JP4082249B2 - コンテンツ配信システム - Google Patents
コンテンツ配信システム Download PDFInfo
- Publication number
- JP4082249B2 JP4082249B2 JP2003070717A JP2003070717A JP4082249B2 JP 4082249 B2 JP4082249 B2 JP 4082249B2 JP 2003070717 A JP2003070717 A JP 2003070717A JP 2003070717 A JP2003070717 A JP 2003070717A JP 4082249 B2 JP4082249 B2 JP 4082249B2
- Authority
- JP
- Japan
- Prior art keywords
- character string
- content
- phonetic symbol
- string
- read
- 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
- Telephonic Communication Services (AREA)
- Information Transfer Between Computers (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、音声を出力させるコンテンツを端末装置に配信する音声コンテンツ配信システムと、この音声コンテンツ配信システムに適用されるコンテンツ配信装置、音声情報変換装置、端末装置、コンテンツ配信プログラム、音声情報変換プログラムおよびコンテンツ出力プログラムに関する。
【０００２】
【従来の技術】
端末装置（以下、端末と記す。）にコンテンツを配信して、端末の使用者にコンテンツを閲覧させるサービスが普及している。コンテンツとしては、画像や文字等を端末に表示させるコンテンツが多い。しかし、音声を出力させるコンテンツを配信し、端末において音声を出力するシステムも種々提案されている。
【０００３】
例えば、特許文献１では、表音文字列を要求する記述を含むハイパーテキストをクライアントに送信するシステムが提案されている。特許文献１に記載のシステムにおいて、クライアントは、受信したハイパーテキスト内に表音文字列を要求する記述が含まれている場合、サーバに表音文字列を要求する。そして、クライアントは、サーバから表音文字列の情報を受信し、その表音文字列に従って音声を出力する。
【０００４】
また、特許文献２では、テキストデータ等の音声合成目的データを端末がダウンロードし、ダウンロードしたデータに基づいて、端末が音声を読み上げるシステムが提案されている。特許文献２には、端末の使用者が希望するキャラクタ音声の音素データを端末がダウンロードし、端末がそのキャラクタ音声でテキストデータ等を読み上げることについても記載されている。また、端末が音声合成処理プログラムや画像データをダウンロードする場合についても記載されている。
【０００５】
また、音声処理を行うためのマークアップ言語であるＶｏｉｃｅＸＭＬを利用したシステムも提案されている（例えば、特許文献３）。特許文献３に記載のシステムでは、ＶｏｉｃｅＸＭＬを利用した記述に基づいて、音声対話サーバが音声を生成し、その音声を電話回線を介して端末に送信する。また、音声対話サーバが音声と同期させて、画面表示データを端末に送信する。
【０００６】
以下の説明において、端末が出力音声を特定するためのデータを発音記号列と記す。
【０００７】
【特許文献１】
特開２００１−４３０６４号公報（段落００２４−０１３２、第１−２１図）
【０００８】
【特許文献２】
特開２００２−３２８６９４号公報（段落００３８−０１３２、第１−７４図）
【０００９】
【特許文献３】
特開２００２−３１８１３２号公報（段落００１６−００５１、第１−９図）
【００１０】
【発明が解決しようとする課題】
特許文献１に記載のシステムでは、クライアントは、サーバからハイパーテキストを受信し、そのハイパーテキスト内に表音文字列を要求する記述が含まれている場合、サーバに表音文字列を要求する。従って、クライアントは、コンテンツとなるハイパーテキストを受信しただけでは音声を出力できない。音声を出力する場合には、ハイパーテキストを受信した後、更にサーバに表音文字列を要求して表音文字列を受信する処理を行わなければならない。この結果、コンテンツとなるハイパーテキストを要求してから、音声の出力完了までに時間がかかってしまう。
【００１１】
また、端末の種類によっては、発音記号列（例えば、特許文献１における表音文字列）の仕様が異なる場合もある。例えば、携帯電話機を端末として用いる場合、通信会社Ａの携帯電話機と通信会社Ｂの携帯電話機とでは、発音記号列の仕様が異なる場合ある。コンテンツ提供者は、発音記号列の仕様が異なる複数の端末にコンテンツを提供しようとする場合、個々の仕様毎に発音記号列を作成しなければならない。このため、コンテンツ提供者の負担が大きくなってしまう。
【００１２】
例えば、通信会社Ａの携帯電話機の仕様では、「こんにちは」という音声を出力するためには「KONNICHIWA」という発音記号列を作成しなければならないとする。また、通信会社Ｂの携帯電話機の仕様では、「こんにちは」という音声を出力するためには「KON-NITIWA」という発音記号列を作成しなければならないとする。コンテンツ提供者が、「こんにちは」という音声を出力させるようなコンテンツを通信会社Ａ，Ｂそれぞれの携帯電話機に提供する場合、「KONNICHIWA」および「KON-NITIWA」という複数の発音記号列を作成しておかなければならず、発音記号列を作成する負担が大きかった。
【００１３】
特許文献１や特許文献２に記載のシステムでは、このようなコンテンツ提供者の負担は考慮されていない。そのため、発音記号列の仕様が異なる複数種類の端末にコンテンツを提供する場合、コンテンツ提供者の負担を軽減させることはできない。
【００１４】
また、特許文献２に記載の端末は、音声に合致する画像を表示する場合、画像データを音声のデータとは別個にダウンロードしなければならない。また、特許文献３に記載のＶｏｉｃｅＸＭＬを利用したシステムでは、音声対話サーバが音声に同期させて画面データを端末に送信しなければならない。
【００１５】
そこで、本発明は、コンテンツを受信した端末が音声を出力するまでの時間を短縮することを目的とする。また、発音記号列の仕様が異なる複数種類の端末にコンテンツを提供する場合に、コンテンツ提供者の負担を軽減させることを目的とする。
【００１６】
【課題を解決するための手段】
本発明によるコンテンツ配信システムは、コンテンツデータを配信するコンテンツ配信装置と、コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置とを備えたコンテンツ配信システムであって、コンテンツ配信装置は、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、端末装置は、コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、発音記号列に基づいて音声を出力する出力手段とを備え、前記コンテンツ置換手段は、前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、前記読み上げ文字列を発音記号列に変換する変換手段と、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出することを特徴とする。
【００１８】
コンテンツ入力手段が、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段が、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、変換手段が、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００１９】
また、本発明によるコンテンツ配信システムは、コンテンツデータを配信するコンテンツ配信装置と、前記コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置と、音声として読み上げられるべき文字列である読み上げ文字列を発音記号列に変換する音声情報変換装置とを備えたコンテンツ配信システムであって、前記コンテンツ配信装置は、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、前記コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、前記端末装置は、前記コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、前記コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、前記発音記号列に基づいて音声を出力する出力手段とを備え、前記コンテンツ置換手段は、前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、前記読み上げ文字列を前記音声情報変換装置に送信する読み上げ文字列送信手段と、前記音声情報変換装置から発音記号列を受信し、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、前記音声情報変換装置は、前記コンテンツ配信装置から読み上げ文字列を受信し、前記読み上げ文字列を発音記号列に変換する変換手段と、前記発音記号列を前記コンテンツ配信装置に送信する発音記号列送信手段とを備え、前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出することを特徴とする。そのような構成によれば、音声情報変換装置に処理が分散され、コンテンツ配信サーバの処理負荷を軽減させることができる。
【００２０】
コンテンツ入力手段が、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段が、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、読み上げ文字列送信手段が、読み上げ文字列と仕様情報を音声情報変換装置に送信し、変換手段が、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００２９】
また、本発明によるコンテンツ配信装置は、端末装置にコンテンツデータを配信するコンテンツ配信装置であって、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する変換手段と、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えたことを特徴とする。
【００３０】
コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、変換手段は、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００３１】
また、本発明によるコンテンツ配信装置は、音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置であって、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、読み上げ文字列抽出手段が抽出した読み上げ文字列を音声情報変換装置に送信する読み上げ文字列送信手段と、読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えたことを特徴とする。
【００３２】
コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、読み上げ文字列送信手段は、読み上げ文字列と仕様情報を音声情報変換装置に送信することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００３９】
本発明によるコンテンツ配信プログラムは、端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、コンピュータに、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、およびコンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させることを特徴とする。
【００４０】
また、本発明によるコンテンツ配信プログラムは、音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、コンピュータに、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、および読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させることを特徴とする。
【００４４】
【発明の実施の形態】
以下、本発明の実施の形態を図面を参照して説明する。
【００４５】
実施の形態１．
図１は、本発明による音声コンテンツ配信システムの第１の実施の形態を示すブロック図である。図１に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）１と端末１１とを備える。コンテンツサーバ１と端末１１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、通信ネットワーク２１はインターネットに限定されない。例えば、通信ネットワーク２１は、ＬＡＮ、ＷＡＮ等であってもよい。
【００４６】
コンテンツサーバ１は、発音記号列を含むコンテンツのデータを端末１１に送信する情報処理装置である。コンテンツは、マークアップ言語によって記述される。以下、マークアップ言語によって記述されたコンテンツのデータをコンテンツデータと記す。端末１１は、コンテンツサーバ１からコンテンツデータを受信し、コンテンツデータに含まれる発音記号列に基づいて音声を出力する。また、端末１１は、コンテンツデータの記述に従って画像を表示してもよい。
【００４７】
なお、コンテンツデータに記述される発音記号列は、音素文字の文字列であっても、音節文字の文字列であってもよい。
【００４８】
図１では一台の端末１１を示したが、コンテンツサーバ１に複数の端末１１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ１に接続されてもよい。
【００４９】
コンテンツサーバ１に入力されるコンテンツデータは、端末１１において音声として読み上げられるべき文字列（以下、読み上げ文字列と記す。）を含む。読み上げ文字列は、コンテンツが配信される端末１１の発音記号列の仕様に従って記述される必要はない。例えば、端末１１が発音記号列の仕様として「ローマ字綴りであること」を要求している場合であっても、読み上げ文字列は漢字や仮名等で記述されていてよい。また、複数種類の端末がそれぞれ異なる発音記号列の仕様を要求している場合であっても、読み上げ文字列は各仕様に従っていなくてよい。コンテンツサーバ１は、読み上げ文字列が記述されたコンテンツデータの入力を受け付けると、コンテンツデータ内の読み上げ文字列を、指定された仕様の発音記号列に置換する。その後、コンテンツサーバ１は、端末１１からの要求に応じてコンテンツデータを送信する。
【００５０】
なお、コンテンツデータにおいて、読み上げ文字列として記述される文字列は、その文字列が読み上げ文字列であることを示すタグとともに記述される。さらに、その読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報も、読み上げ文字列およびタグとともに記述される。
【００５１】
また、読み上げ文字列が発音記号列に置換された場合、発音記号列として記述される文字列は、その文字列が発音記号列であることを示すタグとともに記述される。
【００５２】
図１に示すコンテンツ入力部２は、コンテンツ提供者から、コンテンツデータの入力を受け付ける。読み上げ文字列抽出置換部３は、入力されるコンテンツデータの中から読み上げ文字列および識別情報を抽出する処理や、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理を行う。変換部４は、読み上げ文字列に含まれる個々の文字や単語と発音記号列との対応関係を示す辞書データを記憶する記憶装置（図１において図示せず。）を含む。この記憶装置は、発音記号列の各仕様毎に辞書データを記憶する。変換部４は、この辞書データを用いて、読み上げ文字列から発音記号列への変換処理を行う。変換部４は、どの仕様に従う発音記号列に変換すべきかを識別情報に基づいて判定する。読み上げ文字列抽出置換部３は、変換部４によって変換された発音記号列を用いて、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。コンテンツ送信部５は、端末１１からの要求に応じて、置換後のコンテンツデータを端末１１に送信する。
【００５３】
端末１１におけるコンテンツ受信部１２は、コンテンツサーバ１からコンテンツデータを受信する。発音記号列抽出部１３は、コンテンツ受信部１２が受信したコンテンツデータの中から発音記号列を抽出する。音声生成部１４は、発音記号列抽出部１３が抽出した発音記号列に基づいて音声信号を生成する。音声出力部１５は、音声生成部１３が生成した音声信号に基づいて音声を出力する。なお、端末１１は、コンテンツを表示する表示部（ディスプレイ装置）を備えていてもよい。
【００５４】
図２は、本発明の第１の実施の形態の具体的な構成例を示すブロック図である。図２において、コンテンツサーバ１の制御部６は、記憶装置７が記憶するコンテンツ配信プログラムに従って処理を実行する。具体的には、制御部６は、コンテンツデータの入力受け付け処理、コンテンツデータの中から読み上げ文字列および識別情報を抽出する処理、その読み上げ文字列から発音記号列への変換処理、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理、端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部８は、インターネット２１を介してコンテンツデータの送受信を行う。記憶装置７は、コンテンツ配信プログラムのほかに、辞書データを記憶する。また、一時記憶装置９は、コンテンツデータから抽出される読み上げ文字列、識別情報や、変換処理によって得られる発音記号列を一時的に記憶する記憶装置である。
【００５５】
なお、制御部６は、例えば、インターネット２１およびネットワークインタフェース部８を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信することにより、コンテンツデータの入力を受け付ける。
【００５６】
記憶装置７は、コンピュータに、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、およびコンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させるためのコンテンツ配信プログラムを記憶する。
【００５７】
また、端末１１の制御部１６は、記憶装置１７が記憶するコンテンツ出力プログラムに従って処理を実行する。具体的には、制御部１６は、コンテンツサーバ１からのコンテンツデータ受信処理、コンテンツデータからの発音記号列抽出処理、音声記号列に基づく音声信号生成処理、音声を出力させる処理を実行する。ネットワークインタフェース部８は、インターネット２１を介して、コンテンツデータの要求の送信や、コンテンツデータの受信を行う。音声出力装置１９は、スピーカ等の音声出力装置であり、音声を出力する。一時記憶装置２０は、受信したコンテンツデータや、コンテンツデータから抽出される発音記号列を一時的に記憶する記憶装置である。
【００５８】
記憶装置１７は、コンピュータに、出力音声を特定するためのデータである発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信する処理、コンテンツデータから発音記号列を抽出する処理、および発音記号列に基づいて音声を出力する処理を実行させるためのコンテンツ出力プログラムを記憶する。
【００５９】
音声コンテンツ配信システムを図２に示すような構成とした場合、読み上げ文字列抽出置換部３は、コンテンツサーバ１の制御部６によって実現される。変換部４は、記憶装置７および制御部６によって実現される。コンテンツ入力部２およびコンテンツ送信部５は、制御部６およびネットワークインタフェース部８によって実現される。また、発音記号列抽出部１３および音声生成部１４は、端末１１の制御部１６によって実現される。コンテンツ受信部１２は、制御部１６およびネットワークインタフェース部１８によって実現される。音声出力部１５は、音声出力装置１７によって実現される。
【００６０】
次に、動作について説明する。
図３は、コンテンツサーバ１の動作の例を示す流れ図である。コンテンツサーバ１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付ける（ステップＳ１０１）。例えば、インターネット２１を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信する。
【００６１】
コンテンツサーバ１に入力されるコンテンツデータには、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述される。図４は、コンテンツサーバ１に入力されるコンテンツデータの例を示す説明図である。図４に示す例において、「TTP 」は、次に記述される識別情報の後から「/ 」まで続く文字列が読み上げ文字列であることを示すタグである。「TTP 」の次に記述される「phoneme="Type1" 」は、識別情報が「Type1 」であることを示す記述である。従って図４に示す例では、「phoneme="Type1" 」と「/>」との間に記述された「ご訪問ありがとうございます」という文字列が読み上げ文字列になる。なお、コンテンツデータは、読み上げ文字列以外の記述を含んでいてもよい。例えば、ＨＴＭＬ（Hypertext Markup Language ）と同様のタグとともに、画像や文字列の表示を指定する記述を含んでいてもよい。図４では、ＨＴＭＬと同様の言語で記載される場合を示したが、画像や文字列の表示を指定する記述は、ＨＴＭＬ以外のマークアップ言語で記述されてもよい。
【００６２】
ステップＳ１０１において、コンテンツ入力部２は、入力されたコンテンツデータを、記憶装置７（図１において図示せず。）に記憶させる。
【００６３】
続いて、読み上げ文字列抽出置換部３は、コンテンツ入力部２に入力されて記憶装置７に記憶されたコンテンツデータから読み上げ文字列および識別情報を抽出する（ステップＳ１０２）。このとき、読み上げ文字列抽出置換部３は、読み上げ文字列を示すタグ（例えば、図４に示す「TTP 」）とともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。ステップＳ１０２において、読み上げ文字列抽出置換部３は、抽出した識別情報および読み上げ文字列を一時記憶装置９（図１において図示せず。）に記憶させる。
【００６４】
続いて、変換部４は、読み上げ文字列抽出置換部３によって抽出されて一時記憶装置９に記憶された読み上げ文字列を発音記号列に変換する（ステップＳ１０３）。このとき、変換部４は、一時記憶装置９に記憶された識別情報に基づいて、どの辞書データを用いて変換すればよいのかを判定する。そして、変換部４は、識別情報に応じた辞書データを用いて、読み上げ文字列に含まれる各文字や単語を、対応する発音記号列に変換すればよい。例えば、図４に例示する「Type1 」という識別情報に応じた辞書データでは、「ご」と「GO」、「訪問」と「HOUMON」等の対応関係が示されているとする。この場合、変換部４は、「Type1 」に応じた辞書データを用いて、「ご訪問ありがとうございます」という読み上げ文字列を「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列に変換する。以下、読み上げ文字列から発音記号列への変換処理をＴＴＰ（Text-to-Phoneme）処理と記す。ステップＳ１０３において、変換部４は、読み上げ文字列から変換した発音記号列を一時記憶装置９に記憶させる。
【００６５】
なお、ステップＳ１０３におけるＴＴＰ処理は、ステップＳ１０２で抽出した読み上げ文字列を発音記号列に変換する処理である。従って、コンテンツデータ自体は、ステップＳ１０３では変更されない。
【００６６】
次に、読み上げ文字列抽出置換部３は、記憶装置７に記憶されたコンテンツデータ内の読み上げ文字列を、ＴＴＰ処理で得られた発音記号列（一時記憶装置９に記憶される発音記号列）に置換する（ステップＳ１０４）。ステップＳ１０４において、読み上げ文字列抽出置換部３は、読み上げ文字列を示すタグとともに記述された文字列を発音記号文字列に置換すればよい。また、このとき、読み上げ文字列抽出置換部３は、識別情報を示す記述（例えば、図４に示す「phoneme="Type1" 」）を削除し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する。
【００６７】
図５は、置換後のコンテンツデータの例を示す説明図である。図５に示す例において、「PTS 」は、「/ 」まで続く文字列が発音記号列であることを示すタグである。図４に示す読み上げ文字列「ご訪問ありがとうございます」は、発音記号列「GOHOUMON ARIGATOU GOZAIMASU 」に置換される。また、識別情報を示す記述「phoneme="Type1" 」は削除され、読み上げ文字列を示すタグ「TTP 」は、発音記号列を示すタグ「PTS」に置換される。この結果、図５に例示するコンテンツデータが得られる。
【００６８】
読み上げ文字列抽出置換部３は、置換後のコンテンツデータを記憶装置７に記憶させておく。その後、コンテンツ送信部５は、端末１１からコンテンツデータの要求を受け付けた場合、インターネット２１を介して、置換後のコンテンツデータを端末１１に送信する（ステップＳ１０５）。
【００６９】
図６は、端末１１の動作の例を示す流れ図である。端末１１の使用者は、端末１１の仕様に従う発音記号列を含むコンテンツデータを要求するように端末１１を操作する。端末１１のコンテンツ受信部１２は、この操作に応じて、コンテンツサーバ１にコンテンツデータを要求する。そして、コンテンツ受信部１２は、要求したコンテンツデータをコンテンツサーバ１から受信する（ステップＳ１１１）。このコンテンツデータは、例えば、図５に示すような発音記号列を含む。ステップＳ１１１において、コンテンツ受信部１２は、受信したコンテンツデータを一時記憶装置２０（図１において図示せず。）に記憶させる。
【００７０】
発音記号列抽出部１３は、一時記憶装置２０に記憶されたコンテンツデータから発音記号列を抽出する（ステップＳ１１２）。このとき、発音記号列抽出部１３は、発音記号列を示すタグ（例えば、図５に示す「PTS 」）とともに記述されている文字列を発音記号列として抽出すればよい。ステップＳ１１２において、発音記号抽出部１３は、抽出した発音記号列を一時記憶装置２０に記憶させる。
【００７１】
音声生成部１４は、一時記憶装置２０に記憶された発音記号列に基づいて、出力すべき音声の音声信号を生成する（ステップＳ１１３）。以下、この音声信号生成処理をＰＴＳ（Pheneme-to-Speech）処理と記す。音声生成部１４は、生成した音声信号を音声出力部１５に出力し、音声出力部１５に音声を出力させる（ステップＳ１１４）。例えば、ステップＳ１１２において「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列を抽出した場合、音声生成部１４は、この記号列に基づいて、「ご訪問ありがとうございます」という発声に対応する音声信号を生成する。そして、その音声信号を音声出力部１５に出力し、音声出力部１５に「ご訪問ありがとうございます」という音声を出力させる。
【００７２】
本実施の形態に示す音声コンテンツ配信システムによれば、コンテンツサーバは、読み上げ文字列を含むコンテンツデータが入力されると、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。そして、置換後のコンテンツデータを端末１１に送信する。従って、端末１１は、コンテンツデータを受信したときに、すぐに音声を出力することができる。よって、コンテンツデータを受信した端末が音声を出力するまでの時間を短縮することができる。
【００７３】
また、コンテンツサーバ１は、読み上げ文字列を、識別情報によって指定される発音記号列に変換する。従って、発音記号列の仕様が異なる複数の端末にコンテンツを提供しようとする場合であっても、コンテンツ提供者は、各仕様毎に発音記号列を記述する必要はなく、各仕様を指定する識別情報を読み上げ文字列とともに記述すればよい。例えば、ステップＳ１０１〜Ｓ１０５の説明では、「ご訪問ありがとうございます」という読み上げ文字列を「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列に変換する場合を示した。図４に示す「Type1 」の代わりに他の識別情報（例えば「Type2 」）が記述されたコンテンツデータが入力された場合、コンテンツサーバ１は、「ご訪問ありがとうございます」を他の仕様に従った発音記号列に置換する。このように、コンテンツ提供者は、「GOHOUMON ARIGATOU GOZAIMASU 」等の個々の仕様に沿う発音記号列を記述する必要はなく、「Type1 」等の識別情報を記述すればよい。従って、コンテンツ提供者の負担を軽減させることができる。
【００７４】
また、ＴＴＰ処理は、コンテンツサーバ１が行う。従って、端末１１が読み上げ文字列から発音記号列への変換処理を行う必要はないので、端末１１の処理を簡易化し、端末１１の生産コストを低くすることができる。また、発音記号列を含むコンテンツデータ内に画像等の表示を指定する記述が含まれていれば、端末１１は、その記述に従って画像等を表示すればよい。従って、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。また、コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【００７５】
本実施の形態において、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。この場合、変換部４は、読み上げ文字列を所定の仕様に従う発音記号列に変換してよい。
【００７６】
また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。例えば、読み上げ文字列を示すタグとして「TTP 」、「TTPX」等の複数種類のタグを用い、所望の仕様毎に読み上げ文字列を示すタグを変えてもよい。この場合、読み上げ文字列抽出置換部３は、ステップＳ１０２において、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、一時記憶装置に記憶させればよい。そして、変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【００７７】
本実施の形態において、コンテンツ入力手段は、コンテンツ入力部２に相当する。コンテンツ置換手段は、読み上げ文字列抽出置換部３および変換部４に相当する。そして、読み上げ文字列抽出手段および置換手段は、読み上げ文字列抽出置換部３に相当し、変換手段は、変換部４に相当する。
【００７８】
また、コンテンツ受信手段は、コンテンツ受信部１２に相当する。発音記号列抽出手段は、発音記号列抽出部１３に相当する。出力手段は、音声生成部１４および音声出力部１５に相当する。
【００７９】
実施の形態２．
本実施の形態では、コンテンツサーバとは別に設けられる変換サーバがＴＴＰ処理（読み上げ文字列から発音記号列への変換処理）を行う。図７は、本発明による音声コンテンツ配信システムの第２の実施の形態を示すブロック図である。第１の実施の形態と同様の構成部は、図１と同一の符合を付し、説明を省略する。図７に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）３１と変換サーバ（音声情報変換装置）４１と端末１１とを備える。コンテンツサーバ３１と変換サーバ４１と端末１１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、第１の実施の形態と同様、通信ネットワーク２１はインターネットに限定されない。また、コンテンツサーバ３１と端末１１とを接続する通信ネットワークと、コンテンツサーバ３１と変換サーバ４１とを接続する通信ネットワークとが異なっていてもよい。
【００８０】
第１の実施の形態と同様、コンテンツサーバ３１に複数の端末１１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ３１に接続されてもよい。
【００８１】
コンテンツサーバ３１には、図１に示すコンテンツサーバ１と同様に、読み上げ文字列を示すタグ、識別情報、および読み上げ文字列を含むコンテンツデータが入力される。そして、コンテンツサーバ３１は、読み上げ文字列が発音記号列に置換されたコンテンツデータを端末１１に送信する。ただし、コンテンツサーバ３１は、ＴＴＰ処理を行わず、変換サーバ４１がＴＴＰ処理を実行する。
【００８２】
コンテンツサーバ３１において、読み上げ文字列抽出置換部３２は、コンテンツ入力部２に入力されたコンテンツデータの中から読み上げ文字列や識別情報を抽出して変換サーバ４１に送信する。また、読み上げ文字列抽出置換部３２は、変換サーバ４１から発音記号列を受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。
【００８３】
変換サーバ４１の読み上げ文字列受信部４２は、読み上げ文字列抽出置換部３２から読み上げ文字列および識別情報を受信する。変換部４は、第１の実施の形態で示した変換部４と同様に、辞書データを記憶する記憶装置（図７において図示せず。）を含む。この記憶装置は、発音記号列の各仕様毎に辞書データを記憶する。そして、変換部４は、どの仕様に従う発音記号列に変換すべきかを識別情報に基づいて判定し、ＴＴＰ処理を行う。発音記号列送信部４３は、変換部４によって変換された発音記号列を読み上げ文字列抽出置換部３２に送信する。
【００８４】
端末１１の構成は、第一の実施の形態の端末の構成と同様である。
【００８５】
図８は、本発明の第２の実施の形態の具体的な構成例を示すブロック図である。図８において、コンテンツサーバ３１の制御部３６は、記憶装置３７が記憶するコンテンツ配信プログラムに従って処理を実行する。具体的には、制御部３６は、コンテンツデータの入力受け付け処理、コンテンツデータの中から読み上げ文字列や識別情報を抽出して変換サーバ４１に送信する処理、変換サーバ４１から発音記号列を受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理、端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部３８は、インターネット２１を介してコンテンツデータの送受信を行う。また、一時記憶装置３９は、コンテンツデータから抽出される読み上げ文字列、識別情報や、変換サーバから受信する発音記号列を一時的に記憶する記憶装置である。なお、制御部３６は、例えば、インターネット２１およびネットワークインタフェース部３８を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信することにより、コンテンツデータの入力を受け付ける。
【００８６】
記憶装置３７は、コンピュータに、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、および読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させるためのコンテンツ配信プログラムを記憶する。
【００８７】
また、変換サーバ４１の制御部４６は、記憶装置４７が記憶する音声情報変換プログラムに従って処理を実行する。具体的には、制御部４６は、読み上げ文字列および識別情報の受信処理、ＴＴＰ処理、ＴＴＰ処理によって得た発音記号列の送信処理を実行する。ネットワークインタフェース部４８は、インターネット２１を介して、データ（例えば、読み上げ文字列、識別情報、発音記号列）を送受信する。記憶装置４７は、音声情報変換プログラムのほかに、辞書データを記憶する。一時記憶装置４９は、コンテンツサーバから受信する読み上げ文字列、識別情報や、ＴＴＰ処理によって得られる発音記号列を一時的に記憶する記憶装置である。
【００８８】
記憶装置４７は、コンピュータに、通信ネットワークを介して接続される情報処理装置から、音声として読み上げられるべき文字列である読み上げ文字列を受信する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、および発音記号列を情報処理装置に送信する処理を実行させるための音声情報変換プログラムを記憶する。
【００８９】
図８に示す端末１１の構成の例は、図２に示す場合と同様である。
【００９０】
音声コンテンツ配信システムを図８に示すような構成とした場合、読み上げ文字列抽出置換部３２、コンテンツ入力部２およびコンテンツ送信部５は、コンテンツサーバ３１の制御部３６およびネットワークインタフェース部３８によって実現される。また、読み上げ文字列受信部４２および発音記号列送信部４３は、変換サーバ４１の制御部４６およびネットワークインタフェース部４８によって実現される。変換部４は、制御部４６および記憶装置４７によって実現される。
【００９１】
次に、動作について説明する。
図９は、コンテンツサーバ３１および変換サーバ４１の動作の例を示す流れ図である。コンテンツサーバ３１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付け、そのコンテンツデータを記憶装置３７（図７において図示せず。）に記憶させる。（ステップＳ１２１）。この処理は、ステップＳ１０１と同様の処理である。第一の実施の形態と同様、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述されたコンテンツデータが入力される。
【００９２】
読み上げ文字列抽出置換部３２は、コンテンツ入力部２に入力されて記憶装置３７に記憶されたコンテンツデータから、読み上げ文字列および識別情報を抽出し、一時記憶装置３９（図７において図示せず。）に記憶させる。このとき読み上げ文字列抽出置換部３２は、読み上げ文字列を示すタグとともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。読み上げ文字列抽出置換部３２は、一時記憶装置３９に記憶させた読み上げ文字列および識別情報を、インターネット２１を介して変換サーバ４１に送信する（ステップＳ１２２）。
【００９３】
なお、読み上げ文字列抽出置換部３２は、予め変換サーバ４１のアドレス情報を記憶装置に記憶しておけばよい。そして、ステップＳ１２２では、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。あるいは、コンテンツ提供者が、読み上げ文字列を示すタグ、識別情報、読み上げ文字列とともに、変換サーバ４１のアドレス情報をコンテンツデータ中に記述しておいてもよい。この場合、読み上げ文字列抽出置換部３２は、コンテンツデータからアドレス情報を抽出し、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。
【００９４】
変換サーバ４１の読み上げ文字列受信部４２は、読み上げ文字列および識別情報を受信すると、一時記憶装置４９（図８において図示せず。）に記憶させる。
【００９５】
変換部４は、一時記憶装置４９に記憶された識別情報に基づいて、使用すべき辞書データを判定する。そして、その辞書データを用いて、読み上げ文字列受信部４２から送られる読み上げ文字列を発音記号列に変換する（ステップＳ１２３）。このＴＴＰ処理は、ステップＳ１０３と同様の処理である。変換部４は、変換した発音記号列を一時記憶装置４９に記憶させる。発音記号列送信部４３は、その発音記号列を、インターネット２１を介してコンテンツサーバ３１に送信する（ステップＳ１２４）。
【００９６】
コンテンツサーバ３１の読み上げ文字列抽出置換部３２は、変換サーバ４１が送信した発音記号列を受信し、一時記憶装置３９に記憶させる。続いて、読み上げ文字列抽出置換部３２は、その発音記号列を用いて、記憶装置３７に記憶されたコンテンツデータ内の読み上げ文字列を発音記号列に置換する（ステップＳ１２５）。読み上げ文字列抽出置換部３２は、読み上げ文字列を示すタグとともに記述された文字列を発音記号文字列に置換すればよい。また、このとき、読み上げ文字列抽出置換部３は、識別情報を示す記述（例えば、図４に示す「phoneme="Type1" 」）を削除し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する。
【００９７】
読み上げ文字列抽出置換部３２は、置換後のコンテンツデータを記憶装置３７に記憶させておく。その後、コンテンツ送信部５は、端末１１からの要求に応じて、置換後のコンテンツデータを端末１１に送信する（ステップＳ１２６）。ステップＳ１２６の処理は、ステップＳ１０５の処理と同様の処理である。
【００９８】
端末１１がコンテンツサーバ３１からコンテンツデータを受信して、音声を出力する際の動作は、第１の実施の形態と同様である。
【００９９】
本実施の形態においても、コンテンツサーバ３２は、入力されたコンテンツデータ内の読み上げ文字列を発音記号列に置換し、置換後のコンテンツデータを端末１１に送信する。従って、コンテンツデータを受信した端末が音声を出力するまでの時間を短縮することができる。また、コンテンツサーバ３１が、読み上げ文字列を、識別情報によって指定される発音記号列に変換する。従って、コンテンツ提供者の負担を軽減させることができる。また、端末１１がステップＳ１２３のＴＴＰ処理を行う必要はないので、端末１１の処理を簡易化し、端末１１の生産コストを低くすることができる。また、端末１１は、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【０１００】
さらに、本実施の形態によれば、コンテンツデータの置換や配信を行うコンテンツサーバ３１と、ステップＳ１２３のＴＴＰ処理を実行する変換サーバ４１とを別々に設けたので、処理の分散化を図れる。特に、ＴＴＰ処理の処理負荷は大きいので、コンテンツサーバ３１における処理負荷を軽減させることができる。
【０１０１】
第１の実施の形態と同様に、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。この場合、読み上げ文字列抽出置換部３２は、ステップＳ１２２において、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、変換サーバ４１に送信すればよい。そして、変換サーバ４１の変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【０１０２】
本実施の形態において、音声記号列の仕様毎に変換サーバが設けられ、個々の変換サーバがそれぞれ特定の仕様に従ってＴＴＰ処理を行うように構成されていてもよい。この場合、コンテンツサーバ３１は、識別情報等によって指定された仕様に対応する変換サーバに読み上げ文字列を送信すればよい。
【０１０３】
本実施の形態において、コンテンツ入力手段は、コンテンツ入力部２に相当する。コンテンツ置換手段は、読み上げ文字列抽出置換部３２に相当する。そして、読み上げ文字列抽出手段、読み上げ文字列送信手段および変換手段も、読み上げ文字列抽出置換部３２に相当する。
【０１０４】
また、変換手段は、読み上げ文字列受信部４２および変換部４に相当する。発音記号列送信手段は、発音記号列送信部４３に相当する。
【０１０５】
また、コンテンツ受信手段は、コンテンツ受信部１２に相当する。発音記号列抽出手段は、発音記号列抽出部１３に相当する。出力手段は、音声生成部１４および音声出力部１５に相当する。
【０１０６】
実施の形態３．
本実施の形態では、端末は、読み上げ文字列が記述されたコンテンツデータを受信する。ただし、端末は、読み上げ文字列が記述されたコンテンツデータの他に、発音記号列が記述されたコンテンツデータも受信してよい。図１０は、本発明による音声コンテンツ配信システムの第３の実施の形態を示すブロック図である。第１または第２の実施の形態と同様の構成部は、図１または図７と同一の符合を付し、説明を省略する。図１０に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）５１と変換サーバ（音声情報変換装置）４１と端末６１とを備える。コンテンツサーバ５１と変換サーバ４１と端末６１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、第１の実施の形態と同様、通信ネットワーク２１はインターネットに限定されない。また、コンテンツサーバ５１と端末６１とを接続する通信ネットワークと、端末６１と変換サーバ４１とを接続する通信ネットワークとが異なっていてもよい。
【０１０７】
第１の実施の形態と同様、コンテンツサーバ５１に複数の端末６１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ５１に接続されてもよい。
【０１０８】
コンテンツサーバ５１には、読み上げ文字列を示すタグ、識別情報、および読み上げ文字列を含むコンテンツデータ（例えば、図４に例示するコンテンツデータ）が入力される。コンテンツサーバ５１は、そのコンテンツデータを、読み上げ文字列を含む状態のまま端末６１に送信する。端末６１は、このコンテンツデータを受信すると、変換サーバ４１にＴＴＰ処理を実行させ、その結果得られる発音記号列に基づいて音声を出力する。
【０１０９】
図１０では図示していないが、第１の実施の形態あるいは第２の実施の形態で示したコンテンツサーバが通信ネットワーク（本例ではインターネット２１）に接続されていてもよい。そして、端末６１は、このコンテンツサーバから、発音記号列を含むコンテンツデータを受信して、音声を出力してもよい。
【０１１０】
コンテンツサーバ５１において、コンテンツ入力部２は、第１の実施の形態と同様に、コンテンツ提供者から、コンテンツデータの入力を受け付ける。また、コンテンツ送信部５は、端末１１からの要求に応じて、コンテンツデータを端末１１に送信する。ただし、コンテンツ送信部５は、読み上げ文字列を含んだ状態のコンテンツデータを端末６１に送信する。
【０１１１】
変換サーバ４１の構成は、第２の実施の形態における変換サーバの構成と同様である。ただし、本実施の形態では、変換サーバ４１は、端末６１から読み上げ文字列および識別情報を受信し、その端末６１に発音記号列を送信する。
【０１１２】
端末１１において、データ抽出部６３は、コンテンツ受信部１２が受信したコンテンツデータの中から読み上げ文字列または発音記号列を抽出する。タイミング制御部６２は、データ抽出部６３がコンテンツデータから読み上げ文字列または発音記号列を抽出するタイミングを制御する。変換要求部６４は、データ抽出部６３が抽出した読み上げ文字列を変換サーバ４１に送信し、読み上げ文字列から発音記号列への変換（ＴＴＰ処理）を要求する。そして、変換要求部６４は、ＴＴＰ処理によって得られた発音記号列を変換サーバ４１から受信する。音声生成部６５は、変換要求部６４が受信した発音記号列またはデータ抽出部６３が抽出した発音記号列に基づいて音声信号を生成する。なお、端末６１は、コンテンツを表示する表示部（ディスプレイ装置）を備えていてもよい。
【０１１３】
図１１は、本発明の第３の実施の形態の具体的な構成例を示すブロック図である。図８において、コンテンツサーバ５１の制御部５６は、記憶装置５７が記憶するコンテンツ配信プログラムに従って、コンテンツデータの入力受付処理および端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部５８は、インターネット２１を介してコンテンツデータを送受信する。
【０１１４】
また、端末６１の制御部６６は、記憶装置６７が記憶するコンテンツ出力プログラムに従って処理を実行する。具体的には、制御部６６は、コンテンツサーバ５１からのコンテンツデータ受信処理、コンテンツデータから読み上げ文字列または発音記号列を抽出する処理、抽出した読み上げ文字列を変換サーバ４１に送信して変換サーバ４１から発音記号列を受信する処理、音声記号列に基づく音声信号生成処理、音声を出力させる処理を実行する。ネットワークインタフェース部６８は、インターネット２１を介して、コンテンツデータの要求の送信や、コンテンツデータの受信を行う。音声出力装置６９は、スピーカ等の音声出力装置であり、音声を出力する。一時記憶装置７０は、受信したコンテンツデータや、発音記号列を一時的に記憶する記憶装置である。
【０１１５】
記憶装置６７は、コンピュータに、コンテンツ配信装置から、読み上げ文字列が記述されたコンテンツデータを受信する処理、コンテンツデータから読み上げ文字列を抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、読み上げ文字列から変換された発音記号列を音声情報変換装置から受信する処理、および発音記号列に基づいて音声を出力する処理を実行させるためのコンテンツ出力プログラムを記憶する。
【０１１６】
図１１に示す変換サーバ４１の構成の例は、図８に示す場合と同様である。
【０１１７】
音声コンテンツ配信システムを図１１に示すような構成とした場合、コンテンツ入力部２およびコンテンツ送信部５は、コンテンツサーバ５１の制御部５６およびネットワークインタフェース部５８によって実現される。また、コンテンツ受信部１２および変換要求部６４は、制御部６６およびネットワークインタフェース部６８によって実現される。また、タイミング制御部６２、データ抽出部６３および音声生成部６５は、制御部６６によって実現される。音声出力部１５は、音声出力装置６９によって実現される。
【０１１８】
次に、動作について説明する。
コンテンツサーバ５１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付け、そのコンテンツデータを記憶装置５７（図１０において図示せず。）に記憶させる。この処理は、ステップＳ１０１と同様の処理である。第一の実施の形態と同様、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述されたコンテンツデータが入力される。
【０１１９】
コンテンツ送信部５は、端末６１からコンテンツデータの要求を受け付けた場合、記憶装置５７に記憶されたコンテンツデータを端末１１に送信する。入力されたコンテンツデータは、置換等の処理を行われていない。従って、コンテンツ送信部５は、読み上げ文字列を示すタグと、識別情報と、読み上げ文字列とを含むコンテンツデータを送信する。
【０１２０】
図１２は、端末６１の動作の例を示す流れ図である。端末６１のコンテンツ受信部１２は、使用者の操作に応じて、コンテンツサーバ５１にコンテンツデータを要求する。あるいは、使用者の操作に応じて、第１の実施の形態あるいは第２の実施の形態と同様のコンテンツサーバ（図１０において図示せず。）に、発音記号列を含むコンテンツデータを要求してもよい。そして、コンテンツ受信部１２は、要求したコンテンツデータをコンテンツサーバから受信し、一時記憶装置７０（図１０において図示せず。）に記憶させる（ステップＳ１３１）。
【０１２１】
データ抽出部６３は、タイミング制御部６２の制御に従い、一時記憶装置７０に記憶されるコンテンツデータから読み上げ文字列または発音記号列を抽出する。タイミング制御部６２は、例えば、コンテンツ受信部１２がコンテンツデータを受信した直後（ステップＳ１３１の直後）に、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。あるいは、コンテンツデータを受信後に、使用者によって音声出力を指示する操作が行われたときに、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。また、コンテンツデータに基づいて表示部に画像等を表示させてから所定期間後に、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。
【０１２２】
データ抽出部６３は、コンテンツデータから読み上げ文字列または発音記号列を抽出する際、まず、コンテンツデータに読み上げ文字列が含まれているのか、発音記号列が含まれているのかを判定する（ステップＳ１３２）。データ抽出部６３は、コンテンツデータに、読み上げ文字列を示すタグが記述されていれば、読み上げ文字列が含まれていると判定する。また、発音記号列を示すタグが記述されていれば、発音記号列が含まれていると判定する。
【０１２３】
データ抽出部６３は、読み上げ文字列が含まれていると判定した場合、コンテンツデータから読み上げ文字列および識別情報を抽出し、一時記憶装置７０に記憶させる。このときデータ抽出部６３は、読み上げ文字列を示すタグとともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。
【０１２４】
変換要求部６４は、一時記憶装置７０に記憶された読み上げ文字列および識別情報を、インターネット２１を介して変換サーバ４１に送信する（ステップＳ１３３）。
【０１２５】
なお、変換要求部６４は、予め変換サーバ４１のアドレス情報を記憶装置に記憶しておけばよい。そして、ステップＳ１３３では、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。あるいは、コンテンツ提供者が、読み上げ文字列を示すタグ、識別情報、読み上げ文字列とともに、変換サーバ４１のアドレス情報も記述したデータをコンテンツサーバ５１に入力しておいてもよい。この場合、データ抽出部６３がコンテンツデータからアドレス情報を抽出し、変換要求部６４は、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。
【０１２６】
変換サーバ４１の読み上げ文字列受信部４２は、端末６１から読み上げ文字列および識別情報を受信する。そして、変換部４は、ＴＴＰ処理を実行し、受信した読み上げ文字列を発音記号列に変換する（ステップＳ１３４）。そして、その発音記号列を端末６１に送信する（ステップＳ１３５）。変換サーバ４１が読み上げ文字列および識別情報を受信してから、発音記号列を送信するまでの動作は、第２の実施の形態における変換サーバ４１の動作と同様である。
【０１２７】
ステップＳ１３５において、端末６１の変換要求部６４は、変換サーバ４１が送信した発音記号列を受信し、一時記憶装置７０に記憶させる。
【０１２８】
また、データ抽出部６３は、コンテンツデータに発音記号列が含まれていると判定した場合（ステップＳ１３２）、コンテンツデータから発音記号列を抽出し、一時記憶装置７０に記憶させる（ステップＳ１３６）。
【０１２９】
音声生成部６５は、ステップＳ１３５またはステップＳ１３６において、一時記憶装置７０に記憶された発音記号列に基づいてＰＴＳ処理（音声信号生成処理）を実行する（ステップＳ１３７）。音声生成部６５は、生成した音声信号をを音声出力部１５に出力し、音声出力部１５に音声を出力させる（ステップＳ１３８）。
【０１３０】
本実施の形態によれば、端末６１は、発音記号列を含むコンテンツデータを受信した場合だけでなく、読み上げ文字列を含むコンテンツを受信した場合にも、音声を出力することができる。
【０１３１】
また、端末６１は、発音記号列を含むコンテンツデータを受信した場合には、その発音記号列に基づいて音声を出力するので、音声を出力するまでの時間を短縮できる。また、コンテンツ提供者は、各仕様毎に発音記号列を記述しなくてよいので、コンテンツ提供者の負担を軽減させることができる。また、端末１１は、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【０１３２】
第３の実施の形態において、コンテンツサーバ５１には、読み上げ文字列と発音記号列の双方が記述されたコンテンツデータが入力されてもよい。このコンテンツデータにおいて、読み上げ文字列は、読み上げ文字列を示すタグおよび識別情報とともに記述され、発音記号列は、発音記号列を示すタグとともに記述される。読み上げ文字列と発音記号列の双方が記述されたコンテンツデータを端末６１が受信した場合、データ抽出部６２は、発音記号列を示すタグとともに記述されている文字列を発音記号列として抽出する。また、読み上げ文字列を示すタグとともに記述されている文字列を読み上げ文字列として抽出し、また、識別情報も抽出する。変換要求部６４は、読み上げ文字列および識別情報を変換サーバ４１に送信し、変換サーバ４１から発音記号列を受信する。音声生成部６５は、コンテンツデータから抽出された発音記号列および変換サーバ４１から受信した発音記号列から音声信号を生成する。
【０１３３】
なお、第１の実施の形態と同様に、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。この場合、ステップＳ１３３において、データ抽出部６３は、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、変換要求部６４は、このタグと読み上げ文字列を変換サーバ４１に送信すればよい。そして、変換サーバ４１の変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【０１３４】
また、本実施の形態において、音声記号列の仕様毎に変換サーバ４１が設けられ、個々の変換サーバ４１がそれぞれ特定の仕様に従ってＴＴＰ処理を行うように構成されていてもよい。この場合、端末６１は、識別情報等によって指定された仕様に対応する変換サーバに読み上げ文字列を送信すればよい。
【０１３５】
本実施の形態において、コンテンツ受信手段は、コンテンツ受信部１２に相当する。コンテンツ出力手段は、データ抽出部６３、変換要求部６４、音声生成部６５および音声出力部１５に相当する。そして、データ抽出手段はデータ抽出部６３に相当し、送受信手段は変換要求部６４に相当し、出力手段は音声生成部６５および音声出力部１５に相当する。タイミング制御手段は、タイミング制御部６２に相当する。
【０１３６】
また、変換手段は、読み上げ文字列受信部４２および変換部４に相当する。発音記号列送信手段は、発音記号列送信部４３に相当する。
【０１３７】
【発明の効果】
本発明によれば、コンテンツ配信装置が、音声として読み上げられるべき文字列である読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、端末装置が、コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、発音記号列に基づいて音声を出力する出力手段とを備えているので、コンテンツを受信した端末が音声を出力するまでの時間を短縮できる。
【図面の簡単な説明】
【図１】 本発明の第１の実施の形態を示すブロック図である。
【図２】 第１の実施の形態の具体的な構成例を示すブロック図である。
【図３】 コンテンツサーバの動作の例を示す流れ図である。
【図４】 コンテンツサーバに入力されるコンテンツデータの例を示す説明図である。
【図５】 置換後のコンテンツデータの例を示す説明図である。
【図６】 端末の動作の例を示す流れ図である。
【図７】 本発明の第２の実施の形態を示すブロック図である。
【図８】 第２の実施の形態の具体的な構成例を示すブロック図である。
【図９】 コンテンツサーバおよび変換サーバの動作の例を示す流れ図である。
【図１０】 本発明の第３の実施の形態を示すブロック図である。
【図１１】 第３の実施の形態の具体的な構成例を示すブロック図である。
【図１２】 端末および変換サーバの動作の例を示す流れ図である。
【符号の説明】
１ コンテンツサーバ
２ コンテンツ入力部
３ 読み上げ文字列抽出置換部
４ 変換部
５ コンテンツ送信部
１１ 端末装置
１２ コンテンツ受信部
１３ 発音記号列抽出部
１４ 音声生成部
１５ 音声出力部
２１ 通信ネットワーク
【発明の属する技術分野】
本発明は、音声を出力させるコンテンツを端末装置に配信する音声コンテンツ配信システムと、この音声コンテンツ配信システムに適用されるコンテンツ配信装置、音声情報変換装置、端末装置、コンテンツ配信プログラム、音声情報変換プログラムおよびコンテンツ出力プログラムに関する。
【０００２】
【従来の技術】
端末装置（以下、端末と記す。）にコンテンツを配信して、端末の使用者にコンテンツを閲覧させるサービスが普及している。コンテンツとしては、画像や文字等を端末に表示させるコンテンツが多い。しかし、音声を出力させるコンテンツを配信し、端末において音声を出力するシステムも種々提案されている。
【０００３】
例えば、特許文献１では、表音文字列を要求する記述を含むハイパーテキストをクライアントに送信するシステムが提案されている。特許文献１に記載のシステムにおいて、クライアントは、受信したハイパーテキスト内に表音文字列を要求する記述が含まれている場合、サーバに表音文字列を要求する。そして、クライアントは、サーバから表音文字列の情報を受信し、その表音文字列に従って音声を出力する。
【０００４】
また、特許文献２では、テキストデータ等の音声合成目的データを端末がダウンロードし、ダウンロードしたデータに基づいて、端末が音声を読み上げるシステムが提案されている。特許文献２には、端末の使用者が希望するキャラクタ音声の音素データを端末がダウンロードし、端末がそのキャラクタ音声でテキストデータ等を読み上げることについても記載されている。また、端末が音声合成処理プログラムや画像データをダウンロードする場合についても記載されている。
【０００５】
また、音声処理を行うためのマークアップ言語であるＶｏｉｃｅＸＭＬを利用したシステムも提案されている（例えば、特許文献３）。特許文献３に記載のシステムでは、ＶｏｉｃｅＸＭＬを利用した記述に基づいて、音声対話サーバが音声を生成し、その音声を電話回線を介して端末に送信する。また、音声対話サーバが音声と同期させて、画面表示データを端末に送信する。
【０００６】
以下の説明において、端末が出力音声を特定するためのデータを発音記号列と記す。
【０００７】
【特許文献１】
特開２００１−４３０６４号公報（段落００２４−０１３２、第１−２１図）
【０００８】
【特許文献２】
特開２００２−３２８６９４号公報（段落００３８−０１３２、第１−７４図）
【０００９】
【特許文献３】
特開２００２−３１８１３２号公報（段落００１６−００５１、第１−９図）
【００１０】
【発明が解決しようとする課題】
特許文献１に記載のシステムでは、クライアントは、サーバからハイパーテキストを受信し、そのハイパーテキスト内に表音文字列を要求する記述が含まれている場合、サーバに表音文字列を要求する。従って、クライアントは、コンテンツとなるハイパーテキストを受信しただけでは音声を出力できない。音声を出力する場合には、ハイパーテキストを受信した後、更にサーバに表音文字列を要求して表音文字列を受信する処理を行わなければならない。この結果、コンテンツとなるハイパーテキストを要求してから、音声の出力完了までに時間がかかってしまう。
【００１１】
また、端末の種類によっては、発音記号列（例えば、特許文献１における表音文字列）の仕様が異なる場合もある。例えば、携帯電話機を端末として用いる場合、通信会社Ａの携帯電話機と通信会社Ｂの携帯電話機とでは、発音記号列の仕様が異なる場合ある。コンテンツ提供者は、発音記号列の仕様が異なる複数の端末にコンテンツを提供しようとする場合、個々の仕様毎に発音記号列を作成しなければならない。このため、コンテンツ提供者の負担が大きくなってしまう。
【００１２】
例えば、通信会社Ａの携帯電話機の仕様では、「こんにちは」という音声を出力するためには「KONNICHIWA」という発音記号列を作成しなければならないとする。また、通信会社Ｂの携帯電話機の仕様では、「こんにちは」という音声を出力するためには「KON-NITIWA」という発音記号列を作成しなければならないとする。コンテンツ提供者が、「こんにちは」という音声を出力させるようなコンテンツを通信会社Ａ，Ｂそれぞれの携帯電話機に提供する場合、「KONNICHIWA」および「KON-NITIWA」という複数の発音記号列を作成しておかなければならず、発音記号列を作成する負担が大きかった。
【００１３】
特許文献１や特許文献２に記載のシステムでは、このようなコンテンツ提供者の負担は考慮されていない。そのため、発音記号列の仕様が異なる複数種類の端末にコンテンツを提供する場合、コンテンツ提供者の負担を軽減させることはできない。
【００１４】
また、特許文献２に記載の端末は、音声に合致する画像を表示する場合、画像データを音声のデータとは別個にダウンロードしなければならない。また、特許文献３に記載のＶｏｉｃｅＸＭＬを利用したシステムでは、音声対話サーバが音声に同期させて画面データを端末に送信しなければならない。
【００１５】
そこで、本発明は、コンテンツを受信した端末が音声を出力するまでの時間を短縮することを目的とする。また、発音記号列の仕様が異なる複数種類の端末にコンテンツを提供する場合に、コンテンツ提供者の負担を軽減させることを目的とする。
【００１６】
【課題を解決するための手段】
本発明によるコンテンツ配信システムは、コンテンツデータを配信するコンテンツ配信装置と、コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置とを備えたコンテンツ配信システムであって、コンテンツ配信装置は、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、端末装置は、コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、発音記号列に基づいて音声を出力する出力手段とを備え、前記コンテンツ置換手段は、前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、前記読み上げ文字列を発音記号列に変換する変換手段と、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出することを特徴とする。
【００１８】
コンテンツ入力手段が、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段が、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、変換手段が、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００１９】
また、本発明によるコンテンツ配信システムは、コンテンツデータを配信するコンテンツ配信装置と、前記コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置と、音声として読み上げられるべき文字列である読み上げ文字列を発音記号列に変換する音声情報変換装置とを備えたコンテンツ配信システムであって、前記コンテンツ配信装置は、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、前記コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、前記端末装置は、前記コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、前記コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、前記発音記号列に基づいて音声を出力する出力手段とを備え、前記コンテンツ置換手段は、前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、前記読み上げ文字列を前記音声情報変換装置に送信する読み上げ文字列送信手段と、前記音声情報変換装置から発音記号列を受信し、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、前記音声情報変換装置は、前記コンテンツ配信装置から読み上げ文字列を受信し、前記読み上げ文字列を発音記号列に変換する変換手段と、前記発音記号列を前記コンテンツ配信装置に送信する発音記号列送信手段とを備え、前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出することを特徴とする。そのような構成によれば、音声情報変換装置に処理が分散され、コンテンツ配信サーバの処理負荷を軽減させることができる。
【００２０】
コンテンツ入力手段が、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段が、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、読み上げ文字列送信手段が、読み上げ文字列と仕様情報を音声情報変換装置に送信し、変換手段が、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００２９】
また、本発明によるコンテンツ配信装置は、端末装置にコンテンツデータを配信するコンテンツ配信装置であって、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する変換手段と、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えたことを特徴とする。
【００３０】
コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、変換手段は、読み上げ文字列を、仕様情報が示す仕様に応じた発音記号列に変換することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００３１】
また、本発明によるコンテンツ配信装置は、音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置であって、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、読み上げ文字列抽出手段が抽出した読み上げ文字列を音声情報変換装置に送信する読み上げ文字列送信手段と、読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えたことを特徴とする。
【００３２】
コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、読み上げ文字列送信手段は、読み上げ文字列と仕様情報を音声情報変換装置に送信することが好ましい。そのような構成によれば、コンテンツ提供者は、各仕様に応じた発音記号列を記述しなくてよいので、コンテンツ提供者の負担が軽減される。
【００３９】
本発明によるコンテンツ配信プログラムは、端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、コンピュータに、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、およびコンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させることを特徴とする。
【００４０】
また、本発明によるコンテンツ配信プログラムは、音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、コンピュータに、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、および読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させることを特徴とする。
【００４４】
【発明の実施の形態】
以下、本発明の実施の形態を図面を参照して説明する。
【００４５】
実施の形態１．
図１は、本発明による音声コンテンツ配信システムの第１の実施の形態を示すブロック図である。図１に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）１と端末１１とを備える。コンテンツサーバ１と端末１１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、通信ネットワーク２１はインターネットに限定されない。例えば、通信ネットワーク２１は、ＬＡＮ、ＷＡＮ等であってもよい。
【００４６】
コンテンツサーバ１は、発音記号列を含むコンテンツのデータを端末１１に送信する情報処理装置である。コンテンツは、マークアップ言語によって記述される。以下、マークアップ言語によって記述されたコンテンツのデータをコンテンツデータと記す。端末１１は、コンテンツサーバ１からコンテンツデータを受信し、コンテンツデータに含まれる発音記号列に基づいて音声を出力する。また、端末１１は、コンテンツデータの記述に従って画像を表示してもよい。
【００４７】
なお、コンテンツデータに記述される発音記号列は、音素文字の文字列であっても、音節文字の文字列であってもよい。
【００４８】
図１では一台の端末１１を示したが、コンテンツサーバ１に複数の端末１１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ１に接続されてもよい。
【００４９】
コンテンツサーバ１に入力されるコンテンツデータは、端末１１において音声として読み上げられるべき文字列（以下、読み上げ文字列と記す。）を含む。読み上げ文字列は、コンテンツが配信される端末１１の発音記号列の仕様に従って記述される必要はない。例えば、端末１１が発音記号列の仕様として「ローマ字綴りであること」を要求している場合であっても、読み上げ文字列は漢字や仮名等で記述されていてよい。また、複数種類の端末がそれぞれ異なる発音記号列の仕様を要求している場合であっても、読み上げ文字列は各仕様に従っていなくてよい。コンテンツサーバ１は、読み上げ文字列が記述されたコンテンツデータの入力を受け付けると、コンテンツデータ内の読み上げ文字列を、指定された仕様の発音記号列に置換する。その後、コンテンツサーバ１は、端末１１からの要求に応じてコンテンツデータを送信する。
【００５０】
なお、コンテンツデータにおいて、読み上げ文字列として記述される文字列は、その文字列が読み上げ文字列であることを示すタグとともに記述される。さらに、その読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報も、読み上げ文字列およびタグとともに記述される。
【００５１】
また、読み上げ文字列が発音記号列に置換された場合、発音記号列として記述される文字列は、その文字列が発音記号列であることを示すタグとともに記述される。
【００５２】
図１に示すコンテンツ入力部２は、コンテンツ提供者から、コンテンツデータの入力を受け付ける。読み上げ文字列抽出置換部３は、入力されるコンテンツデータの中から読み上げ文字列および識別情報を抽出する処理や、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理を行う。変換部４は、読み上げ文字列に含まれる個々の文字や単語と発音記号列との対応関係を示す辞書データを記憶する記憶装置（図１において図示せず。）を含む。この記憶装置は、発音記号列の各仕様毎に辞書データを記憶する。変換部４は、この辞書データを用いて、読み上げ文字列から発音記号列への変換処理を行う。変換部４は、どの仕様に従う発音記号列に変換すべきかを識別情報に基づいて判定する。読み上げ文字列抽出置換部３は、変換部４によって変換された発音記号列を用いて、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。コンテンツ送信部５は、端末１１からの要求に応じて、置換後のコンテンツデータを端末１１に送信する。
【００５３】
端末１１におけるコンテンツ受信部１２は、コンテンツサーバ１からコンテンツデータを受信する。発音記号列抽出部１３は、コンテンツ受信部１２が受信したコンテンツデータの中から発音記号列を抽出する。音声生成部１４は、発音記号列抽出部１３が抽出した発音記号列に基づいて音声信号を生成する。音声出力部１５は、音声生成部１３が生成した音声信号に基づいて音声を出力する。なお、端末１１は、コンテンツを表示する表示部（ディスプレイ装置）を備えていてもよい。
【００５４】
図２は、本発明の第１の実施の形態の具体的な構成例を示すブロック図である。図２において、コンテンツサーバ１の制御部６は、記憶装置７が記憶するコンテンツ配信プログラムに従って処理を実行する。具体的には、制御部６は、コンテンツデータの入力受け付け処理、コンテンツデータの中から読み上げ文字列および識別情報を抽出する処理、その読み上げ文字列から発音記号列への変換処理、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理、端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部８は、インターネット２１を介してコンテンツデータの送受信を行う。記憶装置７は、コンテンツ配信プログラムのほかに、辞書データを記憶する。また、一時記憶装置９は、コンテンツデータから抽出される読み上げ文字列、識別情報や、変換処理によって得られる発音記号列を一時的に記憶する記憶装置である。
【００５５】
なお、制御部６は、例えば、インターネット２１およびネットワークインタフェース部８を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信することにより、コンテンツデータの入力を受け付ける。
【００５６】
記憶装置７は、コンピュータに、音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、およびコンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させるためのコンテンツ配信プログラムを記憶する。
【００５７】
また、端末１１の制御部１６は、記憶装置１７が記憶するコンテンツ出力プログラムに従って処理を実行する。具体的には、制御部１６は、コンテンツサーバ１からのコンテンツデータ受信処理、コンテンツデータからの発音記号列抽出処理、音声記号列に基づく音声信号生成処理、音声を出力させる処理を実行する。ネットワークインタフェース部８は、インターネット２１を介して、コンテンツデータの要求の送信や、コンテンツデータの受信を行う。音声出力装置１９は、スピーカ等の音声出力装置であり、音声を出力する。一時記憶装置２０は、受信したコンテンツデータや、コンテンツデータから抽出される発音記号列を一時的に記憶する記憶装置である。
【００５８】
記憶装置１７は、コンピュータに、出力音声を特定するためのデータである発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信する処理、コンテンツデータから発音記号列を抽出する処理、および発音記号列に基づいて音声を出力する処理を実行させるためのコンテンツ出力プログラムを記憶する。
【００５９】
音声コンテンツ配信システムを図２に示すような構成とした場合、読み上げ文字列抽出置換部３は、コンテンツサーバ１の制御部６によって実現される。変換部４は、記憶装置７および制御部６によって実現される。コンテンツ入力部２およびコンテンツ送信部５は、制御部６およびネットワークインタフェース部８によって実現される。また、発音記号列抽出部１３および音声生成部１４は、端末１１の制御部１６によって実現される。コンテンツ受信部１２は、制御部１６およびネットワークインタフェース部１８によって実現される。音声出力部１５は、音声出力装置１７によって実現される。
【００６０】
次に、動作について説明する。
図３は、コンテンツサーバ１の動作の例を示す流れ図である。コンテンツサーバ１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付ける（ステップＳ１０１）。例えば、インターネット２１を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信する。
【００６１】
コンテンツサーバ１に入力されるコンテンツデータには、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述される。図４は、コンテンツサーバ１に入力されるコンテンツデータの例を示す説明図である。図４に示す例において、「TTP 」は、次に記述される識別情報の後から「/ 」まで続く文字列が読み上げ文字列であることを示すタグである。「TTP 」の次に記述される「phoneme="Type1" 」は、識別情報が「Type1 」であることを示す記述である。従って図４に示す例では、「phoneme="Type1" 」と「/>」との間に記述された「ご訪問ありがとうございます」という文字列が読み上げ文字列になる。なお、コンテンツデータは、読み上げ文字列以外の記述を含んでいてもよい。例えば、ＨＴＭＬ（Hypertext Markup Language ）と同様のタグとともに、画像や文字列の表示を指定する記述を含んでいてもよい。図４では、ＨＴＭＬと同様の言語で記載される場合を示したが、画像や文字列の表示を指定する記述は、ＨＴＭＬ以外のマークアップ言語で記述されてもよい。
【００６２】
ステップＳ１０１において、コンテンツ入力部２は、入力されたコンテンツデータを、記憶装置７（図１において図示せず。）に記憶させる。
【００６３】
続いて、読み上げ文字列抽出置換部３は、コンテンツ入力部２に入力されて記憶装置７に記憶されたコンテンツデータから読み上げ文字列および識別情報を抽出する（ステップＳ１０２）。このとき、読み上げ文字列抽出置換部３は、読み上げ文字列を示すタグ（例えば、図４に示す「TTP 」）とともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。ステップＳ１０２において、読み上げ文字列抽出置換部３は、抽出した識別情報および読み上げ文字列を一時記憶装置９（図１において図示せず。）に記憶させる。
【００６４】
続いて、変換部４は、読み上げ文字列抽出置換部３によって抽出されて一時記憶装置９に記憶された読み上げ文字列を発音記号列に変換する（ステップＳ１０３）。このとき、変換部４は、一時記憶装置９に記憶された識別情報に基づいて、どの辞書データを用いて変換すればよいのかを判定する。そして、変換部４は、識別情報に応じた辞書データを用いて、読み上げ文字列に含まれる各文字や単語を、対応する発音記号列に変換すればよい。例えば、図４に例示する「Type1 」という識別情報に応じた辞書データでは、「ご」と「GO」、「訪問」と「HOUMON」等の対応関係が示されているとする。この場合、変換部４は、「Type1 」に応じた辞書データを用いて、「ご訪問ありがとうございます」という読み上げ文字列を「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列に変換する。以下、読み上げ文字列から発音記号列への変換処理をＴＴＰ（Text-to-Phoneme）処理と記す。ステップＳ１０３において、変換部４は、読み上げ文字列から変換した発音記号列を一時記憶装置９に記憶させる。
【００６５】
なお、ステップＳ１０３におけるＴＴＰ処理は、ステップＳ１０２で抽出した読み上げ文字列を発音記号列に変換する処理である。従って、コンテンツデータ自体は、ステップＳ１０３では変更されない。
【００６６】
次に、読み上げ文字列抽出置換部３は、記憶装置７に記憶されたコンテンツデータ内の読み上げ文字列を、ＴＴＰ処理で得られた発音記号列（一時記憶装置９に記憶される発音記号列）に置換する（ステップＳ１０４）。ステップＳ１０４において、読み上げ文字列抽出置換部３は、読み上げ文字列を示すタグとともに記述された文字列を発音記号文字列に置換すればよい。また、このとき、読み上げ文字列抽出置換部３は、識別情報を示す記述（例えば、図４に示す「phoneme="Type1" 」）を削除し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する。
【００６７】
図５は、置換後のコンテンツデータの例を示す説明図である。図５に示す例において、「PTS 」は、「/ 」まで続く文字列が発音記号列であることを示すタグである。図４に示す読み上げ文字列「ご訪問ありがとうございます」は、発音記号列「GOHOUMON ARIGATOU GOZAIMASU 」に置換される。また、識別情報を示す記述「phoneme="Type1" 」は削除され、読み上げ文字列を示すタグ「TTP 」は、発音記号列を示すタグ「PTS」に置換される。この結果、図５に例示するコンテンツデータが得られる。
【００６８】
読み上げ文字列抽出置換部３は、置換後のコンテンツデータを記憶装置７に記憶させておく。その後、コンテンツ送信部５は、端末１１からコンテンツデータの要求を受け付けた場合、インターネット２１を介して、置換後のコンテンツデータを端末１１に送信する（ステップＳ１０５）。
【００６９】
図６は、端末１１の動作の例を示す流れ図である。端末１１の使用者は、端末１１の仕様に従う発音記号列を含むコンテンツデータを要求するように端末１１を操作する。端末１１のコンテンツ受信部１２は、この操作に応じて、コンテンツサーバ１にコンテンツデータを要求する。そして、コンテンツ受信部１２は、要求したコンテンツデータをコンテンツサーバ１から受信する（ステップＳ１１１）。このコンテンツデータは、例えば、図５に示すような発音記号列を含む。ステップＳ１１１において、コンテンツ受信部１２は、受信したコンテンツデータを一時記憶装置２０（図１において図示せず。）に記憶させる。
【００７０】
発音記号列抽出部１３は、一時記憶装置２０に記憶されたコンテンツデータから発音記号列を抽出する（ステップＳ１１２）。このとき、発音記号列抽出部１３は、発音記号列を示すタグ（例えば、図５に示す「PTS 」）とともに記述されている文字列を発音記号列として抽出すればよい。ステップＳ１１２において、発音記号抽出部１３は、抽出した発音記号列を一時記憶装置２０に記憶させる。
【００７１】
音声生成部１４は、一時記憶装置２０に記憶された発音記号列に基づいて、出力すべき音声の音声信号を生成する（ステップＳ１１３）。以下、この音声信号生成処理をＰＴＳ（Pheneme-to-Speech）処理と記す。音声生成部１４は、生成した音声信号を音声出力部１５に出力し、音声出力部１５に音声を出力させる（ステップＳ１１４）。例えば、ステップＳ１１２において「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列を抽出した場合、音声生成部１４は、この記号列に基づいて、「ご訪問ありがとうございます」という発声に対応する音声信号を生成する。そして、その音声信号を音声出力部１５に出力し、音声出力部１５に「ご訪問ありがとうございます」という音声を出力させる。
【００７２】
本実施の形態に示す音声コンテンツ配信システムによれば、コンテンツサーバは、読み上げ文字列を含むコンテンツデータが入力されると、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。そして、置換後のコンテンツデータを端末１１に送信する。従って、端末１１は、コンテンツデータを受信したときに、すぐに音声を出力することができる。よって、コンテンツデータを受信した端末が音声を出力するまでの時間を短縮することができる。
【００７３】
また、コンテンツサーバ１は、読み上げ文字列を、識別情報によって指定される発音記号列に変換する。従って、発音記号列の仕様が異なる複数の端末にコンテンツを提供しようとする場合であっても、コンテンツ提供者は、各仕様毎に発音記号列を記述する必要はなく、各仕様を指定する識別情報を読み上げ文字列とともに記述すればよい。例えば、ステップＳ１０１〜Ｓ１０５の説明では、「ご訪問ありがとうございます」という読み上げ文字列を「GOHOUMON ARIGATOU GOZAIMASU 」という発音記号列に変換する場合を示した。図４に示す「Type1 」の代わりに他の識別情報（例えば「Type2 」）が記述されたコンテンツデータが入力された場合、コンテンツサーバ１は、「ご訪問ありがとうございます」を他の仕様に従った発音記号列に置換する。このように、コンテンツ提供者は、「GOHOUMON ARIGATOU GOZAIMASU 」等の個々の仕様に沿う発音記号列を記述する必要はなく、「Type1 」等の識別情報を記述すればよい。従って、コンテンツ提供者の負担を軽減させることができる。
【００７４】
また、ＴＴＰ処理は、コンテンツサーバ１が行う。従って、端末１１が読み上げ文字列から発音記号列への変換処理を行う必要はないので、端末１１の処理を簡易化し、端末１１の生産コストを低くすることができる。また、発音記号列を含むコンテンツデータ内に画像等の表示を指定する記述が含まれていれば、端末１１は、その記述に従って画像等を表示すればよい。従って、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。また、コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【００７５】
本実施の形態において、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。この場合、変換部４は、読み上げ文字列を所定の仕様に従う発音記号列に変換してよい。
【００７６】
また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。例えば、読み上げ文字列を示すタグとして「TTP 」、「TTPX」等の複数種類のタグを用い、所望の仕様毎に読み上げ文字列を示すタグを変えてもよい。この場合、読み上げ文字列抽出置換部３は、ステップＳ１０２において、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、一時記憶装置に記憶させればよい。そして、変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【００７７】
本実施の形態において、コンテンツ入力手段は、コンテンツ入力部２に相当する。コンテンツ置換手段は、読み上げ文字列抽出置換部３および変換部４に相当する。そして、読み上げ文字列抽出手段および置換手段は、読み上げ文字列抽出置換部３に相当し、変換手段は、変換部４に相当する。
【００７８】
また、コンテンツ受信手段は、コンテンツ受信部１２に相当する。発音記号列抽出手段は、発音記号列抽出部１３に相当する。出力手段は、音声生成部１４および音声出力部１５に相当する。
【００７９】
実施の形態２．
本実施の形態では、コンテンツサーバとは別に設けられる変換サーバがＴＴＰ処理（読み上げ文字列から発音記号列への変換処理）を行う。図７は、本発明による音声コンテンツ配信システムの第２の実施の形態を示すブロック図である。第１の実施の形態と同様の構成部は、図１と同一の符合を付し、説明を省略する。図７に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）３１と変換サーバ（音声情報変換装置）４１と端末１１とを備える。コンテンツサーバ３１と変換サーバ４１と端末１１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、第１の実施の形態と同様、通信ネットワーク２１はインターネットに限定されない。また、コンテンツサーバ３１と端末１１とを接続する通信ネットワークと、コンテンツサーバ３１と変換サーバ４１とを接続する通信ネットワークとが異なっていてもよい。
【００８０】
第１の実施の形態と同様、コンテンツサーバ３１に複数の端末１１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ３１に接続されてもよい。
【００８１】
コンテンツサーバ３１には、図１に示すコンテンツサーバ１と同様に、読み上げ文字列を示すタグ、識別情報、および読み上げ文字列を含むコンテンツデータが入力される。そして、コンテンツサーバ３１は、読み上げ文字列が発音記号列に置換されたコンテンツデータを端末１１に送信する。ただし、コンテンツサーバ３１は、ＴＴＰ処理を行わず、変換サーバ４１がＴＴＰ処理を実行する。
【００８２】
コンテンツサーバ３１において、読み上げ文字列抽出置換部３２は、コンテンツ入力部２に入力されたコンテンツデータの中から読み上げ文字列や識別情報を抽出して変換サーバ４１に送信する。また、読み上げ文字列抽出置換部３２は、変換サーバ４１から発音記号列を受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換する。
【００８３】
変換サーバ４１の読み上げ文字列受信部４２は、読み上げ文字列抽出置換部３２から読み上げ文字列および識別情報を受信する。変換部４は、第１の実施の形態で示した変換部４と同様に、辞書データを記憶する記憶装置（図７において図示せず。）を含む。この記憶装置は、発音記号列の各仕様毎に辞書データを記憶する。そして、変換部４は、どの仕様に従う発音記号列に変換すべきかを識別情報に基づいて判定し、ＴＴＰ処理を行う。発音記号列送信部４３は、変換部４によって変換された発音記号列を読み上げ文字列抽出置換部３２に送信する。
【００８４】
端末１１の構成は、第一の実施の形態の端末の構成と同様である。
【００８５】
図８は、本発明の第２の実施の形態の具体的な構成例を示すブロック図である。図８において、コンテンツサーバ３１の制御部３６は、記憶装置３７が記憶するコンテンツ配信プログラムに従って処理を実行する。具体的には、制御部３６は、コンテンツデータの入力受け付け処理、コンテンツデータの中から読み上げ文字列や識別情報を抽出して変換サーバ４１に送信する処理、変換サーバ４１から発音記号列を受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換する処理、端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部３８は、インターネット２１を介してコンテンツデータの送受信を行う。また、一時記憶装置３９は、コンテンツデータから抽出される読み上げ文字列、識別情報や、変換サーバから受信する発音記号列を一時的に記憶する記憶装置である。なお、制御部３６は、例えば、インターネット２１およびネットワークインタフェース部３８を介して、コンテンツ提供者の端末（図示せず。）からコンテンツデータを受信することにより、コンテンツデータの入力を受け付ける。
【００８６】
記憶装置３７は、コンピュータに、読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付ける処理、コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、および読み上げ文字列から変換された発音記号列を音声情報変換装置から受信し、コンテンツデータ内の読み上げ文字列を発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理を実行させるためのコンテンツ配信プログラムを記憶する。
【００８７】
また、変換サーバ４１の制御部４６は、記憶装置４７が記憶する音声情報変換プログラムに従って処理を実行する。具体的には、制御部４６は、読み上げ文字列および識別情報の受信処理、ＴＴＰ処理、ＴＴＰ処理によって得た発音記号列の送信処理を実行する。ネットワークインタフェース部４８は、インターネット２１を介して、データ（例えば、読み上げ文字列、識別情報、発音記号列）を送受信する。記憶装置４７は、音声情報変換プログラムのほかに、辞書データを記憶する。一時記憶装置４９は、コンテンツサーバから受信する読み上げ文字列、識別情報や、ＴＴＰ処理によって得られる発音記号列を一時的に記憶する記憶装置である。
【００８８】
記憶装置４７は、コンピュータに、通信ネットワークを介して接続される情報処理装置から、音声として読み上げられるべき文字列である読み上げ文字列を受信する処理、読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、および発音記号列を情報処理装置に送信する処理を実行させるための音声情報変換プログラムを記憶する。
【００８９】
図８に示す端末１１の構成の例は、図２に示す場合と同様である。
【００９０】
音声コンテンツ配信システムを図８に示すような構成とした場合、読み上げ文字列抽出置換部３２、コンテンツ入力部２およびコンテンツ送信部５は、コンテンツサーバ３１の制御部３６およびネットワークインタフェース部３８によって実現される。また、読み上げ文字列受信部４２および発音記号列送信部４３は、変換サーバ４１の制御部４６およびネットワークインタフェース部４８によって実現される。変換部４は、制御部４６および記憶装置４７によって実現される。
【００９１】
次に、動作について説明する。
図９は、コンテンツサーバ３１および変換サーバ４１の動作の例を示す流れ図である。コンテンツサーバ３１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付け、そのコンテンツデータを記憶装置３７（図７において図示せず。）に記憶させる。（ステップＳ１２１）。この処理は、ステップＳ１０１と同様の処理である。第一の実施の形態と同様、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述されたコンテンツデータが入力される。
【００９２】
読み上げ文字列抽出置換部３２は、コンテンツ入力部２に入力されて記憶装置３７に記憶されたコンテンツデータから、読み上げ文字列および識別情報を抽出し、一時記憶装置３９（図７において図示せず。）に記憶させる。このとき読み上げ文字列抽出置換部３２は、読み上げ文字列を示すタグとともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。読み上げ文字列抽出置換部３２は、一時記憶装置３９に記憶させた読み上げ文字列および識別情報を、インターネット２１を介して変換サーバ４１に送信する（ステップＳ１２２）。
【００９３】
なお、読み上げ文字列抽出置換部３２は、予め変換サーバ４１のアドレス情報を記憶装置に記憶しておけばよい。そして、ステップＳ１２２では、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。あるいは、コンテンツ提供者が、読み上げ文字列を示すタグ、識別情報、読み上げ文字列とともに、変換サーバ４１のアドレス情報をコンテンツデータ中に記述しておいてもよい。この場合、読み上げ文字列抽出置換部３２は、コンテンツデータからアドレス情報を抽出し、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。
【００９４】
変換サーバ４１の読み上げ文字列受信部４２は、読み上げ文字列および識別情報を受信すると、一時記憶装置４９（図８において図示せず。）に記憶させる。
【００９５】
変換部４は、一時記憶装置４９に記憶された識別情報に基づいて、使用すべき辞書データを判定する。そして、その辞書データを用いて、読み上げ文字列受信部４２から送られる読み上げ文字列を発音記号列に変換する（ステップＳ１２３）。このＴＴＰ処理は、ステップＳ１０３と同様の処理である。変換部４は、変換した発音記号列を一時記憶装置４９に記憶させる。発音記号列送信部４３は、その発音記号列を、インターネット２１を介してコンテンツサーバ３１に送信する（ステップＳ１２４）。
【００９６】
コンテンツサーバ３１の読み上げ文字列抽出置換部３２は、変換サーバ４１が送信した発音記号列を受信し、一時記憶装置３９に記憶させる。続いて、読み上げ文字列抽出置換部３２は、その発音記号列を用いて、記憶装置３７に記憶されたコンテンツデータ内の読み上げ文字列を発音記号列に置換する（ステップＳ１２５）。読み上げ文字列抽出置換部３２は、読み上げ文字列を示すタグとともに記述された文字列を発音記号文字列に置換すればよい。また、このとき、読み上げ文字列抽出置換部３は、識別情報を示す記述（例えば、図４に示す「phoneme="Type1" 」）を削除し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する。
【００９７】
読み上げ文字列抽出置換部３２は、置換後のコンテンツデータを記憶装置３７に記憶させておく。その後、コンテンツ送信部５は、端末１１からの要求に応じて、置換後のコンテンツデータを端末１１に送信する（ステップＳ１２６）。ステップＳ１２６の処理は、ステップＳ１０５の処理と同様の処理である。
【００９８】
端末１１がコンテンツサーバ３１からコンテンツデータを受信して、音声を出力する際の動作は、第１の実施の形態と同様である。
【００９９】
本実施の形態においても、コンテンツサーバ３２は、入力されたコンテンツデータ内の読み上げ文字列を発音記号列に置換し、置換後のコンテンツデータを端末１１に送信する。従って、コンテンツデータを受信した端末が音声を出力するまでの時間を短縮することができる。また、コンテンツサーバ３１が、読み上げ文字列を、識別情報によって指定される発音記号列に変換する。従って、コンテンツ提供者の負担を軽減させることができる。また、端末１１がステップＳ１２３のＴＴＰ処理を行う必要はないので、端末１１の処理を簡易化し、端末１１の生産コストを低くすることができる。また、端末１１は、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【０１００】
さらに、本実施の形態によれば、コンテンツデータの置換や配信を行うコンテンツサーバ３１と、ステップＳ１２３のＴＴＰ処理を実行する変換サーバ４１とを別々に設けたので、処理の分散化を図れる。特に、ＴＴＰ処理の処理負荷は大きいので、コンテンツサーバ３１における処理負荷を軽減させることができる。
【０１０１】
第１の実施の形態と同様に、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。この場合、読み上げ文字列抽出置換部３２は、ステップＳ１２２において、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、変換サーバ４１に送信すればよい。そして、変換サーバ４１の変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【０１０２】
本実施の形態において、音声記号列の仕様毎に変換サーバが設けられ、個々の変換サーバがそれぞれ特定の仕様に従ってＴＴＰ処理を行うように構成されていてもよい。この場合、コンテンツサーバ３１は、識別情報等によって指定された仕様に対応する変換サーバに読み上げ文字列を送信すればよい。
【０１０３】
本実施の形態において、コンテンツ入力手段は、コンテンツ入力部２に相当する。コンテンツ置換手段は、読み上げ文字列抽出置換部３２に相当する。そして、読み上げ文字列抽出手段、読み上げ文字列送信手段および変換手段も、読み上げ文字列抽出置換部３２に相当する。
【０１０４】
また、変換手段は、読み上げ文字列受信部４２および変換部４に相当する。発音記号列送信手段は、発音記号列送信部４３に相当する。
【０１０５】
また、コンテンツ受信手段は、コンテンツ受信部１２に相当する。発音記号列抽出手段は、発音記号列抽出部１３に相当する。出力手段は、音声生成部１４および音声出力部１５に相当する。
【０１０６】
実施の形態３．
本実施の形態では、端末は、読み上げ文字列が記述されたコンテンツデータを受信する。ただし、端末は、読み上げ文字列が記述されたコンテンツデータの他に、発音記号列が記述されたコンテンツデータも受信してよい。図１０は、本発明による音声コンテンツ配信システムの第３の実施の形態を示すブロック図である。第１または第２の実施の形態と同様の構成部は、図１または図７と同一の符合を付し、説明を省略する。図１０に示す音声コンテンツ配信システムは、コンテンツサーバ（コンテンツ配信装置）５１と変換サーバ（音声情報変換装置）４１と端末６１とを備える。コンテンツサーバ５１と変換サーバ４１と端末６１とは、通信ネットワーク２１を介して接続される。以下、通信ネットワーク２１がインターネットである場合を例に説明するが、第１の実施の形態と同様、通信ネットワーク２１はインターネットに限定されない。また、コンテンツサーバ５１と端末６１とを接続する通信ネットワークと、端末６１と変換サーバ４１とを接続する通信ネットワークとが異なっていてもよい。
【０１０７】
第１の実施の形態と同様、コンテンツサーバ５１に複数の端末６１が接続されてもよい。さらに、発音記号列の仕様が異なる複数種類の端末がコンテンツサーバ５１に接続されてもよい。
【０１０８】
コンテンツサーバ５１には、読み上げ文字列を示すタグ、識別情報、および読み上げ文字列を含むコンテンツデータ（例えば、図４に例示するコンテンツデータ）が入力される。コンテンツサーバ５１は、そのコンテンツデータを、読み上げ文字列を含む状態のまま端末６１に送信する。端末６１は、このコンテンツデータを受信すると、変換サーバ４１にＴＴＰ処理を実行させ、その結果得られる発音記号列に基づいて音声を出力する。
【０１０９】
図１０では図示していないが、第１の実施の形態あるいは第２の実施の形態で示したコンテンツサーバが通信ネットワーク（本例ではインターネット２１）に接続されていてもよい。そして、端末６１は、このコンテンツサーバから、発音記号列を含むコンテンツデータを受信して、音声を出力してもよい。
【０１１０】
コンテンツサーバ５１において、コンテンツ入力部２は、第１の実施の形態と同様に、コンテンツ提供者から、コンテンツデータの入力を受け付ける。また、コンテンツ送信部５は、端末１１からの要求に応じて、コンテンツデータを端末１１に送信する。ただし、コンテンツ送信部５は、読み上げ文字列を含んだ状態のコンテンツデータを端末６１に送信する。
【０１１１】
変換サーバ４１の構成は、第２の実施の形態における変換サーバの構成と同様である。ただし、本実施の形態では、変換サーバ４１は、端末６１から読み上げ文字列および識別情報を受信し、その端末６１に発音記号列を送信する。
【０１１２】
端末１１において、データ抽出部６３は、コンテンツ受信部１２が受信したコンテンツデータの中から読み上げ文字列または発音記号列を抽出する。タイミング制御部６２は、データ抽出部６３がコンテンツデータから読み上げ文字列または発音記号列を抽出するタイミングを制御する。変換要求部６４は、データ抽出部６３が抽出した読み上げ文字列を変換サーバ４１に送信し、読み上げ文字列から発音記号列への変換（ＴＴＰ処理）を要求する。そして、変換要求部６４は、ＴＴＰ処理によって得られた発音記号列を変換サーバ４１から受信する。音声生成部６５は、変換要求部６４が受信した発音記号列またはデータ抽出部６３が抽出した発音記号列に基づいて音声信号を生成する。なお、端末６１は、コンテンツを表示する表示部（ディスプレイ装置）を備えていてもよい。
【０１１３】
図１１は、本発明の第３の実施の形態の具体的な構成例を示すブロック図である。図８において、コンテンツサーバ５１の制御部５６は、記憶装置５７が記憶するコンテンツ配信プログラムに従って、コンテンツデータの入力受付処理および端末１１へのコンテンツデータ送信処理を実行する。ネットワークインタフェース部５８は、インターネット２１を介してコンテンツデータを送受信する。
【０１１４】
また、端末６１の制御部６６は、記憶装置６７が記憶するコンテンツ出力プログラムに従って処理を実行する。具体的には、制御部６６は、コンテンツサーバ５１からのコンテンツデータ受信処理、コンテンツデータから読み上げ文字列または発音記号列を抽出する処理、抽出した読み上げ文字列を変換サーバ４１に送信して変換サーバ４１から発音記号列を受信する処理、音声記号列に基づく音声信号生成処理、音声を出力させる処理を実行する。ネットワークインタフェース部６８は、インターネット２１を介して、コンテンツデータの要求の送信や、コンテンツデータの受信を行う。音声出力装置６９は、スピーカ等の音声出力装置であり、音声を出力する。一時記憶装置７０は、受信したコンテンツデータや、発音記号列を一時的に記憶する記憶装置である。
【０１１５】
記憶装置６７は、コンピュータに、コンテンツ配信装置から、読み上げ文字列が記述されたコンテンツデータを受信する処理、コンテンツデータから読み上げ文字列を抽出する処理、読み上げ文字列を音声情報変換装置に送信する処理、読み上げ文字列から変換された発音記号列を音声情報変換装置から受信する処理、および発音記号列に基づいて音声を出力する処理を実行させるためのコンテンツ出力プログラムを記憶する。
【０１１６】
図１１に示す変換サーバ４１の構成の例は、図８に示す場合と同様である。
【０１１７】
音声コンテンツ配信システムを図１１に示すような構成とした場合、コンテンツ入力部２およびコンテンツ送信部５は、コンテンツサーバ５１の制御部５６およびネットワークインタフェース部５８によって実現される。また、コンテンツ受信部１２および変換要求部６４は、制御部６６およびネットワークインタフェース部６８によって実現される。また、タイミング制御部６２、データ抽出部６３および音声生成部６５は、制御部６６によって実現される。音声出力部１５は、音声出力装置６９によって実現される。
【０１１８】
次に、動作について説明する。
コンテンツサーバ５１のコンテンツ入力部２は、コンテンツ提供者からコンテンツデータの入力を受け付け、そのコンテンツデータを記憶装置５７（図１０において図示せず。）に記憶させる。この処理は、ステップＳ１０１と同様の処理である。第一の実施の形態と同様、読み上げ文字列となる文字列とともに、その文字列が読み上げ文字列であることを示すタグと、読み上げ文字列をどのような仕様の発音記号列に変換すべきかを示す識別情報とが記述されたコンテンツデータが入力される。
【０１１９】
コンテンツ送信部５は、端末６１からコンテンツデータの要求を受け付けた場合、記憶装置５７に記憶されたコンテンツデータを端末１１に送信する。入力されたコンテンツデータは、置換等の処理を行われていない。従って、コンテンツ送信部５は、読み上げ文字列を示すタグと、識別情報と、読み上げ文字列とを含むコンテンツデータを送信する。
【０１２０】
図１２は、端末６１の動作の例を示す流れ図である。端末６１のコンテンツ受信部１２は、使用者の操作に応じて、コンテンツサーバ５１にコンテンツデータを要求する。あるいは、使用者の操作に応じて、第１の実施の形態あるいは第２の実施の形態と同様のコンテンツサーバ（図１０において図示せず。）に、発音記号列を含むコンテンツデータを要求してもよい。そして、コンテンツ受信部１２は、要求したコンテンツデータをコンテンツサーバから受信し、一時記憶装置７０（図１０において図示せず。）に記憶させる（ステップＳ１３１）。
【０１２１】
データ抽出部６３は、タイミング制御部６２の制御に従い、一時記憶装置７０に記憶されるコンテンツデータから読み上げ文字列または発音記号列を抽出する。タイミング制御部６２は、例えば、コンテンツ受信部１２がコンテンツデータを受信した直後（ステップＳ１３１の直後）に、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。あるいは、コンテンツデータを受信後に、使用者によって音声出力を指示する操作が行われたときに、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。また、コンテンツデータに基づいて表示部に画像等を表示させてから所定期間後に、データ抽出部６３に読み上げ文字列等の抽出を開始させてもよい。
【０１２２】
データ抽出部６３は、コンテンツデータから読み上げ文字列または発音記号列を抽出する際、まず、コンテンツデータに読み上げ文字列が含まれているのか、発音記号列が含まれているのかを判定する（ステップＳ１３２）。データ抽出部６３は、コンテンツデータに、読み上げ文字列を示すタグが記述されていれば、読み上げ文字列が含まれていると判定する。また、発音記号列を示すタグが記述されていれば、発音記号列が含まれていると判定する。
【０１２３】
データ抽出部６３は、読み上げ文字列が含まれていると判定した場合、コンテンツデータから読み上げ文字列および識別情報を抽出し、一時記憶装置７０に記憶させる。このときデータ抽出部６３は、読み上げ文字列を示すタグとともに記述されている識別情報を抽出し、また、そのタグとともに記述されている文字列を読み上げ文字列として抽出する。
【０１２４】
変換要求部６４は、一時記憶装置７０に記憶された読み上げ文字列および識別情報を、インターネット２１を介して変換サーバ４１に送信する（ステップＳ１３３）。
【０１２５】
なお、変換要求部６４は、予め変換サーバ４１のアドレス情報を記憶装置に記憶しておけばよい。そして、ステップＳ１３３では、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。あるいは、コンテンツ提供者が、読み上げ文字列を示すタグ、識別情報、読み上げ文字列とともに、変換サーバ４１のアドレス情報も記述したデータをコンテンツサーバ５１に入力しておいてもよい。この場合、データ抽出部６３がコンテンツデータからアドレス情報を抽出し、変換要求部６４は、そのアドレス情報を用いて、読み上げ文字列および識別情報を変換サーバ４１に送信すればよい。
【０１２６】
変換サーバ４１の読み上げ文字列受信部４２は、端末６１から読み上げ文字列および識別情報を受信する。そして、変換部４は、ＴＴＰ処理を実行し、受信した読み上げ文字列を発音記号列に変換する（ステップＳ１３４）。そして、その発音記号列を端末６１に送信する（ステップＳ１３５）。変換サーバ４１が読み上げ文字列および識別情報を受信してから、発音記号列を送信するまでの動作は、第２の実施の形態における変換サーバ４１の動作と同様である。
【０１２７】
ステップＳ１３５において、端末６１の変換要求部６４は、変換サーバ４１が送信した発音記号列を受信し、一時記憶装置７０に記憶させる。
【０１２８】
また、データ抽出部６３は、コンテンツデータに発音記号列が含まれていると判定した場合（ステップＳ１３２）、コンテンツデータから発音記号列を抽出し、一時記憶装置７０に記憶させる（ステップＳ１３６）。
【０１２９】
音声生成部６５は、ステップＳ１３５またはステップＳ１３６において、一時記憶装置７０に記憶された発音記号列に基づいてＰＴＳ処理（音声信号生成処理）を実行する（ステップＳ１３７）。音声生成部６５は、生成した音声信号をを音声出力部１５に出力し、音声出力部１５に音声を出力させる（ステップＳ１３８）。
【０１３０】
本実施の形態によれば、端末６１は、発音記号列を含むコンテンツデータを受信した場合だけでなく、読み上げ文字列を含むコンテンツを受信した場合にも、音声を出力することができる。
【０１３１】
また、端末６１は、発音記号列を含むコンテンツデータを受信した場合には、その発音記号列に基づいて音声を出力するので、音声を出力するまでの時間を短縮できる。また、コンテンツ提供者は、各仕様毎に発音記号列を記述しなくてよいので、コンテンツ提供者の負担を軽減させることができる。また、端末１１は、発音記号列の情報と、画像データの表示に関する情報とを、別々にダウンロードする必要がない。コンテンツサーバが、音声と画像とを同期させて送信する必要もない。
【０１３２】
第３の実施の形態において、コンテンツサーバ５１には、読み上げ文字列と発音記号列の双方が記述されたコンテンツデータが入力されてもよい。このコンテンツデータにおいて、読み上げ文字列は、読み上げ文字列を示すタグおよび識別情報とともに記述され、発音記号列は、発音記号列を示すタグとともに記述される。読み上げ文字列と発音記号列の双方が記述されたコンテンツデータを端末６１が受信した場合、データ抽出部６２は、発音記号列を示すタグとともに記述されている文字列を発音記号列として抽出する。また、読み上げ文字列を示すタグとともに記述されている文字列を読み上げ文字列として抽出し、また、識別情報も抽出する。変換要求部６４は、読み上げ文字列および識別情報を変換サーバ４１に送信し、変換サーバ４１から発音記号列を受信する。音声生成部６５は、コンテンツデータから抽出された発音記号列および変換サーバ４１から受信した発音記号列から音声信号を生成する。
【０１３３】
なお、第１の実施の形態と同様に、各端末１１の発音記号列の仕様が共通である場合、コンテンツ入力部２に、識別情報が記述されていないコンテンツデータが入力されてもよい。また、発音記号列の仕様の指定を、識別情報ではなく、タグによって行ってもよい。この場合、ステップＳ１３３において、データ抽出部６３は、読み上げ文字列を示すタグと読み上げ文字列とを抽出し、変換要求部６４は、このタグと読み上げ文字列を変換サーバ４１に送信すればよい。そして、変換サーバ４１の変換部４は、そのタグの種類に応じた仕様に従って、読み上げ文字列を発音記号文字列に変換すればよい。
【０１３４】
また、本実施の形態において、音声記号列の仕様毎に変換サーバ４１が設けられ、個々の変換サーバ４１がそれぞれ特定の仕様に従ってＴＴＰ処理を行うように構成されていてもよい。この場合、端末６１は、識別情報等によって指定された仕様に対応する変換サーバに読み上げ文字列を送信すればよい。
【０１３５】
本実施の形態において、コンテンツ受信手段は、コンテンツ受信部１２に相当する。コンテンツ出力手段は、データ抽出部６３、変換要求部６４、音声生成部６５および音声出力部１５に相当する。そして、データ抽出手段はデータ抽出部６３に相当し、送受信手段は変換要求部６４に相当し、出力手段は音声生成部６５および音声出力部１５に相当する。タイミング制御手段は、タイミング制御部６２に相当する。
【０１３６】
また、変換手段は、読み上げ文字列受信部４２および変換部４に相当する。発音記号列送信手段は、発音記号列送信部４３に相当する。
【０１３７】
【発明の効果】
本発明によれば、コンテンツ配信装置が、音声として読み上げられるべき文字列である読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、端末装置が、コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、発音記号列に基づいて音声を出力する出力手段とを備えているので、コンテンツを受信した端末が音声を出力するまでの時間を短縮できる。
【図面の簡単な説明】
【図１】 本発明の第１の実施の形態を示すブロック図である。
【図２】 第１の実施の形態の具体的な構成例を示すブロック図である。
【図３】 コンテンツサーバの動作の例を示す流れ図である。
【図４】 コンテンツサーバに入力されるコンテンツデータの例を示す説明図である。
【図５】 置換後のコンテンツデータの例を示す説明図である。
【図６】 端末の動作の例を示す流れ図である。
【図７】 本発明の第２の実施の形態を示すブロック図である。
【図８】 第２の実施の形態の具体的な構成例を示すブロック図である。
【図９】 コンテンツサーバおよび変換サーバの動作の例を示す流れ図である。
【図１０】 本発明の第３の実施の形態を示すブロック図である。
【図１１】 第３の実施の形態の具体的な構成例を示すブロック図である。
【図１２】 端末および変換サーバの動作の例を示す流れ図である。
【符号の説明】
１ コンテンツサーバ
２ コンテンツ入力部
３ 読み上げ文字列抽出置換部
４ 変換部
５ コンテンツ送信部
１１ 端末装置
１２ コンテンツ受信部
１３ 発音記号列抽出部
１４ 音声生成部
１５ 音声出力部
２１ 通信ネットワーク
Claims (10)
- コンテンツデータを配信するコンテンツ配信装置と、前記コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置とを備えたコンテンツ配信システムであって、
前記コンテンツ配信装置は、
音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、
前記コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、
前記端末装置は、
前記コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、
前記コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、
前記発音記号列に基づいて音声を出力する出力手段とを備え、
前記コンテンツ置換手段は、
前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、
前記読み上げ文字列を発音記号列に変換する変換手段と、
前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、
前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、
発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出する
ことを特徴とするコンテンツ配信システム。 - コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、
読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、
変換手段は、前記読み上げ文字列を、前記仕様情報が示す仕様に応じた発音記号列に変換する
請求項１に記載のコンテンツ配信システム。 - コンテンツデータを配信するコンテンツ配信装置と、前記コンテンツ配信装置から受信したコンテンツデータに基づいてコンテンツを出力する端末装置と、音声として読み上げられるべき文字列である読み上げ文字列を発音記号列に変換する音声情報変換装置とを備えたコンテンツ配信システムであって、
前記コンテンツ配信装置は、
読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、
前記コンテンツデータ内の読み上げ文字列を、出力音声を特定するためのデータである発音記号列に置換するコンテンツ置換手段とを備え、
前記端末装置は、
前記コンテンツ配信装置から、発音記号列が記述されたコンテンツデータを受信するコンテンツ受信手段と、
前記コンテンツデータから発音記号列を抽出する発音記号列抽出手段と、
前記発音記号列に基づいて音声を出力する出力手段とを備え、
前記コンテンツ置換手段は、
前記コンテンツ入力手段に入力されたコンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と 、
前記読み上げ文字列を前記音声情報変換装置に送信する読み上げ文字列送信手段と、
前記音声情報変換装置から発音記号列を受信し、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備え、
前記音声情報変換装置は、
前記コンテンツ配信装置から読み上げ文字列を受信し、前記読み上げ文字列を発音記号列に変換する変換手段と、
前記発音記号列を前記コンテンツ配信装置に送信する発音記号列送信手段とを備え、
前記コンテンツ受信手段は、発音記号列を示すタグとともに発音記号列が記述されたコンテンツデータをコンテンツ配信装置から受信し、
発音記号列抽出手段は、発音記号列を示すタグとともに記述された文字列を発音記号列として抽出する
ことを特徴とするコンテンツ配信システム。 - コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、
読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、
読み上げ文字列送信手段は、前記読み上げ文字列と前記仕様情報を音声情報変換装置に送信し、
変換手段は、前記読み上げ文字列を、前記仕様情報が示す仕様に応じた発音記号列に変換する
請求項３に記載のコンテンツ配信システム。 - 端末装置にコンテンツデータを配信するコンテンツ配信装置であって、
音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、
前記コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、
前記読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する変換手段と、
前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えた
ことを特徴とするコンテンツ配信装置。 - コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、
読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、
変換手段は、前記読み上げ文字列を、前記仕様情報が示す仕様に応じた発音記号列に変換する
請求項５に記載のコンテンツ配信装置。 - 音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置であって、
読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付けるコンテンツ入力手段と、
前記コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する読み上げ文字列抽出手段と、
前記読み上げ文字列抽出手段が抽出した読み上げ文字列を前記音声情報変換装置に送信する読み上げ文字列送信手段と、
前記読み上げ文字列から変換された発音記号列を前記音声情報変換装置から受信し、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する置換手段とを備えた
ことを特徴とするコンテンツ配信装置。 - コンテンツ入力手段は、発音記号列の仕様を示す仕様情報が読み上げ文字列とともに記述されたコンテンツデータの入力を受け付け、
読み上げ文字列抽出手段は、コンテンツデータから読み上げ文字列と仕様情報とを抽出し、
読み上げ文字列送信手段は、前記読み上げ文字列と前記仕様情報を音声情報変換装置に送信する
ことを特徴とする請求項７に記載のコンテンツ配信装置。 - 端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、
コンピュータに、
音声として読み上げられるべき文字列である読み上げ文字列が、読み上げ文字列を示すタグとともに記述されたコンテンツデータの入力を受け付ける処理、
前記コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、
前記読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する処理、および
前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理
を実行させるためのコンテンツ配信プログラム。 - 音声として読み上げられるべき文字列である読み上げ文字列を、出力音声を特定するためのデータである発音記号列に変換する音声情報変換装置に接続され、端末装置にコンテンツデータを配信するコンテンツ配信装置に搭載されるコンテンツ配信プログラムであって、
コンピュータに、
読み上げ文字列を示すタグとともに読み上げ文字列が記述されたコンテンツデータの入力を受け付ける処理、
前記コンテンツデータから、読み上げ文字列を示すタグとともに記述された文字列を読み上げ文字列として抽出する処理、
前記読み上げ文字列を前記音声情報変換装置に送信する処理、および
前記読み上げ文字列から変換された発音記号列を前記音声情報変換装置から受信し、前記コンテンツデータ内の読み上げ文字列を前記発音記号列に置換し、読み上げ文字列を示すタグを、発音記号列を示すタグに置換する処理
を実行させるためのコンテンツ配信プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003070717A JP4082249B2 (ja) | 2003-03-14 | 2003-03-14 | コンテンツ配信システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003070717A JP4082249B2 (ja) | 2003-03-14 | 2003-03-14 | コンテンツ配信システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004282392A JP2004282392A (ja) | 2004-10-07 |
| JP4082249B2 true JP4082249B2 (ja) | 2008-04-30 |
Family
ID=33287397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003070717A Expired - Fee Related JP4082249B2 (ja) | 2003-03-14 | 2003-03-14 | コンテンツ配信システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4082249B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013097033A (ja) * | 2011-10-28 | 2013-05-20 | Hitachi Government & Public Corporation System Engineering Ltd | 音声合成情報付きのテキストデータ提供装置及びテキストデータ提供方法 |
| JP6078964B2 (ja) | 2012-03-26 | 2017-02-15 | 富士通株式会社 | 音声対話システム及びプログラム |
-
2003
- 2003-03-14 JP JP2003070717A patent/JP4082249B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2004282392A (ja) | 2004-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101027548B1 (ko) | 통신 시스템용 보이스 브라우저 다이얼로그 인에이블러 | |
| JP3936718B2 (ja) | インターネットコンテンツのアクセスに関するシステム及び方法 | |
| KR101683944B1 (ko) | 음성번역 시스템, 제어장치, 및 제어방법 | |
| JP3711411B2 (ja) | 音声合成装置 | |
| JP2002528804A (ja) | サービスアプリケーションに対するユーザインタフェースの音声制御 | |
| EP1215656A2 (en) | Idiom handling in voice service systems | |
| US20170372695A1 (en) | Information providing system | |
| KR102140391B1 (ko) | 검색 방법 및 이 방법을 적용하는 전자 장치 | |
| EP2747464A1 (en) | Sent message playing method, system and related device | |
| US11488603B2 (en) | Method and apparatus for processing speech | |
| CN113593519B (zh) | 文本的语音合成方法、***、装置、设备及存储介质 | |
| GB2330429A (en) | Data stream enhancement | |
| JP6832503B2 (ja) | 情報提示方法、情報提示プログラム及び情報提示システム | |
| JP3714159B2 (ja) | ブラウザ搭載装置 | |
| JP4082249B2 (ja) | コンテンツ配信システム | |
| EP3171610B1 (en) | Transmission device, transmission method, reception device, and reception method | |
| EP1665229B1 (en) | Speech synthesis | |
| JP2002091473A (ja) | 情報処理装置 | |
| US20020077814A1 (en) | Voice recognition system method and apparatus | |
| KR100432373B1 (ko) | 독립적 음성처리를 위한 음성인식 시스템 | |
| JP2002099294A (ja) | 情報処理装置 | |
| JP7454159B2 (ja) | 自動音声応答装置、サーバ装置、自動音声応答方法、ページ送信方法、およびプログラム | |
| US20090100150A1 (en) | Screen reader remote access system | |
| JP2004029457A (ja) | 音声対話装置、および音声対話プログラム | |
| JP2005266009A (ja) | データ変換プログラムおよびデータ変換装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20051117 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20051117 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060213 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070831 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071030 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071221 |
|
| 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: 20080122 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080204 |
|
| 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: 20110222 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |