JP2010091829A

JP2010091829A - 音声合成装置、音声合成方法および音声合成プログラム

Info

Publication number: JP2010091829A
Application number: JP2008262330A
Authority: JP
Inventors: Fumihiko Aoyama; 文彦青山
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2008-10-09
Filing date: 2008-10-09
Publication date: 2010-04-22
Anticipated expiration: 2028-10-09
Also published as: JP5765874B2

Abstract

【課題】テキスト情報の音声合成出力を短時間で行うことができ、かつ比較的安価に構成することができる「音声合成装置、音声合成方法および音声合成プログラム」を提供する。
【解決手段】本発明の音声合成方法は、テキスト情報を受信するステップ（Ｓ１０１）と、音素データを記憶するハードディスク装置およびそのキャッシュメモリを参照してテキスト情報に対応する音素データを読み出し、読み出した音素データに基づき音声データを作成するステップ（Ｓ１０６）と、音声再生の指示の有無を判定するステップ（Ｓ１０８）と、音声再生の指示があると判定したとき、作成された音声データを音声出力手段に音声出力させ、音声再生の指示がないと判定したとき、音声データを削除し（Ｓ１１０）、空の音声データを音声出力手段に出力させるステップ（Ｓ１０９）とを有する。
【選択図】図７

Description

本発明は、テキスト情報の音声合成を行う音声合成装置に関し、特に、車載用ナビゲーション装置において利用される音声合成装置に関する。

車載用電子システムでは、ラジオ放送、テレビ放送、その他の媒体から取得したコンテンツ情報の音声出力を行う機能に加えて、ラジオ放送等の外部から取得したテキスト情報の音声合成を行いこれを音声出力する機能を有するものがある。特に、ナビゲーション装置では、リアルタイムの道路交通情報を音声出力すれば、運転者の脇見運転の回避や利便性の向上を図ることができる。現在、ヨーロッパ等では、ＦＭラジオ放送の副搬送波を利用して道路交通情報をテキスト情報として提供するトラフィックメッセージチャンネル（Traffic Message Channel：以下、ＴＭＣと称す）等のサービスが実用化されている。車載用電子システムにおいて、ＴＭＣが利用され、受信した道路交通情報を音声合成出力している。

音声合成に関する報告は、数多く成されている。例えば、特許文献１は、素片接続型音声合成装置に関し、少なくとも音声素片の波形データを記憶する記憶手段へのアクセス速度コストを含むサブコストを有し、そのサブコストを含んで算出されたコストが所定の条件を充足する候補を選択する技術を開示する。特許文献２は、音声合成装置に関し、音声素片を接続して合成音声を生成したときに生じる歪みを算出し、その歪みに基づいて合成単位ごとに音声素片を選択する技術を開示している。

特開２００５−２６６０１０号公報特開２００７−３１０１７６号公報

図１は、従来の音声合成装置の構成を示す図である。音声合成装置は、ＦＭ放送に含まれるＴＭＣを受信するＴＭＣ受信部２０と、音声合成モジュール３０と、音素データを記憶するハードディスク装置４０と、音声出力部５０とを含んでいる。ＴＭＣ受信部２０は、ＦＭ放送に含まれるテキスト情報を抽出するテキスト情報抽出部２２と、最新のテキスト情報を格納する最新テキスト情報記憶部２４と、再生ボタン２８の指示に応答してテキスト情報を音声合成モジュール３０に送信するテキスト情報送信部２６とを含む。音声合成モジュール３０は、受信したテキスト情報の構文解析を行う構文解析部と、構文解析された単語または句などに対応する音素データをハードディスク装置４０から読み出す音素選択部３４と、読み出された音素を結合する音素結合部３６とを有している。音声出力部５０は、音素データが結合された音声データをアナログ信号に変換し、これをスピーカから出力する。

図１に示す音声合成装置において、音素データを読み出すために記憶装置４０をアクセスしたり、読み出した音素データを結合するには時間がかかる。このため、ユーザからの再生指示が成されても、音声合成処理に時間がかかり、音声出力に遅延が生じてしまう。特に、テキスト情報が大きくなればなるほど、その遅延が大きくなってしまう。

こうした遅延時間を解消するための方法として、ハードディスク装置４０に格納されているすべての音素データを、音声合成モジュール内のメインメモリ等の作業領域に格納することが考えられるが、この方法を用いると、ハードディスク装置４０からメインメモリへ音素データをロードするのに時間がかかり、しかもメインメモリの容量を大きくしなければならないためコストが増加してしまう。また、別な方法として、音声合成モジュールに処理能力の高い中央処理装置（ＣＰＵ）を用い、処理速度の向上を図ることも考えられるが、この方法でも、高価なＣＰＵを使用するためコストが高くなってしまう。

本発明は、このような従来の課題を解決するものであり、テキスト情報の音声合成出力を短時間で行うことができ、かつ比較的安価に構成することができる音声合成装置、音声合成方法および音声合成プログラムを提供することを目的とする。

本発明に係る音声合成装置は、外部からテキスト情報を取得する取得手段と、
音声合成に必要な音素データを記憶する第１の記憶手段と、前記第１の記憶手段において読み出された音素データと同一の音素データを記憶可能でありかつ前記第１の記憶手段よりもアクセス時間が速い第２の記憶手段と、前記第１および第２の記憶手段を参照し、前記テキスト情報に対応する音素データを第１および第２の記憶手段の少なくとも一方から読み出し、読み出された音素データに基づき音声データを作成する作成手段と、音声を出力する音声出力手段と、テキスト情報の音声再生の指示を入力する入力手段と、前記入力手段からの音声再生の指示の有無を判定し、音声再生の指示があるとき前記作成手段により作成された音声データを前記音声出力手段に出力させ、音声再生の指示がないとき、前記作成手段により作成された音声データを削除し、空の音声データを前記音声出力手段に出力させる制御手段とを有する。

好ましくは前記制御手段は、前記取得手段によるテキスト情報の取得に応答して前記作成手段に取得したテキスト情報に対応する音声データの作成を命令する。好ましくは前記制御手段は、前記作成手段による音声データの作成から一定時間経過したとき、前記取得手段にテキスト情報を前記作成手段へ送信させ、かつ前記作成手段に送信されたテキスト情報に対応する音声データの作成を命令する。好ましくは前記制御手段は、前記入力手段からの音声再生の指示に応答して前記取得手段にテキスト情報を前記作成手段へ送信させ、かつ前記作成手段に送信された音声データの作成を命令する。

好ましくは前記第１の記憶手段は、大容量記憶装置であり、第２の記憶手段は、第１の記憶手段のキャッシュメモリであり、前記作成手段は、前記テキスト情報に対応する音素データをキャッシュメモリから読み出し、キャッシュメモリでヒットしなかった音素データを大容量記憶装置から読み出す。好ましくは前記取得手段は、放送波を受信し、放送波に含まれるテキスト情報を抽出する。

本発明に係る音声合成方法またはプログラムは、テキスト情報を取得するステップと、音声合成に必要な音素データを記憶するメモリおよびメモリから読み出された音素データと同一の音素データを記憶可能なキャッシュメモリを参照し、取得したテキスト情報に対応する音素データをメモリおよびキャッシュメモリの少なくとも一方から読み出すステップと、読み出された音素データに基づき音声データを作成するステップと、音声再生の指示の有無を判定するステップと、音声再生の指示があると判定したとき、前記作成された音声データを音声出力手段に音声出力させ、音声再生の指示がないと判定したとき、前記作成された音声データを削除し空の音声データを音声出力手段に音声出力させるステップとを有する。

本発明によれば、第１の記憶装置において読み出された音素データと同一の音素データを記憶可能でありアクセス時間が速い第２の記憶装置を参照して音声データを作成するようにしたので、音声再生指示から音声出力までの時間を短縮することができる。また、音声再生指示がないときには、音声データは事実上音声出力されないので、ユーザに不快を与えることなく、一定の頻度で音声データを作成することで、不定期に生じる音声再生指示に対処することができる。

本発明の最良の実施の形態について図面を参照して詳細に説明する。

図２は、本発明の実施例に係る音声合成装置の構成を示すブロック図である。
本実施例に係る音声合成装置１００は、ユーザからの指示を入力する入力部１１０と、外部からテキスト情報を受信する受信部１２０と、テキスト情報を音声合成出力するための音声データを作成する音声合成モジュール１３０と、音声合成出力するための音声データ等を記憶するメモリ１４０と、音声データに基づき音声を出力する音声出力部１５０と、外部装置と接続するためのインターフェースを形成する外部Ｉ／Ｆ１６０と、これらを接続する内部バス１７０とを含んで構成される。

入力部１１０は、リモコン、マウス等の入力装置を有する。ユーザは、入力部１１０を介してテキスト情報の音声再生を指示することができる。受信部１２０は、ラジオ放送、テレビ放送、その他の媒体からテキスト情報を受信する。例えば、ＴＭＣのようにＦＭ放送の副搬送波に重畳された道路交通情報を受信する。受信部１２０は、ＴＭＣのような道路交通情報を受信する場合、常時、ＦＭ放送を受信し、最新の道路交通情報を抽出する。

音声合成モジュール１３０は、受信部１２０で受信されたテキスト情報に対応する音声データを作成し、作成した音声データをメモリ１４０に格納する。音声出力部１５０は、音声合成モジュール１３０から音声再生の指示があったとき、メモリ１４０に格納された音声データをアナログ信号に変換し、これをスピーカから出力する。

図３に受信部１２０の構成を示す。受信部１２０は、テキスト情報抽出部１２１、テキスト情報転送部１２２、テキスト情報格納部１２３を含んでいる。テキスト情報抽出部１２１は、上記したようにＦＭ放送からテキスト情報を抽出する。テキスト情報転送部１２２は、好ましくは受信部１２０がテキスト情報を受信したとき（条件１）、ユーザからの音声再生指示があったとき（条件２）、あるいは音声データを作成してから一定時間が経過したとき（条件３）に、テキスト情報を音声合成モジュール１３０に転送する。条件２または３に該当するか否かは判定は音声合成モジュール１３０によって行われ、音声合成モジュール１３０から受信部１２０に対して送信の要求が成される。テキスト情報格納部１２３は、受信された最新のテキスト情報と１つ前のテキスト情報を格納し、それよりも古いテキスト情報は削除する。

図４に、音声合成モジュールの内部構成を示す。音声合成モジュール１３０は、音声データを作成する音声データ作成装置２００と、音素データを格納する音素データ記憶装置２１０と、音声データ作成装置２００、受信部１２０および音声出力部１５０等を制御する音声合成制御装置２２０とを有する。

音声作成データ装置２００は、音声合成制御装置２２０からの命令に応答して、テキスト情報に対応する必要な音素データを音素データ記憶装置２１０から読み出し、読み出した音素データを結合して音声データを作成する。音素データ記憶装置２１０は、音素データを格納する大容量のハードディスク装置２１２とキャッシュメモリ２１４とを含んでいる。音声データ作成装置２００は、音素データを検索するとき、キャッシュメモリ２１４をアクセスし、キャッシュメモリ２１４にヒットする音素データがあれば、当該音素データを読み出し、キャッシュメモリ２１４にヒットする音素データがなければ、ハードディスク装置２１２から音素データを検索し、当該音素データを読み出す。

キャッシュメモリ２１４は、ハードディスク装置２１２において読み出された音素データと同一の音素データを記憶することで、音素データの検索に要する時間を短縮させる。但し、キャッシュメモリ２１４の記憶容量には制限があるため、古い音素データから順に上書きしたり、あるいはＬＲＵ（Least Recently Used）のようなアルゴリズムに従い最も古くアクセスされた音素データを書き換えるようにしてもよい。キャッシュメモリ２１４は、ハードディスク装置２１２よりもアクセス時間が速いメモリ、例えばＳＲＡＭから構成される。

図５に、音声データ作成装置２００の構成を示す。音声データ作成装置２００は、受信部１２０からテキスト列を取得するテキスト列取得部２０１、取得したテキスト列の構文解析を行う構文解析部２０２、構文解析された結果に基づき音素データ記憶装置２１０をアクセスし、そこから音素データを選択する音素選択部２０３、選択された音素データを結合して音声データを作成する音素結合部２０４と、作成された音素データをメモリ１４０の指定された領域に送信する音声データ送信部２０５を有する。

構文解析部２０２は、一連のテキスト列を主語、述語、助詞などに単語または句等に解析する。音素選択部２０３は、解析された単語や句などに含まれる音素に対応する音素データを音素データ記憶装置２１０から読み出し、音素結合部２０４がこれらの音素データを結合する。音声データは、音素データの結合であり、作成された音声データは、音声合成制御装置２２０からの命令に応答して音声データ送信部２０５によりメモリ１４０に書き込まれる。

図６に、音声合成制御装置の機能ブロック図を示す。音声合成制御装置２２０は、テキスト情報の転送を要求するテキスト情報転送要求部２２１と、入力部１１０から音声再生の指示があったか否かを判定する音声指示判定部２２２と、音声データ作成装置２００に対し音声データの作成を要求する音声データ作成要求部２２３と、音声作成データ装置２００に対して音声データの送信を要求する音声データ送信要求部２２４と、擬似音声再生するときにメモリ１４０に格納された音声データを消去する音声データ消去部２２５と、音声出力部１５０に音声データの音声出力を要求する音声出力要求部２２６とを含んでいる。音声合成制御装置２２０は、例えばマイクロコントローラ、マイクロコンピュータまたはマイクロプロセッサを含み、これらがプログラムを実行して上記機能を遂行するようにしてもよい。

次に、本実施例に係る音声合成装置の動作について図７に示すフローチャートを参照して説明する。上記したように受信部１２０は、最新のテキスト情報を受信すると、当該テキスト情報を音声合成モジュール１３０へ送信する。音声合成制御装置２２０は、テキスト情報を受信すると（ステップＳ１０１）、音声データ作成装置に音声データの作成を命令する（ステップＳ１０２）。これ以外にも、音声合成制御装置２２０は、再生指示判定部２２２によりユーザからの音声再生の指示があったと判定したとき（条件２）、あるいは音声データ作成要求部２２３が作成命令を送信してから一定時間が経過したとき（条件３）、テキスト情報転送要求部２２１が受信部１２０に対してテキスト情報の送信を要求する。この送信要求に応答して受信部１２０がテキスト情報を送信し、テキスト情報が音声合成モジュール１３０で受信されると（ステップＳ１０１）、音声データの作成命令がなされる（ステップＳ１０２）。

次に、音声データ作成装置２００のテキスト列取得部２０１がテキスト情報を取得すると（ステップＳ１０３）、構文解析部２０２がテキスト情報の構文解析を行う（ステップＳ１０４）。次に、音素選択部２０３は、記憶装置２１０をアクセスし、構文解析された単語または句に対応する音素データを記憶装置２１０から読み出す。そして、音素結合部２０４は、読み出された音素データを結合し（ステップＳ１０５）、音声データを作成する（ステップＳ１０６）。音素データを読み出すとき、ハードディスク装置２１２から読み出された音素データと同一の音素データはキャッシュメモリ２１４に記憶される。

次に、音声合成制御装置２２０の音声データ送信要求部２２４は、音声データ作成装置２００に対して音声データの送信を要求する。この要求には、音声データを格納すべきメモリ１４０のアドレス情報が含まれている。音声データ送信部２０５は、音声データの送信要求に応答して、作成した音声データをメモリ１４０へ書き込む（ステップＳ１０７）。

次に、音声合成制御装置２２０の音声指示判定部２２２は、ユーザから音声再生の指示があったか否かを判定し（ステップＳ１０８）、再生の指示があった場合には、音声出力要求部２２６は、音声出力部１５０へ音声出力を要求するとともに、メモリ１４０に格納された音声データを音声出力部１５０へ送信する（ステップＳ１０９）。音声出力部１５０は、送信された音声データをアナログ信号に変換し、スピーカから音声出力をする。

他方、ユーザから音声再生の指示がない場合には、音声データ消去部２２５は、メモリ１４０に格納された音声データを削除し（ステップＳ１１０）、音声出力要求部２２６は、上記と同様に音声出力部１５０に音声出力要求を行う。この場合、メモリ１４０から音声データが削除されるため、音声出力部１５０は、空のデータの音声出力を行うため、事実上、音声出力はされない、いわゆる擬似再生となる。音声合成制御装置２２０は、音声再生処理が終了したか否かを判定し、終了していなければ、ステップＳ１０５からの処理を継続する（ステップＳ１１１）。このような擬似再生処理を含ませることで、ユーザからの音声再生の指示がなくとも、テキスト情報に対応する音声データの作成が行われるため、キャッシュメモリ２１４にはヒット率の高い音素データを格納しておくことができる。そして、ユーザから音声再生の指示があれば、音声データ作成装置２００は音声データを作成するが、仮に、再生するテキスト情報が擬似再生したテキスト情報と同じであれば、キャッシュメモリを参照することで、音素データの読み出し時間を大幅に短縮することができる。

図８は、本実施例による音声合成装置と従来の音声合成装置との処理時間の比較例である。入力テキストとして「ＴＥＳＴ」、「ＦＡＳＴ」のそれぞれの音声出力を行ったとき、従来の音声合成装置による音声出力までの時間を、９１．２０％、８５．７０％だけ短縮することができた。

図９は、本実施例に係る音声合成装置をナビゲーション装置に適用したときの構成図である。車載用ナビゲーション装置３００は、ラジオ放送やテレビ放送を受信するチューナ３１０を含んでおり、ラジオ放送やテレビ放送に重畳されたテキスト情報（道路交通情報）を抽出することで、当該テキスト情報を音声合成装置１００において音声出力することができる。さらに、ナビゲーション装置３００が無線通信手段３２０を含む場合には、当該無線通信手段により受信したテキスト情報を音声合成装置１００において出力することができる。

なお上記実施例では、音素データ記憶装置２１０が音声合成モジュール１３０に含まれる例を示したが、これに限らず、例えば図１０に示すように記憶装置２１０Ａは内部バス１７０に接続されてもよい。この場合、音声合成モジュールは、内部バス１７０を介して音素データの読み出しを行う。また、記憶装置２１０Ａに含まれるハードディスク装置は、音素データのみならず他のデータを記憶するようにしてもよい。例えば図９に示したようにナビゲーション装置と結合される場合には、ハードディスク装置は地図データ等を格納するものであってもよい。さらに、内部バス１７０を介してのメモリ１４０へのアクセス時間が記憶装置２１０Ａ（ハードディスク装置）よりも速いならば、メモリ１４０をキャッシュメモリとして利用することも可能である。

さらに上記実施例では、音声合成制御装置２２０が、音声データを削除するようにしたが、これに限らず、音声データ作成装置２００は、音声合成制御装置２２０によって音声再生の指示がないと判定されたとき、音声データを削除するようにしてもよい。この場合、音声データ作成装置２００の音声データ送信部２０５は、空の音声データを音声合成制御装置２２０へ送信する。

さらに上記実施例では、音声出力を行うときに、メモリ１４０の領域を利用してそこに格納された音声データを音声出力部１５０に送信するようにしたが、音声データが格納されるアドレスが一定であれば、必ずしも音声データを送信する必要はない。この場合には、音声出力部１５０はメモリ１４０の決められたアドレスから音声データ読み出し、これを再生することができる。

さらに上記実施例では、メモリ１４０に音声データを格納する例を示したが、音声データは必ずしもメモリ１４０に格納される必要はない。例えば、音声出力部１５０が、音声出力用のリングバッファを含み、リングバッファに音声データを格納するようにしてもよい。擬似再生を行う場合には、リングバッファに格納される音声データを空にする。なお、リングバッファを用いる場合には、古い音声データから順次上書きされるように音声データを記憶する一方で、音声出力部１５０は、古い音声データから順に音声再生する。

さらに上記実施例では、テキスト情報として不定期に受信される道路交通情報を例示したが、テキスト情報は、道路交通情報に限らず他の情報であってもよい。例えば、テキスト情報は、電子メールやその他のテキスト文書であってもよい。

以上、本発明の好ましい実施の形態について詳述したが、本発明は、特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

従来の音声合成装置の構成を示すブロック図である。本発明の実施例に係る音声合成装置の構成を示すブロック図である。図２に示す受信部の内部構成を示すブロック図である。図２に示す音声合成モジュールの構成を示すブロック図である。図４に示す音声データ作成装置の構成を示すブロック図である。図４に示す音声合成制御装置の機能ブロック図である。本実施例に係る音声合成装置の動作フローチャートである。本実施例に係る音声合成装置による音声再生に要する時間を従来装置と対比した例を示す図である。本実施例の音声合成装置をナビゲーション装置に適用した図である。本実施例の他の音声合成装置の例を示す図である。

符号の説明

１００：音声合成装置１１０：入力部
１２０：受信部１３０：音声合成モジュール
１４０：メモリ１５０：音声出力部
１６０：外部ＩＦ１７０：内部バス

Claims

外部からテキスト情報を取得する取得手段と、
音声合成に必要な音素データを記憶する第１の記憶手段と、
前記第１の記憶手段において読み出された音素データと同一の音素データを記憶可能でありかつ前記第１の記憶手段よりもアクセス時間が速い第２の記憶手段と、
前記第１および第２の記憶手段を参照し、前記テキスト情報に対応する音素データを第１および第２の記憶手段の少なくとも一方から読み出し、読み出された音素データに基づき音声データを作成する作成手段と、
音声を出力する音声出力手段と、
テキスト情報の音声再生の指示を入力する入力手段と、
前記入力手段からの音声再生の指示の有無を判定し、音声再生の指示があるとき前記作成手段により作成された音声データを前記音声出力手段に出力させ、
音声再生の指示がないとき、前記作成手段により作成された音声データを削除し、空の音声データを前記音声出力手段に出力させる制御手段と、
を有する音声合成装置。
前記制御手段は、前記取得手段によるテキスト情報の取得に応答して前記作成手段に取得したテキスト情報に対応する音声データの作成を命令する、請求項１に記載の音声合成装置。
前記制御手段は、前記作成手段による音声データの作成から一定時間経過したとき、前記取得手段にテキスト情報を前記作成手段へ送信させ、かつ前記作成手段に送信されたテキスト情報に対応する音声データの作成を命令する、請求項１に記載の音声合成装置。
前記制御手段は、前記入力手段からの音声再生の指示に応答して前記取得手段にテキスト情報を前記作成手段へ送信させ、かつ前記作成手段に送信された音声データの作成を命令する、請求項１に記載の音声合成装置。
前記第１の記憶手段は、大容量記憶装置であり、第２の記憶手段は、第１の記憶手段のキャッシュメモリであり、前記作成手段は、前記テキスト情報に対応する音素データをキャッシュメモリから読み出し、キャッシュメモリでヒットしなかった音素データを大容量記憶装置から読み出す、請求項１に記載の音声合成装置。
前記取得手段は、放送波を受信し、放送波に含まれるテキスト情報を抽出する、請求項１に記載の音声合成装置。
音声合成装置は車両に搭載され、前記テキスト情報は、道路交通情報である、請求項６に記載の音声合成装置。
音声データに基づき音声を合成する音声合成方法であって、
テキスト情報を取得するステップと、
音声合成に必要な音素データを記憶するメモリおよびメモリから読み出された音素データと同一の音素データを記憶可能なキャッシュメモリを参照し、取得したテキスト情報に対応する音素データをメモリおよびキャッシュメモリの少なくとも一方から読み出すステップと、
読み出された音素データに基づき音声データを作成するステップと、
音声再生の指示の有無を判定するステップと、
音声再生の指示があると判定したとき、前記作成された音声データを音声出力手段に音声出力させ、音声再生の指示がないと判定したとき、前記作成された音声データを削除し空の音声データを音声出力手段に音声出力させるステップと、
を有する音声合成方法。
音声データに基づき音声を合成する音声合成プログラムであって、
テキスト情報を取得するステップと、
音声合成に必要な音素データを記憶するメモリおよびメモリから読み出された音素データと同一の音素データを記憶可能なキャッシュメモリを参照し、取得したテキスト情報に対応する音素データをメモリおよびキャッシュメモリの少なくとも一方から読み出すステップと、
読み出された音素データに基づき音声データを作成するステップと、
音声再生の指示の有無を判定するステップと、
音声再生の指示があると判定したとき、前記作成された音声データを音声出力手段に音声出力させ、音声再生の指示がないと判定したとき、前記作成された音声データを削除し空の音声データを音声出力手段に音声出力させるステップと、
を有する音声合成プログラム。