DE1922170A1

DE1922170A1 - Sprachsynthesesystem

Info

Publication number: DE1922170A1
Application number: DE19691922170
Authority: DE
Inventors: Shinichiro Hashimoto; Shuzo Saito; Hisashi Wakita
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1968-05-01
Filing date: 1969-04-30
Publication date: 1969-11-13
Also published as: JPS4949241B1; SE355887B; GB1224137A; DE1922170B2; FR2007620A1

Description

8 MÜNCHEN 86, DEN

POSTFACH 860 820

MÖHLSTRASSE 22, RUFNUMMER 48 3921/22

NIPPON TELEGRAPH AND TELEPHONE PUBLIC CORPORATION, 1, 1-chome, Uchisaiwaicho, Chiyodä-ku, Tokyo, Japan

Sprachsynth.es esyst em

Die Erfindung bezieht sich auf ein Sprachsynthesesystem, mit dessen Hilfe mechanisch eine Synthese von Sprache erfolgt, die der natürlichen Sprache weitgehend entspricht, und zwar durch Aufnahme eines Befehles aus einer Reihe von Phonemsymbolen und Verwendung dieser Befehle ,als Eingabegrößen.

Im Zusammenhang 'mit der Erzeugung synthetischer Sprache durch Zusammenfassen gespeicherter Daten nach einer Sprachsyntheseregel auf einen Befehl hin, der sich auf eine Phonemreihe bezieht, sind bereits verschiedene Syntheseverfahren vorgeschlagen worden. Bei diesen Verfahren wird ein Phonem als eine Einheit benutzt; ferner wird eine Silbe als.eine Einheit benutzt und außerdem wird eine Kombination von zwei Phonemen als eine Einheit benutzt. Hinsichtlich der gespeicherten Daten werden somit als Grundparameter z.B. Formantfrequenzen und Grundfrequenzen für die Bildung eines Phonems, einer Silbe und von Kombinationen von zwei Phonemen benutzt.

909846/0759

Bei einem derartigen bekannten konventionellen Sprachsyhthesesystem, bei dem zuerst ein Phonem als eine Einheit und eine Wörter oder Sätze umfassende Aussage durch Kombinieren derartiger Einheiten zusammengesetzt wird, ist die für das Kombinieren der Phoneme zu befolgende Regel so kompliziert, daß es sehr schwierig ist, ein System mit guter Sprachqualität zu erhalten. Ein System, bei dem eine Silbe als eine Einheit benutzt wird, besitzt ebenfalls den Nachteil, daß die Regel für das Kombinieren der Silben sehr kompliziert ist. Das System, in dem eine Kombinat ion, von irgendwelchen zwei Phonemen als eine Einheit benutzt wird, wenn jedes Phonem wiederholt zweimal gelesen wird, arbeitet darüber hinaus im Hinblick auf die Auslösezeit und im Hinblick auf die für die Zusammensetzung erforderliche Zeit nicht nur unwirtschaftlich, sondern es wird darüber hinaus die Regel, die zur Zusammensetzung zu befolgen ist, kompliziert. Dies trifft insbesondere für das Wort "anden" zu, dem die Phonemkombinationsfolge an-nd-da-θη, entspräche. Daraus ergäbe sich eine technische Schwierigkeit beim Betrieb, und zwar hinsichtlich der Kombination der Konsonanten, wie d-d. Die Folge hiervon ist, daß keine zufriedenstellende synthetische Sprache erzielt wird. Die Gründe hierfür liegen im wesentlichen darin, daß ein und dasselbe Phonem sich durch den Einfluß eines anderen mit ihm zu kombinierenden Phonems ändert und so wirkt, als wäre es ein anderes Phonem, und daß eine derartige Änderung in komplizierter Weise durch die Betonung und andere prosodische Merkmale beeinflußt wird. Eine derart komplizierte Kombinierungsweise, wie sie gerade beschrieben worden ist, ist derzeit als mit einer vergleichsweise einfachen Regel kaum steuerbar anzusehen.

Der Erfindung liegt daher die Aufgabe zugrunde, ein neues Sprachsynthesesystem zu schaffen, das die Nachteile der bisherigen Sprachsynthesesysteme vermeidet. Das neu zu

909848/0759

OBIG»*»

ο α Be

H=" ^ —

922170

schaffende Sprachsynthesesystem soll gespeicherte Daten auszunutzen gestatten, die sich auf Einheiten von Konsonant-Vokal- bzw« Vokal-Vokal-Reihen "beziehen. Das neu zu schaffende Sprachsynthesesystem soll ferner derartige Einheiten derart zu verbinden erlauben, daß die Vokalteile an beiden Enden auftreten. Ferner soll das neu zu schaffende Sprachsynthesesystem mit einer besonders einfachen Syntheseregel auskommen, wenn jede Einheit in Vokalteilen verbunden wird. Schließlich soll die synthetische Sprache weitgehend der natürlichen Sprache entsprechen.

Gelöst wird die vorstehend aufgezeigte Aufgabe mit einem Sprachsynthesesystem erfindungsgemäß dadurch, daß durch Phonemketten gebildete Syntheseeinheiten verwendet werden, in welchen die Enden Vokale in einer Vokal-Konsonant-Vokalbzw. Vokal-Vokal-Folge Sind, daß ein Datenspeicher vorgesehen ist, in welchem entsprechend grundsätzlichen Parametern Daten gespeichert sind, die sich auf phonemische Merkmale der Syntheseeinheiten beziehen, und daß diese Daten nach einer solchen, sich auf ein linguistisches Kennzeichen beziehenden Regel modifiziert und in denselben Vokalteilen verbunden werden, daß eine der natürlichen Sprache .weitgehend entsprechende, automatisch zusammengesetzte Sprache gebildet ist.

An Hand von Zeichnungen wird die Erfindung nachstehend näher erläutert. -"

Fig. 1 zeigt in einem Blockdiagramm eine Ausführungsform des erfindungsgemäßen Sprachsynthesesystems. Fig. 2a und 2b vei*anschaulichen an einem Beispiel gespeicherte Daten von Phonemverkettungen, die in dem erfindungsgemäßen Sprachsynthesesystem zu verwenden sind, und in einem Diagramm ein Amplitudenbild einer Phonemverkettung. Fig. 5 verdeutlicht ein Beispiel von in den gespeicherten Daten enthaltenen prosodischen Merkmalen.

ORIGINAL INSPECTED

909846/0759

"U

191211

^ig» ώ- w@3?R£Lsohaulicht is ©insüä Biagrsiiaia die ms sprseaesdea seitlichen Ernstera einer

xnß, ^fon fSprechenergie vorhandenen Besiefeisigea*" ". .-"- ". ■ " w

Hie Änsalal der¹ aus den oben erwähnten P ■ssfeildsten Kett-eneinheiten beträgt ia

800 omfL einschließlich ifoe. Spesialf äll©B aia Asieiisg Satses !sehr ale 90O₃ -Bisse Aasalil ist um"©'kja ©ia© Ordnung höher als die Anzahl der M3,oB©iEeiafe,eit@a,₃ iiöiten oder aus jeweils zwei Phonemen- best©li©©sL©n. Sitsheitea

3a sich die akustischen ligeaschaftea" eines feisaleä ia 4e© Mittelbsreich verhältnismäßig langsam 3BeLeKa₀ ©ri©Igt'- ein© Sprachsynthese-durch Verbinden dar Bislisites isä. ä.erartig©a-Bereichen. Batorsb. ist die zur [email protected] diQBSS¹ "Sialseitsa zu "befolgende Hegel sehr einfach ₉ und die Qualität "der tischen Sprache'ist günstig., Bine WhoiienkQ^t^ _% bei . der * beide"- Sndendursh.Vokalsgebildet und als Speieherdaten..au speieheE¹!!" SXiId₃ wird ia Joz-m 'von Baten .geBpeiahestn- 4ie sich. ss._BB._o auf-. das Spektrum, die Zeit und den Srregi2Hgsp@ggl -©®.si©h©n_o Isrner werden einig© Steuerdaten gespeichert} wi©- Solo-: eis.die Art der Erregerquelle bezeichnender ICode^ und awar ia dem IaIl₅ daß der die Sprachsynthese ¥ornshmende Generator vom End- . " Analogtjp ist« [email protected] d@r betrachteten Baten., köisaea aucli . Daten "gespeichert werden, die siöh"s_eB_o auf die" Querschnitts-"fläche, dis Seit und den Erreger pegel besiehen·, und ferner können siiiig® Stsuardatsa in dem lall" gespeichert^; sein, daß der die Spracfesyathese vornehmende "Generator y&m, sogenannten Sachen- und Mundhohlrauin-Analogtyp ist« -

Die "gespeicherten Daten sind Phonemlcetten einer Form«, bei der beide-Eadöii -durch Vokale gebildet sinde- Ber Beginn oder" -. das Ende sines susamaenzusetsenden Wortes oder Satzes ist häufig durch einen Komsoaaiiten gebildet« Bei der synthetischen ΖηβΒΜΜΒΆΒteilung einer derartigen Spräche'kann.in den *

9SSS4S/07-SS ■ ■ ■ ■ .

ORIGINAL. INSPECTED

GO Got' te·* SCL

gespeicherten Daten eine Phönem&ette von der Form enthalten sein, bei.der der erste Vokal in der vorangehenden Kette fehlt oder der zweite Vokal in der letzteren Kette. In einem solche» Fall nimmt die Anzahl gespeicherter Daten jedoch zu. Um dies zu verhindern, werden gespeicherte Daten, in welchen der erste Vokal und der zweite Vokal jeweils durch ein- und dasselbe Phonem gebildet sind, derart benutzt, daß der erste Vokal und der zweite Vokal derartiger Phon@mketten abgeleitet werden können. Dadurch kann eine Sprache zusammengesetzt werden, bei der der Beginn oder das Ende eines Wortes durch einen Konsonanten gebildet ist. So werden z.B. bei der Zusammensetzung des Wortes m#ni die drei Phonemketten iß) m B - #ni - i (i) benutzt, Dabei wird für /m d/ am Beginn des Wortes eine' Phonemkette benutzt, die dadurch erhalten wird, daß der Vokal /d / aus der Folge /9 md / entfernt wird.

Tritt ein derartiger Nasallaut am Ende einer Silbe auf, wie bei /n/ _;in /sent 8 /(Mitte), so wird dieser Nasallaut gemäß der vorliegenden Erfindung als eine Art Vokal behandelt, und zwar derart, daß die Anzahl der zu speichernden Einheiten herabgesetzt werden kann.

Bei der Zusammensetzung des zuvor betrachteten Wortes /sent#/' werden die vier Phonemketten £ej se - en -nt d - 3\p\ benutzt, und für den Teil des Nasallautes /n/ werden die Phonemketten /en/ und /ntθ / verwendet. Dabei wird der Nasallaut /n/ als Vokal betrachtet.

Die gemäß der vorliegenden Erfindung gespeicherten Daten der Phonemketteneinheiten können Änderungen grundsätzlicher Parameter enthalten, die sich auf Phonemeigenschaften beziehen, welche durch Betonungen und andere prosodische Eigenschaften gegeben sind. Ferner können sich die betreffenden Parameter auf Regeln beziehen, die linguistische Eigen-

909846/0759

« #« fr

1-9 S

schäften betreffen, wie die Einfluss© ¥on Phonemen auf Betonungen,

Bei einem End-Analogsystem, wie es die vorliegende Erfindung anwendet, werden z.B. zur Erzielung einer männlichen Stimme mit einer mittleren Grundfrequenz von 15O Hz Grundparameter gespeichert; zur Erzielung einer synthetischen Sprache mit einer davon abweichenden mittleren Grundfrequenz oder z.B. einer weiblichen Stimme mit einer Grundfrequenz von 250 Hz ist eine einen der Grundparameter darstellende Regel gespeichert, nach der eine Formantfrequenz umgesetzt wird, und zwar in eine Formantfrequenz, die eine neue Grundfrequenz von 250 Hz betrifft. Es dürfte sich erübrigen darauf hinzuweisen, daß in derselben Weise wie die Phonemketten gespeichert werden auch die Beton__ungen und andere prosodische Eigenschaften betreffende Daten gespeichert werden können.

Bei der natürlichen Sprache ist zwischen dem zeitlichen Bild der Grundfrequenz und dem zeitlichen Bild der Sprechenergie eine derart enge Beziehung vorhanden, daß durch alleinige Kennzeichnung der beiden sich auf die Lage der Betonung in den Phonemreihen der zusammenzusetzenden Sprache und auf den Maximalwert der mit der Grundfrequenz in der zusammengesetzten Sprache auftretenden Schwingung beziehenden prosodischen Eigenschäften nach dieser Regel eine synthetische Sprache erhalten werden kann, die dicht bei einer natürlichen Sprache liegt.

Bei der vorliegenden Ausführungsform ist z.B. zur Festlegung von prosodischen Eigenschaften, denen zufolge der Maximalwert der Grundfrequenz bei I50 Hz liegt und der erste Vokal eingegebener Phonemreihen betont wird, eine Regel gespeichert, die die Korrelation zwischen der Grundfrequena und der Sprechenergie festlegt, und zwar entsprechend einem aus ]?ig. 4 ersichtlichen zeitlichen Muster.

909846/0759

ORfQiNAL INSPECTSD

-D Λ r*3»Ö

22170

tiosrfe ©der ©la am Hade ©ines Sata©s auftretender !Fokal i©ri;· -gjritt eine derartig© Bevokalisierung - meb. die akustische Eigenschaft...des "?oicals. g@a g@spel©hea?t-er Baten ₅ die -d@a betreffendsn in ^©rm iroa BhosassiketteiisiiaSieiten entsprechen, ka?m werdeB.₂ AaS dea? Klang der s-ynthet£seiiea. Sprache sich, as elite- natürliche Spraela® aimaliert_B Wsrn&t kazm'die änderung akustisclien Sigeiisciiafteii durch die Be^okalisierung nach Segel ■ erfolgen, ü±® ia der gleiciien leise wie ander© anzuwenden ist« - . -

-Bai Ü.BT for die Bjpatlieseeliöiieiti ■ bei der vorliegenden Erfindung ötä bsBsi*send0i?h©2ieiaketiie;siaa beide Enden dmi?©a.¥©kale ge- Ml&etr. Zwischen diesen ¥o&alea lcann eine Vielsa&l" von-Koaso-"aantenliegen* Wird sin derartiges Slanggefeiide _s in welcaem sias- Vielzahl, von SonsomasifeeB fortlaufend auftritt;, als ein aaabhäagiger Konsonant t?st2?aeMtet _s so aimat di©_ speich©rfcer Daten zu*'Die itozaHl derartiger ist Qeäocii ν erhält nismäBig- gering ₉ so daß ite Einfluß eben« falls gering ist* Bei der Susammezisetzung des Portes /straik/ wird z.B. eine Phonemk-etisesieiniieit /astra/ benutzt, die autS Cal stra *■ ai - i Jr IiJ siasamiaengesetst ist und die drei Eonsonanten aufweist»

Xn Mg. i -ist. in einem Bloekdiagramm eine Ausführuagsform des erfindungsgemäßen BpsiaclisyAfehesesystems gezeigt. Gemäß dieser Ausführungsforia wird- in einer Phonemreiaen-Einteileinrichtung lein aas einer Phonemreihe. isnd pro sodischen Sigenscßaftssjfflboleß" bes-feeliender Befehl P in die · Phoneiireihenimd einige eader© psosodische Symbole aufgeteilt'; Die Ehonemreihe wird dann imeiae Beihe von Phonemketteneinheitsn unterteilt», bei denen !»©ils "beide Enden durch Vokale ge» bildet sind« Sodann werden diesen Phoaemketteneiaheiten entsprechende Daten und des p3?©s©disehen Symbolen entsprechende

prosodiache Baten aus einer diese
Phonemketten-SatenspeicliereinriclitiiHg 3 mittels -eiser leseeinrichtung 2 ausgelesen.. Diese Baten werd©s einander verbunden, wobei die Art dea? den zur these vorgesehenen Generator erregenden Quelle.^ -wi Impulse oder Störungen, bestimmt werden., Dato®! einer Syntheseregel L gearbeitet, und swai? is I die in einer. Quellen-Dateneinrichtung 4' ©2ÄsI'0$a@s Daten.und auf die in einer Spektrums—Dates©ässs enthaltenen Rachen- und Mundhohlraum-SpektSiiÄSg Daten werden einem zur Sprachsynthese "diijasndea des Snd-Analogtyps zugeführte, Von .einem-Lautsprecher¹" 7 schließlich die synthetsiche Sprache ab"g©g©beiw JSe ist" ohne weiteres möglich, als zur Sprachs^mtfees© Generator 6 eine Einrichtung, vom
Mundhohlraum-Analogtyp zu verwenden

aiaf

f."

In Fig, 2a ist ein Beispiel gespeicherter. veranschaulicht, wie sie in dem. erfindungsg^mäßen Sprach-*» synthesesysteis benutEt werden· 2)ab@i "bezeichnet, die llertf©lg©" "" FILE NAME den Kamen einer Phonemket-tenei&heit _β Mit AIiS sind " zur Steuerung dienende Hilfsdaten bezaichnst» Mit ΦΒΙΕ ist die zeitlich© Struktur der Phonemkette -feeseielinetj mit LElEL die relativ® Pegelbasiehung ^jeder Einheit in der Phonemkette" und mit PKO die Art-der die ^jeweilige-Einheit ..in der Phonem- -. kette erregende Quelle. Mit I¹OHM sind die Jrrequen&en. -der ersten bis η-ten Formante pro Zeiteinheit beaeiolmet tm& -nit. BAND die Bandbreite einer deiL-artigen Formante. Bei dem- vo3?- liegenden" Ausführ-ungsbeispiel sind neben den oben erwähnten Worten-TIME bzw«, ffOEI"! z.B.. die festgelegten konkreten Zahlenwerte angegeben«, In Fig. 2b ist schematisch ein Pegeldiagramm einer Phonemkette veranschaulicht. Fig. 3 veranschaulicht in einem Beispiel gespeicherte Daten, die sich auf die Prosodie .' der Grundfrequenzj des Amplitudenpegels und der Zeitbeziehungen

/0759

OR!Glä%äÄL INSPECTfD

•für die Zusammensetzung eines Wortes beziehen, das in der ersten Silbe einen Betongungsschwerpunkt besitzt.

Die durch das erfindungsgemäße Sprachsynthesesystem gebildete synthetische Sprache ist wesentlich natürlicher als irgendeine nach dem herkömmlichen System gebildete synthetische Sprache. Der Anwendungsbereich der durch das erfindungsgemäße Sprachsynthesesystem gebildeten Synthesespräche ist damit weit. So ist z.B. das erfindungsgemäße Sprachsynthesesystem für niederfrequente Ausgabeeinrichtungen von elektronischen Rechnerngeeignet sowie für lernsprechauskunftsysterne und für niederfrequente Ansageeinrichtungen für verschiedene Ansagedienste, und zwar unter Verwendung von Drucktasten-Fernsprechapparaten.

Die gespeicherten Daten von Phonemketteneinheiten, bei denen beide Enden jeweils durch einen Vokal gebildet sind, wie dies bei der vorliegenden Erfindung der !Fall ist, können von irgendeiner Art sein, bei der die Sprachsyntheseeinheiten so ausgebildet sind, daß sie zumindest einen Teil der akustischen Eigenschaften der Phonemketteneinheiten und einen Teil der Eigenschaften der anderen prosodischen Eigenschaften umfassen, um nämlich eine synthetische Sprache hoher Qualität zu erzielen.

909S46/075S

Claims

.: . .■ . 1922110;

Patentaasprlich'e ..

'» Sprachsynthesesystem, dadurch gekennzeichnet,} daß durch Phonemketten gebildete Syntheseeinheiten verwendet v/erden, in welchen die Enden Vokale in einer Vokal-Konsonant-Vokal- bzw. Vokal-Yokal-Folge sind, daß ein Datenspeicher vorgesehen ist, in.welchem entsprechend grundsätzlichen Parametern Daten gespeichert. sind, die sich auf phonemische Merkmale der Syntheseeinheiten beziehen und daß diese Daten nach einer solchen, sich auf ein linguistisches Kennzeichen beziehenden Regel modifiziert und in denselben Vokalteilen verbunden werden, daß eine der natürlichen Sprache weitgehend entsprechende automatisch zusammengesetzte Sprache gebildet ist.
2. Sprachsynthesesystem nach Anspruch 1, dadurch gekennzeichnet, daß bei der Zusammensetzung einer Sprache, bei der am Anfang und am Ende jedes Wortes Konsonanten stehen, eine solche Phonemverkettung gespeicherter Daten vorgenommen wird, daß jeweils an beiden Wortenden Vokale vorhanden sind, die durch ein und denselben Vokal gebildet sind, daß bei Vorliegen eines mit einem Konsonanten beginnenden Wortes der erste Konsonant entfernt wird, daß bei Vorliegen eines mit einem Konsonanten endenden Wortes der zweite Konsonant v/eggelassen wird, und daß die so gebildeten Phonemketten als Daten für die Sprachsynthese benutzt werden«,
3. Sprachsynthesesystem nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß zur Entvokalisierung eines Vokals in einem Wort bzw. eines Vokales am Ende eines Wortes dem betreffenden Vokal entsprechende gespeicherte- Baten den Daten des jeweiligen Wortes ggfs., nach, einer clie Entvokalisierung betreffenden gespeicherten Regel .Mazugefügt werden.

9098A6/0759 _0RlaiNAL

dadurch gekennzeichnet, daß ein einer Silbe folgender Hasallaut als ¥ökal gewertet wird, so daß die Anzahl der Phonamketteneinheiten, bei denen jeweils beide Enden durch einen Yokal gebildet sind, verringert ist.

% Sprachsynthesesystem nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß ein Klang, in welchem aufeinanderfolgend Konsonanten auftreten, als ein unabhängiger Konsonant gewertet wird, bei dem in einer Byntheseeinheit eine Phonemverkettung aus einer Vielzahl von Konsonant -**-Yokal -f*-I?olgen enthalten ist.

6» Sprachsynthesesystem nach Anspruch 1, dadurch gekennzeichnet, daß eine begrenzte Anzahl von Bat@n gespeichert istj die sich auf zeitliche Muster einer Grundfrequenz und von Sprechenergie beziehen, daß diese Baten auf ,einen Bsfehl Mm ausgewählt werden, der sich auf prosodisehe Merkmale der symtfaetischen Sprache bezieht, und daß die akustische Eigenschaft nach einer solchen Regel modifiziert wird, daß sich eine verbesserte Sprachqualität ergibt.

909846/0758

J2s
Leerseite