JPH0756591A - 音声合成装置、音声合成方法及び記録媒体 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、音声合成装置、音声合成方法及び記
録媒体において、実際の人間の音声に比して違和感のな
い合成音を発声する。 【構成】任意音声を合成する際に、音声単位記憶部に記
憶したスペクトル包絡軌道が正規化された音声単位デー
タセツトを用いることによつて、音声単位接続部での接
続歪みによる品質の劣化を未然に防止して、補間処理を
行うことなしに音声単位をなめらかに接続していくこと
ができ、人間の音声に比して違和感のない高品質な任意
合成音を得る。

Description

【発明の詳細な説明】

【０００１】

【目次】以下の順序で本発明を説明する。 産業上の利用分野 従来の技術 発明が解決しようとする課題 課題を解決するための手段（図１及び図２） 作用（図１及び図２） 実施例（図１〜図５） 発明の効果

【０００２】

【産業上の利用分野】本発明は音声合成装置、音声合成
方法及び記録媒体に関し、特に単音節又はそれ以上の音
節数からなる音声単位を同一音素内で接続する音声合成
装置に適用して好適なものである。

【０００３】

【従来の技術】従来、規則合成方式による音声合成装置
においては、入力された文字の系列を解析した後、所定
の規則に従つてパラメータを合成することにより、いか
なる言葉でも音声合成し得るようになされている。すな
わち規則合成方式による音声合成装置は、入力された文
字の系列を解析した後、所定の規則に従つて各文節ごと
にアクセントを検出し、各文節の並びから文字系列全体
としての抑揚、ポーズ等を表現するピツチパラメータを
合成する。

【０００４】さらに音声合成装置は、同様に所定の規則
に従つて各文節を例えばＣＶ／ＶＣ単位のような音声単
位に分割した後、そのスペクトラムを表現する合成パラ
メータを生成する。これによりピツチパラメータ及び合
成パラメータに基づいて合成音を発声するようになされ
ている。

【０００５】

【発明が解決しようとする課題】ところでこのような音
声合成装置で用いられる個々の音声単位は、それが抽出
された実音声内での前後の音韻環境の影響を受けてお
り、その影響が合成音声内に表れてくる。すなわちある
音声単位では合成時における音韻環境と、抽出された実
音声内での音韻環境とが異なる場合が生じてくる。これ
によつて、合成音声の各音声単位を接続した場合に、実
音声と比べて不自然な音声波形が生成され、周波数領域
での不連続性が原因となつて異聴等が発生する。

【０００６】またＣＶ／ＶＣ単位による音声合成のよう
に音声単位を同一音素内で接続する場合では、周波数領
域での不連続性が聴感上特に感知されやすく、合成音声
の品質が劣化しやすいといつた問題があつた。このよう
な問題を解決するために、従来の音声合成装置では音声
単位間の接続部分で補間処理を行うことが一般的である
が、補間処理の為に合成アルゴリズムが繁雑となつてし
まつたり、合成された音声のスペクトル特性は自然音声
からかけ離れたものとなつてしまう。

【０００７】本発明は以上の点を考慮してなされたもの
で、実際の人間の音声に比して違和感のない合成音を発
声することができる音声合成装置を提案しようとするも
のである。

【０００８】

【課題を解決するための手段】かかる課題を解決するた
めに本発明においては、音韻記号と韻律記号とに基づい
て所定の音韻規則及び韻律規則によつて韻律情報を生成
する音声合成規則部４と、合成単位として固有な特徴パ
ラメータを必要フレーム数貯えた音声単位及び上記韻律
情報に基づいて合成音を生成する音声合成部５とを有す
る音声合成装置１において、少なくとも一つの音素に対
して、音声単位間の接続フレームにおける代表的な特徴
パラメータを設定し、その代表的な特徴パラメータを以
てスペクトル包絡軌道を正規化した音声単位を記憶する
音声単位記憶部２を設けるようにした。

【０００９】また本発明においては、音韻記号と韻律記
号とに基づいて所定の音韻規則及び韻律規則によつて韻
律情報を生成すると共に、合成単位として固有な特徴パ
ラメータを必要フレーム数貯えた音声単位及び韻律情報
に基づいて合成音を生成する音声合成方法において、少
なくとも一つの音素に対して、音声単位間の接続フレー
ムにおける代表的な特徴パラメータを設定し、代表的な
特徴パラメータを以てスペクトル包絡軌道を正規化した
音声単位を記憶するようにした。

【００１０】

【作用】任意音声を合成する際に、音声単位記憶部に記
憶したスペクトル包絡軌道が正規化された音声単位デー
タセツトを用いることによつて、音声単位接続部での接
続歪みによる品質の劣化を未然に防止して、補間処理を
行うことなしに音声単位をなめらかに接続していくこと
ができ、人間の音声に比して違和感のない高品質な任意
合成音が得られる。

【００１１】

【実施例】以下図面について、本発明の一実施例を詳述
する。

【００１２】図１において、１は全体として演算処理装
置構成の音声合成装置を示し、音声単位記憶部２、文章
解析部３、音声合成規則部４及び音声合成部５に分割さ
れる。文章解析部３は、所定の入力装置から入力された
テキスト入力（文字の系列で表された文章等でなる）を
所定の辞書を基準にして解析し、仮名文字列に変換した
後、単語、文節毎に分解する。

【００１３】すなわち日本語においては、英語のように
単語が分かち書きされていないことから、例えば「米国
産業界」のような言葉は、「米国／産業・界」、「米／
国産／業界」のように２種類以上に区分化し得る。この
ため文章解析部３は、辞書を参考にしながら、言葉の連
続関係及び単語の統計的性質を利用して、テキスト入力
を単語、文節毎に分解するようになされ、これにより単
語、文節の境界を検出するようになされている。さらに
文章解析部３は、各単語毎に基本アクセントを検出した
後、音声合成規則部４に出力する。

【００１４】音声合成規則部４は、日本語の特徴に基づ
いて設定された所定の音韻規則に従つて、文章解析部３
の検出結果及びテキスト入力を処理するようになされて
いる。すなわち、日本語の自然な音声は、言語学的特性
に基づいて区別すると、約１００程度の発声の単位に区
分することができる。例えば、「さくら」という単語を
発声の単位に区分すると、「sa」＋「ak」＋「ku」＋
「ur」＋「ra」の５つのＣＶ／ＶＣ単位に分割すること
ができる。

【００１５】さらに日本語は、単語が連続する場合、連
なつた後ろの語の語頭音節が濁音化したり（すなわち続
濁でなる）、語頭以外のガ行音が鼻音化したりして、単
語単体の場合と発声が変化する特徴がある。従つて音声
合成規則部４は、これら日本語の特徴に従つて音韻規則
が設定されるようになされ、その規則に従つてテキスト
入力を音韻記号列（すなわち上述の「sa」＋「ak」＋
「ku」＋「ur」＋「ra」等の連続する列でなる）に変換
するようになされている。さらに音声合成規則部４は、
この音韻記号列に基づいて、音声単位記憶部２から各音
声単位データをロードする。

【００１６】ここで音声合成装置１は、線形予測分析等
によるパラメータを用いた合成手法によつて合成音を発
声するようになされ、音声単位記憶部２からロードされ
るデータは、各ＣＶ／ＶＣ単位で表される合成音を生成
する際に用いられる特徴パラメータのデータでなる。こ
の合成音の生成に用いられる音声単位データは、線形予
測分析等によつて得られた実音声の特徴パラメータを必
要なフレーム数だけ貯えたものである。

【００１７】またこの音声単位データは、音声単位記憶
部２に貯えられている全ての音声単位データの集まりで
ある音声単位データセツト内において、図２に示すよう
な手順によつて、音声単位データ内のスペクトル包絡軌
道が正規化されている。この音声単位データのスペクト
ル包絡軌道の正規化処理の具体例を以下に示す。

【００１８】すなわちまず音声単位データセツトに含ま
れる少なくとも一つの音素に対して、音声単位間を接続
する場合の接続フレームにおける代表的な特徴パラメー
タを設定する。これは言い換えると、接続フレームにお
ける代表的なスペクトル包絡特性を設定することと同値
である。

【００１９】これはＣＶ／ＶＣ単位による音声単位デー
タセツトについて、音素/a/ に対する代表的な特徴パラ
メータを設定する場合では、/ak/、/as/、/ka/、/sa/の
ように音素/a/ を含む音声単位データセツト内の該当音
声単位データ全てについて、音素/a/ が音声単位データ
の前方音素となる場合にはその音声単位データ内の前端
フレームを対象の接続フレームとし、また音素/a/ が音
声単位データの後方音素となる場合にはその音声単位デ
ータ内の後端フレームを対象の接続フレームとして、対
象の接続フレームの特徴パラメータを取り出す。

【００２０】このようにして取り出された該当音声単位
データ全てにおける特徴パラメータから、その特徴パラ
メータの空間内での重心であるセントロイドを求め、こ
れを音素/a/ における代表的な特徴パラメータとする。
あるいは特徴パラメータの空間内において求められたセ
ントロイドに最も近い位置にある特徴パラメータを代表
的な特徴パラメータとしても良い。同様にして、スペク
トル包絡軌道の正規化を行う他の音素に対しても、その
代表的な特徴パラメータを設定する。

【００２１】次に該当音素に対して設定された代表的な
特徴パラメータを用いて、各音声単位データのスペクト
ル包絡軌道の正規化を行う。この具体的な方法は、音声
単位データ/am/の場合では次のようになる。すなわち音
素/a/ の代表的な特徴パラメータと、音声単位データ/a
m/内の前端フレームにおける特徴パラメータとの差分を
計算して、これを前端フレームにおける特徴パラメータ
のギヤツプとし、また音素/m/ の代表的な特徴パラメー
タと、音声単位データ/am/内の後端フレームにおける特
徴パラメータとの差分を計算して、これを後端フレーム
におけるスペクトル包絡特性のギヤツプとする。

【００２２】音声単位データ/am/内の音素/a/ と音素/m
/ との境界となるフレームを中心として、求められた両
端のフレームにおける特徴パラメータのギヤツプを打ち
消すように、音声単位データ/am/に対する特徴パラメー
タの正規化関数を設定する。図３は特徴パラメータの正
規化関数を周波数領域で表現した場合を示す。この正規
化関数は音声単位データ内の音素境界に接するフレーム
でスペクトル包絡特性の補正量が０となるように、音声
単位データの両端の特徴パラメータのギヤツプを直線補
間する関数である。

【００２３】また図４はスペクトル包絡軌道の正規化処
理を示す。設定された正規化関数を抽出された音声単位
データ/am/の各フレームの特徴パラメータに適用するこ
とで、両端のフレームにおけるスペクトル包絡特性はそ
れぞ音素/a/ と音素/m/ との代表的な特徴パラメータが
表すスペクトル包絡特性となり、しかも音声単位データ
内では滑らかなスペクトル包絡軌道が実現できる。

【００２４】このようにして正規化された各フレームの
特徴パラメータを、音声単位データ/am/の特徴パラメー
タとして保持する。このような手法による音声単位デー
タのスペクトル包絡軌道の正規化を、該当する音声単位
データ全てに対して行う。

【００２５】音声合成規則部４は、音声単位記憶部２か
らロードされた音声単位データをテキスト入力に応じた
順序（以下このデータを合成パラメータと呼ぶ）で合成
し、かくして抑揚のない状態で、テキスト入力を読み上
げた音声を表す合成パラメータを得ることができる。さ
らに音声合成規則部４は所定の韻律規則に基づいて、テ
キスト入力を適当な長さで分割して、切れ目すなわちポ
ーズを検出する。かくして図５に示すように、例えばテ
キスト入力として文章「きれいな花を山田さんからもら
いました」が入力された場合は（図５（Ａ））、当該テ
キスト入力は「きれいな」、「はなを」、「やまださん
から」、「もらいました」に分解された後、「はなを」
及び「やまださんから」の間にポーズが検出される（図
５（Ｂ））。

【００２６】さらに音声合成規則部４は、韻律規則及び
各単語の基本アクセントに基づいて、各文節のアクセン
トを検出する。すなわち日本語の文節単体のアクセント
は、感覚的に仮名文字を単位として（以下モーラと呼
ぶ）、高低の２レベルで表現することができる。このと
き文節の内容等に応じて、文節のアクセント位置を区別
することができる。例えば、端、箸、橋は、２モーラの
単語で、それぞれアクセントのない０型、アクセントの
位置が先頭のモーラにある１型、アクセントの位置が２
モーラ目にある２型に分類することができる。かくし
て、この実施例において音声合成規則部４は、テキスト
入力の各文節を、それぞれ１型、２型、０型、４型と分
類し（図５（Ｃ））、これにより文節単位でアクセント
及びポーズを検出する。

【００２７】さらに音声合成規則部４は、アクセント及
びポーズの検出結果に基づいて、テキスト入力全体の抑
揚を表す基本ピツチパターンを生成する。すなわち日本
語において文節のアクセントは、感覚的に２レベルで表
し得るのに対し、実際の抑揚は、アクセントの位置から
徐々に低下する特徴がある（図５（Ｄ））。さらに日本
語においては、文節が連続して１つの文章になると、ポ
ーズから続くポーズに向かつて、抑揚が徐々に低下する
特徴がある（図５（Ｅ））。

【００２８】従つて音声合成規則部４は、かかる日本語
の特徴に基づいて、テキスト入力全体の抑揚を表すパラ
メータを各モーラ毎に生成した後、人間が発声した場合
と同様に抑揚が滑らかに変化するように、モーラ間の補
間によりパラメータを設定する。かくして音声合成規則
部４は、テキスト入力に応じた順序で、各モーラのパラ
メータ及び補間したパラメータを合成し（以下ピツチパ
ターンと呼ぶ）、かくしてテキスト入力を読み上げた音
声の抑揚を表すピツチパターン（図５（Ｆ））を得るこ
とができる。

【００２９】音声合成部５は、線形予測パラメータを用
いた合成手法によつて音声を合成するようになされた音
声合成フイルタを有し、合成パラメータ及びピツチパタ
ーンに基づいて合成音を生成する。これにより、合成パ
ラメータで決まるスペクトラムで、ピツチパターンの変
化に追従して抑揚の変化する合成音を得ることができ
る。

【００３０】このように音声を合成するために用いる音
声単位データのスペクトル包絡軌道を正規化することに
よつて、任意の音声が合成可能な音声合成装置におい
て、同一音素内における音声単位接続部での接続歪みが
ほとんど解消され、音声合成時における補間処理を行う
ことなしに、音声単位データがなめらかに接続された人
間の音声に比して違和感のない高品質な任意合成音が得
られる。

【００３１】以上の構成において、所定の入力装置から
入力されたテキスト入力は、文章解析部２で、所定の辞
書を基準にして解析され、単語、文節の境界及び基本ア
クセントが検出される。単語、文節の境界及び基本アク
セントの検出結果は、音声合成規則部４で、所定の音韻
規則に従つて処理され、抑揚のない状態でテキスト入力
を読み上げた音声を表す合成パラメータが生成される。

【００３２】さらに単語、文節の境界及び基本アクセン
トの検出結果は、音声合成規則部４で、所定の韻律規則
に従つて処理され、テキスト入力全体の抑揚を表すピツ
チパターンが生成される。ピツチパターンは合成パラメ
ータと共に音声合成部５に出力され、ここでピツチパタ
ーン及び合成パラメータに基づいて合成音が生成され
る。

【００３３】以上の構成によれば、任意音声を合成する
際に、合成時における音声単位間の補間処理を行うこと
なしになめらかに音声単位が接続され、人間の音声に比
して違和感の少ない高品質な合成音声を生成し得る音声
合成装置、音声合成方法を実現できる。

【００３４】なお上述の実施例においては、文章解析部
でテキスト入力を解析したが、これに代え、音声合成装
置内に文章解析部を持たず、音声合成装置への直接の入
力として、音韻記号と韻律記号とが与えられるようにな
されても上述の実施例と同様の効果を実現できる。

【００３５】また上述の実施例においては、音声単位デ
ータに対するスペクトル包絡軌道の正規化処理を、音声
単位データ内の音素境界を中心にして全てのフレームに
対して施す場合について述べたが、本発明はこれに限ら
ず、音声単位データの前端からの任意のフレーム数及び
後端からの任意のフレーム数のみに対して正規化処理を
施しても良い。

【００３６】また上述の実施例においては、音声単位デ
ータに対するスペクトル包絡軌道の正規化処理を、音声
単位データ全体に対して施す場合について述べたが、本
発明はこれに限らず、音声単位内の有声部分に対しての
み正規化処理を施しても良い。

【００３７】さらに上述の実施例においては、音声単位
データがＣＶ／ＶＣ単位である場合について述べたが、
本発明はこれに限らず、音声単位データがＶＣＶ単位や
ＣＶＣ単位、あるいはその両者のように、音声単位デー
タを同一音素内で接続する音声合成方式において、音声
単位データ内の音韻連鎖が任意の数であつたり、音声単
位データ内の音韻連鎖のパターンが任意である場合に
も、音声単位内の前端フレーム及び後端フレームを含む
音素に対してのみ正規化処理を施しても良い。

【００３８】

【発明の効果】上述のように本発明によれば、音声合成
時の音声単位間の補間処理を行うことなく、音声単位接
続部での接続歪みをほとんど解消することができ、高品
質な合成音を任意に合成することができる音声合成装
置、音声合成方法及び記録媒体を得ることができる。

【図面の簡単な説明】

【図１】本発明による音声合成装置の一実施例を示すブ
ロツク図である。

【図２】図１の音声合成装置における音声単位データセ
ツトの正規化処理を示すブロツク図である。

【図３】音声単位データのスペクトル包絡軌道の正規化
関数を周波数領域で示す特性曲線図である。

【図４】音声単位データのスペクトル包絡軌道の正規化
処理の説明に供する特性曲線図である。

【図５】本発明の一実施例の動作として基本ピツチパタ
ーンの生成の説明に供する略線図である。

【符号の説明】

１……音声合成装置、２……音声単位記憶部、３……文
章解析部、４……音声合成規則部、５……音声合成部。

Claims (12)

【特許請求の範囲】
1. 【請求項１】音韻記号と韻律記号とに基づいて所定の音
   韻規則及び韻律規則によつて韻律情報を生成する音声合
   成規則部と、合成単位として固有な特徴パラメータを必
   要フレーム数貯えた音声単位及び上記韻律情報に基づい
   て合成音を生成する音声合成部とを有する音声合成装置
   において、 少なくとも一つの音素に対して、上記音声単位間の接続
   フレームにおける代表的な特徴パラメータを設定し、当
   該代表的な特徴パラメータを以てスペクトル包絡軌道を
   正規化した上記音声単位を記憶する音声単位記憶部を具
   えることを特徴とする音声合成装置。
2. 【請求項２】入力された文字の系列を解析して、単語、
   文節の境界及び基本アクセントを検出し、上記音韻記号
   と上記韻律記号とを生成する文章解析部を具えることを
   特徴とする請求項１に記載の音声合成装置。
3. 【請求項３】上記音声単位の上記スペクトル包絡軌道の
   正規化を、上記音声単位の前端及び又は後端の任意数の
   フレームに対してのみ行うようにしたことを特徴とする
   請求項１又は請求項２に記載の音声合成装置。
4. 【請求項４】上記音声単位の上記スペクトル包絡軌道の
   正規化を、上記音声単位内の有声部分に対してのみ行う
   ようにしたことを特徴とする請求項１、請求項２又は請
   求項３に記載の音声合成装置。
5. 【請求項５】上記音声単位の上記スペクトル包絡軌道の
   正規化を、上記音声単位内の前端及び又は後端の接続フ
   レームを含む音素に対してのみ行うようにしたことを特
   徴とする請求項１、請求項２、請求項３又は請求項４に
   記載の音声合成装置。
6. 【請求項６】音韻記号と韻律記号とに基づいて所定の音
   韻規則及び韻律規則によつて韻律情報を生成すると共
   に、合成単位として固有な特徴パラメータを必要フレー
   ム数貯えた音声単位及び上記韻律情報に基づいて合成音
   を生成する音声合成方法において、 少なくとも一つの音素に対して、上記音声単位間の接続
   フレームにおける代表的な特徴パラメータを設定し、上
   記代表的な特徴パラメータを以てスペクトル包絡軌道を
   正規化した音声単位を記憶するようにしたことを特徴と
   する音声合成方法。
7. 【請求項７】入力された文字の系列を解析して、単語、
   文節の境界及び基本アクセントを検出し、上記音韻記号
   と上記韻律記号を生成するようにしたことを特徴とする
   請求項６に記載の音声合成方法。
8. 【請求項８】上記音声単位の上記スペクトル包絡軌道の
   正規化を、上記音声単位の前端及び又は後端の任意数の
   フレームに対してのみ行うようにしたことを特徴とする
   請求項６又は請求項７に記載の音声合成方法。
9. 【請求項９】上記音声単位の上記スペクトル包絡軌道の
   正規化を、上記音声単位内の有声部分に対してのみ行う
   ようにしたことを特徴とする請求項６、請求項７又は請
   求項８に記載の音声合成方法。
10. 【請求項１０】上記音声単位の上記スペクトル包絡軌道
    の正規化を、上記音声単位内の前端及び又は後端の接続
    フレームを含む音素に対してのみ行うようにしたことを
    特徴とする請求項６、請求項７、請求項８又は請求項９
    に記載の音声合成方法。
11. 【請求項１１】請求項６、請求項７、請求項８、請求項
    ９又は請求項１０に記載の音声合成方法を記録した記録
    媒体。
12. 【請求項１２】請求項６、請求項８、請求項９又は請求
    項１０に記載の音声単位のデータを記録した記録媒体。