JP2002297199A - 合成音声判別方法と装置及び音声合成装置 - Google Patents
合成音声判別方法と装置及び音声合成装置Info
- Publication number
- JP2002297199A JP2002297199A JP2001097158A JP2001097158A JP2002297199A JP 2002297199 A JP2002297199 A JP 2002297199A JP 2001097158 A JP2001097158 A JP 2001097158A JP 2001097158 A JP2001097158 A JP 2001097158A JP 2002297199 A JP2002297199 A JP 2002297199A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- synthesized
- speech
- voice
- discriminating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【課題】入力された音声信号が合成音声信号かどうかを
判別するための方法を提供する。 【解決手段】音声合成装置１２において入力される文字
列に従って音声合成を行うことにより生成された合成音
声信号に、合成音声信号であることを判別するための判
別情報を付加した音声信号１８を出力し、音声信号を受
ける側に設けられた合成音声判別装置２０において入力
音声信号から判別情報の有無を検出し、この判別情報を
検出したとき入力音声信号が合成音声信号１８であると
判別する。
判別するための方法を提供する。 【解決手段】音声合成装置１２において入力される文字
列に従って音声合成を行うことにより生成された合成音
声信号に、合成音声信号であることを判別するための判
別情報を付加した音声信号１８を出力し、音声信号を受
ける側に設けられた合成音声判別装置２０において入力
音声信号から判別情報の有無を検出し、この判別情報を
検出したとき入力音声信号が合成音声信号１８であると
判別する。
Description
【０００１】
【発明の属する技術分野】本発明は、音声合成装置によ
る合成音声と人間による実際の発声音声とを判別するた
めの合成音声判別方法と装置及び音声合成装置に関す
る。
る合成音声と人間による実際の発声音声とを判別するた
めの合成音声判別方法と装置及び音声合成装置に関す
る。
【０００２】
【従来の技術】文字列であるテキストから音声を合成す
る、いわゆる音声規則合成技術の進歩は著しい。最近で
は、図１に示すようにアナウンサやナレータの発声を収
録し、この収録した発生音声１を計算機で利用できるよ
うにデータ化した音声データベース２から、音声の音色
（音韻情報）や抑揚（韻律情報）の制御情報を統計的学
習アルゴリズムを用いて学習処理部３により自動獲得し
て制御情報データベース４を作成し、この制御情報デー
タベース４を用いて入力テキスト５から音声規則合成処
理部６によって合成音声を生成する技術が確立されつつ
ある。
る、いわゆる音声規則合成技術の進歩は著しい。最近で
は、図１に示すようにアナウンサやナレータの発声を収
録し、この収録した発生音声１を計算機で利用できるよ
うにデータ化した音声データベース２から、音声の音色
（音韻情報）や抑揚（韻律情報）の制御情報を統計的学
習アルゴリズムを用いて学習処理部３により自動獲得し
て制御情報データベース４を作成し、この制御情報デー
タベース４を用いて入力テキスト５から音声規則合成処
理部６によって合成音声を生成する技術が確立されつつ
ある。
【０００３】このような技術については、例えば、X.Ha
ng et al “ Recent Improvementson Microsoft's Trai
nable Text-To-Speech System-Whistler ”. IEEE Inte
rnational Conference on Acoustics, Speech, and Sig
nal Processing . pp.959-962, 1997などに詳しく述べ
られている。
ng et al “ Recent Improvementson Microsoft's Trai
nable Text-To-Speech System-Whistler ”. IEEE Inte
rnational Conference on Acoustics, Speech, and Sig
nal Processing . pp.959-962, 1997などに詳しく述べ
られている。
【０００４】こうした手法に基づいて得られた合成音声
は、収録したアナウンサやナレータなどの収録話者の特
徴を良く保持している。すなわち、収録話者による実際
の発声音声と、音声規則合成による合成音声は声質や抑
揚の特徴が良く似ており、少し聞いた程度では収録話者
の発生音声なのか合成音声なのかを簡単には区別できな
い。特に、音声を電話回線のような伝送系を通した場合
のように、音声が帯域制限などにより劣化している場合
には、実際の発生音声と合成音声との区別は難しくな
る。
は、収録したアナウンサやナレータなどの収録話者の特
徴を良く保持している。すなわち、収録話者による実際
の発声音声と、音声規則合成による合成音声は声質や抑
揚の特徴が良く似ており、少し聞いた程度では収録話者
の発生音声なのか合成音声なのかを簡単には区別できな
い。特に、音声を電話回線のような伝送系を通した場合
のように、音声が帯域制限などにより劣化している場合
には、実際の発生音声と合成音声との区別は難しくな
る。
【０００５】さらに、音声規則合成技術を利用して、ユ
ーザもしくはユーザ以外の発声音声をパーソナルコンピ
ュータなどに取り込むことで、現実の発声音声を真似た
合成音声を生成する技術も研究されており、近い将来は
簡単に自分自身や他人の声を合成することが可能になる
と考えられる。
ーザもしくはユーザ以外の発声音声をパーソナルコンピ
ュータなどに取り込むことで、現実の発声音声を真似た
合成音声を生成する技術も研究されており、近い将来は
簡単に自分自身や他人の声を合成することが可能になる
と考えられる。
【０００６】
【発明が解決しようとする課題】上述したように音声規
則合成技術の進歩は、収録話者による実際の発声音声と
に近い合成音声を生成できるため、有名人の発生と同じ
音声を合成したり、電子メールを送信者の声で読み上げ
るといったことを可能にするなど様々な利点を生む。
則合成技術の進歩は、収録話者による実際の発声音声と
に近い合成音声を生成できるため、有名人の発生と同じ
音声を合成したり、電子メールを送信者の声で読み上げ
るといったことを可能にするなど様々な利点を生む。
【０００７】反面、音声規則合成技術を悪用すると、他
人への「なりすまし」が容易に可能となるため、例えば
音声で発声者を識別したり照合する話者識別あるいは話
者照合技術を意味のないものにしてしまい、声紋分析に
よる犯罪捜査などへも影響を与えることが懸念される。
人への「なりすまし」が容易に可能となるため、例えば
音声で発声者を識別したり照合する話者識別あるいは話
者照合技術を意味のないものにしてしまい、声紋分析に
よる犯罪捜査などへも影響を与えることが懸念される。
【０００８】本発明は、このような問題点を解消すべく
なされたもので、入力された音声信号が合成音声信号か
どうかを判別できる合成音声判別方法と装置及び音声合
成装置を提供することを目的とする。
なされたもので、入力された音声信号が合成音声信号か
どうかを判別できる合成音声判別方法と装置及び音声合
成装置を提供することを目的とする。
【０００９】
【課題を解決するための手段】上記課題を解決するた
め、本発明に係る合成音声判別方法は、入力される文字
列に従って音声合成を行うことにより生成された合成音
声信号に、合成音声信号であることを判別するための判
別情報を付加した音声信号を出力することを基本的な特
徴とする。合成音声信号へに付加される判別情報は、ア
ナログ信号による伝送や帯域制限、音質劣化によっても
失われない情報であることが望ましく、例えば、合成音
声信号の周波数特性に変更を加えることにより判別情報
の付加が行われる。より具体的には、合成音声信号に加
える周波数特性の変更としては、合成音声信号の主たる
周波数帯域外の周波数帯域における信号パワーの変更が
用いられる。そして、入力音声信号から判別情報の有無
を検出し、該判別情報を検出したとき入力音声信号が合
成音声信号であると判別する。
め、本発明に係る合成音声判別方法は、入力される文字
列に従って音声合成を行うことにより生成された合成音
声信号に、合成音声信号であることを判別するための判
別情報を付加した音声信号を出力することを基本的な特
徴とする。合成音声信号へに付加される判別情報は、ア
ナログ信号による伝送や帯域制限、音質劣化によっても
失われない情報であることが望ましく、例えば、合成音
声信号の周波数特性に変更を加えることにより判別情報
の付加が行われる。より具体的には、合成音声信号に加
える周波数特性の変更としては、合成音声信号の主たる
周波数帯域外の周波数帯域における信号パワーの変更が
用いられる。そして、入力音声信号から判別情報の有無
を検出し、該判別情報を検出したとき入力音声信号が合
成音声信号であると判別する。
【００１０】本発明に係る音声合成装置は、入力される
文字列に従って音声合成を行うことにより合成音声信号
を生成する音声合成部と、合成音声信号に合成音声信号
であることを判別するための判別情報を付加した音声信
号を出力する判別情報付加部とを有することを特徴とす
る。
文字列に従って音声合成を行うことにより合成音声信号
を生成する音声合成部と、合成音声信号に合成音声信号
であることを判別するための判別情報を付加した音声信
号を出力する判別情報付加部とを有することを特徴とす
る。
【００１１】この音声合成装置と組み合わせられる本発
明に係る合成音声判別装置は、入力音声信号から音声合
成装置において合成音声信号に付加された判別情報の有
無を検出し、この判別情報を検出したとき入力音声信号
が合成音声信号であると判別する判別部と、この判別部
の判別結果を表示する表示部とを有する。
明に係る合成音声判別装置は、入力音声信号から音声合
成装置において合成音声信号に付加された判別情報の有
無を検出し、この判別情報を検出したとき入力音声信号
が合成音声信号であると判別する判別部と、この判別部
の判別結果を表示する表示部とを有する。
【００１２】また、本発明によれば入力される文字列に
従って音声合成を行うことにより合成音声信号を生成す
る処理と、合成音声信号に合成音声信号であることを判
別するための判別情報を付加した音声信号を出力する処
理とをコンピュータに実行させるためのプログラムまた
は該プログラムを記録した記録媒体を提供することがで
きる。
従って音声合成を行うことにより合成音声信号を生成す
る処理と、合成音声信号に合成音声信号であることを判
別するための判別情報を付加した音声信号を出力する処
理とをコンピュータに実行させるためのプログラムまた
は該プログラムを記録した記録媒体を提供することがで
きる。
【００１３】さらに、本発明によれば入力音声信号から
合成音声信号に付加された判別情報の有無を検出し、該
判別情報を検出したとき該入力音声信号が該合成音声信
号であると判別する処理と、この判別の結果を表示させ
る処理とをコンピュータに実行させるためのプログラム
または該プログラムを記録した記録媒体を提供すること
ができる。
合成音声信号に付加された判別情報の有無を検出し、該
判別情報を検出したとき該入力音声信号が該合成音声信
号であると判別する処理と、この判別の結果を表示させ
る処理とをコンピュータに実行させるためのプログラム
または該プログラムを記録した記録媒体を提供すること
ができる。
【００１４】このように本発明によると、合成音声信号
に合成信号であることを示す判別情報を付加した音声信
号を出力することにより、合成音声信号を入力する側で
は入力音声信号が合成音声信号か人間による発生音声信
号かの判別を行うことができる。従って、音声合成の犯
罪への悪用、すなわち他人へのなりすましによる、話者
識別あるいは話者照合システムにおける詐称や、音声に
基づく科学捜査のかく乱などを未然に防止することが可
能となる。また、判別情報を合成音声信号に付加するこ
とによって、音声信号を受け取った側で、入力音声信号
が合成音声信号であるか否かを容易に判定することがで
きるようにすることである。
に合成信号であることを示す判別情報を付加した音声信
号を出力することにより、合成音声信号を入力する側で
は入力音声信号が合成音声信号か人間による発生音声信
号かの判別を行うことができる。従って、音声合成の犯
罪への悪用、すなわち他人へのなりすましによる、話者
識別あるいは話者照合システムにおける詐称や、音声に
基づく科学捜査のかく乱などを未然に防止することが可
能となる。また、判別情報を合成音声信号に付加するこ
とによって、音声信号を受け取った側で、入力音声信号
が合成音声信号であるか否かを容易に判定することがで
きるようにすることである。
【００１５】
【発明の実施の形態】以下、本発明の実施の形態につき
図面を参照して説明する。図２は、本発明の一実施形態
に係る音声合成装置及び合成音声判別装置の概略構成を
示すブロック図である。
図面を参照して説明する。図２は、本発明の一実施形態
に係る音声合成装置及び合成音声判別装置の概略構成を
示すブロック図である。
【００１６】音声合成装置１２は、例えばパーソナルコ
ンピュータのような情報処理装置上で、ＣＤ−ＲＯＭ、
フレキシブルディスクまたはメモリカードなどの記録媒
体により、あるいはネットワークなどの通信媒体により
供給される専用のソフトウエア（文音声合成ソフトウエ
ア）を実行することにより実現されるもので、入力テキ
ストから音声を生成する文音声合成（ＴＴＳ）処理機能
を有している。
ンピュータのような情報処理装置上で、ＣＤ−ＲＯＭ、
フレキシブルディスクまたはメモリカードなどの記録媒
体により、あるいはネットワークなどの通信媒体により
供給される専用のソフトウエア（文音声合成ソフトウエ
ア）を実行することにより実現されるもので、入力テキ
ストから音声を生成する文音声合成（ＴＴＳ）処理機能
を有している。
【００１７】音声合成装置１２において、文音声合成
（読み上げ）の対象となる文字列であるテキストは、テ
キストファイル１１として保存されている。文音声合成
ソフトウェアに従い、テキストファイル１１から漢字か
な混じりテキストが読み出されて文音声合成処理部１３
に入力され、この入力テキストに対応する音声が合成さ
れる。文音声合成処理部１３は大きく分けて、入力テキ
ストを解析して発音記号を生成するテキスト解析部１４
と、発音記号から音声を生成する音声生成部１５から構
成されている。
（読み上げ）の対象となる文字列であるテキストは、テ
キストファイル１１として保存されている。文音声合成
ソフトウェアに従い、テキストファイル１１から漢字か
な混じりテキストが読み出されて文音声合成処理部１３
に入力され、この入力テキストに対応する音声が合成さ
れる。文音声合成処理部１３は大きく分けて、入力テキ
ストを解析して発音記号を生成するテキスト解析部１４
と、発音記号から音声を生成する音声生成部１５から構
成されている。
【００１８】音声生成部１５は、特定話者の声質と韻律
特徴を保存した音声辞書１６を参照して該話者の特徴を
持つ音声を合成する。特定話者の声質や韻律特徴の獲得
と、音声規則合成における利用の詳細については、例え
ば、先に示した文献：X.Huang et al.“Recent Improve
ments on Microsoft's Trainable Text-To-Speech Syst
em-Whistler”. IEEE International Conference on Ac
oustics, Speech, andSignal Processing . pp.959-96
2, 1997等に記載されているので、ここでは説明を省略
する。
特徴を保存した音声辞書１６を参照して該話者の特徴を
持つ音声を合成する。特定話者の声質や韻律特徴の獲得
と、音声規則合成における利用の詳細については、例え
ば、先に示した文献：X.Huang et al.“Recent Improve
ments on Microsoft's Trainable Text-To-Speech Syst
em-Whistler”. IEEE International Conference on Ac
oustics, Speech, andSignal Processing . pp.959-96
2, 1997等に記載されているので、ここでは説明を省略
する。
【００１９】従来の文音声合成装置では、合成音声信号
をそのまま出力する。話者の特徴を保持した音声を合成
できる最近の音声合成装置では、その高音質な音声を悪
用した同話者への「なりすまし」を容易に許してしまう
ことは前述した通りである。
をそのまま出力する。話者の特徴を保持した音声を合成
できる最近の音声合成装置では、その高音質な音声を悪
用した同話者への「なりすまし」を容易に許してしまう
ことは前述した通りである。
【００２０】この問題を回避するため、本実施形態の音
声合成装置１２では、文音声合成処理部１３から出力さ
れる合成音声信号を合成音声判別情報付加部１７に通
し、人間（この場合、特定話者）が発声した音声信号と
は異なることを示す判別情報を合成音声信号に付加す
る。このようにして音声合成装置１２から、合成音声判
別情報付加部１７により判別情報が付加された後の音声
信号１８が出力され、伝送路１９を経て伝送される。
声合成装置１２では、文音声合成処理部１３から出力さ
れる合成音声信号を合成音声判別情報付加部１７に通
し、人間（この場合、特定話者）が発声した音声信号と
は異なることを示す判別情報を合成音声信号に付加す
る。このようにして音声合成装置１２から、合成音声判
別情報付加部１７により判別情報が付加された後の音声
信号１８が出力され、伝送路１９を経て伝送される。
【００２１】合成音声判別装置２０では、伝送路１９を
経て入力されてきた入力音声信号が合成音声信号である
か人間による発生音声信号１８であるかが判別される。
この合成音声判別装置２０は、判別部２１と判別結果表
示部２２から構成される。判別部２１では、入力音声信
号から判別情報の有無を検出し、判別情報を検出したと
き入力音声信号が合成音声信号１８であると判別され、
この判別結果が判別結果表示部２２で可視表示または音
声表示によって表示される。
経て入力されてきた入力音声信号が合成音声信号である
か人間による発生音声信号１８であるかが判別される。
この合成音声判別装置２０は、判別部２１と判別結果表
示部２２から構成される。判別部２１では、入力音声信
号から判別情報の有無を検出し、判別情報を検出したと
き入力音声信号が合成音声信号１８であると判別され、
この判別結果が判別結果表示部２２で可視表示または音
声表示によって表示される。
【００２２】次に、合成音声判別情報付加部１７につい
て具体的に説明する。合成音声判別情報付加部１７にお
いて合成音声信号に付加される判別情報は、合成音声信
号が人間による発生音声信号とは異なることを判別する
ための情報であり、種々の形態が考えられる。例えば、
ディジタル映像やディジタル音声の伝送においては、不
正コピーを防止するための「電子透かし」といわれる技
術がある。電子透かしは、基本的には画像や音声が知覚
されない範囲で直接、画像データや音声データにディジ
タル的に別の情報を付加する。もし、音声がディジタル
信号としてのみ扱われる場合は、この電子透かし技術を
利用して合成音声の判別情報を付加するようにすること
も可能である。しかし、音声はアナログ信号で伝送され
たり、空気中を伝わった後に電気信号に変換されて伝送
されるケースが多いため、判別情報はアナログ信号の伝
送や、伝送路での帯域制限、あるいは音質劣化によって
失われないものでなければならない。
て具体的に説明する。合成音声判別情報付加部１７にお
いて合成音声信号に付加される判別情報は、合成音声信
号が人間による発生音声信号とは異なることを判別する
ための情報であり、種々の形態が考えられる。例えば、
ディジタル映像やディジタル音声の伝送においては、不
正コピーを防止するための「電子透かし」といわれる技
術がある。電子透かしは、基本的には画像や音声が知覚
されない範囲で直接、画像データや音声データにディジ
タル的に別の情報を付加する。もし、音声がディジタル
信号としてのみ扱われる場合は、この電子透かし技術を
利用して合成音声の判別情報を付加するようにすること
も可能である。しかし、音声はアナログ信号で伝送され
たり、空気中を伝わった後に電気信号に変換されて伝送
されるケースが多いため、判別情報はアナログ信号の伝
送や、伝送路での帯域制限、あるいは音質劣化によって
失われないものでなければならない。
【００２３】そこで、本実施形態においては、合成音声
判別情報付加部１７を合成音声信号の周波数特性に変更
を加える構成とする。より具体的には、合成音声判別情
報付加部１７が合成音声信号に加える周波数特性の変更
は、合成音声信号の主たる周波数帯域外の周波数帯域に
おける信号パワーの変更（減衰または増大）であり、こ
れは例えば合成音声判別情報付加部１７にノッチフィル
タを用いることによって実現できる。
判別情報付加部１７を合成音声信号の周波数特性に変更
を加える構成とする。より具体的には、合成音声判別情
報付加部１７が合成音声信号に加える周波数特性の変更
は、合成音声信号の主たる周波数帯域外の周波数帯域に
おける信号パワーの変更（減衰または増大）であり、こ
れは例えば合成音声判別情報付加部１７にノッチフィル
タを用いることによって実現できる。
【００２４】図３は、このノッチフィルタの周波数特性
の一例であり、比較的高周波数側で非常に帯域幅の狭い
周波数帯の信号パワーを大きく減衰させる特性を有す
る。ノッチフィルタの中心周波数、すなわちノッチフィ
ルタが合成音声信号の信号パワーを減衰させる周波数帯
域の中心周波数ｆｄは、音声信号の主たる周波数帯であ
る２〜３ｋＨｚより高い４〜５ｋＨｚ程度に選定され
る。
の一例であり、比較的高周波数側で非常に帯域幅の狭い
周波数帯の信号パワーを大きく減衰させる特性を有す
る。ノッチフィルタの中心周波数、すなわちノッチフィ
ルタが合成音声信号の信号パワーを減衰させる周波数帯
域の中心周波数ｆｄは、音声信号の主たる周波数帯であ
る２〜３ｋＨｚより高い４〜５ｋＨｚ程度に選定され
る。
【００２５】このようなノッチフィルタを用いると、合
成音声判別情報付加処理２７を通して出力される合成音
声信号は、人間の耳に知覚できる音質の劣化は小さい
が、この合成音声信号を例えば周波数分析により解析す
れば、ノッチフィルタの中心周波数ｆｄの信号パワーが
極端に小さくなっているので、音声が機械的に合成され
たものであることが容易に判断できる。
成音声判別情報付加処理２７を通して出力される合成音
声信号は、人間の耳に知覚できる音質の劣化は小さい
が、この合成音声信号を例えば周波数分析により解析す
れば、ノッチフィルタの中心周波数ｆｄの信号パワーが
極端に小さくなっているので、音声が機械的に合成され
たものであることが容易に判断できる。
【００２６】合成音声判別装置２０では、このようなノ
ッチフィルタによる特定周波数成分の信号パワーの低下
を検出することにより、入力音声信号が合成音声信号か
人間による発生音声信号かを判別する。図４は、合成音
声判別装置２０における判別部２１の具体的な構成例で
あり、合成音声判別情報付加部１７が上記のようなノッ
チフィルタで構成される場合の例を示している。
ッチフィルタによる特定周波数成分の信号パワーの低下
を検出することにより、入力音声信号が合成音声信号か
人間による発生音声信号かを判別する。図４は、合成音
声判別装置２０における判別部２１の具体的な構成例で
あり、合成音声判別情報付加部１７が上記のようなノッ
チフィルタで構成される場合の例を示している。
【００２７】入力音声信号である合成音声信号１８は二
分岐され、一方では合成音声判別情報付加部１７を構成
するノッチフィルタの中心周波数ｆｄと同じ中心周波数
を持つバンドパスフィルタ（ＢＰＦ）３１を介してパワ
ー演算部３２に入力され、他方ではもう一つのパワー演
算部３３に直接入力される。
分岐され、一方では合成音声判別情報付加部１７を構成
するノッチフィルタの中心周波数ｆｄと同じ中心周波数
を持つバンドパスフィルタ（ＢＰＦ）３１を介してパワ
ー演算部３２に入力され、他方ではもう一つのパワー演
算部３３に直接入力される。
【００２８】パワー演算部３２では、合成音声信号１８
のうちバンドパスフィルタ３１を通過した周波数成分の
信号パワーが求められる。パワー演算部３３では、合成
音声信号１８の全周波数帯域の信号パワーが求められ
る。割算部３４では、パワー演算部３２により求められ
た周波数成分の信号パワーをパワー演算部３３により求
められた全周波数帯域の信号パワーによって割り算す
る。
のうちバンドパスフィルタ３１を通過した周波数成分の
信号パワーが求められる。パワー演算部３３では、合成
音声信号１８の全周波数帯域の信号パワーが求められ
る。割算部３４では、パワー演算部３２により求められ
た周波数成分の信号パワーをパワー演算部３３により求
められた全周波数帯域の信号パワーによって割り算す
る。
【００２９】割算部３４の割り算結果は、閾値処理部３
５により所定の閾値と比較される。閾値処理部３５にお
いて割り算結果が閾値より小さければ入力音声信号は合
成音声信号であると判定され、そうでなければ人間によ
る発声音声信号であると判定される。この判定結果は、
図２の判定結果表示部２２によって表示される。
５により所定の閾値と比較される。閾値処理部３５にお
いて割り算結果が閾値より小さければ入力音声信号は合
成音声信号であると判定され、そうでなければ人間によ
る発声音声信号であると判定される。この判定結果は、
図２の判定結果表示部２２によって表示される。
【００３０】次に、本発明の他の実施形態について説明
する。本実施形態における音声合成装置１２及び合成音
声判別装置２０の基本構成は先の実施形態と同様であ
り、図２に示した通りである。
する。本実施形態における音声合成装置１２及び合成音
声判別装置２０の基本構成は先の実施形態と同様であ
り、図２に示した通りである。
【００３１】本実施形態では、合成音声判別情報付加部
１７として中心周波数が所定の時間の関数に従った変化
をするノッチフィルタが用いられる。この変化の仕方
は、文音声合成装置１２のメーカ名や機種名に応じて異
ならせるものとする。例えば、図５及び図６に示すよう
に、Ａ社のＸ型音声合成装置ではノッチフィルタの中止
間周波数の時間関数はＦ(t)であり、Ｙ型音声合成装置
ではノッチフィルタの中止間周波数の時間関数はＧ(t)
と異なり、またＢ社のＺ型音声合成装置ではノッチフィ
ルタの中心周波数の時間関数はＨ(t)とさらに違った変
化をする。
１７として中心周波数が所定の時間の関数に従った変化
をするノッチフィルタが用いられる。この変化の仕方
は、文音声合成装置１２のメーカ名や機種名に応じて異
ならせるものとする。例えば、図５及び図６に示すよう
に、Ａ社のＸ型音声合成装置ではノッチフィルタの中止
間周波数の時間関数はＦ(t)であり、Ｙ型音声合成装置
ではノッチフィルタの中止間周波数の時間関数はＧ(t)
と異なり、またＢ社のＺ型音声合成装置ではノッチフィ
ルタの中心周波数の時間関数はＨ(t)とさらに違った変
化をする。
【００３２】図７に、本実施形態における合成音声判別
装置２０内の判別部２１の構成を示す。図７の判別部２
１では、合成音声判別情報付加部１７のノッチフィルタ
における上述した３通りの関数に従う時間変化をする中
心周波数と同じ中心周波数をそれぞれ持つバンドパスフ
ィルタ（ＢＰＦ）４１，４２，４３に、伝送路１９を経
て入力された音声信号が入力される。バンドパスフィル
タ４１，４２，４３の出力信号は平均パワー計算部４
４，４５，４６に入力され、発声区間内の平均パワーが
計算される。一方、バンドパスフィルタを通さない入力
音声信号の全周波数帯域の発声区間内の平均パワーが平
均パワー計算部４７によって計算される。
装置２０内の判別部２１の構成を示す。図７の判別部２
１では、合成音声判別情報付加部１７のノッチフィルタ
における上述した３通りの関数に従う時間変化をする中
心周波数と同じ中心周波数をそれぞれ持つバンドパスフ
ィルタ（ＢＰＦ）４１，４２，４３に、伝送路１９を経
て入力された音声信号が入力される。バンドパスフィル
タ４１，４２，４３の出力信号は平均パワー計算部４
４，４５，４６に入力され、発声区間内の平均パワーが
計算される。一方、バンドパスフィルタを通さない入力
音声信号の全周波数帯域の発声区間内の平均パワーが平
均パワー計算部４７によって計算される。
【００３３】割算部４８，４９，５０では、平均パワー
計算部４４，４５，４６によりそれぞれ計算されたバン
ドパスフィルタ４１，４２，４３の出力信号の発声区間
内の平均パワーを、平均パワー計算部４７により計算さ
れた入力音声信号の全周波数帯域の発声区間内の平均パ
ワーによって割り算する。これらの割算部４８，４９，
５０の割り算結果の最小値が最小値検出部５０によって
求められ、その最小値が閾値処理部５２で所定の閾値と
比較されることにより、割り算結果が閾値より小さく、
かつその値が最小となる関数に対応したメーカ名及び機
種名が判別される。この場合、判別部２１では図５に示
したようなメーカ名と機種名に関数Ｆ(T)，Ｇ(t)，Ｈ
(t)を対応付けたテーブルを持っているものとする。
計算部４４，４５，４６によりそれぞれ計算されたバン
ドパスフィルタ４１，４２，４３の出力信号の発声区間
内の平均パワーを、平均パワー計算部４７により計算さ
れた入力音声信号の全周波数帯域の発声区間内の平均パ
ワーによって割り算する。これらの割算部４８，４９，
５０の割り算結果の最小値が最小値検出部５０によって
求められ、その最小値が閾値処理部５２で所定の閾値と
比較されることにより、割り算結果が閾値より小さく、
かつその値が最小となる関数に対応したメーカ名及び機
種名が判別される。この場合、判別部２１では図５に示
したようなメーカ名と機種名に関数Ｆ(T)，Ｇ(t)，Ｈ
(t)を対応付けたテーブルを持っているものとする。
【００３４】判別部２１の判別結果であるメーカ名及び
機種名は、図２の判定結果表示部２２によって表示され
る。図６に示したいずれの関数Ｆ(T)，Ｇ(t)，Ｈ(t)で
も割り算の結果が閾値より小さくならなければ、入力音
声信号は人間による発生音声信号と判別され、その旨が
表示部２２で表示される。
機種名は、図２の判定結果表示部２２によって表示され
る。図６に示したいずれの関数Ｆ(T)，Ｇ(t)，Ｈ(t)で
も割り算の結果が閾値より小さくならなければ、入力音
声信号は人間による発生音声信号と判別され、その旨が
表示部２２で表示される。
【００３５】このような本実施形態によれば、入力音声
信号が合成音声信号であることを判別できるだけでな
く、その合成音声信号を生成した音声合成装置のメーカ
名及び機種名までを特定することができ、犯罪防止によ
り有効となる。
信号が合成音声信号であることを判別できるだけでな
く、その合成音声信号を生成した音声合成装置のメーカ
名及び機種名までを特定することができ、犯罪防止によ
り有効となる。
【００３６】以上、本発明の実施形態について説明して
きたが、本発明は上記の実施形態に限定されるものでは
ない。例えば、上記実施形態では合成音声判別情報とし
て音声信号の特定周波数帯域における信号パワーの変更
を用いたが、人間に知覚されにくい位相情報を人間の発
声音声とは異なるように操作して合成音声判別情報とす
る方法や、時間情報（ポーズ長、音韻継続時間長、発声
時刻など）を粗く量子化する方法、例えば、発声が５０
［ｍｓ］刻みの時間長に正しく収まるように（人間が正
確な時間内で発声することは不可能である）合成する方
法などを用いてもよい。また、ノッチフィルタの中心周
波数を音韻毎に変えるなどの方法も可能であり、これに
よると聴感上の劣化を目立たなくすることができる。
きたが、本発明は上記の実施形態に限定されるものでは
ない。例えば、上記実施形態では合成音声判別情報とし
て音声信号の特定周波数帯域における信号パワーの変更
を用いたが、人間に知覚されにくい位相情報を人間の発
声音声とは異なるように操作して合成音声判別情報とす
る方法や、時間情報（ポーズ長、音韻継続時間長、発声
時刻など）を粗く量子化する方法、例えば、発声が５０
［ｍｓ］刻みの時間長に正しく収まるように（人間が正
確な時間内で発声することは不可能である）合成する方
法などを用いてもよい。また、ノッチフィルタの中心周
波数を音韻毎に変えるなどの方法も可能であり、これに
よると聴感上の劣化を目立たなくすることができる。
【００３７】要するに本発明は、合成音声信号を人間の
発声に近づけることを本来の目的としている音声合成装
置において、人間が知覚しにくい範囲で合成音声信号の
一部を故意に人間の発声音声信号とは異ならせることで
合成音声信号の判別を容易にするところに主眼があり、
このような主旨を逸脱しない範囲で種々変形して実施す
ることができる。
発声に近づけることを本来の目的としている音声合成装
置において、人間が知覚しにくい範囲で合成音声信号の
一部を故意に人間の発声音声信号とは異ならせることで
合成音声信号の判別を容易にするところに主眼があり、
このような主旨を逸脱しない範囲で種々変形して実施す
ることができる。
【００３８】
【発明の効果】以上説明したように、本発明によれば入
力された音声信号が合成音声信号かどうかを判別するこ
とが可能であり、音声合成の犯罪への悪用、すなわち他
人へのなりすましによる、話者識別あるいは話者照合シ
ステムにおける詐称や、音声に基づく科学捜査のかく乱
を未然に防止することができる。
力された音声信号が合成音声信号かどうかを判別するこ
とが可能であり、音声合成の犯罪への悪用、すなわち他
人へのなりすましによる、話者識別あるいは話者照合シ
ステムにおける詐称や、音声に基づく科学捜査のかく乱
を未然に防止することができる。
【図１】音声規則合成システムの構成を示すブロック図
【図２】本発明の一実施形態に係る音声合成装置及び合
成音声判別装置の構成を示すブロック図
成音声判別装置の構成を示すブロック図
【図３】同実施形態における合成音声判別情報付加部に
用いるノッチフィルタの周波数特性を示す図
用いるノッチフィルタの周波数特性を示す図
【図４】同実施形態における合成音声判別装置内の判別
部の構成を示すブロック図
部の構成を示すブロック図
【図５】本発明の他の実施形態における合成音声判別情
報付加部に用いるノッチフィルタの音声合成装置のメー
カ名及び機種名に対応した中心周波数の時間関数につい
て説明する図
報付加部に用いるノッチフィルタの音声合成装置のメー
カ名及び機種名に対応した中心周波数の時間関数につい
て説明する図
【図６】同実施形態における合成音声判別情報付加部に
用いるノッチフィルタの種々の時間関数に対応する周波
数特性を示す図
用いるノッチフィルタの種々の時間関数に対応する周波
数特性を示す図
【図７】同実施形態における合成音声判別装置内の判別
部の構成を示すブロック図
部の構成を示すブロック図
１１…テキストファイル １２…音声合成装置 １３…文音声合成処理部 １４…テキスト解析部 １５…音声生成部 １６…音声辞書 １７…合成音声判別情報付加部 １８…合成音声信号 １９…伝送路 ２０…合成音声判別装置 ２１…判別部 ２２…判別結果表示部
Claims (8)
- 【請求項１】入力される文字列に従って音声合成を行う
ことにより生成された合成音声信号に、合成音声信号で
あることを判別するための判別情報を付加した音声信号
を出力することを特徴とする合成音声判別方法。 - 【請求項２】前記合成音声信号の周波数特性に変更を加
えることにより、前記判別情報を該合成音声信号に付加
することを特徴とする請求項１記載の合成音声判別方
法。 - 【請求項３】前記合成音声信号に加える周波数特性の変
更は、前記合成音声信号の主たる周波数帯域外の周波数
帯域における信号パワーの変更であることを特徴とする
請求項２記載の合成音声判別方法。 - 【請求項４】入力音声信号から前記判別情報の有無を検
出し、該判別情報を検出したとき該入力音声信号が前記
合成音声信号であると判別することを特徴とする合成音
声判別方法。 - 【請求項５】入力される文字列に従って音声合成を行う
ことにより合成音声信号を生成する音声合成部と、 前記合成音声信号に合成音声信号であることを判別する
ための判別情報を付加した音声信号を出力する判別情報
付加部とを有することを特徴とする音声合成装置。 - 【請求項６】入力音声信号から、請求項５に記載の音声
合成装置において前記合成音声信号に付加された前記判
別情報の有無を検出し、該判別情報を検出したとき該入
力音声信号が前記合成音声信号であると判別する判別部
と、 前記判別部の判別結果を表示する表示部とを有すること
を特徴とする合成音声判別装置。 - 【請求項７】入力される文字列に従って音声合成を行う
ことにより合成音声信号を生成する処理と、 前記合成音声信号に合成音声信号であることを判別する
ための判別情報を付加した音声信号を出力する処理とを
コンピュータに実行させるためのプログラム。 - 【請求項８】入力音声信号から合成音声信号に付加され
た判別情報の有無を検出し、該判別情報を検出したとき
該入力音声信号が該合成音声信号であると判別する処理
と、該判別の結果を表示させる処理とをコンピュータに
実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001097158A JP2002297199A (ja) | 2001-03-29 | 2001-03-29 | 合成音声判別方法と装置及び音声合成装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001097158A JP2002297199A (ja) | 2001-03-29 | 2001-03-29 | 合成音声判別方法と装置及び音声合成装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002297199A true JP2002297199A (ja) | 2002-10-11 |
Family
ID=18950972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001097158A Pending JP2002297199A (ja) | 2001-03-29 | 2001-03-29 | 合成音声判別方法と装置及び音声合成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002297199A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005119650A1 (ja) * | 2004-06-04 | 2005-12-15 | Matsushita Electric Industrial Co., Ltd. | 音声合成装置 |
| WO2006030498A1 (ja) * | 2004-09-15 | 2006-03-23 | Telemidic, Ltd. | 電子透かしシステム |
| JP2014511154A (ja) * | 2011-03-17 | 2014-05-12 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 音声変換のための方法、システム、およびコンピュータ・プログラム製品、ならびに音声変換を再構築するための方法およびシステム |
| WO2014199450A1 (ja) * | 2013-06-11 | 2014-12-18 | 株式会社東芝 | 電子透かし埋め込み装置、電子透かし埋め込み方法、及び電子透かし埋め込みプログラム |
| WO2020071213A1 (ja) * | 2018-10-05 | 2020-04-09 | 日本電信電話株式会社 | 音響モデル学習装置、音声合成装置、及びプログラム |
| JP2020086096A (ja) * | 2018-11-22 | 2020-06-04 | 国立大学法人東北大学 | 音声対話装置および音声対話システム |
| JP2020528566A (ja) * | 2018-06-25 | 2020-09-24 | グーグル エルエルシー | ホットワード認識音声合成 |
| CN112767913A (zh) * | 2019-10-21 | 2021-05-07 | 百度（美国）有限责任公司 | 支持听不见的水印的文本到语音框架 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS4895707A (ja) * | 1972-03-17 | 1973-12-07 | ||
| JPH08286692A (ja) * | 1995-04-12 | 1996-11-01 | N T T Data Tsushin Kk | 話者照合方法および装置 |
| JPH09138767A (ja) * | 1995-11-14 | 1997-05-27 | Fujitsu Ten Ltd | 感情表現の通信装置 |
| JPH10133981A (ja) * | 1996-10-31 | 1998-05-22 | Nec Eng Ltd | 仮想音声電子メールシステム |
| JPH11190996A (ja) * | 1997-08-15 | 1999-07-13 | Shingo Igarashi | 合成音声判別システム |
-
2001
- 2001-03-29 JP JP2001097158A patent/JP2002297199A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS4895707A (ja) * | 1972-03-17 | 1973-12-07 | ||
| JPH08286692A (ja) * | 1995-04-12 | 1996-11-01 | N T T Data Tsushin Kk | 話者照合方法および装置 |
| JPH09138767A (ja) * | 1995-11-14 | 1997-05-27 | Fujitsu Ten Ltd | 感情表現の通信装置 |
| JPH10133981A (ja) * | 1996-10-31 | 1998-05-22 | Nec Eng Ltd | 仮想音声電子メールシステム |
| JPH11190996A (ja) * | 1997-08-15 | 1999-07-13 | Shingo Igarashi | 合成音声判別システム |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005119650A1 (ja) * | 2004-06-04 | 2005-12-15 | Matsushita Electric Industrial Co., Ltd. | 音声合成装置 |
| US7526430B2 (en) | 2004-06-04 | 2009-04-28 | Panasonic Corporation | Speech synthesis apparatus |
| WO2006030498A1 (ja) * | 2004-09-15 | 2006-03-23 | Telemidic, Ltd. | 電子透かしシステム |
| JP2014511154A (ja) * | 2011-03-17 | 2014-05-12 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 音声変換のための方法、システム、およびコンピュータ・プログラム製品、ならびに音声変換を再構築するための方法およびシステム |
| JPWO2014199450A1 (ja) * | 2013-06-11 | 2017-02-23 | 株式会社東芝 | 電子透かし埋め込み装置、電子透かし埋め込み方法、及び電子透かし埋め込みプログラム |
| CN105283916A (zh) * | 2013-06-11 | 2016-01-27 | 株式会社东芝 | 电子水印嵌入装置、电子水印嵌入方法及电子水印嵌入程序 |
| WO2014199450A1 (ja) * | 2013-06-11 | 2014-12-18 | 株式会社東芝 | 電子透かし埋め込み装置、電子透かし埋め込み方法、及び電子透かし埋め込みプログラム |
| US9881623B2 (en) | 2013-06-11 | 2018-01-30 | Kabushiki Kaisha Toshiba | Digital watermark embedding device, digital watermark embedding method, and computer-readable recording medium |
| JP2020528566A (ja) * | 2018-06-25 | 2020-09-24 | グーグル エルエルシー | ホットワード認識音声合成 |
| WO2020071213A1 (ja) * | 2018-10-05 | 2020-04-09 | 日本電信電話株式会社 | 音響モデル学習装置、音声合成装置、及びプログラム |
| JP2020060633A (ja) * | 2018-10-05 | 2020-04-16 | 日本電信電話株式会社 | 音響モデル学習装置、音声合成装置、及びプログラム |
| JP7125608B2 (ja) | 2018-10-05 | 2022-08-25 | 日本電信電話株式会社 | 音響モデル学習装置、音声合成装置、及びプログラム |
| JP2020086096A (ja) * | 2018-11-22 | 2020-06-04 | 国立大学法人東北大学 | 音声対話装置および音声対話システム |
| JP7106120B2 (ja) | 2018-11-22 | 2022-07-26 | 国立大学法人東北大学 | 音声対話装置および音声対話システム |
| CN112767913A (zh) * | 2019-10-21 | 2021-05-07 | 百度（美国）有限责任公司 | 支持听不见的水印的文本到语音框架 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12026241B2 (en) | Detection of replay attack | |
| US10475467B2 (en) | Systems, methods and devices for intelligent speech recognition and processing | |
| Gabbay et al. | Visual speech enhancement | |
| Kamble et al. | Advances in anti-spoofing: from the perspective of ASVspoof challenges | |
| US8140326B2 (en) | Systems and methods for reducing speech intelligibility while preserving environmental sounds | |
| US7676372B1 (en) | Prosthetic hearing device that transforms a detected speech into a speech of a speech form assistive in understanding the semantic meaning in the detected speech | |
| US8589167B2 (en) | Speaker liveness detection | |
| JPH02242298A (ja) | 声門波形に基づく話者識別装置 | |
| Maruri et al. | V-Speech: noise-robust speech capturing glasses using vibration sensors | |
| JP2008233672A (ja) | マスキングサウンド生成装置、マスキングサウンド生成方法、プログラムおよび記録媒体 | |
| Gallardo | Human and automatic speaker recognition over telecommunication channels | |
| JP2008085421A (ja) | テレビ電話機、通話方法、プログラム、声質変換・画像編集サービス提供システム、および、サーバ | |
| JP2023536270A (ja) | 拡張現実におけるバイノーラル再生のためのヘッドホン等化および室内適応のためのシステムおよび方法 | |
| JP2012163692A (ja) | 音声信号処理システム、音声信号処理方法および音声信号処理方法プログラム | |
| JP2002297199A (ja) | 合成音声判別方法と装置及び音声合成装置 | |
| JP3838159B2 (ja) | 音声認識対話装置およびプログラム | |
| KR20220104693A (ko) | 라이브 스피치 검출 | |
| JP2007025042A (ja) | 音声合成装置および音声合成プログラム | |
| Gao | Audio deepfake detection based on differences in human and machine generated speech | |
| JP2003157100A (ja) | 音声通信方法及び装置、並びに音声通信プログラム | |
| JP2000206986A (ja) | 言語情報検出装置 | |
| JP7515128B2 (ja) | 耳装着型デバイス、及び、再生方法 | |
| CN108632692B (zh) | 一种麦克风设备的智能控制方法及麦克风设备 | |
| Cohen | Forensic Applications of Automatic Speaker Verification | |
| JP2017068153A (ja) | 半導体装置、システム、電子機器、及び、音声認識方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040810 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040914 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20050517 |