JP3593563B2 - 話し言葉による音声出力装置及びソフトウェア - Google Patents
話し言葉による音声出力装置及びソフトウェア Download PDFInfo
- Publication number
- JP3593563B2 JP3593563B2 JP2001324097A JP2001324097A JP3593563B2 JP 3593563 B2 JP3593563 B2 JP 3593563B2 JP 2001324097 A JP2001324097 A JP 2001324097A JP 2001324097 A JP2001324097 A JP 2001324097A JP 3593563 B2 JP3593563 B2 JP 3593563B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- word
- character unit
- unit group
- written
- 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 - Lifetime
Links
Images
Landscapes
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
Description
【発明の属する技術分野】
本発明は、書き言葉で構成されたテキストを話し言葉で音声出力する音声出力装置及びそのソフトウェアに関する。より詳しくは、特に変換手法に特徴を有する出力装置及びソフトウェアの提供を図る技術に係るものである。
【0002】
【従来の技術】
近時のコンピュータによる音声合成技術の進歩にともなって、音声によって聴覚的に情報を伝達出力する技術は、日常生活においても様々な場面で使われている。例えば、カーナビゲーションシステムにおいては、運転中の運転者に対して音声で進路、渋滞情報等の各種情報を伝えるために、運転に支障を及ぼさない、音声で伝達するようになっている。また、文字を読みとることができない、盲人・弱視者向けのテキスト音読システムもある。
該システムでは、テキストを入力することによって、文字を読みの辞書に従って読み上げるようになっており、より聞き取りやすい読み方で読み上げる手法等が研究されている。
【0003】
ところで、現在の音声合成技術は、主に与えられたテキストをそのまま音読するため、聞き取りやすい話し言葉で出力するためには、あらかじめ話し言葉で構成されるテキストを用意しているのが一般的である。このような方法では、上述のテキスト音読システムで書籍や新聞等を入力しても、そのまま読み上げるだけのため、書き言葉特有の表現がそのまま音読され、不自然な印象を与えるばかりでなく、非常に聞き取りにくい問題がある。
【0004】
これらの問題点を解消するため、従来の技術としては、例えば特開2001−166787号公報は、書き言葉のテキストを話し言葉の表現に置き換えて話し言葉らしい韻律で読み上げ、かつ、話し言葉韻律にあわせて規則韻律を調整することで、話し言葉として自然にテキストを読み上げることができる音声合成装置を開示している。
該手法によると、確かにスムーズな韻律によって聞き取りやすい音声合成を行うことはできるので、上記問題点に関する一定の解決方法にはなりうる。
【0005】
しかし、上記発明では主に読み上げる文全体の韻律等に重きをおいており、話し言葉の表現に置き換える手法は、あらかじめ備えられたテキスト変換テーブルによって機械的に置き換えるのみであって、しかもそのテキスト変換テーブルの作成については特徴的な手法は提案されていない。
【0006】
【発明が解決しようとする課題】
本発明は上記従来技術において課題として残されていた書き言葉から話し言葉への効果的な変換手法を開発し、該手法を備えた音声出力装置やソフトウェアを提供することで、より自然な話し言葉の実現に寄与することを目的としている。
【0007】
【課題を解決するための手段】
本発明は、上記の課題を解決するために、書き言葉によって構成されたテキストを話し言葉で読み上げる、次のような音声出力装置を提供する。
すなわち、音楽出力装置が、テキストをコンピュータ処理用の書き言葉データとして装置内に入力するテキスト入力手段と、該書き言葉データを話し言葉データに変換する言葉変換手段と、該話し言葉データから音声データを作成する音声データ作成手段と、該音声データに基づき、音声を出力する音声出力手段とを有する。
【0008】
そして、該言葉変換手段が、少なくともその一部において同一意味内容を含む、書き言葉学習用データ及び話し言葉学習用データを用い、各言葉学習用データを所定の文字単位に分解した上、各言葉学習用データ間の不一致部分における各言葉間の書き換え可能確率が所定の値よりも高いものをパラフレーズとする。
該パラフレーズをあらかじめ記載したパラフレーズテーブルを備えると共に、該パラフレーズテーブルを参照して書き言葉データを話し言葉データに変換する変換エンジンを備える。
【0009】
変換エンジンは、1個又は複数個の文字単位から構成される文字単位群が前記パラフレーズテーブルに記載されているか、或いはその記載の態様を判別する。そして、該文字単位群が、書き言葉から話し言葉に変換可能な1個以上の変換後候補群を有すると判断される場合には次の構成とする。
【0010】
すなわち、該文字単位群の前後に近接する少なくとも1個の文字単位から成る前文字単位群及び後文字単位群が直前直後に出現する場合の該文字単位群と変換後候補群の当該言葉学習用データ中における出現頻度及び/又は出現確率に係る値を算出し、その値が最も大きい1個の変換後候補を特定した上で、該文字単位群と、変換後候補との、出現頻度及び/又は出現確率に係る値が後者の方が大きいときに該文字単位群を書き言葉から話し言葉に変換する。
【0011】
本発明の音声出力装置のパラフレーズテーブルにおいて、1個又は複数個の文字単位から構成される文字単位群に着目し、該着目文字単位群を前記不一致部分として捉えるとき、該着目文字単位群の前後に連接した前文字単位又は後文字単位の少なくともいずれかの、当該言葉学習用データ中における出現頻度に係る値又は、該値からの計算式によって算出された値に基づき、該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する構成でもよい。
【0012】
また、前記パラフレーズテーブルにおいて、ある着目文字単位群を前記不一致部分として捉えるとき、該着目文字単位群が、当該言葉学習用データ中における出現頻度に係る値又は、該値から所定の計算式によって算出された値に基づき、該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する構成でもよい。
【0013】
本発明では、さらに上記と同様の構成を有する音声出力ソフトウェアを提供することもできる。該ソフトウェアは、上述の装置で実現したものと同一な手法を用いて、ソフトウェアとして実現するものである。
【0014】
【発明の実施の形態】
以下、本発明の実施形態を図面に示しながら説述する。なお、本発明の実施においては、以下に限定されることなく、任意に変形、応用等を行うことが可能である。
図1に本発明における音声出力装置(10)の概略図を示す。まず本装置(10)に書き言葉テキスト(11)を入力する。該書き言葉テキスト(11)は、例えば書籍や新聞等に記載された文章、文字放送やインターネット等で頒布送信される通信データ、CDROM等の媒体を介して提供される媒体データといった形態が一般的である。
【0015】
上記のうち、通信データや媒体データは、コンピュータによる処理が可能な書き言葉データ(13)にそのまま用いることが可能であり、テキスト入力手段(12)としてはテキストフォーマット、例えば文字コードや改行コード、HTMLなどの特殊タグの除去等を行う機能を備えていればよい。そして、テキスト入力手段(12)によって、頒布送信されたデータを受信して必要に応じて変換する、或いは媒体から媒体データを読み出して必要に応じて変換することにより、本装置(10)で処理が可能な形態とする。
【0016】
一方、上記のうち、書籍や新聞等に記載された文章は、実体的に印刷等をされたものであるため、書き言葉データ(13)にそのまま用いることはできない。そこで、画像としてコンピュータに取り込むスキャナ、スキャンされた画像から文字認識を行うOCR装置或いはOCRソフトウェアを備え、OCR技術によって本装置(10)で処理可能な形態にする。
これらOCRに係る技術は多様な方法が既知となっており、それらを随意利用することができる。
【0017】
このように本発明では、テキスト入力手段(10)にスキャナやOCR装置を配設し、例えば文字を読めない物が所望の書籍をスキャナに読みとらせることで、自然な話し言葉による音声出力を得ることもできる。従来の点字翻訳等に比して、格段に低コストかつあらゆる書籍・新聞にも対応できるため、バリアフリー化にも寄与する。また、従来の同様の装置と比べても、自然な話し言葉による出力は、聞き取りやすく、疲労感を感じさせない読み聞かせが可能であり、その効果は極めて高い。
【0018】
テキスト入力手段(10)によって書き言葉データ(13)を作成した後、該書き言葉データ(13)は本発明の中核をなす言葉変換手段(14)に送られる。言葉変換手段(14)では、該手段に備えられたパラフレーズテーブル(15)を参照しながら、書き言葉から話し言葉への変換が行われる。
該変換についての詳細は後述する。
【0019】
言葉変換手段(14)によって書き言葉データ(13)は話し言葉データ(16)に変換される。そして、音声として出力するためにその該話し言葉データ(16)の読み方についての情報を付与し、電気的に発声が行えるよう、例えば音声波形のデータが作成される。該作成を司るのが、音声データ作成手段(17)である。
【0020】
音声データ(18)の作成においては、すでに多くの既知技術があるが、本発明においてもそれらの技術を用いることができる。特に、本発明では自然な話し言葉の出力を目的としており、イントネーションなど、韻律の制御を行うと好適である。
すなわち、話し言葉データ(16)について、音声データ作成手段(17)が単語、形態素等の文字単位毎に読みだけでなく、それらの韻律、文字単位が組み合わさったときの韻律等の情報も含めた音声情報テーブルを備えてもよい。
【0021】
音声データ作成手段(17)によって作成された音声データ(18)は、音声出力手段(19)から出力される。音声出力手段(19)は例えばデジタル・アナログ変換を行い、スピーカーを介して音声出力を行う装置であり、これによって、本装置に入力された書き言葉のテキストは、音声として出力されることになる。
【0022】
本発明における音声出力装置は、上記のような構成を備えるが、次に本発明の核心ともいうべき、言葉変換手段につき、詳述する。
本実施例においては、言葉変換手段(14)で変換する際に書き言葉と話し言葉の対応関係を規定するパラフレーズテーブル(15)の作成にあたって、日本語の講演発表の音声を書き起こしし、形態素情報を付与した日本語話し言葉コーパスを話し言葉データ(16)として、講演発表の元となる論文(予稿)の電子化データを書き言葉データ(13)として、それぞれ用いている。
【0023】
そして、話し言葉データ(16)と書き言葉データ(13)の一致部分や不一致部分を調べ、書き言葉データ(13)から話し言葉データ(16)への変換規則を自動的に獲得している。さらに、獲得された変換規則を基に、話し言葉データ(16)から書き言葉データ(13)への自動変換を行うことを実現している。
【0024】
はじめに、書き言葉データ(13)と話し言葉データ(16)について、不一致部分のとりかたについて説述する。
まず、不一致部分をとる書き言葉と話し言葉のデータの形態素解析を行なって図2のように各形態素が各行にわかれた形にデータを変形する。
なお、言葉データの分解に、形態素による区切りをおこなったが、本発明の実施においては必ずしも形態素による分解ではなく、辞書情報に基づく単語区切りなど、任意の分解方法によりいかなる文字単位にも分解することができる。
【0025】
次に、これらのデータを照合し書き言葉と話し言葉のデータの不一致部分と一致部分の検出を行なう。この照合は、本実施例では簡単のため、UNIXコマンドのdiffを用いて行なっている。diffコマンドは、2つのファイル間の違いを探すコマンドであり、本発明では、書き言葉学習用データファイルと、話し言葉学習用データファイルを入力することで用いることができる。本コマンドは、空白の数の違いを無視したり、大文字小文字の違いを無視するほか、多様な比較項目の設定が可能であるため、本発明の実施において極めて好適である。
もっとも、本発明の不一致部分と一致部分の検出には、該コマンドの使用に限定されることなく、専用の検出エンジンを備える構成でもよい。
【0026】
さきほどのデータでこれを行なうと、図3に示したような結果が得られる。表のセミコロンで始まる行は一致部分、不一致部分を示すためのもので、「;▲▲▲▲▲▲」から「;●●●」までの部分は、書き言葉データ(13)でのみ出現したもの、「;●●●」から「;▼▼▼▼▼▼」までの部分は,話し言葉データ(16)でのみ出現したもの、「;▼▼▼▼▼▼」から「;▲▲▲▲▲▲」までの部分は、書き言葉データ(13)と話し言葉データ(16)でともに出現したものを意味する。ここで取り出したいものは、書き言葉と話し言葉の違いであるので、「;▲▲▲▲▲▲」から「;▼▼▼▼▼▼」までの部分となり、先ほどのデータの場合、不一致部分は図4のようになる。
【0027】
図4の1行目の「本論文では単語の羅列を」「え今日は」は、書き言葉では「本論文では単語の羅列を」とあったが、話し言葉では「え今日は」となったということを意味する。しかし、このように対応付けを行っただけでは、書き換え規則となるような不一致は抽出できない。
そこで、上記結果からさらに、確からしい書き言葉と語し言葉の不一致部分を抽出する。そのための条件として、本発明では次の2つの着想を得て、確からしい不一致部分の抽出を行う。
【0028】
その1つは、珍しい(出現頻度の低い)文字列に囲まれた不一致部分ほど、パラフレーズとしては確からしいという着想である。ここでは文字列は形態素と置き換えて考える。
この着想における「確からしい」につき、実際にコンピュータで処理を行うため、本発明では次のような確率値の算出方法を創出した。
【0029】
不一致部分が図5のように、一致部分である文字列S1,S2にはさまれていて、S1とS2の間がd文字だけ離れているとする。このとき、S1およびS2からみて、d文字以内に図の方向にS2およびS1が現れる確率を、P(S1),P(S2)とすると、P(S1),P(S2)は近似的に以下のように表される。
【式1】
【式2】
【0030】
このときの不一致部分が確からしい確率、すなわちP(不一致、S1,S2)とすると、P(不一致、S1,S2)はS1,S2がともに図のような形であらわれにくい確率であると仮定すると、以下のようになる。(S1とS2が独立であることを仮定している。)
【式3】
【0031】
このように求められた式2に明らかなように、上記P(S1)、P(S2)等が小さい、すなわち出現頻度が低いほど、不一致部分が確からしい確率は高まり、P(不一致、S1,S2)は大きな値となる。
【0032】
本発明では、上記のような不一致部分の侯補の取り出しについて、さらに以下のような改良を加えている。
図6のように一致部分と不一致部分が出現しているときに、“「不一致部分1」「一致部分1」「不一致部分2」"、“「不一致部分1」「一致部分1」「不一致部分2」「一致部分2」「不一致部分3」"といったものも不一致部分の侯補とする。このため、上記の着想における「不一致部分」については、一致部分や不一致部分を含む文字列(文字単位やその集合)と考え、本発明ではこれを一致部分・不一致部分と表記している。
【0033】
この改良は、単に「不一致部分1」だけでは、「一致部分0」「一致部分1」から求まるP(不一致)の値が小さくて取り出せないようなときも、“「不一致部分1」「一致部分1」「不一致部分2」"を不一致部分と考えることで、「一致部分0」「一致部分2」から求まるP(不一致)の値が大きくなって取り出しうるという効果を持つ。
【0034】
本実施例では、この連結によって生成する不一致部分は、元の不一致部分を3個以下しか含まないものに限った。これは書き換えの規則を決定する際に、過剰に長い文字列とすると、一般的に適応しうるパラフレーズが抽出できなくなるためであり、本実施例では3個以下とすることで、概ね好適な抽出を行うことができた。同時に、これによって組み合わせの数を抑制し、演算量を減らし高速化を図ることができる。
【0035】
さらに1つの着想は、複数箇所に出現した不一致部分ほど、パラフレーズとしては確からしいというものである。
これは、複数箇所での確率を組み合わせることによって本装置に導入することができる。複数箇所のうち一か所でも正しければ、その不一致部分は正しいものとして抽出できると考える。
【0036】
つまり、不一致部分が正しい事象は、任意のS1,S2に対してS1,S2に囲まれる不一致部分がすべて確からしくない場合の余事象なので、不一致部分が確からしい確率をP(不一致)とすると、それは以下の式で表される。(各不一致部分が独立であることを仮定している。)
【式4】
不一致部分の取り出しは、diffの結果を上記の式3の値でソートし、その確率値の大きいものから取り出すことによって行なわれる。
【0037】
次に、上記の手法による書き言葉データ(13)と話し言葉データ(16)の不一致部分の抽出について、実際の例を挙げて説述する。
書き言葉、話し言葉のデータとしては、82編の学術講演の部分を利用する。書き言葉データは、論文であって、手作業による打ち込みがされたもの、82編、82編、352,660文字を含む。語し言葉データとしては、上の論文に対応するもので口頭の講演を手作業によってデータ化したものである。話し言葉データは、330,679文字を含む。
【0038】
書き言葉データとして用いる論文データには、表題や著者名、所属なども含まれているが、これらは消したりせずにそのまま残して利用した。
話し言葉データの方には、図7にあげるようなタグが埋め込まれていた。このタグの対処として、次の処理を行う。
すなわち、基本的に各タグのリストの第二要素をタグのかわりに本文に埋め込む。例えば、“(Fあの)"の場合、「あの」を本文の該当箇所にいれる。ただし、セミコロンで区切られているものについては一番最後のものを、カンマで区切られているものについては、一番最初のものを用いる。
フイラーや言い直しなどは省いた方がよいとも考えられるが、本実施例ではそういった表現も不一致部分として抽出することを目的として残すことにした。
【0039】
上記の条件で書き言葉データ(13)と話し言葉データ(16)の不一致部分を、前記手法により抽出することを試みた。この結果抽出総数は図8のようになった。表の確率値は式4の値を意味する。
また、不一致部分を式4の値でソートした結果の上位50個を図9に示す。図9の頻度は不一致部分の出現回数を意味する。
【0040】
図9における「データ」「データー」の食い違いは、コーパスの定義によるもので、書き言葉では「データ」と書くが話し言葉で「データー」と伸ばして発音しやすいということを意味しているものではない。
また、話し言葉で“<C>”が得られているが、これはコーパスにおいて単語の途中を意味するタグでこれが得られてもあまり意味はない。その他目立つものとしては、「え」「えー」などのフィラーが検出できていたり、「=」は「は」と読むということがわかったり、話し言葉では「という」をいれてやわらかくいう場合があることがわかる。
【0041】
抽出された不一致結果を分析したところ主に以下のものがあった。
1.表記の揺れ
表記の揺れの例を表7に示す。これはコーパスの定義にも関係するところであるが、脚注7にも書いたようなことを行なって、極力話し言葉コーパスと書き言葉コーパスで揺れが生じないようにした方が望ましいことがわかる。
【0042】
実際上、この表記の揺れについてはパラフレーズテーブルに記載されても支障は少ないと考えられるが、書き言葉コーパス側の典型的な表記の揺れ、例えば「データ」「データー」や「コンピュータ」「コンピューター」のような外来語における長音の表記などを、予め統一する変換を施すか、或いはパラフレーズテーブル(15)作成時に、両表記を同一と見なすこともできる。
【0043】
同一と見なす方法としては、例えば、新聞の記事を書き言葉コーパスとして用いると、「データー」との表記が33個のとき、「データ」との表記は20442個という調査例がある。この場合、明らかに「データ」が書き言葉コーパスにおいては自然な表記であるので、残りの「データー」についても「データ」として見なすことができる。また、予め変換してもよい。
これにより、学習用データとなる書き言葉コーパスの作成時に多少の揺れがあっても、典型的な表記の揺れについては補正することが可能であって、長音の有無による出現頻度の誤解を生じさせないようにすることもできる。
【0044】
また、話し言葉学習用データとなる話し言葉コーパスについては、より自然な音声出力を得るために、作為的に自然な読み方ができるように修正を施してもよい。例えば、音声データ作成手段(17)の特性によっては、話し言葉データ(16)における「データー」を特に、「デェタァ」と表記する等によって、好適な話し言葉の出力が得られることもある。
【0045】
2.表記・読みを与えるもの
書き言葉コーパス上で、例えば記号や単位など、表記と読みの異なるものが抽出される。この例を図11にあげる。この図により「=」は「は」と読めばよいとか、「S」は「秒」を意味するときと記号「S」を意味するときがあるなどがわかる。
本結果は、本発明による効果が強く表出しており、従来人手によって与えていたこれらの対応関係を、自動的に獲得し、さらに、前後の文字単位やその集合との関係から確率を算出して正確な書き換えを行うことができる。
【0046】
3.同義関係のもの
略同一な意味を有する同義関係にあるパラフレーズの抽出例を図12にあげる。論文に書いていたことをちょっと違えて言ったり、書き言葉特有の表記を、話し言葉で自然な言い回しにするために、同義な意味を示す書き換え表現を獲得することができる。本態様についても、本発明の効果が強く現れる例である。
なお、本実施例で対象としたデータが研究を述べた予稿と講演であったので、研究がらみの同義表現、例えば「論文」「研究」などが得られているように見受けられる。
【0047】
ここで、本発明で特徴的なのは、「論文」と「研究」がそれが使われる場面によっては必ずしも書き言葉と話し言葉のパラフレーズには成りにくいことである。従って、従来の手法では、このような対応付けは、特に学術講演の書き換え用
に作成しない限り、パラフレーズとして搭載されにくい。
しかし、本発明では、これらを自動的に獲得するため、論文とその講演とのコーパスを用いて学習することで、容易に自然な話し言葉を出力できるようになる。
【0048】
4.口語調のもの
書き言葉を丁寧な表現に改めるなど、口語においてしばしば見られる形への変換がパラフレーズテーブル(15)に抽出された。図13はこの例である。
「分かった」を「分かりました」にするなど、話し言葉で丁寧語にするものから、「。」と書いているところを「訳ですが」と文をつなげるものなど、非常に自然な書き換えが期待される結果である。これらも従来の手法ではなかなか見付けにくい規則であり、本発明の有効性が示される。
また、最後の行に「これ」が得られているが、これは「明瞭に発声したもの(これ)を」という形で使われていた。話し言葉において、「これ」などで指し示す表現が多い証である。
【0049】
5.省略をしているもの
この例を図14にあげる。話し言葉の方では「処理」を省いて言ってみたり、データの値を「11.25」を「11.3」に丸めて言ってみたりして、語数を少なくすることがある。これは、書き言葉においては繰り返し正確な表記を行っても不自然でないのに対し、話し言葉でそれを行うと、不自然で冗長な印象を与える。本発明では、これを効果的に抑止し、自然な省略、言い換えを行うことが可能となる。
【0050】
6.補完をしているもの
5.省略しているものと逆の例であり、例えば書き言葉では短縮して表記しているものをより理解しやすいように補完する例である。図15に本例を示す。書き言葉では「損失の平均」となっていたが、「損失の値の平均」と「値」をいれてわかりやすいようにいいかえている。また、値も正確に「七十五五デシベ
ル」といっている場合もある。
【0051】
7.コーパスの誤り検出に関わるもの
本例を図16にあげる。もともと、書き言葉データ(13)、話し言葉データ(16)自体に誤りがあった場合その部分が不一致として得られる場合がある。1行日のデータは、「速報」を「速記」と誤ったものと思われる。この誤りは論文を手作業でデータ化したときに生じたものと思われる。また、語し言葉データの方にも誤りが見受けられる。最後の行のデータは、「死活」と「生活」どちらでも正しそうな感じもする。実際の講演者自身どちらの気持ちで言っていたのかわからない場合もあるのではないかと思われる。
【0052】
本発明による手法を用いることで、上記のように興味深いパラフレーズテーブル(15)の作成を行うことができた。これらは従来の技術によっては、抽出が困難なものも多く、また用途に分けて膨大なテーブルを手作業で作ることはコスト的にも不可能に近い。
その点、本手法は、コーパスを用意することで自動的にパラフレーズテーブル(15)を形成するため、低コストで、より自然な音声出力を可能にする画期的技術である。
【0053】
また、音声認識技術と融合させ、新聞記事の内容を話し言葉で話す話者の声を自動認識し、当該新聞記事との一致部分・不一致部分を抽出してパラフレーズテーブル(15)を形成すれば、話者の話し方の特徴を捉え、かつ新聞記事特有の書き言葉表現も自然な話し言葉表現に書き換え可能なパラフレーズテーブル(15)が極めて容易に作成できる。
【0054】
本発明は、このように形成されたパラフレーズテーブル(15)を有する言葉変換手段(14)を備えているが、さらに変換エンジンによって、実際の変換処理を行う。次にこの方法について詳述する。
上記で、多くの書き言葉と話し言葉の不一致部分のデータを収集することがで
きたが、この不一致部分のデータは書き言葉から話し言葉への変形規則とみることもできる。
【0055】
ここで用いる変形規則は、前節で獲得した不一致部分のうち、式4の値でソートを行なったデータにおいて頻度1の事例が現れる直前のものまでとした。これは頻度1の事例はサンプルとして小さいため、信頼性が低いためである。
これによって得られる規則の数は240個であった。書き言葉から話し言葉への変換エンジンが備えるアルゴリズムは以下のものとした。本アルゴリズムを図17に示す。
【0056】
1.入力として与えられる書き言葉のデータを文字単位に分解(例えば、形態素解析。以下、形態素を例に挙げる)して、文字単位列(形態素列)に分解する。
2.文頭の形態素から順に、形態素ごとに以下の処理を行なう。
(a)現在の形態素で始まる形態素列S(形態素を一つも持たない場合、つまり空文字列も含む)と、240個の不一致データの書き言葉の文字列Aiが一致した場合、その不一致部分のデータRiが規則として用いられ、その不一致データの話し言葉の部分(文字列Bi)が、書き換え後表現の侯補となる。また、Sの前接k−gramの形態素列をS1i,Sの後節k−gramの形態素列をS2iとする。
(b)各書き換え後表現の侯補Biに対して、話し言葉コーパスでのS1iBiS2iの文字列の頻度を求め、この頻度が最も大きかったときのiをmとする。
(c)話し言葉コーパスでのS1mS2mの文字列の頻度を求め、この値よりも、S1mBmS2mの文字列の頻度の方が大きいとき、AmをBmに書き換え、処理を次の形態素に移す。
ただし、kは定数である。
【0057】
本アルゴリズムは、話し言葉コーパスでの頻度が大きくなるように書き換える、つまり、話し言葉コーパスで出てきやすい表現に書き換えることをしている。ある文章を入カテキストとして、実際に上記のアルゴリズムで書き言葉から話
し言葉に変形を試みた。k=1のとき(前後の形態素の環境が1gramの場合)の結果を図18に、k=2のとき(同、2gramの場合)の結果を図19に示す。k=1では頻度を求める環境が短く精度が悪いがそれでも、「え」をいれたり「本稿」を「本研究」と言い換えたりという話し言葉らしい結果が得られている。
【0058】
k=2では精度はよくほとんど誤りがなかった。「という」や「ま」や「あー」をいれていて、いかにも話し言葉にふさわしい表現になっている。
本実施例では行っていないが、上記アルゴリズムについては、さらに次のような改良も可能である。
【0059】
すなわち、各文字列の頻度の部分を、その文字列をxとするとき、与えられた入カデータを環境にもつときのxが話し言葉コーパスに出現する事象の確率としてもよい。
また、上記アルゴリズムは環境としては前後k形態素(文字単位)のものを固定で用いるものとなっているが、該形態素数(文字単位数)を可変したり、構文的な素性など広範な情報を用いて確率を求める構成でもよい。
【0060】
本発明は、上記のような言葉変換手段(14)を有し、その結果書き換えられた話し言葉データ(16)から音声出力を行うものである。書き言葉データ(13)を出力するだけでは上記で得られたパラフレーズテーブル(15)を効果的に用いることはできず、音声として出力することで初めて効果的に上記手法を利用することができる。
【0061】
例えば、新聞の音読を行う装置として利用すると、新聞特有の言い回しであっても自然な話し言葉に変換出来る上、話者の特徴をそれに反映することもできる。すなわち、話し方には人それぞれに特徴があり、用いる用語や言い換えの好みによって、その人なりの個性がでる。
本発明では、話し言葉と書き言葉の一致部分・不一致部分を自動的に獲得する
ことができるため、そのような個性をあえて分析しなくとも、必然的に話者の個性が反映されるのである。このような書き換えが可能な装置は従来にはないものであり、本発明が最も効果を奏する点でもある。
【0062】
本発明の実施形態としては、ソフトウェアによる提供も可能である。上記装置における各手段はいずれも一般に流通するパーソナルコンピュータ等によってハードウェア的には実現が可能なものであり、本発明をソフトウェアで提供し、それをインストールすることで、上記装置と同様の効果を有することができる。
【0063】
【発明の効果】
本発明は、以上の構成を備えるので、次の効果を奏する。
すなわち、本発明に係る音声出力装置によれば、書き言葉学習用データと話し言葉学習用データから、各言葉間の書き換え可能確率に基づいて作成されたパラフレーズテーブルを備えるので、自然な話し言葉による音声出力が可能となる。
特にパラフレーズテーブルを自動的に獲得することもできるため、用途に合わせた、又は話者の特徴を反映させたパラフレーズテーブルが容易に作成でき、従来の変換では成し得なかった興趣のある書き換えも可能になった。
【0064】
このパラフレーズテーブルの作成に当たっては、着目する文字単位群をパラフレーズテーブルに記載するか否かを書き言葉学習データ中の出現頻度やそれから算出した値によって決定することもできるので、コンピュータ処理に適した方法で作成することができ、好適である。
【0065】
さらに本発明はソフトウェアの形態としての提供も可能であり、市販のパーソナルコンピュータ等に装備することで容易に本発明の効果を享受しうる。これにより、低コストで高性能な話し言葉による音声出力が可能となり、同時に書き言葉の入力方法も選択肢が広がり有効である。
【図面の簡単な説明】
【図1】本発明による音声出力装置の概念図である。
【図2】書き言葉データと話し言葉データの形態素への分割を示す表である。
【図3】書き言葉データと話し言葉データのdiffコマンドによる結果を示す表である。
【図4】不一致部分の抽出結果を示す表である。
【図5】不一致部分の出現模式図である。
【図6】不一致部分の拡張を説明する説明図である。
【図7】話し言葉データに使用されているタグを示す表である。
【図8】不一致部分の抽出数を示す表である。
【図9】書き言葉データと話し言葉データの照合結果の例を示す表である。
【図10】表記の揺れの例を示す表である。
【図11】表記・読みを与えるものの例を示す表である。
【図12】同義関係のものの例を示す表である。
【図13】口語調のものの例を示す表である。
【図14】省略をしているものの例を示す表である。
【図15】補完をしているものの例を示す表である。
【図16】誤り検出の例を示す表である。
【図17】変換エンジンのアルゴリズムの説明図である。
【図18】書き言葉データから話し言葉データヘの変形例(1gramの場合)を示す表である。
【図19】書き言葉データから話し言葉データヘの変形例(2gramの場合)を示す表
である。
【符号の説明】
10 音声出力装置
11 書き言葉テキスト
12 テキスト入力手段
13 書き言葉データ
14 言葉変換手段
15 パラフレーズテーブル
16 話し言葉データ
17 音声データ作成手段
18 音声データ
19 話し言葉音声
Claims (6)
- 書き言葉によって構成されたテキストを、話し言葉で読み上げる音声出力装置であって、該音声出力装置が、
テキストをコンピュータ処理用の書き言葉データとして装置内に入力するテキスト入力手段と、
該書き言葉データを、話し言葉データに変換する言葉変換手段と、
該話し言葉データから音声データを作成する音声データ作成手段と、
該音声データに基づき、音声を出力する音声出力手段と
を有する構成において、
該言葉変換手段が、
少なくともその一部において同一意味内容を含む、書き言葉学習用データ及び話し言葉学習用データを用い、各言葉学習用データを所定の文字単位に分解した上、各言葉学習用データ間の不一致部分における各言葉間の書き換え可能確率が所定の値よりも高いものをパラフレーズとし、それをあらかじめ記載したパラフレーズテーブルを備えると共に、
該パラフレーズテーブルを参照して書き言葉データを話し言葉データに変換する変換エンジンを備え、該変換エンジンが、
1個又は複数個の文字単位から構成される文字単位群が前記パラフレーズテーブルに記載されているか、或いはその記載の態様を判別し、
その結果、該文字単位群が、書き言葉から話し言葉に変換可能な1個以上の変換後候補群を有すると判断される場合に、
該文字単位群の前後に近接する少なくとも1個の文字単位から成る前文字単位群及び後文字単位群が直前直後に出現する場合の該文字単位群と変換後候補群の当該言葉学習用データ中における出現頻度及び/又は出現確率に係る値を算出し、その値が最も大きい1個の変換後候補を特定した上で、
該文字単位群と、変換後候補との、出現頻度及び/又は出現確率に係る値が後者の方が大きいときに
該文字単位群を書き言葉から話し言葉に変換する
ことを特徴とする音声出力装置。 - 前記パラフレーズテーブルにおいて、
1個又は複数個の文字単位から構成される文字単位群に着目し、該着目文字単位群を前記不一致部分として捉えるとき、
該着目文字単位群の前後に連接した前文字単位又は後文字単位の少なくともいずれかの、当該言葉学習用データ中における出現頻度に係る値又は、該値から所定の計算式によって算出された値に基づき、
該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する
請求項1に記載の音声出力装置。 - 前記パラフレーズテーブルにおいて、
1個又は複数個の文字単位から構成される文字単位群に着目し、該着目文字単位群を前記不一致部分として捉えるとき、
該着目文字単位群が、当該言葉学習用データ中における出現頻度に係る値、或いは該値から所定の計算式によって算出された値に基づき、
該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する
請求項1又は2に記載の音声出力装置。 - 書き言葉によって構成されたテキストを、話し言葉で読み上げる音声出力ソフトウェアであって、該音声出力ソフトウェアが、
テキストをコンピュータ処理用の書き言葉データとして装置内に入力するテキスト入力部と、
該書き言葉データを、話し言葉データに変換する言葉変換部と、
該話し言葉データから音声データを作成する音声データ作成部と、
該音声データに基づき、音声を出力する音声出力部と
を有する構成において、
該言葉変換部が、
少なくともその一部において同一意味内容を含む、書き言葉学習用データ及び話し言葉学習用データを用い、各言葉学習用データを所定の文字単位に分解した上、各言葉学習用データ間の不一致部分における各言葉間の書き換え可能確率が所定の値よりも高いものをパラフレーズとし、それをあらかじめ記載したパラフレーズテーブルを有すると共に、
該パラフレーズテーブルを参照して書き言葉データを話し言葉データに変換する変換ルーチンを有し、該変換ルーチンが、
1個又は複数個の文字単位から構成される文字単位群が前記パラフレーズテーブルに記載されているか、或いはその記載の態様を判別し、
その結果、該文字単位群が、書き言葉から話し言葉に変換可能な1個以上の変換後候補群を有すると判断される場合に、
該文字単位群の前後に近接する少なくとも1個の文字単位から成る前文字単位群及び後文字単位群が直前直後に出現する場合の該文字単位群と変換後候補群の当該言葉学習用データ中における出現頻度及び/又は出現確率に係る値を算出し、その値が最も大きい1個の変換後候補を特定した上で、
該文字単位群と、変換後候補との、出現頻度及び/又は出現確率に係る値が後者の方が大きいときに
該文字単位群を書き言葉から話し言葉に変換する
ことを特徴とする音声出力ソフトウェア。 - 前記パラフレーズテーブルにおいて、
1個又は複数個の文字単位から構成される文字単位群に着目し、該着目文字単位群を前記不一致部分として捉えるとき、
該着目文字単位群の前後に連接した前文字単位又は後文字単位の少なくともいずれかの、当該言葉学習用データ中における出現頻度に係る値又は、該値から所定の計算式によって算出された値に基づき、
該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する
請求項4に記載の音声出力ソフトウェア。 - 前記パラフレーズテーブルにおいて、
1個又は複数個の文字単位から構成される文字単位群に着目し、該着目文字単位群を前記不一致部分として捉えるとき、
該着目文字単位群が、当該言葉学習用データ中における出現頻度に係る値又は、該値から所定の計算式によって算出された値に基づき、
該着目文字単位群をパラフレーズテーブルに記載するか否か、或いはパラフレーズテーブルへの記載の態様を決定する
請求項4又は5に記載の音声出力ソフトウェア。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001324097A JP3593563B2 (ja) | 2001-10-22 | 2001-10-22 | 話し言葉による音声出力装置及びソフトウェア |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001324097A JP3593563B2 (ja) | 2001-10-22 | 2001-10-22 | 話し言葉による音声出力装置及びソフトウェア |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003131679A JP2003131679A (ja) | 2003-05-09 |
JP3593563B2 true JP3593563B2 (ja) | 2004-11-24 |
Family
ID=19140889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001324097A Expired - Lifetime JP3593563B2 (ja) | 2001-10-22 | 2001-10-22 | 話し言葉による音声出力装置及びソフトウェア |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3593563B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185805A (ja) | 2007-01-30 | 2008-08-14 | Internatl Business Mach Corp <Ibm> | 高品質の合成音声を生成する技術 |
JP5625827B2 (ja) * | 2010-11-30 | 2014-11-19 | 富士通株式会社 | 形態素解析装置、音声合成装置、形態素解析方法及び形態素解析プログラム |
CN104239363A (zh) * | 2013-06-24 | 2014-12-24 | 上海能感物联网有限公司 | 非特定人外语语音现场实时查询指路机信息的方法 |
CN104252450A (zh) * | 2013-06-25 | 2014-12-31 | 上海能感物联网有限公司 | 外语文本现场实时查询指路机信息的方法 |
-
2001
- 2001-10-22 JP JP2001324097A patent/JP3593563B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2003131679A (ja) | 2003-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6249763B1 (en) | Speech recognition apparatus and method | |
US20020120451A1 (en) | Apparatus and method for providing information by speech | |
US6134528A (en) | Method device and article of manufacture for neural-network based generation of postlexical pronunciations from lexical pronunciations | |
US20070225977A1 (en) | System and method for diacritization of text | |
Dutoit | A short introduction to text-to-speech synthesis | |
Alsharhan et al. | Evaluating the effect of using different transcription schemes in building a speech recognition system for Arabic | |
Geneva et al. | Building an ASR corpus based on Bulgarian Parliament speeches | |
JP3593563B2 (ja) | 話し言葉による音声出力装置及びソフトウェア | |
RU2386178C2 (ru) | Способ предварительной обработки текста | |
JP3706758B2 (ja) | 自然言語処理方法,自然言語処理用記録媒体および音声合成装置 | |
Punchimudiyanse et al. | Unicode sinhala and phonetic english bi-directional conversion for sinhala speech recognizer | |
Veilleux | Computational models of the prosody/syntax mapping for spoken language systems | |
Akmuradov et al. | A novel algorithm for dividing uzbek language words into syllables for concatenative text-to-speech synthesizer | |
Safarik et al. | Unified approach to development of ASR systems for East Slavic languages | |
El-Imam et al. | Rules and algorithms for phonetic transcription of standard Malay | |
Kathol et al. | Speech translation for low-resource languages: the case of Pashto. | |
Kuzmin et al. | Transfer learning for the Russian language speech synthesis | |
Brixey et al. | ChoCo: a multimodal corpus of the Choctaw language | |
JP6998017B2 (ja) | 音声合成用データ生成装置、音声合成用データ生成方法及び音声合成システム | |
Arisoy et al. | Lattice extension and vocabulary adaptation for Turkish LVCSR | |
Akinwonmi | Development of a prosodic read speech syllabic corpus of the Yoruba language | |
Xydas et al. | Text normalization for the pronunciation of non-standard words in an inflected language | |
Carson-Berndsen | Multilingual time maps: portable phonotactic models for speech technology | |
Hendessi et al. | A speech synthesizer for Persian text using a neural network with a smooth ergodic HMM | |
Jeuguim et al. | YembaTones: A syllable-tone annotated dataset for speech recognition and prosodic analysis of the Yemba language |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040122 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20040416 |
|
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: 20040702 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 3593563 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
EXPY | Cancellation because of completion of term |