JPH0594199A - 残差駆動型音声合成装置 - Google Patents

Abstract

(57)【要約】 【構成】 本発明の残差駆動型音声合成装置は、音声合
成フィルタの逆フィルタからなる音声分析フィルタの係
数として、音声素片メモリの音声素片単位の音声パラメ
ータを用い、この分析フィルタに高音、中音、低音のピ
ッチ周期の音声をそれぞれ入力することにより得られる
異なる３種類のピッチ周期の音声の残差信号の波形デー
タを抽出し、これらの波形データを残差波形メモリに蓄
えたものである。 【効果】 本発明によれば、音声を合成するために選択
された音声素片に対して、高音、中音、低音のいずれの
ピッチ周期の残差波形が駆動音源として用いられても、
選択され得る全ての残差信号の波形データが、実際の合
成に供せられる音声パラメータそのものを係数とした逆
フィルタにより抽出されたものであるので、ピッチの変
更にかかわらず、音源とパラメータが同一音声から抽出
したことになるため、より自然で高品質な合成音声が得
られる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、任意の言葉を発声する
ことが可能な規則音声合成装置、特に残差駆動を行う残
差駆動型規則音声合成装置に関する。

【０００２】

【従来の技術】近年、任意の文章から音声を合成するた
めの規則合成手法の研究が盛んであり、現在では、新聞
の校閲装置や盲人用読書機などに試作、実用化されてい
るものがある。

【０００３】任意の文章から音声を合成するための規則
合成装置は、例えば、テキスト入力に対し、文章解析を
行って読みがなやアクセントを決定し、音韻規則から、
必要な合成単位である音声素片（例えばＣＶＣ単位）を
決定して結合し、韻律規則から、声の高さなどを決定し
て、音声パラメータの時系列とピッチパターンを生成
し、これらのパラメータから音源とディジタルフィルタ
を構成することにより、合成音声を生成する。

【０００４】さて、このような音声合成手法に用いる音
声パラメータとしては、ＬＰＣ、ＬＳＰなどの線形予測
系のパラメータやフォルマントなどが一般的であり、一
方、音源としては、メモリの削減と処理の簡単化のた
め、インパルスと白色雑音が用いられていた。

【０００５】而して、ＬＰＣ、ＬＳＰなどの線形予測系
の音声合成手法では、予測残差を駆動音源として用いる
ことにより、原音声に近い合成音声を得られることが知
られている。

【０００６】従って、文字等の入力により任意の音声を
発声可能な規則合成についても、駆動音源として残差を
入力することにより、上記の原理から、高品質な合成音
を得られることが期待され、このような残差駆動型の規
則音声合成装置が提案されており（特願平２−２４９４
９３号）、これについて以下に概説する。

【０００７】図１は、既提案の残差駆動型の規則音声合
成装置の構成をしたものであり、この装置によると、発
声すべき文字列が文字列バッファ（１）に入力される
と、音韻記号列生成部（２）は入力された文字列を音韻
記号列に変換する。例えば、「た＊べにき＊た」（但
し、＊はアクセント位置を示す記号）という文字列が入
力されると「ｔａｂｅｎｉｋｉｔａ」という音韻記号列
に変換する。

【０００８】次に、選択回路１（３）は、音韻記号列か
ら必要な音声素片を順次、決定選択し、音声素片メモリ
（４）に蓄えられた音声素片のうち必要な音声素片が、
音声素片接続部（５）で接続される。音声素片の単位と
しては、ＣＶＣ（子音＋母音＋子音）、あるいは、ＣＶ
（子音＋母音）とＶＣ（母音＋子音）を併用するものな
ども用いられるが、例として簡単のため、ＣＶ（子音＋
母音）すなわち音節を単位とするものを考えると、「ｔ
ａ、ｂｅ、ｎｉ、ｋｉ、ｔａ」が必要な音声素片として
順次選択され接続される。ここで接続された音声素片
は、音声パラメータとして音声パラメータバッファ
（６）に蓄えられ、係数として合成フィルタ（１１）に
与えられる。

【０００９】一方、アクセント位置等のイントネーショ
ンを表す記号も、発声すべき文字列とともに入力され、
文字列バッファ（１）から、ピッチパターン生成部
（７）に与えられると、ピッチパターン生成部（７）
は、発声文全体のピッチ（音程）を決定する。例えば、
「た＊べにき＊た」という入力の場合、「た」と「き」
にアクセントが存在するので、第５図に示すようなピッ
チパターンとなる。ピッチパターン生成部（７）では、
文全体にピッチが降下するフレーズ成分と、アクセント
位置でピッチが高くなるアクセント成分が加えられて、
ピッチパターンが生成される。

【００１０】また、残差波形メモリ（８）には、図３に
示す如く、各音声素片に対応して、駆動音源として利用
するための残差波形が蓄えられており、選択回路１
（３）で決定選択された音声素片に対応して、必要な残
差波形が選択される。例の場合、「ｔａ、ｂｅ、ｎｉ、
ｋｉ、ｔａ」の順で対応する残差波形が選択される。さ
らに、この残差波形メモリ（８）には、やはり図３に示
す如く、各音声素片に対してピッチの異なる複数の残差
波形が蓄えられており、ピッチパターン生成部（７）で
生成されたピッチに応じて、選択回路２（９）が適切な
ピッチの残差波形を選択決定し、駆動音源生成部（１
０）に蓄える。最後に、選択された残差波形は、駆動音
源生成部（１０）で、ピッチパターン生成部（７）で生
成されたピッチに一致する値にピッチ変更が施され、所
望のピッチの残差波形が生成される。

【００１１】このようにして生成された残差波形は、駆
動音源として合成フィルタ（１１）に入力され、合成フ
ィルタ（１１）で合成音声が生成される。合成音声はＤ
／Ａ変換器（１２）を経て、スピーカ（１３）から出力
される。

【００１２】このような既提案装置の駆動音源生成部
（１０）の動作について、以下にさらに説明を加える。

【００１３】まず、図３は残差波形メモリ（８）に蓄え
られている残差信号の波形データ例を示したものであ
る。このメモリ（８）の波形データは、ＣＶ（子音＋母
音）構成の音節を音声素片の単位とした場合に対応して
おり、各音声素片に対応して、それぞれピッチ周期が異
なる３形態、即ち、高音用残差波形（ピッチ周期の短い
残差）、中音用残差波形（ピッチ周期の中程度残差）、
低音用残差波形（ピッチ周期の長い残差）が蓄えられて
いる。そして、このような残差波形メモリ（８）に蓄え
られている残差信号の波形データは、図４の駆動音源生
成部（１０）によって、以下の如く処理されるのであ
る。

【００１４】即ち、図４の選択回路１（３）からの選択
信号により、スイッチ１（１０１）が選択され、必要な
音声素片に対応する残差波形が、残差波形メモリ（８）
から読み出され、残差波形バッファ１（１０２）に蓄え
られる。「た＊べにき＊た」の例では、まず、「ｔａ」
の残差波形が、読み出される。次に、選択回路２（９）
からの選択信号により、スイッチ２（１０３）が選択さ
れ、適切なピッチの残差が選択され、残差波形バッファ
２（１０４）に蓄えられる。例では、図２に示すように
「た」のピッチは、４００Ｈｚと高いので、高音用の
「ｔａ」の残差波形が選択されて、残差波形バッファ２
（１０４）に蓄えられる。最後に、ピッチパターン生成
部（７）で決定されたピッチになるように、残差波形の
ピッチ周期の変更がピッチ変更回路（１０５）で施され
る。例えば、高音用の「ｔａ」の残差波形が、３８０Ｈ
ｚの音声から抽出されたものであれば、ピッチパターン
生成部（７）で決定された４００Ｈｚになるよう、２０
Ｈｚだけピッチが低くなる（ピッチ周期が長くなる）よ
うな変更が施される。

【００１５】尚、ピッチ変更回路（１０５）で行われる
残差波形のピッチの変更としては、例えば、ピッチを低
くする時は、途中に零データを挿入してピッチ周期を長
くし、ピッチを高くする時は、途中のデータを削除して
ピッチ周期を短くする「零詰め切り捨て法」が用いられ
る。

【００１６】ピッチ変更を大幅に行うと、音質の劣化が
生じるので、上記の残差駆動型規則合成装置の例では、
高音用、中音用、低音用の３段階のピッチの異なる残差
をあらかじめ残差波形メモリに蓄えておき、所望のピッ
チに近いピッチ周期の残差波形を用いることにより、ピ
ッチの変更量が少なくすむように工夫している。

【００１７】上述の如く、選択された音声素片に対応
し、かつ、所望のピッチに変更された残差波形が、駆動
音源として生成されるので、発音の自然性が高い合成音
声が得られるのである。

【００１８】以上に概説した残差駆動型音声合成装置に
よれば、その残差波形メモリ（８）に蓄えられているピ
ッチの異なる残差波形は、従来は図５に示す方法で作成
されるのが一般的であった。

【００１９】即ち、例えば、３種類（３段階）のピッチ
の残差波形を作成する場合、図５（ａ）に示すように、
高音の入力音声を分析することにより、ピッチ周期の短
い、高音用の残差波形を抽出するのである。また、図５
（ｃ）に示すように、低音の入力音声を分析することに
より、ピッチ周期の長い、低音用の残差波形を抽出す
る。中音のそれについても、図５（ｂ）に示すように、
中音の入力音声を分析することにより、ピッチ周期の平
均的な長さの、低音用の残差波形を抽出するのである。

【００２０】

【発明が解決しようとする課題】前述した如く、従来の
残差駆動型規則合成装置では、ピッチの異なる残差波形
を利用して、駆動音源を生成する場合、音声素片として
蓄えられているＬＰＣやＬＳＰなどのパラメータと、駆
動音源として利用される残差波形が、異なる音声から分
析して抽出されたものとなるため、蓄えられた残差波形
を駆動音源とし、蓄えられた音声素片のパラメータを係
数として合成フィルタに通しても原音声を再生すること
ができず、生成される合成音声が劣化するという問題点
が生じる。

【００２１】また、各残差波形ごとに、対応する高さの
音声から抽出した音声素片を利用すれば、劣化はなくな
ると考えられるが、この場合は各ピッチに対応して音声
素片を複数個、蓄えておくことが必要となり、メモリ量
が増大する。

【００２２】

【課題を解決するための手段】本発明の残差駆動型音声
合成装置は、音声合成フィルタの逆フィルタからなる音
声分析フィルタの係数として、音声素片メモリの音声素
片単位の音声パラメータを用い、この分析フィルタにそ
れぞれ異なるピッチ周期の音声を入力することにより得
られるそれぞれ異なるピッチ周期の音声の残差信号の波
形データを抽出し、この波形データを残差波形メモリに
蓄えたものである。

【００２３】

【作用】本発明の残差駆動型音声合成装置によれば、音
声を合成するために選択された音声素片に対して、どの
ような周期の残差波形が駆動音源として用いられても、
選択され得る全ての残差信号の波形データが、実際の合
成に供せられる音声パラメータそのものを係数とした逆
フィルタにより抽出されたものであるので、ピッチの変
更にかかわらず、音源とパラメータが同一音声から抽出
したことになるため、より自然で高品質な合成音声が得
られる。

【００２４】

【実施例】図６は、本発明の残差駆動型音声合成装置に
用いる残差信号の波形データの作成方法を示したもので
ある。図６（ａ）（ｂ）（ｃ）の各Ｈ（ｚ）は、音声合
成フィルタの逆フィルタからなる音声分析フィルタの伝
達特性をゼット変換の記述で表したものである。これら
の図６（ａ）（ｂ）（ｃ）にそれぞれ示すように、高
音、中音、低音の３段階のピッチの異なる音声に対し
て、音声素片として蓄えられるＬＰＣ（線形予測係数、
編自己相関係数等）やＬＳＰなどの音声パラメータを係
数とする逆フィルタをかけることにより、それぞれ高音
用、中音用、低音用の残差波形が生成される。

【００２５】本発明の残差駆動型音声合成装置は、各音
声素片に対し、図６に示したのと同様の方法で作成した
残差波形を図３に示す残差波形メモリに蓄え、図１に示
す構成で残差駆動型の規則合成を行うのである。

【００２６】すなわち、発声すべき文字列が文字列バッ
ファ（１）に入力されると、音韻記号列生成部（２）は
入力された文字列を音韻記号列に変換する。例えば、
「た＊べにき＊た」（但し、＊はアクセント位置を示す
記号）という文字列が入力されると「ｔａｂｅｎｉ ｋ
ｉｔａ」という音韻記号列に変換する。

【００２７】次に、選択回路１（３）は、音韻記号列か
ら必要な音声素片を順次、決定選択し、音声素片メモリ
（４）に蓄えられた音声素片のうち必要な音声素片が、
音声素片接続部（５）で接続される。音声素片の単位と
しては、ＣＶＣ（子音＋母音＋子音）、あるいは、ＣＶ
（子音＋母音）とＶＣ（母音＋子音）を併用するものな
ども用いられるが、例として簡単のため、ＣＶ（子音＋
母音）すなわち音節を単位とするものを考えると、「ｔ
ａ、ｂｅ、ｎｉ、ｋｉ、ｔａ」が必要な音声素片として
順次選択され接続される。

【００２８】接続された音声素片は、音声パラメータと
して音声パラメータバッファ（６）に蓄えられ、係数と
して合成フィルタ（１１）に与えられる。

【００２９】一方、アクセント位置等のイントネーショ
ンを表す記号も、発声すべき文字列とともに入力され、
文字列バッファ（１）から、ピッチパターン生成部
（７）に与えられると、ピッチパターン生成部（７）
は、発声文全体のピッチ（音程）を決定する。例えば、
「た＊べに き＊た」という入力の場合、「た」と
「き」にアクセントが存在するので、第５図に示すよう
なピッチパターンとなる。

【００３０】また、残差波形メモリ（８）には、各音声
素片に対応して、駆動音源として利用するための残差波
形が蓄えられており、選択回路１（３）で決定選択され
た音声素片に対応して、必要な残差波形が選択される。
例の場合、「ｔａ、ｂｅ、ｎｉ、ｋｉ、ｔａ」の順で残
差波形が選択される。

【００３１】さらに、残差波形メモリ（８）には、各音
声素片に対して、本発明で提案する方法で作成したピッ
チの異なる複数の残差波形が蓄えられており、ピッチパ
ターン生成部（７）で生成されたピッチに応じて、選択
回路２（９）が適切なピッチの残差波形を選択決定し、
駆動音源生成部（１０）に蓄える。最後に、選択された
残差波形は、駆動音源生成部（１０）で、ピッチパター
ン生成部（７）で生成されたピッチに一致する値にピッ
チ変更が施され、所望のピッチの残差波形が生成され
る。

【００３２】このようにして生成された残差波形は、駆
動音源として合成フィルタ（１１）に入力され、合成フ
ィルタ（１１）で合成音声が生成される。合成音声はＤ
／Ａ変換器（１２）を経て、スピーカ（１３）から出力
される。

【００３３】

【発明の効果】本発明の残差駆動型音声合成装置は、ピ
ッチの変更にかかわらず、音源とパラメータが同一音声
から抽出したことになるので、接続すべき音声素片に対
応して選択された残差波形であれば、いずれのピッチの
残差波形を駆動音源として用いても、原音声に近い高品
質な合成音声を得ることができる。

【図面の簡単な説明】

【図１】残差駆動型規則合成装置の構成図、

【図２】ピッチパターンの模式図、

【図３】残差波形メモリの模式図、

【図４】駆動音源生成部の模式図、

【図５】従来の残差波形作成方法の解説図、

【図６】本発明の残差駆動型音声合成装置で用いる残差
波形作成方法の解説図。

【符号の説明】

（１）・・・文字列バッファ、 （２）・・・音韻記号列生成部、 （３）・・・選択回路１、 （４）・・・音声素片メモリ、 （５）・・・音声素片接続部、 （６）・・・音声パラメータバッファ、 （７）・・・ピッチパターン生成部、 （８）・・・残差波形メモリ、 （９）・・・選択回路２、 （１０）・・駆動音源生成部、 （１１）・・合成フィルタ、 （１２）・・Ｄ／Ａ変換器、 （１３）・・スピーカ、 （１０１）・スイッチ１、 （１０２）・残差波形バッファ１、 （１０３）・スイッチ２、 （１０４）・残差波形バッファ２、 （１０５）・ピッチ変更回路

Claims (1)

【特許請求の範囲】
1. 【請求項１】 ＬＰＣ、ＬＳＰなどの線形予測系の音声
   特徴パラメータを音声素片単位で蓄えた音声素片メモ
   リ、発声すべき音声の音声素片を示す記号列を生成する
   音韻記号列生成部、及び該音韻記号列生成部により生成
   された記号列に基づいて音声素片メモリから読み出した
   音声素片を順次接続する音声素片接続部を備えた音声特
   徴パラメータ制御手段、 各音声素片毎に対応したピッチ周期の異なる複数の残差
   信号の波形データ群を蓄えた残差波形メモリ、発声すべ
   き音声のピッチ周期変化を示したピッチパターンを生成
   するピッチパターン生成部、及び上記残差波形メモリの
   音声素片に対応した残差信号の波形データ群の中から該
   ピッチパターン生成部で決定された各時点でのピッチ周
   期に応じた残差波形データを選択する残差選択回路を備
   えた駆動音源制御手段、 該残差選択回路で選択された残差を駆動音源とすると共
   に、上記該音声素片接続部によって接続された音声素片
   の音声パラメータを係数として音声を合成する線形予測
   系の音声合成フィルタを備えた音声合成手段からなる残
   差駆動型音声合成装置に於て、 上記残差波形メモリに蓄えるべきピッチ周期の異なる複
   数の残差信号の波形データは、これと対応する上記音声
   素片メモリの音声素片の音声パラメータを係数として、
   上記音声合成フィルタの逆フィルタからなる音声分析フ
   ィルタに、それぞれ異なるピッチ周期の音声を入力する
   ことにより得ることを特徴とした残差駆動型音声合成装
   置。