JPS6022194A - 音声合成方法 - 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】 （技術分野） 本発明は、１ピッチ単位の音声素片相当の波形領域の情
報を単位として、それらを編集することによって音声出
力を合成する音声合成方法に関する。

（従来技術） 現在実用化されている音声出力の方式の多くは、あらか
じめ人間が発声した単語、文章を自然波形もしくは音声
情報の圧縮を図った圧縮波形（例えばＡＤＰＣＭ符号、
ＰＡＲに：ＯＲ）母うメータ）の形で蓄積し、それらを
出力に応じて、編集して合成する方式である。また今ま
での実用の音声出力装置の多くは、比較的少い種類の固
定した語句を出力していたが、最近汎用的な目的で大量
の語いもしくは人名、会社名、地名といった無制限な任
意の音声の出力を必要とする装置の要求が高まっている
。このような大量の言語情報を音声出力装置内に蓄積し
、必要に応じてこれを音声として出力するためには、そ
のすべてを人間の発声に頼ることは非現実的であシ、ま
た音声蓄積ファイルもぼう大な記憶容量を必要とする。

ところで音声の波形を観測すると、母音などの有声音の
区間では、第１図の音声ｌアｌの波形例に見られるよう
に、よく似た波形が繰り返しているのが判かる。この周
期をピッチ周期と呼び、この−周期内の波形をピッチ単
位の音声素片という。この素片の内容の変化が音韻性を
表わし、この周期の変化の時間的パターンがアクセント
を与える。前記のように母音などの有声音区間では、は
とんど同じ形の波形が繰シ返され、同じ種類の音声では
似た形の波形が現われる。従って音声中に現われる波形
の中で音声を作９上げるために必要な特徴的な音素波形
を記憶装置に蓄積し、この基本的な音素波形を編集しつ
なぎ合わせることによって任意の連続した音声を合成す
ることができると考えられる。６かかる考えに基づいた
音声素片編集方式では記憶装置内に格納した音声素片を
素材として、合成音声の品質をできるだけ自然音声の品
質に近づけるため声の高さくピッチ周期）と声の強さく
振幅）を制御情報に従って変化させながら連続音声を合
成していく。

従来の音声素片編集方式では自然音声から切り出したピ
ッチ単位の音声素片を用い、ピンチの制御は第２図のご
とく用意された音声素片より長いピッチに対しては最終
値を持続させ、また短い場合には音声素片を途中で打ち
切って接続することによって行なわれていた。これは有
声音の音声波形が一つの周期の中で、大きい振幅で立ち
上がった波形が徐々に減衰する傾向にあり、音声素片の
後端の付近では振幅の値が小さく、波形を打ち切ったり
引き伸ばしたシしても音声の性質に与える影響が少ない
ということに基づいておシ、±３０φ程度の変化までは
使用にたえるとされている。

しかし、実際の自然波形、特に女性音声では一周期内で
波形が減衰しない場合が多く（第り図ａ参照）、このよ
うな素片を短い周期で接続すると素片打ち切シによって
波形の不連続が生じる（第３図す参照）。また、反対に
必要な長さの素片が自然音声から得られず、用意された
素片より長い素片が要求される場合、素片波形のデータ
の不足（第３図Ｃ参照）などのため合成音の品質を劣化
させる。音声応答を用いる場合、はとんど女声であるこ
とが要求されるが女性では特にこの劣化が大きい。逆に
、女性の場合ピッチの変化範囲が広く±３０％以上の伸
縮を必要とすることがしばしば起こる。そのため、合成
音を自然なアクセントで出力するためには、実用上、同
じ音韻に対しても数種類の異なったピッチ周期を持った
素片を用意しなければならない。また、自然音声からピ
ッチ単位の音声素片を切シ出すことは容易ではなく、正
確な切り出しを行うためには人間の視察に頼らざるを得
ないが、自然音声においては音源の励起時点が明確でな
いため、目的のピッチ周期毎に素片をつなぎ合わせても
合成音のピッチ感覚はそれと異なる場合がち９、ピッチ
周期に対してどの程度の種類を用意すべきか不明な点が
多い。

（発明の目的） 本発明の目的は、有声音波形の短時間周波数スペクトル
包絡を逆フーリエ変換した波形を音声素片として用い、
しかも音声素片の両端部では十分減衰したものとなる程
度のサイゾル数からなるものを用い、音声素片の適用可
能なピッチ可変範囲を広げることによって、記憶してお
くべき素片数を減らし、合成時に設定される周期が短か
い場合に生じる素片つなぎ目の不連続性を、複数の再生
チャンネルを設定することによって解決しようとするも
のである。

（発明の概要） く素片単位の作成〉 −はじめに有声音のピッチ成分除去の手法について説明
する。ここで、音声の発声機構をモデル化して考えてみ
ると、発生部と共振部とからなるものと考えることがで
き、 発生部は有声音に関してピッチごとに声帯によって励振
される空気の振動を表わし、共振部は生体的に咽、鼻、
舌、歯、唇などの声道と呼ばれる共振器を意味する。こ
のようなモデル化に伴ない有声音のスペクトルは声帯振
動波のスペクトルと声道の周波数特性の積として見るこ
とができる。

すなわち、有声音のスペクトルはＧ（ｆ）、声帯振動波
のスペクトルを５（ｆ）　、声道の周波数特性をＶ（ｆ
）とすると ｃ　（ｆ）＝　ｓ　（ｆ）　−ｖ（ｆ）となる。有声音
のスペクトルの中でＶ（ｆ）　、　Ｓ　（ｆ）はそれぞ
れ、周波数とともにゆるやかに変化する成分（スペクト
ル包絡）と、細く急速に没化する成分（スペクトル微細
構造）となって表われる。

従ってＧ（ｆ）の中からスペクトル微細構造５（ｆ）の
影４を取り除いたスペクトル包絡ｖ（ｆ）を抽出するこ
とによってピッチ成分全除去することができる。

スペクトル包絡を抽出する方法は幾つか考えられるがこ
こでは比較的精度よく包絡が得られるケプストラム法を
用いる。

ケプストラムは信号のノソワースペクトルの対数の逆フ
ーリエ変換（Ｉ　ＦＦＴ　）として定義される。音声の
発声機構をディジタルモデルに置き換えて考えると、音
源発生回路とディジタルフィルタ（Ｈｚ）とで表現でき
、そのディジタルフィルタの出力波形ｘ（ｎ）はフィル
タのイン・やルス応答ｈ（ｎ）と音源信号ｕ（ｎ）の畳
み込みで与えられるがこの音声の対数スペクトルＡｏｇ
ｌｘ（ｅｊＷ］はフィルタの対数振幅特性ｔａｇ　ＩＨ
（ｅ　Ｊｗ月と音源信号の対数スペクトルＬｏｇＩＵ（
ｅｊＷ）１によって Ａｏｇ　ＩＸ（ｅ　ｊｗ）　ｌ＝Ｌｏｇ　ＩＨ（ｅ　ｊ
ｗ）　Ｉ＋ｔｏｇ　ＩＵ（ｅ　Ｊｗ）　ｌのような和の
形で与えられる。

ここで削成の炉７−リエ袈換 仝に）−企←）十◇←） はケプストラムとよばれ、フィルタのインパピレス応答
。ヶプユ、５居顧は大きな。に対して。、音源信号のケ
プストラム◇（ホ）は小さな−に対して０となり、仝（
ハ）と・（ハ）はケフー・シへに文・比て重なシがほと
んどなく分離できる。従ってフィルタ特性。ヶゾユ、つ
Ｊ、仝に）は で与えられ音声の対数スペクトル包絡は全←）のフーリ
エ変換で与えられる。

このスペクトル包絡を逆ＦＦＴ変換したものを音声素片
として採用する。第４図に六方音声を無声音、有声音の
判定を行って有声音に関してはケプストラム法によって
スペクトルの微細構造を除去したものを、音声合成装置
の記憶装置に格納するまでのフローを示す。その詳細な
説明は省略するが、このようにして作成した各音声素片
から１２８あるいは２５６程度の一定長のサンプルを取
シ出し、ＤＰＣＭ等の適当な圧縮技術を用いて圧縮し、
そのデータを音声合成用の素片単位とする。

く波形再生〉 次に、第５図を用いて波形再生方法を説明する。

第５図において、ＥＬｉ−ＥＬ５及びＰＴ１〜ＰＴ５は
それぞれ合成すべき音声に関する入力情報に基づいて作
成された音声素片の系列とピッチ周期の系列を示すもの
であシ、音声素片の系列ＥＬ１〜ＥＬ５とピッチ周期の
系列ＰＴ１〜ＰＴ５とは対で作成されたものとして示し
ている。波形の再生チャンネルとしては第１〜第４なる
４チヤンネルを用意しておき、最初の音声素片ＥＬｌは
第１の再生チャンネルで両生させ、次のものＥＬ２は第
２の再生チャンネルで再生させ、次々と再生チャンネル
を変えて再生させ、−循したら再び最初の第１の再生チ
ャンネルで再生させる。このように、順次循環的に１つ
の再生チャンネルに？Ａ択して再生させることによシ、
例えば第１の再生チャンネルで音声素片を再生させるこ
とによシ、短かいピッチ周期が設定されても各音声素片
の全長にわたって再生され、これら全ての両生チャンネ
ルを加算することによって合成波形を得ることができる
。

（実施例） 次に１，４５図〜第９図を用いて、実施例について説明
する。

第６図は、音声合成装置を示すブロック図であり、第７
図はマイクロプロセッサ１が実行する機能及び制御手順
を示すフローチャートである。合成すべき音声に関する
入力情報は、適当なポーズ等を伴って語句毎に文字コー
ド系列の形式で、りイブライタ２からマイクロプロセッ
サＩに入力される。韻律メモリ部３には、入力語句に関
するアクセント型、イントネーション形、及び継続時間
などの韻律制御情報並び単音節情報が記憶されていて、
これらがマイクロプロセッサ−によって検索され、入力
情報に応じて単音節情報の系列とピッチ周期の系列ＰＴ
、が作成される。又、単音節情報は単音節メモリ４にお
ける各単音節の先頭アドレスを指定する単音節選択情報
と単音筒長とからなるように作成される。音節メモリ４
には、単音節を１ブロツクとしてその単音節を構成する
素片単位の選択情報の系列を記憶している。素片単位選
択情報は、素片メモリ５における各素片単位の先頭アド
レスを指定する情報で記憶している。素片メモリ５には
、標準的な任意の音素を再生するに必要な素片単位を記
憶していて、素片単位はＤＰＣＭ等の過当な圧縮技術に
よって作成され、又、全ての素片単位は１２８サンプル
なる予め定められた一定長のサンプル時系列を再生でき
るデータ量で記憶している。波形再生器６は、採用した
圧縮技術に対応した構成となっておシ、素片単位のデー
タに基づいてそれに対応したサンプル時系列を再生する
ものであシ、合成出力でのピッチ周期が短かくても１２
８個のサンゾルを再生できるように４チヤンネルの再生
チャンネルＲＧ１〜ＲＧ４を設けている。波形再生は、
サンダルクロックの割込起動によって設定される実時間
の時間軸上において、ピッチ周期の系列ＰＴ、と素片単
位選択情報の系列とを対応設定し、ピッチ周期の更新毎
に時間軸上で対応した素片単位選択情報の素片単位ＥＬ
、を選択し、同じくピッチ周期の更新毎に順次循環的に
１つの再生チャンネル＋Ｓ択することによって再生すべ
き素片単位と再生チャンネルを対応させ、全ての再生チ
ャンネルにおいて１ザンゾルずつ再生させ、これを重畳
させることによって実行される。

第８図〜第１０図はマイクロプロセッサ１が実行する波
形再成のフローを示すものである。

第８図は、波形再生のフローを示すものであシ、初期設
定されかつ後述の如く更新される４チヤンネル分のアド
レス変数ＡＤｌ−ＡＤ、を用意しておき、ステツ７’Ｓ
、ｐＨにおいて第１アドレス変数Ａ、Ｄ、で素片メモリ
５のアドレスを指定して１つの素片単位の１つのデータ
を読み出し、そのデータを波形再生器６の第１再生チヤ
ンネルＲＧｌへ送シ、１つのサンプルを再生させる。ス
テップＳＰ１２〜５Ｐ１４では、それぞれ第２〜第４ア
ドレス変数ＡＤ２〜ＡＤ４で素片メモリ５のアドレスを
指定し、それぞれ対応した第２〜第４再生チヤンネルＲ
Ｇ２〜ＲＧ４でそれぞれ１つのサンプルを再生させる。

ステップＳＰＩ　５では、全ての再生チャンネルＲＧ、
〜ＲＧ、の出力すなわち４サンプルを加算して重畳する
ことによって合成出力の１サンプルを再生し出力する。

サンプルクロックの割込起動毎に１サンプルずつ再生す
ることによ・って合成出力を再生する。

第９図は、サンプルクロックの時間軸上で、素片単位選
択情報を設定するフローチャートを示すものである。

第８図において、サンプルクロックの割込によって起動
され、ステップ５Ｔ２１において現在処理中の単音節が
残゛存しているか判定される。単音筒長変数ＰＨｔ＝０
ならばステップ５Ｐ２２において、単音節番号をインク
レメントして先に作成されている単音節情報の系列から
次の単音節情報を取９出し、ステップ５Ｐ２３において
その単音筒長ＰＨＬａｆｆ：単音節長変数Ｐ）Ｉｔ、Ｔ
ｈロードし、又、その単音節選択情報すなわち単音節先
頭アドレスを単音節メモリ４のアドレス変数ＡＤ　にロ
ードする。続いて、ステップ５Ｐ２４，５Ｐ２５におい
て、その先頭アドレスで単音節メモリ４のアドレスを指
定して素片単位ＥＬ、の先頭アドレスを読み出し、それ
を累月メ！ モリ５のアドレス変数ＡＤｅヘロードする。こノステッ
ゾＳＰ２５において、１つの単音節における最初の素片
単位選択情報がサンプルクロックと対応して設定された
ことになる。また、ステツノＳＰ、２６において現在処
理中の素片単位ＥＬ・の残存長が判断され、素片長変数
ＥＬｔ＝Ｏならば、ステップ５Ｔ２７においてアドレス
変数ＡＤ、の内容をインクレメントして次のアドレスを
指定し、ステップ５Ｐ２４゜５Ｐ２５’を経て、１つの
単音節における次の素片単位ＥＬ、＋１の先頭アドレス
すなわち次の素片単位選択情報がサンプルクロックの時
間軸上に設定される。ステップ５Ｐ２８　、５Ｐ２９は
素片長をサンプルクロックの時間軸上で計数する過程で
あシ、全ての素片単位のサンプル数は同一の１２８個に
しているので、ステラｆＳＰ２８で素片長変数ＥＬｔと
して１２８をロードし、ステップ５Ｐ２９においてサン
プルクロックと同期してデクレメントすることによって
実行され、また、ステラ７″′５Ｐ３０では、同じくサ
ンプルクロックと同期して単音筒長変数ＰＨｔ−ｉデク
レメントしておく。

第１０図は、ピッチ周期を実時間上で設定し、且つ同時
的に素片メモリ５から読み出される４個の素片単位を所
定の再生チャンネルＲＧ工〜ＲＧ。

へ対応づけるフローを示す。第１０図を参照するに、サ
ンプルクロックで割込起動がかけられる毎に、ステップ
５Ｐ４０において現在設定中のピッチ周期ＰＴ、の残存
長が判定され、ピッチ周期変数ＰＴｔ＝　Ｏならば、ス
テップ５Ｐ４１〜５Ｐ４３ノ処理後、ステップ４４にお
いてピッチ番号ｊｔインクレメントして先で作成されて
いるピッチ周期系列から次のピッチ周期ＰＴｊｅ取り出
し、ステラｆＳＰ４５においてそれをビ、チ周期変数Ｐ
Ｈｔヘロードし、又、ステップ５Ｐ４６においてサンプ
ルクロックと同期してそのピッチ周期変数ＰＨｔ全デク
レメントすることによって、サンプルクロックの時間軸
上で各ピッチ周期ＰＴ、を設定する。ピッチ周期ＰＴ。

の更新と同期して実行されるステラｆｓＰ４１〜４３に
おいて、まずステップ５Ｐ４１において４チヤンネル指
定値ＣＨをインクレメントすることによって順次循環的
に１つのチャンネルを選択し、ステラｆＳＰ４２で素片
メモリ５の４チャンネル分のアドレス変数ＡＤ、〜ＡＤ
４のなかから前記指定値Ｃ）Ｉに対応するアドレス変数
ＡＤｃｈを選択し、ステラ７’５Ｐ４３では現在設定さ
れている素片単位ＥＬ、の選択情報すなわち素片単位の
先頭アドレス全示すアドレス変数ＡＤｅ’にその選択さ
れたチャンネルのアドレス変数ＡＤｏ、ヘロードするこ
とによって、各素片単位を各チャンネルに割シ当てる。

ステップ５Ｐ４７において、各チャンネルのアドレス変
数Ａ　ＤＩ　−Ａ　Ｄａ　ｆそれぞれインクレメントす
ることによって、各アドレス変数ＡＤ、〜ＡＤ４は、そ
れぞれ異なった素片単位であってしかも異なった順番の
サングルを再生するデータを、サンプルクロックと同期
して順次アドレスしていくことができる。

上記実施例においては、実時間のサンプルクロックを採
用しているために、アドレス変数を４個だけ用意して１
サンプルずつ再生できるようにしているが、計算時間の
サンプルクロックを基準にして再生する場合には、ピッ
チ周期の更新毎にその時間軸で対応した素片単位の全て
のデータを対応した再生チャンネルに読み出して再生さ
せ、各再生チャンネルにおける再生サンプル時系列ｋ　
＝度記憶させ、その後、隣接先行ピッチ周期のものに対
して後続瞬接ピッチ周期のサンプル時系列がピッチ周期
分遅れた関係にあるサンプル同志を加算することによっ
ても合成波形を得ることができる。

（発明の効果） 以上説明したように、本実施例による童声合成装置では
有声音の音声素片波形として前記の方法によって原音声
波形からピッチ成分を取り除いた波形を用いるため、合
成時において原音声のビ。

チ周期に影響されにくい。従って、同じ音韻に対して異
なったピッチを持つ多くの音声素片を用意する必要がな
く、原音声から同じ音韻に庭して必要とするピッチをも
った複数の音声系片を切り出すといっためんどうな作業
が不要である。また、複数の再生チャンネルを設けてそ
の出力を重畳することによって合成しているため、素片
単位のデータとして一定長のサンプル系列を表現するも
のを採用しても素片のつなぎ目の不連続を解消Ｊ−るこ
とかできる。

【図面の簡単な説明】

第１図〜第３図はそれぞれ音声の時間領域波形例を示す
図、第４図は本発明における音声累月作成の概要を示す
フロー図、第５図は本発明における波形再生の概要を示
す波形説明図、第６図は本発明の実施例を示すブロック
図、第７図はその全体フローを示す図、第８図〜語１０
図はそこでの波形再生の詳細フｏ−’ｆ示す図でめる。 Ｉ・・・マイクロフロセッサ、２・・・タイプライタ、
３・・・韻律メモリ、４・・・音節メモリ、５・・・累
月メモリ、６・・・波形再生器。 特許出願人　沖電気工業株式会社 第１図 第２図 第３図 １、事件の表示 昭和５８年　特　許　願第１２９３９８号　。 ２、発明の名称 音声合成方法 ３、補正をする者 事件との関係　特許出　願　人 任　所（〒１０５）　東京都港区虎ノ門１丁目７番１２
号住　所（〒１０５）　東京都港区虎ノ門１丁目７番１
２号沖電気工業株式会社内 電話　５０１−３１１１（大代表） ５、補正の対象　明細書中「発明の詳細な説明」の欄６
、補正の内容　別紙のとおり ６、補正の内容 （１）明細書第２頁第１５行目に「圧縮波形」とあるの
を「圧縮符号」と補正する。 （２）同書第５頁第９行目に［逆に、女性の・・・」と
あるのを「更に、女性の・・・」と補正する。 （３）同書第６頁第６行目に「サイゾル数」とあるのを
「サンプル数」と補正する。

Claims (1)

1. 【特許請求の範囲】 ａ）自然有声音の短時間周波数スペクトル包絡を逆フー
   リエ変換した波形に相当するものを表現する素片単位を
   含み、全ての素片単位を一定個数の波形サンプルからな
   る系列を表現するデータで記憶しておき、 ｂ）合成すべき音声に関する入力情報に基づいて選択さ
   れた素片単位を大刀とじてそのサンプル系列を再生する
   再生チャンネルを予め定められた個数だけ用意しておき
   、 Ｃ）合成すべき音声に関する入力情報に基づいて逐次選
   択される素片単位を、ピッチ周期の更新と同期して前記
   再生チャンネルのなかから順次循環的に選択される１つ
   の再生チャンネルに与えることによって、隣接先行する
   素片単位に関する再生サンプル系列に対して隣接継続す
   る素片単位に関する再生サンプル系列がピッチ周期に対
   応したｄ）全ての再生チャンネルの出力を重畳させるこ
   とによって音声出力ヲ会成することを特徴とした音声合
   成方法。