JP3575919B2 - テキスト音声変換装置 - Google Patents
テキスト音声変換装置 Download PDFInfo
- Publication number
- JP3575919B2 JP3575919B2 JP16288696A JP16288696A JP3575919B2 JP 3575919 B2 JP3575919 B2 JP 3575919B2 JP 16288696 A JP16288696 A JP 16288696A JP 16288696 A JP16288696 A JP 16288696A JP 3575919 B2 JP3575919 B2 JP 3575919B2
- Authority
- JP
- Japan
- Prior art keywords
- speech
- style
- text
- unit
- utterance
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Document Processing Apparatus (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、入力された文字列情報を基に音声を合成して出力するテキスト音声変換装置に関する。
【０００２】
【従来の技術】
テキストデータ等の文字情報を入力とし、それを音声に変換して出力するテキスト音声変換装置は、出力語彙の制限がないことから、録音再生型の音声合成技術にとって代わる音声合成技術として種々の利用分野での応用が期待できる。
【０００３】
例えば、ワードプロセッサ等で作成されたテキストデータを音声に変換して出力させ文章の校正に利用することもできる。また、テキストを編集するだけで、簡単に応答メッセージを作成、変更をすることができる特徴を生かして、電話等の通信サービスなどでも利用することができる。
【０００４】
図２は、日本語（漢字かな混じり文）を入力とした従来のテキスト音声変換装置（日本語テキスト音声変換）の構成を示している。以下、この図２を参照しながら、従来装置の概要を説明する。
【０００５】
図２において、テキスト解析部１０１では発音辞書１０２を利用して、文字情報入力部１００より入力された漢字かな混じり文から、音韻韻律記号列を生成する。ここで、音韻韻律記号列とは、入力文の読み、アクセント、イントネーション等を文字列として記述したもので、中間言語と呼ばれる。各単語の読みとアクセントは、発音辞書１０２に登録されており、テキスト解析部１０１はこの発音辞書１０２を参照しながら、音韻韻律記号列を生成する。
【０００６】
合成パラメータ生成部１０３では、音韻韻律記号列に基づき、音声素片（音の種類）を取り出し、予め定められた規則より、音韻継続時間（音の長さ）、基本周波数（音の高さ）パターンといった音声合成用のパラメータ（以下、合成パラメータと呼ぶ）を生成する。
【０００７】
このうち音声素片は、単語等を発声したときの発声データから分析生成されるもので、合成のための音声の基本単位であり、これらを重ね合わせて行くことによって、合成波形が生成される。なお、以下ではＣＶ（子音−母音）、ＶＣＶ（母音−子音−母音）等の音声の基本要素の組み合わせ自体を音声単位と呼び、その音声単位の波形を実現する要素を音声素片と呼ぶ。各音声単位は、例えば複数の音声素片でなる組に対応する。音声素片データはＲＯＭ等でなる音声素片データ記憶部１０４に格納されており、合成パラメータ生成部１０３は、音韻韻律記号列から音声単位を認識して対応する音声素片データを取り出す。
【０００８】
音声合成部１０５は、合成パラメータ生成部１０３が生成した合成パラメータに基づいて、合成波形（音声信号）を生成する。このような合成音声信号が、スピーカ−を通して音声出力されたり、通信回線を介して他の装置に伝送されたりする。
【０００９】
第２の従来例として、上述した従来例（第１の従来例と呼ぶ）では、予め定められた規則によって基本周波数パタン、音の高さ、ポーズの長さ、音韻継続時間等の合成パラメータを決定していたものを、自然性を高めるために、実音声の韻律的特徴を分析した結果を統計的に処理して抽出した韻律的特徴パラメータを用いて、合成音声パラメータを与える方法がある。
【００１０】
【発明が解決しようとする課題】
第１の従来例においては、合成パラメータは、入力されたテキストが変換された音韻記号列に応じて、予め定められた規則に従って決定されるものであり、自然音声に比べると単調である。
【００１１】
また、第２の従来例においても、自然音声を分析して、基本周波数パターン、音の高さ、ポーズの長さ、パワー、音韻継続時間等の韻律的特徴パラメータを抽出して用いてはいるが、一つの発話スタイルの韻律的特徴パラメータの組を用いるだけでは、論文、小説、会話等の多様な発話スタイルを自由に表現できないという課題があった。
【００１２】
そこで、複数の発話スタイルの韻律的特徴パラメータを用意し、合成パラメータ生成の際に切り替えて用いるものも既に提案されているが、相互の発話スタイルの関係は明らかではなかったので、発話スタイルの違いを強調したり、弱めたりとユーザが調節することはできなかった。
【００１３】
そのため、予め定められた基準を用いて、合成音声の韻律的特徴を生成する手段を持つテキスト音声変換装置において、発話スタイルの違いによって現れる韻律的な特徴量の違いを強調あるいは弱め、多様な発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置が求められている。
【００１８】
【課題を解決するための手段】
上記課題を解決するため、第２の本発明のテキスト音声変換装置では、入力された文字情報を音声信号に変換するテキスト音声変換装置において、少なくとも通常スタイル、朗読調を含む複数の発話スタイルにおける特徴を保持する韻律パラメータテーブルと、発話スタイルを選択する発話スタイル指定部と、発話スタイルの強調度を指定する強調度指定部と、発話スタイル指定部によって選択された発話スタイルと基準発話スタイルのそれぞれの韻律パラメータの差分を計算する差分計算部と、強調度指定部によって指定された強調度及び差分に応じて韻律パラメータを補正する韻律パラメータ調整手段とを備える。
【００１９】
ここで、韻律パラメータ調整手段によって補正される韻律パラメータは少なくとも音韻継続時間もしくはピッチパターンにすることが望ましい。
【００２０】
このように本発明のテキスト音声変換装置では、韻律パラメータをユーザの好みに応じて変更度合いを調整しながら変更することができ、よりユーザの好みに合った合成音声を得ることができる。
【００２１】
【発明の実施の形態】
以下、本発明によるテキスト音声変換装置を、日本語文を対象とした装置に適用した第１の実施形態を図面を参照しながら詳述する。ここで、図１が、この第１の実施形態のテキスト音声変換装置の全体構成を示すブロック図である。
【００２２】
図１において、第１の実施形態のテキスト音声変換装置は、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５、発話スタイル変更手段としての合成パラメータ変更手段１６及び発話スタイル指定部１７を備えている。
【００２３】
ここで、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５は、従来のテキスト音声変換装置と同一の動作を行なうものであり、詳細な説明は省略する。
【００２４】
この実施形態では、朗読調から会話調へ変化させる場合を例にして説明する。なお、発話スタイルとしては、通常スタイル、朗読調スタイル、会話調スタイル、アナウンサー調スタイル等が他にもあげられる。
【００２５】
合成パラメータ生成部１３は音韻記号列に基づいて対応する音声素片データを音声素片データ記憶部１４から取り出し、音韻の継続時間や、ポーズ長、パワーや基本周波数パターンといった音声合成用韻律パラメータを生成する。
【００２６】
そして、発話スタイル指定部１７には、朗読スタイルから会話スタイル度までの複数の発話スタイルから使用したい１つの発話スタイルを指定できるスイッチが設けられている。
【００２７】
図４に示すのは発話スタイル指定部１７をソフトウェア的に形成した例であり、スクロールバーの左端が最も朗読調の発話スタイルを示すスタイル１を示し、右に行くに従って会話調の度合い（会話調度と定義する）が高くなり、右端が最も会話調に近い発話スタイルを示すスタイル１０を示している。１０段階のスクロールバーのバーをスライドさせ、目的の発話スタイルを選択できる。この図４ではバーはスタイル６のところを示している。
【００２８】
合成パラメータ変更手段１６では発話スタイル指定部１７でのユーザの指定に従って、音声合成用韻律パラメータを変形する。この第１の実施形態の場合、変更される合成パラメータは１モーラ当りの平均の長さである。合成パラメータ変更手段１６では他にも、音韻継続時間、基本周波数パターン、音の高さ、パワーといった韻律的特徴を変形することが可能である。
【００２９】
次に、第１の実施形態のテキスト音声変換装置の詳細動作を図３のフローチャートを用いて説明する。
【００３０】
まず、文字情報（漢字かな混じり文等のテキストデータ）を取り込み（ステップ２０１）、その文字情報を解析して、１フレーズ毎に、音韻韻律記号列に変換する（ステップ２０２）。
【００３１】
次に、音韻韻律記号列に従って音声素片データ記憶部１４より順次使用する音声素片データを取り出す（ステップ２０３）。そして、フレーズ毎に、音韻韻律記号列に基づいて韻律パラメータ（音韻継続時間、基本周波数パターン、パワー等を規定するパラメータ）を生成する（ステップ２０４）。次に、合成パラメータ変更手段１６では、ステップ２０４で生成された合成パラメータを発話スタイル指定部１７の指定に従って変更する（ステップ２０５）。
【００３２】
合成パラメータの変更方法を説明する。朗読音声と会話音声を比較した際、両者の間には様々な韻律的特徴が存在する。まず、朗読音声と会話音声では、会話音声の方が、韻律パラメータの変動が大きい。例えば、ピッチ、パワー、１モーラ当りの平均的な継続時間や、ポーズ長が会話音声の方が朗読音声よりも大きく変動する。
【００３３】
一例として、朗読音声と、会話もしくは対話音声の、韻律句（フレーズ）内モーラ数毎のモーラ長を比較した場合、朗読調はモーラ長がほぼ一定であるのに対し、会話調では１フレーズ内のモーラ数が少なくなるほど１モーラ当りの平均継続時間が長くなる傾向がある。
【００３４】
このことに対しては、日本音響学会講演論文集１９９５． ３ １−４−６に記載された渡辺等の「朗読及び対話音声における時間構造の検討」と題する論文に記載されている。
【００３５】
ここで、モーラとは、ほぼ仮名１文字に相当するなど時間的なリズムの単位である。
【００３６】
第１の実施形態では、この特徴を基に、会話調度が高いほど、フレーズ内のモーラ数毎の平均モーラ長が長くなるように合成パラメータを変更する。例えば、１０モーラのフレーズ長を基準にモーラ長継続時間を±１．５倍差をつけたいときには、ｔを朗読調の１モーラ当りの平均継続時間、ｎを１フレーズのモーラ数として、求める継続時間ｔ’は、
ｔ’＝−（ｔ／２０）×ｎ＋１． ５ｔ
として、各々のモーラの継続時間長を変換する。また、より会話らしく変化をつけたいときには、１、２割伸縮させるなどし、その度合いをユーザが任意に指定できる。
【００３７】
以上のようにして、韻律パラメータと音声素片データからなる合成パラメータが決定されると、音声信号を合成して（ステップ２０６）出力する（ステップ２０７）。出力方法は、スピーカーからでも通信回線を通じた他の装置への伝送でも良い。
【００３８】
以上のようにして、第１の実施態様のテキスト音声変換装置では、予め定められた基準を用いて、合成音声の韻律的特徴を生成する手段を持つテキスト音声変換装置において、通常の読み上げ調（ないしは朗読調）と会話調などの他の発話スタイルとの違いによって現れる韻律的特徴量を、強調ないしは弱め、通常発話スタイルから、ある選択された度合いの発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置を実現できる。
【００３９】
次に、本発明によるテキスト音声変換装置を、日本語文を対象とした装置に適用した第２の実施形態を説明する。
【００４０】
第２の実施形態においては、入力された文字情報を、複数の発話スタイルで発声された自然音声を、音韻の種類別継続時間、ポーズ長、パワー変動量、ピッチパターン変動量（音の高低の差等）などの、韻律パラメータ毎に分析して作成した韻律パラメータテーブルを用いて、合成パラメータを生成し、音声信号に変換するテキスト音声変換装置において、ユーザが選択した発話スタイルに従って決定された韻律パラメータを、朗読調の韻律パラメータと比較し、その差分を求め、発話スタイルの持つ韻律パラメータの特徴を強調ないしは弱める手段を設けたものである。
【００４１】
韻律パラメータの例としては、音韻継続時間であれば、各音韻の種類毎に、前後の音韻の環境や、語頭、語中、文末などのフレーズ位置、モーラ位置毎に分析し、それぞれの音韻継続時間を分析したものとなる。
【００４２】
以下、この第２の実施形態にかかるテキスト音声変換装置を図５を用いて説明する。なお、この第２の実施形態については、音韻の種類別継続時間、ポーズ長、パワー変動量、ピッチパターンなどの韻律パラメータのうち音韻継続時間を変更する場合を例にして説明する。また、この第２の実施形態では基準発話スタイルとして朗読調の発話スタイルを用いている。
【００４３】
第２の実施形態のテキスト音声変換装置は、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５、複数継続時間テーブル１６、発話スタイル指定部１７、音韻継続時間の変更を行なう発話スタイル強調部２０、発話スタイル強調度指定部１９を備えている。
【００４４】
文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５は、従来の構成と同一動作を行なうものであるので、詳細な説明は省略する。
【００４５】
合成パラメータ生成部１３は、音韻記号列に基づいて対応する音声素片データを音声素片データ記憶部１４から取り出し、発話スタイル指定部１７によって指定された発話スタイルの音韻継続時間テーブルを参照して音韻の継続時間を決定し、ポーズ長、パワーや基本周波数パターンといった、音声合成用韻律パラメータを生成する。
【００４６】
そして、発話スタイル強調度指定部１９には、朗読スタイルから発話スタイル指定部１７で指定した発話スタイル度を強調できるスイッチが設けられており、朗読継続時間テーブルを参照して定められた音韻継続時間と指定された発話スタイルでの音韻継続時間を比較して、発話スタイル強調度指定部１９によって指定された度合いによってその差分を発話スタイル強調部２０で強調する。
【００４７】
次に、第２の実施形態のテキスト音声変換装置の動作を図６のフローチャートを用いて説明する。
【００４８】
まず、文字情報（漢字かな混じり文等の、テキストデータ）を取り込み（ステップ６０１）、その文字情報を解析して、１フレーズ毎に音韻韻律記号列に変換する（ステップ６０２）。次に、音韻韻律記号列に従って、音声素片データ記憶部１４より順次使用する音声素片を取り出す（ステップ６０３）。そして、フレーズ毎に、音韻韻律記号列に基づいて、発話スタイル指定部１７によって指定された発話スタイルの継続時間テーブルと、基準発話スタイルである朗読調の発話スタイルの継続時間テーブルを参照して、音韻継続時間を決定し、合成パラメータ（音韻継続時間、基本周波数パターン、パワー等を規定するパラメータ）を指定スタイルと朗読調の２種類生成する（ステップ６０４）。このとき、継続時間テーブルは、予め自然音声を分析した要因（当確音韻の種類、前後環境、フレーズ位置、フレーズ内モーラ位置等）で継続時間が参照され決定される。
【００４９】
次に、発話スタイル強調部２０では、発話スタイル強調度指定部１９で指定された度合いによって、指定発話スタイル継続時間（Ｔｎとする）と、朗読調継続時間（Ｔｓとする）の差分を、強調して音韻継続時間を変更する。例えば、強調係数をαとして、最終的音韻継続時間Ｔは
Ｔ＝Ｔｓ＋α（Ｔｎ／Ｔｓ−１）Ｔｓ
と計算できる。強調係数αは強調部指定部１９で指定された度合いによって０から数倍まで変化させて用いれば良い（ステップ６０５）。
【００５０】
以上のようにして、韻律パラメータと音声素片データからなる合成パラメータが決定されると、音声信号を合成して（ステップ６０６）出力する（ステップ６０７）。出力方法は、スピーカ−からの出力でも、通信回線を通じた他の装置への伝送でも良い。
【００５１】
以上の第２の実施形態のテキスト音声変換装置によれば、ユーザの好みに応じて、音韻継続時間を変更して発話スタイルを変更させることができる。
【００５２】
なお、上記各実施形態においては、日本語文を対象としたテキスト音声変換装置を示したが、他の言語文を対象としたテキスト音声変換装置に本発明を適用できることは勿論である。
【００５３】
【発明の効果】
以上のように、本発明によれば、発話スタイルの違いによって現れる韻律的な特徴量の違いを強調、あるいは弱め、多様な発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置を実現できる。
【図面の簡単な説明】
【図１】第１の実施形態のテキスト音声変換装置を示すブロック図である。
【図２】従来のテキスト音声変換装置を示す図である。
【図３】図１のテキスト音声変換装置の動作を示すフローチャートである。
【図４】図１のテキスト音声変換装置の会話スタイル指定部１７の説明図である。
【図５】第２の実施形態のテキスト音声変換装置を示すブロック図である。
【図６】図５のテキスト音声変換装置の動作を示すフローチャートである。
【符号の説明】
１０…文字情報入力部、１１…テキスト解析部、１２…発音辞書、１３…合成パラメータ生成部、１４…音声素片データ記憶部、１５…音声合成部、１６…合成パラメータ変更手段、１７…発話スタイル指定部、１８…韻律パラメータテーブル、１９…発話スタイル強調度指定部、２０…発話スタイル強調部。
【発明の属する技術分野】
本発明は、入力された文字列情報を基に音声を合成して出力するテキスト音声変換装置に関する。
【０００２】
【従来の技術】
テキストデータ等の文字情報を入力とし、それを音声に変換して出力するテキスト音声変換装置は、出力語彙の制限がないことから、録音再生型の音声合成技術にとって代わる音声合成技術として種々の利用分野での応用が期待できる。
【０００３】
例えば、ワードプロセッサ等で作成されたテキストデータを音声に変換して出力させ文章の校正に利用することもできる。また、テキストを編集するだけで、簡単に応答メッセージを作成、変更をすることができる特徴を生かして、電話等の通信サービスなどでも利用することができる。
【０００４】
図２は、日本語（漢字かな混じり文）を入力とした従来のテキスト音声変換装置（日本語テキスト音声変換）の構成を示している。以下、この図２を参照しながら、従来装置の概要を説明する。
【０００５】
図２において、テキスト解析部１０１では発音辞書１０２を利用して、文字情報入力部１００より入力された漢字かな混じり文から、音韻韻律記号列を生成する。ここで、音韻韻律記号列とは、入力文の読み、アクセント、イントネーション等を文字列として記述したもので、中間言語と呼ばれる。各単語の読みとアクセントは、発音辞書１０２に登録されており、テキスト解析部１０１はこの発音辞書１０２を参照しながら、音韻韻律記号列を生成する。
【０００６】
合成パラメータ生成部１０３では、音韻韻律記号列に基づき、音声素片（音の種類）を取り出し、予め定められた規則より、音韻継続時間（音の長さ）、基本周波数（音の高さ）パターンといった音声合成用のパラメータ（以下、合成パラメータと呼ぶ）を生成する。
【０００７】
このうち音声素片は、単語等を発声したときの発声データから分析生成されるもので、合成のための音声の基本単位であり、これらを重ね合わせて行くことによって、合成波形が生成される。なお、以下ではＣＶ（子音−母音）、ＶＣＶ（母音−子音−母音）等の音声の基本要素の組み合わせ自体を音声単位と呼び、その音声単位の波形を実現する要素を音声素片と呼ぶ。各音声単位は、例えば複数の音声素片でなる組に対応する。音声素片データはＲＯＭ等でなる音声素片データ記憶部１０４に格納されており、合成パラメータ生成部１０３は、音韻韻律記号列から音声単位を認識して対応する音声素片データを取り出す。
【０００８】
音声合成部１０５は、合成パラメータ生成部１０３が生成した合成パラメータに基づいて、合成波形（音声信号）を生成する。このような合成音声信号が、スピーカ−を通して音声出力されたり、通信回線を介して他の装置に伝送されたりする。
【０００９】
第２の従来例として、上述した従来例（第１の従来例と呼ぶ）では、予め定められた規則によって基本周波数パタン、音の高さ、ポーズの長さ、音韻継続時間等の合成パラメータを決定していたものを、自然性を高めるために、実音声の韻律的特徴を分析した結果を統計的に処理して抽出した韻律的特徴パラメータを用いて、合成音声パラメータを与える方法がある。
【００１０】
【発明が解決しようとする課題】
第１の従来例においては、合成パラメータは、入力されたテキストが変換された音韻記号列に応じて、予め定められた規則に従って決定されるものであり、自然音声に比べると単調である。
【００１１】
また、第２の従来例においても、自然音声を分析して、基本周波数パターン、音の高さ、ポーズの長さ、パワー、音韻継続時間等の韻律的特徴パラメータを抽出して用いてはいるが、一つの発話スタイルの韻律的特徴パラメータの組を用いるだけでは、論文、小説、会話等の多様な発話スタイルを自由に表現できないという課題があった。
【００１２】
そこで、複数の発話スタイルの韻律的特徴パラメータを用意し、合成パラメータ生成の際に切り替えて用いるものも既に提案されているが、相互の発話スタイルの関係は明らかではなかったので、発話スタイルの違いを強調したり、弱めたりとユーザが調節することはできなかった。
【００１３】
そのため、予め定められた基準を用いて、合成音声の韻律的特徴を生成する手段を持つテキスト音声変換装置において、発話スタイルの違いによって現れる韻律的な特徴量の違いを強調あるいは弱め、多様な発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置が求められている。
【００１８】
【課題を解決するための手段】
上記課題を解決するため、第２の本発明のテキスト音声変換装置では、入力された文字情報を音声信号に変換するテキスト音声変換装置において、少なくとも通常スタイル、朗読調を含む複数の発話スタイルにおける特徴を保持する韻律パラメータテーブルと、発話スタイルを選択する発話スタイル指定部と、発話スタイルの強調度を指定する強調度指定部と、発話スタイル指定部によって選択された発話スタイルと基準発話スタイルのそれぞれの韻律パラメータの差分を計算する差分計算部と、強調度指定部によって指定された強調度及び差分に応じて韻律パラメータを補正する韻律パラメータ調整手段とを備える。
【００１９】
ここで、韻律パラメータ調整手段によって補正される韻律パラメータは少なくとも音韻継続時間もしくはピッチパターンにすることが望ましい。
【００２０】
このように本発明のテキスト音声変換装置では、韻律パラメータをユーザの好みに応じて変更度合いを調整しながら変更することができ、よりユーザの好みに合った合成音声を得ることができる。
【００２１】
【発明の実施の形態】
以下、本発明によるテキスト音声変換装置を、日本語文を対象とした装置に適用した第１の実施形態を図面を参照しながら詳述する。ここで、図１が、この第１の実施形態のテキスト音声変換装置の全体構成を示すブロック図である。
【００２２】
図１において、第１の実施形態のテキスト音声変換装置は、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５、発話スタイル変更手段としての合成パラメータ変更手段１６及び発話スタイル指定部１７を備えている。
【００２３】
ここで、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５は、従来のテキスト音声変換装置と同一の動作を行なうものであり、詳細な説明は省略する。
【００２４】
この実施形態では、朗読調から会話調へ変化させる場合を例にして説明する。なお、発話スタイルとしては、通常スタイル、朗読調スタイル、会話調スタイル、アナウンサー調スタイル等が他にもあげられる。
【００２５】
合成パラメータ生成部１３は音韻記号列に基づいて対応する音声素片データを音声素片データ記憶部１４から取り出し、音韻の継続時間や、ポーズ長、パワーや基本周波数パターンといった音声合成用韻律パラメータを生成する。
【００２６】
そして、発話スタイル指定部１７には、朗読スタイルから会話スタイル度までの複数の発話スタイルから使用したい１つの発話スタイルを指定できるスイッチが設けられている。
【００２７】
図４に示すのは発話スタイル指定部１７をソフトウェア的に形成した例であり、スクロールバーの左端が最も朗読調の発話スタイルを示すスタイル１を示し、右に行くに従って会話調の度合い（会話調度と定義する）が高くなり、右端が最も会話調に近い発話スタイルを示すスタイル１０を示している。１０段階のスクロールバーのバーをスライドさせ、目的の発話スタイルを選択できる。この図４ではバーはスタイル６のところを示している。
【００２８】
合成パラメータ変更手段１６では発話スタイル指定部１７でのユーザの指定に従って、音声合成用韻律パラメータを変形する。この第１の実施形態の場合、変更される合成パラメータは１モーラ当りの平均の長さである。合成パラメータ変更手段１６では他にも、音韻継続時間、基本周波数パターン、音の高さ、パワーといった韻律的特徴を変形することが可能である。
【００２９】
次に、第１の実施形態のテキスト音声変換装置の詳細動作を図３のフローチャートを用いて説明する。
【００３０】
まず、文字情報（漢字かな混じり文等のテキストデータ）を取り込み（ステップ２０１）、その文字情報を解析して、１フレーズ毎に、音韻韻律記号列に変換する（ステップ２０２）。
【００３１】
次に、音韻韻律記号列に従って音声素片データ記憶部１４より順次使用する音声素片データを取り出す（ステップ２０３）。そして、フレーズ毎に、音韻韻律記号列に基づいて韻律パラメータ（音韻継続時間、基本周波数パターン、パワー等を規定するパラメータ）を生成する（ステップ２０４）。次に、合成パラメータ変更手段１６では、ステップ２０４で生成された合成パラメータを発話スタイル指定部１７の指定に従って変更する（ステップ２０５）。
【００３２】
合成パラメータの変更方法を説明する。朗読音声と会話音声を比較した際、両者の間には様々な韻律的特徴が存在する。まず、朗読音声と会話音声では、会話音声の方が、韻律パラメータの変動が大きい。例えば、ピッチ、パワー、１モーラ当りの平均的な継続時間や、ポーズ長が会話音声の方が朗読音声よりも大きく変動する。
【００３３】
一例として、朗読音声と、会話もしくは対話音声の、韻律句（フレーズ）内モーラ数毎のモーラ長を比較した場合、朗読調はモーラ長がほぼ一定であるのに対し、会話調では１フレーズ内のモーラ数が少なくなるほど１モーラ当りの平均継続時間が長くなる傾向がある。
【００３４】
このことに対しては、日本音響学会講演論文集１９９５． ３ １−４−６に記載された渡辺等の「朗読及び対話音声における時間構造の検討」と題する論文に記載されている。
【００３５】
ここで、モーラとは、ほぼ仮名１文字に相当するなど時間的なリズムの単位である。
【００３６】
第１の実施形態では、この特徴を基に、会話調度が高いほど、フレーズ内のモーラ数毎の平均モーラ長が長くなるように合成パラメータを変更する。例えば、１０モーラのフレーズ長を基準にモーラ長継続時間を±１．５倍差をつけたいときには、ｔを朗読調の１モーラ当りの平均継続時間、ｎを１フレーズのモーラ数として、求める継続時間ｔ’は、
ｔ’＝−（ｔ／２０）×ｎ＋１． ５ｔ
として、各々のモーラの継続時間長を変換する。また、より会話らしく変化をつけたいときには、１、２割伸縮させるなどし、その度合いをユーザが任意に指定できる。
【００３７】
以上のようにして、韻律パラメータと音声素片データからなる合成パラメータが決定されると、音声信号を合成して（ステップ２０６）出力する（ステップ２０７）。出力方法は、スピーカーからでも通信回線を通じた他の装置への伝送でも良い。
【００３８】
以上のようにして、第１の実施態様のテキスト音声変換装置では、予め定められた基準を用いて、合成音声の韻律的特徴を生成する手段を持つテキスト音声変換装置において、通常の読み上げ調（ないしは朗読調）と会話調などの他の発話スタイルとの違いによって現れる韻律的特徴量を、強調ないしは弱め、通常発話スタイルから、ある選択された度合いの発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置を実現できる。
【００３９】
次に、本発明によるテキスト音声変換装置を、日本語文を対象とした装置に適用した第２の実施形態を説明する。
【００４０】
第２の実施形態においては、入力された文字情報を、複数の発話スタイルで発声された自然音声を、音韻の種類別継続時間、ポーズ長、パワー変動量、ピッチパターン変動量（音の高低の差等）などの、韻律パラメータ毎に分析して作成した韻律パラメータテーブルを用いて、合成パラメータを生成し、音声信号に変換するテキスト音声変換装置において、ユーザが選択した発話スタイルに従って決定された韻律パラメータを、朗読調の韻律パラメータと比較し、その差分を求め、発話スタイルの持つ韻律パラメータの特徴を強調ないしは弱める手段を設けたものである。
【００４１】
韻律パラメータの例としては、音韻継続時間であれば、各音韻の種類毎に、前後の音韻の環境や、語頭、語中、文末などのフレーズ位置、モーラ位置毎に分析し、それぞれの音韻継続時間を分析したものとなる。
【００４２】
以下、この第２の実施形態にかかるテキスト音声変換装置を図５を用いて説明する。なお、この第２の実施形態については、音韻の種類別継続時間、ポーズ長、パワー変動量、ピッチパターンなどの韻律パラメータのうち音韻継続時間を変更する場合を例にして説明する。また、この第２の実施形態では基準発話スタイルとして朗読調の発話スタイルを用いている。
【００４３】
第２の実施形態のテキスト音声変換装置は、文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５、複数継続時間テーブル１６、発話スタイル指定部１７、音韻継続時間の変更を行なう発話スタイル強調部２０、発話スタイル強調度指定部１９を備えている。
【００４４】
文字情報入力部１０、テキスト解析部１１、発音辞書１２、合成パラメータ生成部１３、音声素片データ記憶部１４、音声合成部１５は、従来の構成と同一動作を行なうものであるので、詳細な説明は省略する。
【００４５】
合成パラメータ生成部１３は、音韻記号列に基づいて対応する音声素片データを音声素片データ記憶部１４から取り出し、発話スタイル指定部１７によって指定された発話スタイルの音韻継続時間テーブルを参照して音韻の継続時間を決定し、ポーズ長、パワーや基本周波数パターンといった、音声合成用韻律パラメータを生成する。
【００４６】
そして、発話スタイル強調度指定部１９には、朗読スタイルから発話スタイル指定部１７で指定した発話スタイル度を強調できるスイッチが設けられており、朗読継続時間テーブルを参照して定められた音韻継続時間と指定された発話スタイルでの音韻継続時間を比較して、発話スタイル強調度指定部１９によって指定された度合いによってその差分を発話スタイル強調部２０で強調する。
【００４７】
次に、第２の実施形態のテキスト音声変換装置の動作を図６のフローチャートを用いて説明する。
【００４８】
まず、文字情報（漢字かな混じり文等の、テキストデータ）を取り込み（ステップ６０１）、その文字情報を解析して、１フレーズ毎に音韻韻律記号列に変換する（ステップ６０２）。次に、音韻韻律記号列に従って、音声素片データ記憶部１４より順次使用する音声素片を取り出す（ステップ６０３）。そして、フレーズ毎に、音韻韻律記号列に基づいて、発話スタイル指定部１７によって指定された発話スタイルの継続時間テーブルと、基準発話スタイルである朗読調の発話スタイルの継続時間テーブルを参照して、音韻継続時間を決定し、合成パラメータ（音韻継続時間、基本周波数パターン、パワー等を規定するパラメータ）を指定スタイルと朗読調の２種類生成する（ステップ６０４）。このとき、継続時間テーブルは、予め自然音声を分析した要因（当確音韻の種類、前後環境、フレーズ位置、フレーズ内モーラ位置等）で継続時間が参照され決定される。
【００４９】
次に、発話スタイル強調部２０では、発話スタイル強調度指定部１９で指定された度合いによって、指定発話スタイル継続時間（Ｔｎとする）と、朗読調継続時間（Ｔｓとする）の差分を、強調して音韻継続時間を変更する。例えば、強調係数をαとして、最終的音韻継続時間Ｔは
Ｔ＝Ｔｓ＋α（Ｔｎ／Ｔｓ−１）Ｔｓ
と計算できる。強調係数αは強調部指定部１９で指定された度合いによって０から数倍まで変化させて用いれば良い（ステップ６０５）。
【００５０】
以上のようにして、韻律パラメータと音声素片データからなる合成パラメータが決定されると、音声信号を合成して（ステップ６０６）出力する（ステップ６０７）。出力方法は、スピーカ−からの出力でも、通信回線を通じた他の装置への伝送でも良い。
【００５１】
以上の第２の実施形態のテキスト音声変換装置によれば、ユーザの好みに応じて、音韻継続時間を変更して発話スタイルを変更させることができる。
【００５２】
なお、上記各実施形態においては、日本語文を対象としたテキスト音声変換装置を示したが、他の言語文を対象としたテキスト音声変換装置に本発明を適用できることは勿論である。
【００５３】
【発明の効果】
以上のように、本発明によれば、発話スタイルの違いによって現れる韻律的な特徴量の違いを強調、あるいは弱め、多様な発話スタイルの合成音の生成を可能とし、ユーザの好みに合った韻律パターンで読み上げることのできるテキスト音声変換装置を実現できる。
【図面の簡単な説明】
【図１】第１の実施形態のテキスト音声変換装置を示すブロック図である。
【図２】従来のテキスト音声変換装置を示す図である。
【図３】図１のテキスト音声変換装置の動作を示すフローチャートである。
【図４】図１のテキスト音声変換装置の会話スタイル指定部１７の説明図である。
【図５】第２の実施形態のテキスト音声変換装置を示すブロック図である。
【図６】図５のテキスト音声変換装置の動作を示すフローチャートである。
【符号の説明】
１０…文字情報入力部、１１…テキスト解析部、１２…発音辞書、１３…合成パラメータ生成部、１４…音声素片データ記憶部、１５…音声合成部、１６…合成パラメータ変更手段、１７…発話スタイル指定部、１８…韻律パラメータテーブル、１９…発話スタイル強調度指定部、２０…発話スタイル強調部。
Claims (2)
- 入力された文字情報を音声信号に変換するテキスト音声変換装置において、
少なくとも通常スタイル、朗読調を含む複数の発話スタイルにおける特徴を保持する韻律パラメータテーブルと、
発話スタイルを選択する発話スタイル指定部と、
発話スタイルの強調度を指定する強調度指定部と、
上記発話スタイル指定部によって選択された発話スタイルと基準発話スタイルのそれぞれの韻律パラメータの差分を計算する差分計算部と、
上記強調度指定部によって指定された強調度及び上記差分に応じて韻律パラメータを補正する韻律パラメータ調整手段と
を備えたことを特徴とするテキスト音声変換装置。 - 上記韻律パラメータ調整手段によって補正される韻律パラメータは少なくとも音韻継続時間もしくはピッチパターンであることを特徴とする請求項１に記載のテキスト音声変換装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16288696A JP3575919B2 (ja) | 1996-06-24 | 1996-06-24 | テキスト音声変換装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16288696A JP3575919B2 (ja) | 1996-06-24 | 1996-06-24 | テキスト音声変換装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1011083A JPH1011083A (ja) | 1998-01-16 |
| JP3575919B2 true JP3575919B2 (ja) | 2004-10-13 |
Family
ID=15763132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16288696A Expired - Fee Related JP3575919B2 (ja) | 1996-06-24 | 1996-06-24 | テキスト音声変換装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3575919B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5282469B2 (ja) * | 2008-07-25 | 2013-09-04 | ヤマハ株式会社 | 音声処理装置およびプログラム |
| EP2357646B1 (en) | 2009-05-28 | 2013-08-07 | International Business Machines Corporation | Apparatus, method and program for generating a synthesised voice based on a speaker-adaptive technique. |
-
1996
- 1996-06-24 JP JP16288696A patent/JP3575919B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH1011083A (ja) | 1998-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4125362B2 (ja) | 音声合成装置 | |
| US7739113B2 (en) | Voice synthesizer, voice synthesizing method, and computer program | |
| JPH031200A (ja) | 規則型音声合成装置 | |
| JP3673471B2 (ja) | テキスト音声合成装置およびプログラム記録媒体 | |
| JPH1138989A (ja) | 音声合成装置及び方法 | |
| JP2006227589A (ja) | 音声合成装置および音声合成方法 | |
| JP3575919B2 (ja) | テキスト音声変換装置 | |
| JPH08335096A (ja) | テキスト音声合成装置 | |
| JPH0580791A (ja) | 音声規則合成装置および方法 | |
| JP3113101B2 (ja) | 音声合成装置 | |
| JP4260071B2 (ja) | 音声合成方法、音声合成プログラム及び音声合成装置 | |
| KR20040015605A (ko) | 가상노래 합성장치 및 방법 | |
| JP2002304186A (ja) | 音声合成装置、音声合成方法および音声合成プログラム | |
| JP2703253B2 (ja) | 音声合成装置 | |
| JP4056647B2 (ja) | 波形接続型音声合成装置および方法 | |
| Vine et al. | Synthesising emotional speech by concatenating multiple pitch recorded speech units | |
| JP3292218B2 (ja) | 音声メッセージ作成装置 | |
| JPH08160990A (ja) | 音声合成装置 | |
| JP2956936B2 (ja) | 音声合成装置の発声速度制御回路 | |
| JP2003005774A (ja) | 音声合成装置 | |
| JP2004004952A (ja) | 音声合成装置および音声合成方法 | |
| JPH01321496A (ja) | 音声合成装置 | |
| JPH06214585A (ja) | 音声合成装置 | |
| JPH09325788A (ja) | 音声合成装置及び方法 | |
| JP2001166787A (ja) | 音声合成装置および自然言語処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040113 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040305 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040706 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040706 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080716 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080716 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090716 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090716 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100716 Year of fee payment: 6 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100716 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100716 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110716 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120716 Year of fee payment: 8 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120716 Year of fee payment: 8 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |