JPS63174100A - 音声規則合成方式 - 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〕 本発明は文章音声の蔑則合成方式に係わり、特に規則合
成音声の音質改善に関する。

〔従来の技術〕

任意の文章或いは単語のテキストより、これに対応する
音声を合成する手法は「規則による音声合成」或いは単
に「規則合成」と呼ばれている。

規則合成の音声では、一般に、音韻のつながりや、持続
時間、或いはピッチ（声の高さ）の変化などの特徴を外
部から規則により与えているため、自然の音声のものと
は異なっている。したがって、規則合成により音声は、
これらの自然の音声の特徴をそのまま保存しているいわ
ゆる「分析合成」による音声の音質より悪い。規則合成
音声の音質劣化要因として、■音韻の明瞭性の低下に起
因するものや、■文章の抑揚の不自然さに起因するもの
が挙げられる。

文章の抑揚を支配する規則、すなわち韻律規則について
は、すでに日本語の平叙文、疑問文、命令文２強調およ
び種々の表情を持つ文章のイントネーションを生成する
規則の公知例がある（例えば市川黒地、「合成音声の自
然性に関する実験的考察」音響学会講演論文集１−３−
８　（昭４２））。

しかしここで用いたモデルは、音節単位の点ピッチ情報
を与えるに過ぎないため、疑問文、命令文。

願望文の差異を表現するには不十分である。そのために
このようなピッチパタンを与えて合成した音声の抑揚は
不自然に聞こえる。

種々の文章のイントネーションの差異を十分に表現する
ためには、音節内の基本周波数（ピッチ周波数）と時間
との関係を明確にする必要がある。

このような音節内のピッチパタンを記述し、しかも時間
構造を明確に定義できるモデルとして、従来、臨界制動
２次線形系で記述される「ピッチ制御機構モデルＪ　Ｈ
，Ｆｕｊｉｓａｋｉ　ｅｔ、ａｌ、、　”Ａｎａｌｙｓ
ｉｓｏｆ　ｖｏｉｃｅ　ｆｕｎｄａｍｅｎｔａｌ　ｆｅ
ｑｕａｎｃｙ　ｃｏｎｔｏｕｒｓ　ｆｏｒｄａｃｌａｔ
ｉｖｅ　　５ｅｎｔａｎｃａｓ　　ｏｆ　　Ｊａｐａｎ
ｅｓｅ、　　”Ｊ　、Ａｃｏｕｓｔ。

Ｓｏｃ、Ｊｐｎ　（Ｅ）　５．４　（１９８４）参照が
用いられてきた。ここでピッチ制御機構モデルとは、以
下に述べるようなモデルである。

声の高さの情報を与える基本周波数は、次のような過程
で生成されると考えるのがピッチ制御機構モデルである
。声帯振動の周波数、すなわち基本周波数は、脳からの
■フレーズの切り替わりごとに発せられるインパクト指
令と、■アクセントの上げ下げごとに発せられるステッ
プ指令によって制御される。そのとき、生理機構の遅れ
特性により、■のインパルス指令は文頭から文末に向か
う緩やかな下降曲線（フレーズ成分）となり、■のステ
ップ指令は局所的な起伏の激しい曲線（アクセント成分
）となる、これらの二つの成分は。

各指令の臨界制動２次線形系の応答としてモデル化され
、対数基本周波数の時間変化パタンは、これら周成分の
和として表現される。第２図はピッチ制御機構モデルを
示す。モデル基本周波数Ｆｏ（ｔ）（ｔは時刻）は、次
式のように定式化される。

！ ここで、Ｆｍ１ｎは最低周波数、工はフレーズ指令の数
、Ａ　ｐ　ｔはｉ番目のフレーズ指令の大きさ、Ｔｏｔ
はｉ番目のフレーズ指令の時点、Ｊはアクセント指令の
数、Ａ＆Ｊはｊ番目のアクセント指令の太きさ、Ｔｘａ
、ＴＩはそれぞれｊ番目のアクセント指令の開始時点と
終了時点である。また、ａｐｔ（ｔ）、ａａａ（ｔ）は
それぞれ、フレーズ制御機構のインパルス応答関数、ア
クセント制御機構のステップ応答関数であり、次式で与
えられる。

Ｇｐｉ（ｔ）　＝　ａ　−ｔｅｘｐ（−ａ　ｔｔ）ｕ（
ｔ）　　　　　　　（２）ＧａＪ（ｔ）＝Ｍｉｎ［１−
（１＋β、ｔ）ｅｘｐ（−β−ｔ）ｕ（ｔＬ　　θ　、
］ここで、α五はｉ番目のフレーズ指令に対するフレー
ズ制御Ｉａ構の固有角周波数、βｊはｊ番目のアクセン
ト指令に対するアクセント制御機構の固有角周波数、ｕ
（ｔ）は単位ステップ関数である。

また、０４はアクセント成分の上限値であり、例えば０
．９　などに選ばれる。

なおここで、基本周波数（ピッチ周波数）およびピッチ
制御パラメータ（Ａｐｓ　＋　Ａｓ２．　Ｔｏｉ　ｅＴ
ｓａｇ　Ｔ’２Ｊｌ　α１．β−，Ｆ＋ｍ１ｎ）の値の
単位は次のように定義される。すなわち、Ｆｏ（ｔ）お
よびＦ　＠ｉ１１の単位は［Ｈｚコ、Ｔ　ｏ　ｔ　ｖ　
Ｔ　ｔ　ａおよびＴ！Ｊの単位は［ｓｌ、α１およびβ
１の単位は［ｓ′−１］とする。

また、Ａ　ｐ　ｉおよびＡ　ａ　ｉの値は、基本周波数
およびピッチ制御パラメータの値の単位を上記のように
定めたときの値を用いる。

解析の方法としては、最適化法が用いられてぃる、すな
わち、上記ピッチ制御機構モデルにより生成したピッチ
パターンと原音声の分析・抽出による実測値との誤差が
最小となるようなピッチ制御パラメータを求めることに
より、ピッチパタンの最良近似推定が行なわれる。

上記ピッチ制御機構モデルを適用した公知例として、単
語音声合成に適用した例として特願昭５７−１９０８６
１号があり疑問文、命令文、願望文等の文章音声合成に
適用した例として特願昭６０−２７８９１５号等があり
、かなりの音質改善効果が認められている。しかしまだ
合成音声に機械的な感じが残っている。また音韻明瞭性
もまだ不十分である。音韻明瞭性を低下させる原因には
、合成単位の作成（分析）方法に起因するものや、単位
接続処理に起因するものなども考えられるが、音素内で
のピッチパタンの局所的な変化にも起因している。

〔発明が解決しようとする問題点〕

上記従来のピッチ制御機構モデルは、音韻明瞭性の改善
に効果的な音素レベルの局所的な揺らぎを表現すること
が出来ない、また疑問文に現れる尻上がり調や、命令文
、保望文等、様々な感情や表情に固有な微妙な基本周波
数の変化を表現するのが困難である０以上のように、実
際に人間の音声から分析・抽出したピッチパタンの実測
値には、様々な人間特有の揺らぎが含まれている。

本発明の目的は、かかる揺らずを忠実に表現することの
出来る新しいピッチ制御機構モデルを提供し、更に該モ
デルを用いて人間らしい自然な抑揚感を持った音声を合
成する方法を提供することにある。

〔問題点を解決するための手段〕

第１図に上記問題点を解決するために有効な新ピッチ制
御機構モデルを示す。

該新モデルの特徴は、従来の■フレーズ制御機構および
■アクセント制御機構のみから構成されるモデルに、更
に■音素制御機構、■文形指定制御機構、および■強調
制御機端の３つの＃［！摺を付加したことである。これ
ら■〜■の３つの新しい制御機構の導入により、ピッチ
パタン上に様様な揺らぎ成分を付加することが出来る。

上記新ピッチ制御機構モデルを簡単に記述する式として
は、例えば（ｉ）〜（ｖｆｆｌ）式を用いれば良い、こ
こで（ｉ）〜（ｖＭ　）式の各パラメータの単位は従来
のピッチ制御機構に準じて定められる。

勿論具体的に実現する式としては、上記（ｉ）〜（ｖｉ
）式のみに限定されない、また肯定文や強調の伴わない
文章などのように、全ての成分で記述する必要のない場
合には、適宜（ｖｎ　）あるいは（４）式において不要
な項を省略しても良い。

モデルパラメータの推定（解析）は、従来のピッチ制御
機構モデルの場合と同じく最適化法により実行すること
が出来る。

〔作用〕

上記■音素制御機構は、音素ごとの局所的な基本周波数
の揺らぎの成分を生成する機構で、例えば有声子音／ｄ
／、／ｍ／、／ｎ／、／ｒ／。

／ｗ／等の局所的な基本周波数の低下や、無声破裂音／
ｌ／、／に／等の後続母音への入り渡り部にしばしば見
られる高基本周波数からの下降特性を表現することが出
来る。また■文形指定制御機構は、疑問文の文末の基本
周波数の尻上がりを表現する成分を生成する機構である
。そして■強調機構は、命令文や願望文等、様々な感情
や表情を表現する成分を生成する機構である。

〔実施例〕

以下、本発明の実施例を第３図〜第５図により説明する
。

第３図は任意文章合成方式の全体構成を示す。

本方式では、漢字仮名混じり文のテキストを入力データ
として与えれば、それに対応する合成音声を出力として
得ることができる。処理手順は以下の通りである。

まず入力テキストは、日本語解析部１の形態素解析手段
により、各単語に分解され、品詞が決定され、さらに読
みが決定される。次にこの結果に基づき、音声言語処理
部２において、各単語あるいは句のアクセント型が決定
される。以上のような構文レベルの処理結果として、音
節情報、アクセント情報などが得られる。なお句や文章
の区切りは、入力テキスト中の句読点等区切り記号に基
づいて決定される１文章中や文章間のポーズ長は、読点
や句点の後のスペースの数で指定できる。また疑問文、
命令文、願望文等文のタイプは、語尾の活用によって判
定することができる場合もあるし、あるいは文章の終止
に句点の代わりにそれぞれｒ’／）、ｒｌ　ｔＪおよび
「！」などの路上記号を使うことにより指定することも
できる０例えば同じ音韻列「川を渡る」であっても「川
を渡る。」は平叙文であり、［川を渡る？ｊは疑問文で
ある。

以上の■音節情報、■アクセント情報、■ポーズ情報、
０句・文章区切り情報、および（必要ならば例えば品詞
名等の）■文法情報は、「音節コード」と呼ばれる一連
の数字によって表現される。

音節コードは制御パラメータ生成部３の入力情報である
。

制御パラメータ生成部３では、アクセント、イントネー
ションおよび音韻持続時間が規則により決定され、それ
に従ってピッチパタンと音韻パラメータ時系列が生成さ
れる。ここでアクセント型は、アクセント情報により知
ることができる。アクセント情報は、具体的にはアクセ
ント核のある音韻（アクセントが下降する直前の音韻）
の直後にアクセントを示す音節コード番号を挿入するこ
とによって与えている。但し、この音節コードがない場
合は、平板型アクセントであることを示している。また
イントネーションは、基本的には文章タイプ情報より定
められる。但し、語尾の音韻の並びの違いによる変形も
加えられる０例えば。

願望文ｒ用を渡りたい！」と［川を渡りたいなあ！」と
ではイントネーション・パタンか異なる。

最終的なピッチパタンは、アクセント型とイントネーシ
ョンの両者に基づいて生成される。音韻持続時間は、子
音の場合は周囲条件の影響が少ないので、子音の種類ご
とに固有長として決定される。

それに対して、母音の場合は周囲条件によって様様な変
形を受ける。そのため、アクセント型、音節数、単語内
の位置、直前の子音の種類、その母音の種類などから持
続時間を決定している。このようにして音韻持続時間が
決定されたら、Ｃｖ（子音−母音連鎖）単位でファイル
に登録されている音韻パラメータ（スペクトル包絡パラ
メータと音源パラメータ）を音節コードに対応させて抽
出し、配列する。この際、長すぎれば持続時間内に収ま
るように切断する。しかる後に、切断部あるいは隙間部
を埋めるようにＣｖ単位間を補間（スペクトル包絡パラ
メータは直線補間、音源パラメータは同一値の繰り返し
）により接続する。

最後に１以上の処理によって生成された基本周波数と音
韻パラメータは、順次音声合成部４に送られ、音声波形
が出力される。ここで、音声合成方式としては、例えば
残差圧縮法を用いればよい。

この場合、音源パルスは基本的には、フレームごとに１
ピッチ分の残差パルス（代表残差）を抽出し、その代表
残差を外から与えるピッチ周期の間隔で並べることによ
って生成している。このとき外から与えるピッチ周期が
代表残差の長さより短ければ、その長さの差だけ代表残
差の末尾を切り捨て、逆に長ければ、代表残差の不足し
ている区間だけＯを埋めている。

以上の処理は、以下に述べるイントネーション生成規則
を除いて、すべて公知の手段により構成することができ
る。

以下では、上記任意文章合成方式の内、本発明の最も重
要な部分である、制御パラメータ生成部３におけるイン
トネーション生成規則の実施例を第４図および第５図を
引用して示す。

まず音声言語処理部２から得られた音節コード列は、文
章タイプ決定手段５に入力される。ここでは第一段階と
して１文章タイプ情報辞書６中の語尾辞書に登録されて
いる語尾形と音節コード列の文末の形とを照合すること
により、該当する文章タイプを決定する。なお第４図に
おける終止形は、現代文の場合は動詞なら「つ」行で終
わる語尾、形容詞なら「イ」でおわる語尾等、公知の国
文法の規則に基づいて定められる。命令形の場合も同様
に、現代文なら活用語尾が「工」行であることから定め
られる。以上の文章タイプの判定は、品詞情報などの文
法情報があれば、さらに確実となる。ここでもし語尾の
活用が終止形と判定された場合は、この文章は必ずしも
平叙文とは限らない、そこで第二段階として、この場合
は文章の終始時号（文末記号）を見に行き、この記号の
種類によって文章タイプを決定する。以上の文章タイプ
決定手段５の処理の一例を第５図に示す。

第４図に戻り１文章タイプ決定手段５では、上で述べた
文章タイプ情報が出力される以外に、音節情報とその他
の情報の分離が行われ、音節情報列も出力される。音節
情報は、■音韻境界を決定するため、および■ピッチパ
タンにおける音素成分生成のために用いられる。すなわ
ち、■については、音節情報をもとに、音韻持続時間規
則部９において各音節の音韻持続時間が決定され（前記
公知例）、これらを配列した形で音韻境界時刻が音韻境
界決定手段７により決定される。音韻境界時刻は、一方
ではＬＳＰパラメータ等の音韻パラメータを生成するた
めに用いられる。また■については、文章ピッチ制御パ
ラメータ生成部１１において、音素制御機構パラメータ
値を決定するために用いられる。

先の文章タイプ情報はイントネーション規則部８に入力
され、文章のタイプに従い、Ｓｔ準イントネーション（
例えば平叙文）からの変形が加えられる。変形には時間
の変形と、振幅（指令の大きさ）の変形の２種類がある
。前者は音韻境界決定手段７に作用し、音韻境界時刻に
変更が加えられる。他方後者は文章ピッチ制御パラメー
タ生成部１１に作用し、指令の大きさが変更されるかあ
るいは新たな女形指定指令や強調指令が追加される。

この際標準イントネーションの制御パラメータはアクセ
ント規則部１０より供給される。なお文章ピッチ制御パ
ラメータ生成部１１では音韻情報との時間的整合をとる
ため、基準となる音韻境界時刻（タイミング基準情報）
を音韻境界決定手段７より得る０以上のイントネーショ
ンの規則は、規則テーブルをイントネーション規則部８
に設けておき参照することにより達成できる。また音素
制御パラメータは、音素ごとに指令の大きさ、固有角周
波数、境界からの相対時刻、上限値等を予め解析して求
めておき、音節情報に対応するテーブルとして音素規則
部１３に設けておけば良い。ここから音節情報列の順に
従って、音素制御パラメータ列が文章ピッチ制御パラメ
ータ部１１に送られる。ここで音素開始あるいは終了時
点（相対時刻）は、タイミング基準情報に基づいて絶対
時刻に変換される。かくして文章ピッチ制御パラメータ
生成部１１で作成されたピッチ制御パラメータはピッチ
パタン生成部１２に送られ、ここで新ピッチ制御機構モ
デル（（ｉ）〜（４）式）により文章ピッチパタンか生
成される。

本実施例によれば、漢字仮名混じり文テキストから合成
される音声に、人間らしい自然な表情を与える効果があ
る。

〔発明の効果〕

第６図（ａ）は、文章の一部に従来のピッチ制御機構モ
デルにより実測したピッチパタンを推定した結果の一例
である。それに対し、同図（ｂ）は、同じ文章のピッチ
パタンを新ピッチ制御機構モデルにより推定した結果で
ある１両図の比較により、音素制御機構が基本周波数の
微妙な変化を忠実に表現する上でいかに重要な役割を果
たしているか明白である。

第６図（Ｑ）は、疑問文についてピッチパタンを推定し
た例であり、文末の尻上がりを表現するための成分が必
要であることがわかる。女形指定制御機構がその役割を
果たしている。

更に第６図（ｄ）は、命令文についてピッチパタンを推
定した例であり、従来のフレーズ成分およびアクセント
成分以外の成分を付加しなければ、実測値との良い近似
が得られない。本図では、新たに強調成分を付加するこ
とにより、実測値との近似を高めている。

これらのピッチパタンの推定精度改善効果は上記の例の
みでなく、様々な文章について確かめられている。

従来のピッチ制御機構モデルおよび新モデルにより生成
したピッチパタンの実測値に対する平均誤差を計算した
ところ、従来のモデルの場合釣上４％であるのに対し、
新モデルの場合は±１％以下であり、定量的にも大きな
改善効果が確認されている。

以上量したように１本発明によれば、原音声との近似が
極めて良い抑揚パタンを生成することができる。すなわ
ち従来では不可能であった人間特有の微妙な揺らぎを忠
実に表現できることはもとより、疑問文、命令文、願望
文などの差異を明確に表現できる。かくして、人間らし
い極めて自然な抑揚感が得られるのみでなく、音韻明瞭
性の向上にも有効であり、音質改善効果は著しい。

【図面の簡単な説明】

第１図は本発明の基本部分を示す図、第２図は従来方式
の基本部分を示す図、第３図〜第５図は本発明の実施例
を示す図、第６図は本発明の詳細な説明する図。 ３・・・制御パラメータ生成部、８・・・イントネーシ
ョン規則部、１０・・・アクセント規則部、１１・・・
文章ピッチ制御パラメータ生成部、１２・・・ピツチパ
タ゛＼　　　　ｍｉ 第　１　図 第　Ｚ　図 Ａ。 第　３　図 冨４図

Claims (1)

1. 【特許請求の範囲】 １、基本周波数の時間変化パタン（以下略して「ピッチ
   パタン」と呼ぶ）を生成する手段を具備し、該ピッチパ
   タン生成手段は、（１）フレーズ制御機構、（２）アク
   セント制御機構、（３）音素制御機構、（４）文形指定
   制御機構、（５）強調制御機構、の５つの制御機構を持
   つことを特徴とする音声規則合成方式。 ２、上記ピッチパタン生成手段は、（１）フレーズ制御
   機構、および（２）アクセント制御機構を持ち、更に（
   ３）音素制御機構、（４）文形指定制御機構、（５）強
   調制御機構、の３つの制御機構のうちの少なくとも１つ
   の制御機構を持つことを特徴とする特許請求の範囲第１
   項記載の音声規則合成方式。 ３、上記各制御機構に対応した入力指令の値を設定する
   手段を具備することを特徴とする特許請求の範囲第１項
   および第２項記載の音声規則合成方式。 ４、上記各制御機構は、臨界制動２次線形系で記述され
   ることを特徴とする特許請求の範囲第１〜３項記載の音
   声規則合成方式。 ５、上記ピッチパタン生成手段は音素制御機構を持ち、
   該音素制御機構は、音素の種類に応じて、入力指令に対
   して臨界制動２次線形系の応答関数あるいは指数関数の
   いずれかを出力することを特徴とする特許請求の範囲第
   １〜４項記載の音声規則合成方式。