその音韻記号に対応する言語情報が付加さ
れていることを特徴とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声合成装置に関
し、特に音声案内、音声応答および音声読み上げ等に用
いられ、入力文字列に対応する音韻記号列に従って音声
波形を合成して出力する、音声合成装置に関する。

【０００２】

【従来の技術】従来の一般的な音声合成装置が、特開平
７−９２９９７号公報に開示されている。これは、音声
合成を行う音韻系列に対応し、データベースに含まれる
音声単位の中から、その音声単位に付加された韻律情報
により、音響的な特徴を選択基準として、音声単位を選
択してそれぞれを接続するものである。

【０００３】具体的に上述の音声合成装置の構成例を図
６に示す。

【０００４】図６において、１００は入力端子、１０１
は前処理部、１０２は選択基準パラメータ設定部、１０
３は素片選択部、１０４は条件設定部、１０５は素片パ
ラメータテーブル、１０６は素片ファイル、１０７は素
片接続部、１０８は出力端子を表す。

【０００５】条件設定部１０４は、素片選択部１０３に
おける素片選択処理時に用いる素片環境適正条件を種々
設定するものであり、これら設定条件の追加、変更、削
除を行うことができる。

【０００６】次に、図６を用いて、従来の音声合成装置
の処理について説明する。

【０００７】前処理部１０１は、入力文字列を音韻単位
に分割する。選択基準パラメータ設定部１０２は、合成
パラメータである波形素片の選択に用いる選択基準パラ
メータを上述の音韻単位に基づいて設定する。素片選択
部１０３は、設定された選択基準パラメータと、素片パ
ラメータテーブル１０５から取り込んだ素片パラメータ
との間でその２乗誤差を算出し、この２乗誤差が小さい
順に素片パラメータを選択して１次候補を生成し、更に
条件設定部１０４に設定された素片環境適正条件を最も
良くみたす素片パラメータに対応する素片を上述の音韻
単位に対する最適素片として決定する。

【０００８】このとき、「素片環境適正条件」とは、
（１）素片を抽出した音韻環境と合成時の音韻環境が一
致もしくは調音方式が類似すること、（２）平均ピッチ
の大小関係が選択基準パラメータの大小関係と一致する
こと、（３）ピッチ傾斜の符号（正／負／０）が選択基
準パラメータの符号と一致すること、であり、韻律情報
によって、最適素片の決定を行う。

【０００９】次に、素片接続部１０７は決定された音韻
単位の最適素片を素片ファイル１０６から抽出し、音韻
単位毎に素片接続部１０７で接続して合成音声を出力す
る。

【００１０】

【発明が解決しようとする課題】然し乍ら、日本語の語
尾の母音は無声化しやすく、全体的にパワーが小さくな
るなどの特異な音響特性を有しているため、従来の音声
合成装置では、音声単位の選択の際、音声単位の平均ピ
ッチ周期や平均パワーなどの音響的な特徴を評価しうる
韻律情報のみで判定を行っており、日本語の語尾のよう
に、韻律情報だけでは最適な音声単位が選択できないと
いった問題点があった。

【００１１】また、それぞれの音声単位は音節単位で分
解されており、音節単位毎に選択基準にしたがって音声
単位が選択されているため、単語単位など、第２の音韻
記号列に対する音声波形の連続性を利用できず、これも
合成音の音質の向上を妨げる原因となっていた。

【００１２】それゆえに、この発明の主たる目的は、優
れた音質の合成音を出力することができる、音声合成装
置を提供することである。

【００１３】

【課題を解決するための手段】本発明は、入力文字列に
対応する第１の音韻記号列に含まれる複数の第１の音韻
記号部分列に対応する単位音声波形を合成して合成音声
波形を出力する音声合成装置において、前記第１の音韻
記号列を所定の優先順位で複数の第１の音韻記号部分列
に分割する分割手段と、前記所定の優先順位で分割され
た第２の音韻記号部分列を含む第２の音韻記号列、及び
前記第２の音韻記号部分列に対応する単位音声波形を含
む音声波形を蓄積した波形メモリと、前記第１の音韻記
号部分列に対応する単位音声波形を前記波形メモリから
読み出す波形読出手段と、前記波形メモリから読み出さ
れた単位音声波形を接続して合成音声波形を生成する波
形接続手段と、を具備し、前記第２の音韻記号列には、
音韻記号毎にその音韻記号に対応する言語情報が付加さ
れていることを特徴とする。

【００１４】また、前記第２の音韻記号部分列には、そ
の音韻記号部分列が語尾であるかないかの言語情報が付
加されており、前記第１の音韻記号部分列に一致する第
２の音韻記号部分列に対応する単位音声波形を前記波形
メモリから読み出す時、第１の音韻記号部分列が語尾で
あれば、それに対応する第２の音韻記号部分列を、前記
言語情報に基づいて語尾である単位音声波形を選択する
ことを特徴とする。

【００１５】また、前記第２の音韻記号部分列には、そ
の音韻記号部分列が語尾であるかないかの言語情報が付
加されており、前記第１の音韻記号部分列に一致する第
２の音韻記号部分列に対応する単位音声波形を前記波形
メモリから読み出す時、第１の音韻記号部分列が語尾で
なければ、それに対応する第２の音韻記号部分列を、前
記言語情報に基づいて、語尾でない単位音声波形を選択
することを特徴とする。

【００１６】更に、前記所定の優先順位とは、無音部、
無声音部および有声音部の順であることを特徴とする。

【００１７】

【発明の実施の形態】本発明の実施の形態を図１〜図５
を用いて説明する。

【００１８】図１を参照して、テキスト音声合成装置１
０は、マイコン１２を含む。マイコン１２は、テキスト
文章データからなる第１の音韻記号列からなる入力文字
例を受け、まずテキスト解析用辞書１４を用いて、入力
文字列を分割点が設定された第１の音韻記号部分列から
なる音韻記号列に変換すると共に、この入力文字列のピ
ッチパターンおよびパワーパターンを生成する。

【００１９】このとき、第１の音韻記号列を第１の音韻
記号部分列に分割するには、所定の優先順位、例えば無
音部、無声音部および有声音部の順であることが好まし
い。

【００２０】次に、マイコン１２は、音声波形データベ
ース１６に登録された単位音声波形をピッチパターンお
よびパワーパターンに基づいて、整形および接続編集
し、これによって生成された合成音を出力する。

【００２１】音声波形データベース１６には、「音声波
形」と各々の音声波形に対する「音韻ラベル情報」、波
形接続点近傍の音響特性を表す「韻律情報」に加え、語
尾であるかないかを表す「言語情報」が登録されてい
る。音韻ラベル情報は、音韻記号列（第２の音韻記号
列）および記号列番号を含む。具体例として、図２に音
声波形データベース１６に登録されている各情報を列挙
する。なお、音韻記号列に含まれる“−”は５msec以上
の無音区間を表している。

【００２２】また、音声波形データベース１６に登録さ
れている音韻記号列（第２の音韻記号列）は、第１の音
韻記号部分列と同様に、所定の優先順位、例えば無音
部、無声音部および有声音部の順で分割された第２の音
韻記号部分列から構成されている。

【００２３】入力文字列に対応する音韻文字列，パワー
パターンおよびピッチパターンを生成するためのアルゴ
リズムを図３に示す。

【００２４】マイコン１２はまず、ステップＳ１で、入
力文字列を１文単位でメモリ１２ａに書き込む。次に、
ステップＳ３で文字列の形態素解析をする。すなわち、
テキスト解析用辞書１４には、単語の表記とそれに対す
る音韻記号列（読み）やアクセント、品詞などの情報が
蓄えられており、これらの情報を用いて入力文字列がど
のような単語から成り立っているかを解析する。

【００２５】続いて、ステップＳ５で解析結果に基づい
て入力文字列の音韻記号列を生成する。

【００２６】その後、ステップＳ７でテキスト解析用辞
書１４を用いて入力文字列のポーズ（ＰＡＵＳＥ）情報
を解析し、この解析結果からステップＳ９で入力文字列
のパワーパターンを生成する。

【００２７】更に、ステップＳ１１で、テキスト解析用
辞書１４を用いて入力文字列のアクセント情報を解析
し、この解析結果からステップＳ１３で入力文字列のピ
ッチパターンを生成する。

【００２８】ここで、パワーパターンは、周知の数量化
Ι類モデル、ピッチパターンも周知の藤崎モデル（比企
静雄編、「音声情報処理」東京大学出版会、１９７３）
により算出される。

【００２９】次に、入力文字列に対応する音韻記号列、
パワーパターンおよびピッチパターンに基づいて出力音
声を生成するアルゴリズムを図４に示す。

【００３０】マイコン１２は、まずステップＳ１５で入
力文字列に対応する音韻記号列の分割点を決定し、この
音韻記号列を複数の音韻記号部分列に分割する。

【００３１】次に、ステップＳ１７で部分列ナンバーｎ
を“１”に設定し、さらにステップＳ１９で、ｎ番目の
音韻記号部分列に対応する単位音声波形およびラベル情
報を音声波形データベース１６より抽出する。

【００３２】続いて、ステップＳ２１で、入力文字列に
対応するパワーパターンに一致するように単位音声波形
の音韻継続時間長およびゲインを波形整形によって修正
する。

【００３３】その後、ステップＳ２３で、入力文字列に
対応するピッチパターンに対応するように単位音声波形
のピッチを波形整形によって修正する。

【００３４】続いて、ステップＳ２５で波形を接続し、
接続した合成音声波形をステップＳ２７でメモリ１２ｂ
に記憶する。

【００３５】その後、ステップＳ２９で部分列番号ｎを
インクリメントし、ステップＳ３１でｎ番目の単位音声
波形が存在するかどうか判断する。ここで“ＹＥＳ”で
あればステップＳ１９に戻るが、“ＮＯ”であればステ
ップＳ３３で合成音声波形をアナログ音声波形に変換し
て出力する。ステップＳ３３のデータ変換は、周知のＰ
ＳＯＬＡ法（F.Charpentier他、”Pitch-Synchronous W
aveform Processing Techniques for Text-to-speech S
ynthesis Using Diphones”,Proc.Eurospeech’89)を用
いた。

【００３６】ここで、本発明の特徴であるステップＳ１
５を、具体的に以下に説明する。

【００３７】本発明の実施の形態では、入力音韻記号列
の分割点の組み合わせからできるすべての音韻記号部分
列について、以下に示す「評価関数score」により決定
される評価点を算出し、各々の音韻記号部分列に対応す
る評価点の累積が最小になる組み合わせより分割点を決
定する。

【００３８】ここで、「評価関数score」は、分割点の
優先順位により決定される値type、分割点前後の音韻の
種類により決定される値link、分割された音韻長により
決定される値len、及び分割点に対応する波形接続点に
おける理論値とのピッチ周期の差により決定される値f
0、および選択された音韻記号部分列が語尾であるかな
いかを数量化した値termのそれぞれの数値にｗ１〜ｗ５
の重みをかけて足し合わせた値とする。ｗ１〜ｗ５の重
みは、夫々０〜１０までの実数定数である。

【００３９】評価関数：score＝ｗ１＊type＋ｗ２＊lin
k＋ｗ３＊len＋ｗ４＊f0＋ｗ５＊term type ＝０（分割点が前記優先順位第１位である場合） type ＝１（分割点が前記優先順位第２位である場合） type ＝３（分割点が前記優先順位第３位である場合） type ＝９（それ以外の場合） link ＝０（分割点前後の音韻の種類が一致する場合） link ＝９（それ以外の場合） len ＝−（分割点で区切られた音韻記号部分列の音韻
記号数） f0 ＝｜log（実波形のピッチ周期）−log（理論ピッ
チ周期）｜／ log（理論ピッチ周期） term ＝０（入力部分列が語尾でなく、選択部分列も語
尾でない場合） term ＝１（入力部分列が語尾であり、選択部分列も語
尾である場合） term ＝９（上記以外の場合） 以下、入力文字列／−ａｍｅｎｏ−ｔａｍｅｄｅｓｕ−
／（雨のためです）について、分割点の決定方法につい
て述べる。

【００４０】尚、説明の簡略のため本実施の形態では、 ｗ１＝１，ｗ２＝１，ｗ３＝１，ｗ４＝１，ｗ５＝１ とした。音韻記号部分列の組み合わせは、図５に示す木
検索により行う。

【００４１】図５中、選択された音韻記号部分列（この
音韻記号部分列は音声波形デ−タベ−ス１６のラベル情
報に存在し、かつ、すべての音韻分割点前後の音韻が一
致するものが選択されたとした）の下側にscore値が示
されている。説明のため、各音韻記号部分列の選択され
た状態を便宜上「ノ−ド０」から「ノ−ド８」と呼ぶ。

【００４２】まず、はじめにノ−ド０において／−／
（無音）で始まり、／−ａｍｅｎｏ．．．／と続く音韻
記号部分列を音声波形デ−タベ−ス１６のラベル情報よ
り検索し、その中で最もscore値が小さい音韻記号部分
列から所定の数ｍ個（実施例では、２個とする）選択
し、下位にｍ個のノ−ドを作成する。

【００４３】図５では、ノ−ド１／−ａｍｅｎｏ−／と
ノ−ド４／−ａｍｅｎｏ−ｔａｍ／が選択された。／−
ａｍｅｎｏ−／のｓｃｏｒｅ値は、 type ＝９：優先順位外の分割点で終わっている。

【００４４】link ＝０：後続の音韻記号がｔで一致し
ている。

【００４５】len ＝−１０ f0 ＝1.2：ピッチ差1.2倍 term ＝０：入力部分列が語尾でなく、選択部分列も語
尾でない。

【００４６】score＝９＋０−１０＋1.2＋ ０＝0.2 ／−ａｍｅｎｏ−ｔａｍ／のｓｃｏｒｅ値は、 type ＝０：優先順位第１位の分割点で終わっている。

【００４７】link ＝０：後続の音韻記号がｍで一致し
ている。

【００４８】len ＝−７ f0 ＝1.3：ピッチ差1.3倍 term ＝０：入力部分列が語尾でなく、選択部分列も語
尾でない。

【００４９】score＝０＋０−７＋1.3＋ ０＝−5.7 である。ここで、ノ−ド１およびノ−ド４を音韻分割部
分列候補とする。

【００５０】従って、それぞれのノ−ドでの累計score
値は、それぞれ、 ノ−ド１での累計score＝0.2 ノ−ド４での累計score＝−5.7 となる。分割毎に累計scoreの小さいものからｍ個の音
韻部分列の探索系列を残すため本実施の形態ではノ−ド
１およびノ−ド４の音韻部分列は候補として残る。従っ
て、次の探索として、ノ−ド２、３、５、６が候補とな
り、 ノ−ド２での累計score＝−1.6 ノ−ド３での累計score＝−5.2 ノ−ド５での累計score＝−4.5 ノ−ド６での累計score＝−6.6 となる。

【００５１】この場合、もし、同点があればそのノ−ド
でのscore値の小さいほうを優先するとするが、結果、
ノ−ド３、６が候補として残る。ここでノ−ド３は分割
が終了したので、ノ−ド３での累計scoreは、常に候補
として残る。ノ−ド２および５からの探索はこれ以上行
わない。同様に分割を繰り返し、候補として残ったノ−
ドは、図５より、ノ−ド３およびノ−ド７、ノ−ド８と
なり、それぞれの累積score値は、 ノ−ド３での累計score＝−5.2 ノ−ド７での累計score＝−2.5 ノ−ド８での累計score＝−9.1 となる。

【００５２】ここで、ノ−ド７およびノード８でのscor
eを比較すると、ノ−ド７では、以下のように計算され
る。

【００５３】type ＝０：優先順位第１位の分割点で終
わっている。

【００５４】link ＝０：文末であるから後続は接続し
ない。

【００５５】len ＝−６ f0 ＝1.1：ピッチ差1.1倍 term ＝９：入力部分列が語尾であり、選択部分列が語
尾でない。

【００５６】score＝０＋０−６＋1.1＋９＝4.1 ノ−ド８では、以下のように計算される。

【００５７】type ＝０：優先順位第１位の分割点で終
わっている。

【００５８】link ＝０：文末であるから後続は接続し
ない。

【００５９】len ＝−６ f0 ＝1.5：ピッチ差1.5倍 term ＝１：入力部分列が語尾であり、選択部分列も語
尾である。

【００６０】score＝０＋０−６＋1.1＋９＝−2.5 となり、もし、term項がなければ、接続個所前後のピッ
チ周期がよく近似しているノ−ド７が最終的に選択さ
れ、合成音は語尾／ｄｅｓｕ−／に文中の音が合成され
不自然な音となる。

【００６１】従って、最終的に語尾であるかないかの言
語情報を考慮したscoreが最も小さいノ−ド８までの検
索による音韻分割が最適となり、実際の分割は、 ／−ａｍｅｎｏ−／−ｔａｍｅ／ｅｄｅｓｕ−／ に決定され、／ｅｄｅｓｕ−／の音声波形は、デ−タベ
−ス１６の中の語尾の音声波形が使われる。

【００６２】

【発明の効果】以上の説明から明らかなように、本発明
によれば、所定の優先順位で分割された第１の音韻記号
部分列に対応する最適な単位音声波形が読出手段によっ
て波形メモリから読み出され、波形接続手段によって接
続されるため、音質が優れた合成音声波形を出力するこ
とができる効果を奏する。

【図面の簡単な説明】

【図１】本発明の音声合成装置を示すブロック図であ
る。

【図２】音声波形データベースの内容を示す図である。

【図３】実施の形態の動作の一部を示すフロー図であ
る。

【図４】実施の形態の動作の一部を示すフロー図であ
る。

【図５】実施の形態の動作の一部を示すフロー図であ
る。

【図６】従来の音声合成装置を示すブロック図である。

【符号の説明】

１０…テキスト音声合成装置 １２…マイコン １４…テキスト解析用辞書 １６…音声波形データベース

───────────────────────────────────────────────────── フロントページの続き (72)発明者 大西 宏樹 大阪府守口市京阪本通２丁目５番５号 三 洋電機株式会社内

Claims (4)

【特許請求の範囲】
1. 【請求項１】 入力文字列に対応する第１の音韻記号列
   に含まれる複数の第１の音韻記号部分列に対応する単位
   音声波形を合成して合成音声波形を出力する音声合成装
   置において、 前記第１の音韻記号列を所定の優先順位で複数の第１の
   音韻記号部分列に分割する分割手段と、 前記所定の優先順位で分割された第２の音韻記号部分列
   を含む第２の音韻記号列、及び前記第２の音韻記号部分
   列に対応する単位音声波形を含む音声波形を蓄積した波
   形メモリと、 前記第１の音韻記号部分列に対応する単位音声波形を前
   記波形メモリから読み出す波形読出手段と、 前記波形メモリから読み出された単位音声波形を接続し
   て合成音声波形を生成する波形接続手段と、を具備し、 前記第２の音韻記号列には、音韻記号毎にその音韻記号
   に対応する言語情報が付加されていることを特徴とする
   音声合成装置。
2. 【請求項２】 前記第２の音韻記号部分列には、その音
   韻記号部分列が語尾であるかないかの言語情報が付加さ
   れており、 前記第１の音韻記号部分列に一致する第２の音韻記号部
   分列に対応する単位音声波形を前記波形メモリから読み
   出す時、第１の音韻記号部分列が語尾であれば、それに
   対応する第２の音韻記号部分列を、前記言語情報に基づ
   いて語尾である単位音声波形を選択することを特徴とす
   る請求項１記載の音声合成装置。
3. 【請求項３】 前記第２の音韻記号部分列には、その音
   韻記号部分列が語尾であるかないかの言語情報が付加さ
   れており、 前記第１の音韻記号部分列に一致する第２の音韻記号部
   分列に対応する単位音声波形を前記波形メモリから読み
   出す時、第１の音韻記号部分列が語尾でなければ、それ
   に対応する第２の音韻記号部分列を、前記言語情報に基
   づいて、語尾でない単位音声波形を選択することを特徴
   とする請求項１記載の音声合成装置。
4. 【請求項４】 前記所定の優先順位とは、無音部、無声
   音部および有声音部の順であることを特徴とする請求項
   １記載の音声合成装置。