JPH0272399A - 音声規則合成方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、任意の文字列を音声に変換・合成する音声規
則合成方式、特にその音声を構成する各音韻の時間配分
を自動的に決定する方法に関する。

〔従来の技術〕

音声を合成するためには、先ず、その音声を構成する各
音韻（以下音韻の他、音節９拍、モーラなと音声を構成
する単位を代表して音韻と呼ぶ）を各々どのような時間
配分で列べて行くかを決定し、その時間構造に従って、
各音韻を実現するスペクトル情報や、抑揚を制御する情
報を順次生成して合成器を制御し、音声を合成して行く
。従って、この時間配分をどのように決定して行くかは
、合成音声の品質に極めて大きな影響を与えている。

従来、この時間構造の決定には、たとえば、昭和４９年
６月の日本音響学会講演論文集３−２−１６「単語音声
を構成する音節持続時間の規則化」（中島他）では、音
声を構成する音節数Ｎ、音節の種類ｊ、アクセントのレ
ベルＱ、音声中の位置ｉにおける変化係数ＰＪ、アクセ
ント・しネルＱによる変化係数ｑ、音声を構成する音節
数Ｎによる変化係数に、母音の無声化が生じる場合の変
化量α、音ＷＪｊの基準時間長Ｓｉ　とすると、Ｔ　Ｊ
　（ｌ　ｌα）＝ＰＪ（ｉ）・ｑａ（１＋　Ｑ）・ｋ（
Ｎ）・α・ＳＪ・・・（１） のように、各要因の積の形式を用いている。

また、昭６２年３月の日本音響学会講演論文集３−６−
５ｒ数量化工類を用いた文韻律制御」（酒寄他）では、
各種の関因をＳ＋（ｊ、ｋ）として、時間長Ｙ＋　を ｊ＝１　　ｋ＝１ のように１重み係数ａｌｋを介して、要因の線形和の形
式を用いている。

〔発明が解決しようとする課題〕

上記従来技術は、各要因毎のパラメトリックなモデルを
用いているため、相当に大量な学習データを用いても、
各要因毎のデータ数は少なく、全体として均質なモデル
を得ることが困難であり、この質の不均質性が合成音声
の品質を劣化させていた。また、前述のごとく、モデル
の記述形式はパラメトリックな形式で天下り的に与えら
れていながら、いずれの形式でもある程度の精度で時間
構造が予測出来ている反面、逆に一定以上の品質向上に
は限界があった。また、任意のナレータの音色で音声を
合成したい場合の規則の変更手続が与えられていないた
め、改めて、そのナレータによる音声を用いて全面的に
学習しなおす必要があった。

本発明は、モデルの形式も含め自動的に学習され、共通
要因を効率良く活用でき、ナレータを変更した場合の規
則の適応性も有する。音声規則合成用の時間構造決定規
則の方式及びその作成方法を与えることにある。

〔課題を解決するための手段〕

上記の目的を達成するために、本方式ではニューラル・
ネットの柔軟な適応特性に注目し、新しい方式を考案し
たものである。ここでニューラルネットワークとは１等
価的に並列プロセッシング・エレメントからなり、各プ
ロセッシング・エレメント間の結合はダイナミカルな自
己プログラミングによる教師の有無にかかわらず自己学
習口より行なわれるもの、及び、予め学習され、固定化
された結合によりなされるものの双方を含むものとする
。最近のニューラルネットワークに関して広く知られる
ようになった知見によれば（Ｄ、Ｅ。

Ｒｕｎ＋ｅｌｈａｒｔ　ｅｔ　ｓｌ；“Ｐａｒａｌｌｅ
ｌ　ＤｉｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓｓｉｎｇ”Ｍ
ＩＴ　Ｐｒａｓｓ、Ｃａ＋Ｉｌｂｒｉｄｇｃ（１９８６
）など）、多層化型のニューラル・ネットークにより入
力と出力の任意の対応付けが可能となる。すなわち、本
発明においては、Ｎ個の音韻からなる音声の第１番目の
音声韻の時間長Ｔ、を、先行する音韻や後続する音韻の
種類などｊ種類の要因のに番目のカテゴリに該当するか
どうかで１またはＯとなる変数ｘ＋（ｊ　ｋ）のベクト
ルｘｔ＝（ｘｔ（１−＋　ｔ）。

ｘｔ（２＋　１）ｒ　−ｘｔ（Ｊ＋　ＫＪ））（Ｊとｋ
Ｊは各各要因種類数と各要因ｊのカテゴリ数を示す）と
ニューラルネットにより対応付は上記目的を達しようと
するものである。

第２層の第９番目のニューロン素子の出力をＯｐｑ＋Ｐ
−１層のｒ番目の素子称筒を○Ｐ−１＋　ｒとし、入力
又と出力ｙの間の特性を ｙ＝ｆｐｑ（ｘ）　　　　　　　　　　　・・・（３）
とすると（以下簡単のためｆｐｑをｆと略記する）、Ｔ
２．＝ΣωＦ−１．ｑ１ｒ−０ｒ−ｔａｒ　　　　　　
・”（４）０ｐｑ＝　ｆ　　（Ｉ　ｐ、ｑ）　　　　　
　　　　　　　　　・・・（５）と記述することが出来
る。ωｐ、ｑ、ｒは重みである。

ニューラル・ネットは（３）式の特性を持つニューロン
素子を多数階層的に接続したもので、入力となるその第
１層は少なくともベクトルＸ、の要素数の数の素子から
なり、出力層はＴＩを出力する少なくとも１個の素子か
らなる。中間層は１ないし２層から構成する。素子数や
階層数は多いｉが性能が高くなる。

〔作用〕

第−層に合成すべき音声の第１番目の音韻に対する要素
ベクトルＸ、を入力すると、出力層の素子に、その音韻
に割り当てられるべき時間長Ｔ。

が出力される。

各層の重み係数ωｐ、ｑ、ｒは、バック・プロパゲーシ
ョン法により学習することにより得ることができる。こ
の方法は前述のり、Ｅ、Ｒｕｍｅｌｈａｒｔの文献の第
８章に詳しく記述されている。実際の音声データを多数
観測し、各要因データに分解して、第−層に入力し、そ
れに対応するＴ１の観測値を出力側に与え、上記文献の
方法によって学習すれば良い。学習時に出来るだけ多様
な人の音声データにより学習しておくと、ナレータを変
えたときの学習は、そのナレータによる比較的小数の音
声データで修正することが可能となる。

ニューラル・ネットの構成どしては、多層型のものを用
いて説明するが、ボルツマン・マシン型のものなど、他
の型式のものでも良い。

〔実施例〕

以下、本発明の実施例を図を用いて説明する。

第１図は本発明のポイントとなる時間構造生成部を構成
するニューラル・ネットワークを説明するための図であ
り、第２図は本発明を用いる音声規則合成装置の構成図
、第３図は、音声規則合成の規則生成の手続を説明する
図であり、時間構造生成部はこの一部を構成する。

第２図において、音声に変換したい文字列（カナ文字列
や発音記号列、ローマ文など）とアクセントの位置を示
す記号や、区切り記号（カンマやフルストップ、スペー
スなど）からなるコード列入力２０１が入力部２０２（
通常ハＲ８２３２Ｃナトツインターフエースが用いられ
る）を経て、マイクロコンピュータからなる制御部２０
３を経てメモリ部２０４の所定の領域に取り込まれる。

入力コード中に、その入力文字列が表現する文の構造（
単語や文節の相互の掛受は関係や、強調の有無などの情
報が与えられると１合成される音質がより高くなる。取
り込まれたコード列は、制御部２０３内にストアされた
手順（第３図で後述）に従って、音声合成部２０６を制
御する制御信号列し７変換され、二面バッファ２０５を
経て５合成部２０６に送られる。二面バッファ２０５は
合成音声が途切れることなく出力できるよう連続的に制
御信号が合成部に与えられるために設けられている。合
成部２０６で音声波形に合成・変換されマイクロフォン
２０７を経て音声２０８として出力される。

第３図において、入力コード列２０１は合成部２０６を
制御する信号を規則により生成するのに必要な要因に分
解するために、要因解析部３０１に送られる。

音声合成の手法は様々な方式が提案、実現されているが
、ここでは最も一般的に広く用いられている線形予測に
よるものを用いて説明する。なお合成手法にいかなる手
法を用いるかは本発明には本質的に関係せず、他の手法
でも良いことは言うまでもない。線形予測による音声の
合成法は、Ｍａｒｋｅｌ、Ｊ、Ｄ、ａｎｄ　Ｇｒａｙ　
Ｊｒ、、　Ａ、Ｈ，”ＬｉｎｅａｒＰｒｅｄｉｃｔｉｏ
ｎ　ｏｆ　５ｐｅｅｃｈ　；　（１９７６）Ｓｐｒｉｎ
ｇｅｒ−Ｖｅｒｌｏｇなど多くの文献に詳述されている
ように、音声の周波数スペクトル特性を与える予測係数
ベクトル〔α１〕と、声の抑揚や強さ、有声音か無声音
かなどを示す音源情報順次を与えることにより簡単に音
声を生成・合成することができる。線形予測法による音
声の合成は当業者には容易に実施できる。

すなわち、入力コード列２０１から、これらスペクトル
に情報と音源情報をどういうタイミングで出力すべきか
を決める時間構造を先ず生成し、このタイミングに従っ
て、これらの情報を順次生成し、合成部２０６に与える
必要がある。本発明は、この時間構造を生成する新しい
方式を与えるものである。

要因解析部３０１は、これら時間構造、スペク１−ル情
報、音源情報を生成する上で必要な要因を入力コードよ
り抽出・変換（解析あるいは分解する場合を含む）する
機能を有する。先ず、入力が文字列の場合は、入って来
た文字コートから、実際に発声される発声記号列に変換
しなければならない。日本語の場合は、入力が仮名の場
合は、この差異は比較的小さい。主な変換は、助詞の「
ハ」を「ワ」に、「ヲ」を「オ」に、撥音の「ン」を後
に続く音韻の種類により幾つかの音韻に（たとえば後の
音がパ行の場合はｍになど、これらの変形は服部四部「
音声学」岩波書店など音声学の文献に記述されている）
変換するなどの処理を行なう。また、掛受けの関係を見
て、一つの発声単位とすべきグループ（日本語ではアク
セント節などと呼ばれる）分けを行ない（日本語では、
文献単位が基本となる。）、各グループを構成する音韻
の数Ｎ（日本語ではモーラの数でも良い）及び、各グル
ープ内での音韻の位置ｉ　（又はモーラの位置、グルー
プの先頭か、中間か、最後かなど）、文中の位置Ｑ　（
文頭か、文中か、文末かなど）、文中での前後の掛受け
の深さの程度ｍ（たとえば、太平・小松［Ｖ４律情報を
用いた音声会話文の文構造推定」日本音響学会講演予稿
集、３−５−２１゜昭和６２年１０月に示されている分
割点コードなどが利用できる）などを解析する。

要因解析結果１０１は、時間構造生成部３０２゜スペク
トル情報主成部３０４．音韻情報生成部３０６に与えら
れる。

時間構造生成部３０２の機能的構成図を第１図に示す。

以下本実施例では階層型のニューラル・ネットワークを
用いて時間構造生成部を説明するが、ボルツマン・マシ
ン型のニューラル・ネットワークを用いても良いことは
洲うまでもない。

第１図において、要因解析結果１０１が人力層１０２に
加えられる。入力層１０２は２次元配列となっており、
一方の軸は要因の種類ｊ　　（Ｊ種）。

他方の軸は各要因毎のカテゴリーｋｊ　（カテゴリ毎Ｋ
ｔカテゴリ、要因毎にカテゴリー数は異なる）となって
いる。入力層１０２の各素子をｘＩノと記す。第４図に
要因と要因毎のカテゴリーの例を示す。要因の種類とし
ては、今時間長を求めようとしている音韻（以下、日本
語では音韻をモーラで置き換えても良い）の種類（カテ
ゴリとしては、母音ａ、ｉ、ｕ、”’、子音ｐ＋　ｔ＋
　ｋ＋ｌ）＋”’等）、一つ前の音韻（先行音韻）の種
類（カテゴリーは同じ）、一つ後の音韻（後続音韻）の
種類（カテゴリーは同じ）、発音単位グループ内の音韻
の数Ｎ、今時間長を求めようとしている音韻のグループ
内での位置ｉ、同じくその音韻のアクセントの状態（日
本語では高又は低）、先行グループとの掛受けの関係、
後続グループとの掛受けの関係、文中でキーワードある
いは重要法であるかどうかなどである。

入力層１０２の各素子ＸＩＪ１０３の出力１０４は第２
層１０５の各索子１０６と結合され、第２Ｍ１０５の各
素子１０６の出力１０７は第３層１０８の各索子１０９
に結合されている。第３層１０８の各索子１０９の出力
１１０は出力層１１１の索子１１２に結合されている。

各素子の入力と出力の関係は式（３）　（４）　（５）
のような１重み係数ω１Ｊと素子特性ｆによって関係付
けられるよう構成されている。入力１０１として各音韻
の要因が順次入力されると、出力層１１１の素子１１２
の出力として、入力の音韻に対して配分された時間長Ｔ
＋　が順次出力１１３される。

次に、第３図において、音声合成部２０６の波形合成部
３０８に与えるスペクトル情報は、スペクトル情報生成
部３０４により作成される。要因解析部３０１の出力に
従って、合成すべき音韻コードを順次取り込み、その音
韻に対応するスペクトル情報を音韻合成パラメータ辞書
３０５より取り出し、時間構造生成部３０２の出力１１
３の時間配分に従って配置し、前後の音韻のスペクトル
情報との間を内挿によりスムーズに接続した後、一定時
間間隔で波形合成部３０８へスペクトル情報を送り出す
。

音声合成に必要な音源波形は音源波形形式部３０７にて
作られる。音源波形は無音声では白色雑音で、有声音で
は抑揚に相当するピッチ周期間隔のパルス列であり、声
の大きさに比例して振幅が制御される。有声音か無声音
かの情報は音韻の種類により定まり音韻合成パラメータ
辞書３０５より与えられる。抑揚はピッチ周期で定まり
、ピッチ周期は、文中での位置、音声合成１）１−位で
あるグループ中での位置、アクセントのレベル強調の有
無等で定まる。これらの情報を時間構造生成部３０２で
作られた時間配分情報１１３に従い用いて抑揚バタンで
あるピッチパタンを生成する。ピッチ周期のパタンの生
成手順はたとえば、広瀬他″統語構造を利用した日本語
文音声の基本周波数バタンの合成″、日本語音響学会音
声研究会資料５８３−７０　（Ｓ５９−１）などに詳し
く当業者には容易に実現でき、本発明のポインＩ一部分
ではないので詳述を省略する。音波波形の大きさは、音
韻毎に音韻合成パラメータ辞書３０５から取り出し、音
韻間を簡単な直線内挿して作成すれば良い、これらのス
ペクトル情報と音波情報より合成部２０６で音声を合成
する手順は重連の通りＭａｒｋｅｌ等の文献他に詳しく
述入られている。

次に、時間構造生成部３０２を構成するニューラルネッ
トワークの学習手順を説明する。

学習は基本的には、良く知られているパックプロパゲー
ション法を用いることが出来る。パックプロパゲーショ
ン法については１例えば公知の文献阿ＩＴ　Ｐｒｅｓｓ
、”Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｐｒ
ｏｃｅｓｓｉｎｇ”Ｖｏ　Ｑ　、１（１９８６）、Ｃｈ
ａｐ８．　ｐｐ、３１８−３１２）に詳しく記述されて
いる。

第１図を用いて説明しよう。まず説明の簡単のために、
幾つかの記号を導入する。出力層１１１の素子１１２の
出力値１１３を０４．Ｏ，第３層１０８の第０番目の素
子の出力値をＯｓ、ｘ、第２層１０５の第ｍ番目の素子
の出力値を０２　ｇ　ｍ　＋　また学習入力としての出
力層１１１の素子１１２に与える目標出力値を８４とす
る６また、パックプロパゲーションの過程で各素子毎に
求まる誤差信号値についても、第４層１１１の素子１１
２に対してδ番、ｏ、第３層１０８の第０番目の素子に
対してδ３．直、第２層１０５の第ｍ番目の素子に対し
てＳ２９１、と記すことにする。また、説明の簡単を考
慮して、第２層、第３層、第４層の各素子の特性は背量
−とし、第（３）式に述べた関係で記述されるものとす
る。また、関数ｆを微分したものをｆ′と記すことにす
る。出力層１１１の素子１１２と第３層１０８の第０番
目の素子の結合係数をωＭ、Ｏ＋＊　＋第３層１０８の
第０番目の素子と第２層１０５の第ｍ番目の素子の結合
係数をω２ＩＩＩｌｌと記す・ 各素子の出力値が求まると出力層から下の層に向って順
に誤差信号を求めて行く。第２層と第ｐ＋１層との間の
結合係数の修正は第δ＋１層における誤差信号と第２層
における出力値を用いて行なう。ここでは簡単のため前
記結合係数ωＢ、０．ｔとω２，１、の修正過程につい
てのみ説明する。

結合係数ω１１，０．ａ、ω２ＨＩＨ，の修正において
、第２層１０５の第ｍ番目の素子の出力値０２９１、第
３層１０８の第α番目の素子の出力値０３ｍおよび第３
層１０８の第０番目の素子の誤差信号δ８．處第４層１
１１の素子１１２の誤差信号６番０が必要となる。０２
１ｍ、　０８．直には第１層１０２へ特定の入力が与え
られるとフォーワードな計算で求めることが出来る。一
方δ４，０、δ８．直は次式に従って算出する。

δ１ｏ＝（Ｓ４＋Ｏ−○＋、ｏ）ｆ’（Σ（１１３，０
，ｔ　’０８．處）℃ ・・・（５） δｓ、ｔ＝ｆ’（Σω２１ｉ１１１′０２１Ｊ６４１０
　’　（ｋｌ　３Ｉ０１１・・・（６） 次に、ω８．Ｏ，ｔと０２１ｍ１ｍの修正量を、各々Δ
ω３．０．ａ、Δωｌ　ｇ　ｌ　Ｈｍと記すと、この修
正量は次式で算出することが出来る。

Δ（ｉｌ　１１．Ｏｌｍ　＝　（Ｅ　”δ４，０　＋　
Ｏｓ、＊　　　　　・・（７）Δω２．露、ｌｌ＝α０
δδ、凰＋０２．ｌＩ　　　　　山（８）αは実験的に
収束速度を調べながら設定してやれば良い。（７）　（
８）式を用いれば、出方層と第３層。

第３層と第２Ｍの間の全ての結合係数の修正が出来る。

第２層と入力層の間の結合係数に関しても、第３層と第
２層の間の結合係数の場合と同じ様にすれば良い。

以上により、全ての結合係数が１回修正されたことにな
る。他の入力データと対応する学習入力を与えて以上の
結合係数の修正の過程を行なうということを繰り返えす
。この繰り返えし毎に次式％式％ を求め、これをすべての学習サンプルについて平均する
。その値が予め与えられた閾値より小さくなった段階で
学習が完了したものとして結合係数の修正をすれば良い
６ 学習に行なうには、第２図のようにアナログ−デジタル
変換器２１０に学習音声を入力し、入力部２０２に対応
する文字等のコード列を入力２０１する。これらの音声
とコードデータは一旦メモリ部２０４に格納された後、
マイクロコンピュータからなる制御部２０３中に用意さ
れている手続きにより学習が行なわれる。

第５図は、制御部２０３中に用意される学習手順を説明
する図である。第５図において要因解析部３０１′は第
３図の要因解析部と同一の機能を有する。セグメンテー
ション部５０１は入力音声を音韻区間に自動分割し、各
音韻の継続時間長を求め出力５０４する。この出力５０
４が学習の際用いられる学習入力Ｓａ、ｏとなる。要因
解析部３０１′の出力１０１′は学習時の入力１０１と
して用いられる。セグメンテーション部５０１の構成は
、たとえば、畑岡他：″定常部に番目したセグメンテー
ションと連続音韻認識″電子通信学会音声研究会資料５
Ｐ８６−７５（１９８６，１２゜１９）に記載されてい
る方法を用いることが出来る。また、学習には、この他
に、予め音声を分析し人手にてセグメンテーションを行
ない、音声データ・ベースとして用意したものを直接用
いても良いことは言うまでもない。

さて、一般にニューラル・ネットワークの重み係数を学
習するには大量のデータを用い、相当の時間をかけて処
理を行なう必要がある。これは、重み係数の初期値をど
う設定すべきか不明であり、一定値や乱散を設定し、学
習を開始せざるを得ないためである。

一方、合成音声を利用する立場からは、ある特定のナレ
ータの音声で音声を出力したい場合が非常に多い。しか
し、上述のように、ナレータ毎に学習をしていては、学
習時間が長くなり、コスト的にも実用的でなくなる。ま
た従来方式では、規則そのものを作ること自体困難とな
る。また、ある用途では文章を出力するのが一般的であ
るが、また別の用途では単語音声のみを自然な音質で出
力したい場合もあり、その音声の条件を構成する要因の
ウエートが異なる。これも、その用途毎に学習していて
はコスト的に実用的でない。

本発明では、様々な話者による、様々な要因による大量
の学習音声により予め平均的な条件の時間構造生成部を
構成しておき、ナレータや、発声条件を変えたい場合は
、この平均的条件の重みを学習の初期条件とすることに
より、比較的小数の学習データで重すを修正し、高品質
の合成音声を得ることも可能となる。

次に、学習の処理量を低減する第２の実施例を示す。時
間構造生成部のニューラル・ネットワークの構成方法以
外は、第一の実施例と同じであるため、相異点のみを説
明する。

第６図は第２の実施例を説明するための図である。第二
の実施例においては、ニューラルネットワークを二段（
一般には多段にしても良い）とし、第一段でより基本的
な要因に対する処理を行なわせ、第二段で補助的な効果
のある要因の処理を行なわせるよう構成したものである
。ニューラルネットワークの学習は、一般に素子の数が
多いと、素子間の結合の組み合せが幾何級数的に増大し
、学習処理量が大幅に増加する。入力要因種類とカテゴ
リー数が多いと、第−層の素子数が増加し、この問題が
生じる。本実施例では、入力要因を多段階に配分するこ
とにより、この問題を解決しようというものである。

第６図において、６０１と６０２は基本的構成は第１図
のニューラルネットワークと同様のものであるが、入力
素子数、従って第２．第３層の素子数も、それに合せて
少なくしたニューラルネツトワークである。第一段への
入力６０３は主要因である当刻音韻の種類、グループ内
での位置、グループを構成する音韻数程度の要因を入力
とし、その入力要因のみで定まる時間長を出力６０４と
する。

第２段のニューラルネットワーク６０２への入力６０５
は、第１段の出力と、残りの要因であるアクセント・レ
ベル、掛受は関係の情報、先行音韻と従続音韻の種類等
を入力とし、出力に時間配分情報６０７（第１図の出力
１１３に相当）を出力する。これにより素子の組み合せ
の数が大幅に減らすことが可能となる。

なお、ニューラルネットワークの素子に確率的要素を入
れることにより、同一人力に対しても確率的変動を持っ
た出力を得ることができる。人間が音声を発声する場合
、同一内容でも全く同一に発声することは不可能であり
、また、そのことが自然で聞きやすい１機械的でない音
声となっている。このような性質を実現することが可能
となる。

確率的な性格を持つニューラル・ネットワークとしては
、ボルツマン・マシン型のものや、カオスニューラル・
ネットワークが知られている、ボルツマン・マシン型の
ものについてはり、）１．Ａｃｋｌｅｙ他：＾Ｌｅａｒ
ｍｉｎｇ　Ａｌｇｏｒ　：　ｔｈｎ　ｆｏｒ　Ｂｏｌｔ
ｚｍａｎｎＭａｃｈｉｎｅ；Ｃｏｇｎｉｔｉｖｅ　５ｃ
ｉｅｎｃｅ　９，１４７−１６９（１９８５）に詳しい
。またカオス・ニューラル・ネットワークについては、
たとえばＷｊ、Ｆｒｅｅｍａｎ：Ｓｉｍｕｌａｔｉｏｎ
ｏｆＣｈａｏｔｉｃ　ＥＥＧ　Ｐａｔｔｅｒｎｓ　ｗｉ
ｔｈ　ａ　Ｄｙｎａｍｉｃ　Ｍｏｄｅｌ　ｏｆｔｈｅ　
０１ｆａｃｔｏｒｙ　Ｓｙｓｔｅｍ　Ｂｉｏｌ、Ｃｙｈ
ｅｒｎ、５６．１５９−１５０（１！１８７）に記述さ
れている６ 〔発明の効果〕 以上説明したように、本発明によれば、パラメトリック
なモデルを用いていないので、機械的な不自然さのない
良好な音質の合成音声を得ることができる。

また、学習機能を有しているので、異なったナレータの
音色による音声の合成や、異なった発声条件下での音声
の合成にも能率良く対応することが可能となる。

【図面の簡単な説明】

第１図は本発明の一実施例の構成を説明する図５第２図
は、本発明を用いたシステムを説明する図、第３図は本
発明の一実施例の動作を説明する図、第４図は本発明の
一実施例の情報要因の構成を説明する図、第５図は、本
発明の一実施例を実施するための学習手順を説明する図
、第６図は、本発明の第二の実施例を説明する図である
。 猶 図 ／６３ 偶４声 不　２ １丁アクセント！訝 図 第　３　口 文１　アクセント１ひ１（２θ１） 第 苓 図 千 図 ニエークル不ット 申芹テ゛−ノ

Claims (1)

1. 【特許請求の範囲】 １、音声を構成する単位への時間配分の決定をニューラ
   ル・ネットワークにより実行することを特徴とする音声
   規則合成方式。 ２、上記音声を構成する単位の時間配分を支配する主要
   因を入力記号列から解析又は分解する手段を有し、前記
   主要因をニューラル・ネツトワークへの入力とすること
   を特徴とする音声規則合成方式。 ３、上記、音声を構成する単位の時間配分を支配する主
   要因を、影響力の強い方から複数のグループに分けると
   ともに、ニューラル・ネットワークを多段階構成とし、
   各段は前段のニューラル・ネットワークほど影響力の強
   い要因グループの要因と、前段のニューラル・ネットワ
   ークの出力とを入力とするよう構成されたニューラル・
   ネットワークであることを特徴とする特許請求の範囲第
   １項又は第２項の音声規則合成方式。 ４、前記ニューラル・ネットワークが階層型であること
   を特徴とする特許請求の範囲第１項又は第２項の音声規
   則合成方式。 ５、前記ニューラル・ネットワークがボルツコンマシン
   型であることを特徴とする特許請求の範囲第１項、第２
   項又は第３項の音声規則合成方式。 ６、確率的にゆらぎを持つ出力を出す機能を有する素子
   を少なくとも１つ有するニユーラル・ネットワークより
   なる特許請求の範囲第１項、第２項、第３項、第４項又
   は第５項の音声規則合成方式。