JPH10301599A

JPH10301599A - 音声合成装置

Info

Publication number: JPH10301599A
Application number: JP9112642A
Authority: JP
Inventors: Atsushi Wakao; 淳若尾
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1997-04-30
Filing date: 1997-04-30
Publication date: 1998-11-13

Abstract

(57)【要約】【課題】多彩な声質の合成音声を合成できる音声合成
装置を提供する。【解決手段】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部３と、波
形記憶部３に記憶された素片波形を変換する波形変換部
２と、波形変換部２にて変換された素片波形を編集して
合成音を生成する合成部１とを有している。波形変換部
２にて各素片波形を変換し、変換された素片波形を用い
て合成音声を生成することで合成音の声質をピッチおよ
び発声速度と独立に変更する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、波形編集方式の音
声合成装置に関し、特に、様々な声質の合成音声を生成
することができる音声合成装置に関する。

【０００２】

【従来の技術】テキスト音声合成における合成音の品質
は、年々向上している。それに伴い、利用者は、「多彩
な声質」の合成音声を求め始めている。人間の声は、声
帯等の音源で発生した音が声道を通過する際に、様々な
音色（スペクトル包絡）を付与されることで生じる。声
質は、このスペクトル包絡によって決定される。したが
って、このスペクトル包絡を変更することで、声質を変
更することが可能である。

【０００３】一般に、音声合成装置は、波形編集方式と
パラメータ分析合成方式の二つに大別される。

【０００４】パラメータ分析合成方式においては、スペ
クトル包絡はモデル化され、ホルマントなどの声質に影
響の大きいパラメータとして扱われる。このため、この
ようなパラメータを変更することによって、声質を容易
に変更できる。パラメータ分析合成方式における声質変
換法は、例えば、特開平８−８３０９８号公報、特開平
８−２４８９９４号公報、特開昭５７−１０５７９６号
公報、特開昭５６−０７２５００号公報、特開昭５８−
１６８０９８号公報等にて開示されている。しかし、今
のところ、パラメータ分析合成方式は、波形編集方式と
比較して音質が悪いため、実用的ではない。

【０００５】これに対し、比較的音質の良い波形編集方
式においては、スペクトル包絡は、モデル化されず、音
声波形の状態で扱われる。このため、波形編集方式にお
いては、声質の変更は容易でない。

【０００６】波形編集方式音声合成方式におけるスペク
トル包絡の変更方法は、例えば、特開平８−１５２９０
０号公報にて開示されている。図２０は、この公報にて
開示されている音声合成装置の構成を示すブロック図で
ある。図２０を参照して、入力テキストが合成部９０１
に入力されると、波形記憶部９０３から適切な波形を選
択、編集し、合成音を生成する。この合成音を波形伸縮
部９０２において時間伸縮（サンプリング周波数変換）
することで、合成音のスペクトル包絡が変化する。これ
により、声質を変化させる。図２１は、有声音の伸縮の
様子を示した例であり、（Ａ）は伸縮前の波形、（Ｂ）
は伸縮後の波形、（Ｃ）は伸縮前のスペクトル包絡、
（Ｄ）は伸縮後のスペクトル包絡である。有声音は、図
２１の（Ａ）のように、複数の１ピッチ波形の並んだも
のとして構成される。その間隔（中心間の距離）がピッ
チ周期（周波数の逆数）、全体の長さが発声時間、１ピ
ッチ波形をフーリエ変換したものがスペクトル包絡
（Ｃ）である。波形の時間伸縮を行うと、そのスペクト
ルも伸縮される。例えば、図２１の例では、波形が伸張
されることにより、伸縮前のスペクトル包絡（Ｄ）は、
伸縮後のスペクトル包絡（Ｃ）と比べ、低周波数方向に
縮退している。このようにスペクトル包絡が変化するこ
とにより、声質は変更される。しかし、伸縮を行うこと
により、そのピッチ、発声時間も変化する。図２１にお
いて、（Ａ）と（Ｂ）とを比較すると、（Ｂ）の伸縮後
の波形は、ピッチ周期、発声時間とも倍の長さとなって
しまう。

【０００７】これに対処するため、波形を編集する際、
即ち、図２１における（Ａ）の段階でピッチ周期、発声
時間を通常の半分とする必要がある。一般に、波形編集
後に何らかの変換を行う場合は、スペクトル包絡だけで
なく、ピッチや発声時間にも影響を与える。波形編集時
には、この影響を考慮する必要がある。

【０００８】

【発明が解決しようとする課題】図２０に示した手法で
は、伸縮に合わせて、波形編集時に発声速度やピッチを
変更するための余分な計算が必要となる。また、合成音
声のスペクトル包絡は、音韻によらず一律な規則で変更
されている。このような変更は、声道の形状に対応して
いると考えられる。しかし、人間の音声は、声帯等の音
源で生成される音が声道を通る際に音色（スペクトル包
絡）を付与されて生成する。したがって、スペクトル包
絡は、音源で発生した音が通過した声道の形状によって
決定される。しかし、音源の位置は音韻により異なる。
例えば、母音の場合には音源は喉の奥の声帯であるが、
摩擦音“ｓ”の場合には舌を固い上蓋に近づけ、ここを
音源としている。つまり、声道の形状が同じように変化
しても、音源から発生した音が声道を通る距離等は異な
るため、声道の形状の変化の影響は音韻によって異な
る。したがって、主に音源から発生した音が通過する声
道の形状によって決まるスペクトル包絡の変化は、音韻
により異なるべきである。また、人間の音声には、ホル
マントと呼ばれるスペクトル包絡のピークが複数存在す
る。このようなホルマントは、声質に大きな影響を及ぼ
す。このため、多彩な声質を得るためには、複数のホル
マントをそれぞれ操作できることが望まれる。しかし、
図２１における（Ｃ）のスペクトル包絡と（Ｄ）のスペ
クトル包絡とを比較すると、（Ｃ）の２つのホルマント
（スペクトル包絡のピーク）は、（Ｄ）において、いず
れも半分の周波数の位置にシフトしている。

【０００９】本発明の課題は、多彩な声質の合成音声を
合成できる音声合成装置を提供することである。

【００１０】

【課題を解決するための手段】本発明の第１の音声合成
装置は、合成の最小単位となる素片波形（有声：１ピッ
チ毎、無声：音素毎）を記憶する波形記憶部と前記波形
記憶部に記憶された素片波形を変換する波形変換部と前
記波形変換部で変換された素片波形を編集して合成音を
生成する合成部とを備え、波形変換部において各素片波
形を変換し、変換された素片波形を用いて合成音声を生
成することで合成音の声質をピッチ、発声長と独立に変
更することを特徴とする。

【００１１】本発明の第２の音声合成装置は、合成の最
小単位となる素片波形（有声：１ピッチ毎、無声：音素
毎）を記憶する波形記憶部と前記波形記憶部に記憶され
た素片波形を変換する波形変換部と前記波形変換部で変
換された素片波形を編集して合成音を生成する合成部と
を備え、前記波形変換部が素片波形を時間伸縮する波形
伸縮部とから構成され、波形伸縮部において各素片波形
を伸縮し、伸縮された素片波形を用いて合成音声を生成
することを特徴とする。

【００１２】本発明の第３の音声合成装置は、合成の最
小単位となる素片波形（有声：ピッチ毎、無声：音素
毎）を記憶する波形記憶部と前記波形記憶部に記憶され
た素片波形を変換する波形変換部と前記波形変換部で変
換された素片波形を編集して合成音を生成する合成部と
を備え、前記波形変換部が素片波形をフーリエ変換する
周波数変換部と前記周波数変換部でフーリエ変換された
素片波形スペクトルの周波数をシフトする周波数シフト
部と前記周波数シフト部で周波数シフトする際に必要な
パラメータを記憶したパラメータ記憶部と前記周波数シ
フト部で周波数シフトされた素片波形スペクトルをフー
リエ逆変換する周波数逆変換部から構成され、周波数シ
フト部において各素片波形スペクトルを周波数シフトす
ることで合成音の声質を変更することを特徴とする。

【００１３】本発明の第４の音声合成装置は、合成の最
小単位となる素片波形（有声：ピッチ毎、無声：音素
毎）を記憶する波形記憶部と前記波形記憶部に記憶され
た素片波形を変換する波形変換部と前記波形変換部で変
換された素片波形を編集して合成音を生成する合成部と
を備え、前記波形変換部が素片波形をラプラス変換する
周波数変換部と前記周波数変換部でラプラス変換された
素片波形スペクトルの周波数をシフトする周波数シフト
部と前記周波数シフト部で周波数シフトする際に必要な
パラメータを記憶するパラメータ記憶部と前記周波数シ
フト部で周波数シフトされた素片波形スペクトルを逆ラ
プラス変換する周波数逆変換部から構成され、周波数シ
フト部において各素片波形スペクトルを周波数シフトす
ることで合成音の声質を変更することを特徴とする。

【００１４】本発明の第５の音声合成装置は、合成の最
小単位となる素片波形（有声：ピッチ毎、無声：音素
毎）を記憶する波形記憶部と前記波形記憶部に記憶され
た素片波形を変換する波形変換部と前記波形変換部で変
換された素片波形を編集して合成音を生成する合成部と
を備え、前記波形変換部が前記波形記憶部に記憶された
素片波形の標本値列ベクトルに行列を積算する行列演算
部と前記行列演算部において用いる行列を記憶するパラ
メータ記憶部から構成され、素片波形の標本値列ベクト
ルに行列を積算することで第３、第４の発明と等価な変
換を実現することを特徴とする。

【００１５】本発明の第６の音声合成装置は、第１から
第５のいずれかの発明の音声合成装置において素片波形
をいくつかのグループに分け、このグループ毎に異なる
パラメータで変換をすることを特徴とする。

【００１６】本発明の第７の音声合成装置は、第６の発
明の音声合成装置において特に素片波形を有声音と無声
音の二つに分け、有声音のみを変換することを特徴とす
る。

【００１７】本発明の第８の音声合成装置は、第１から
第７のいずれかの発明の音声合成装置にさらにパラメー
タの入力部を備え、パラメータを任意に設定できること
を特徴とする。

【００１８】本発明の第９の音声合成装置は、第一から
第七のいずれかの音声合成装置において、前記波形変換
部が入力テキスト中に明示されたパラメータを用いて素
片波形を変換することを特徴とする。

【００１９】本発明の第１０の音声合成装置は、第１か
ら第９のいずれかの発明の音声合成装置において前記波
形変換部で変換された素片波形を記憶する波形記憶部を
備え前記波形記憶部に記憶された素片波形を用いて合成
音声を生成することを特徴とする。

【００２０】本発明の第１１の音声合成装置は、第１か
ら第９のいずれかの発明の音声合成装置において前記波
形変換部が前記合成部の韻律情報からパラメータを変更
することを特徴とする。

【００２１】

【発明の実施の形態】以下、図面を参照して、本発明の
実施の形態による音声合成装置を説明する。

【００２２】［実施の形態１］図１は、本発明の実施の
形態１の構成を示すブロック図である。図１を参照し
て、本発明の実施の形態１は、テキスト等の入力に基づ
いて波形記憶部３から選んだ素片波形を編集して合成音
を生成する合成部１と、素片波形を変換する波形変換部
２と、音素毎の波形と当該波形のラベルを記憶する波形
記憶部３とを有している。

【００２３】ここで、素片波形とは、有声音の場合は１
ピッチ分の波形、無声音の場合は１音素分の波形を示
す。また、ラベルとは、当該波形がどの音であるかを示
す音素情報や当該波形がどのようなテキストから得られ
たのかを示す音素環境情報等を示す。また、当該音素が
有声音である場合には複数の素片波形から構成されてい
るため、本発明では、これを素片波形毎に分離する必要
がある。このため、有声音波形には、このような分離を
行うためのラベルをも用意される。

【００２４】図２は、図１の波形変換部２をより詳細に
示すブロック図である。図２を参照して、波形変換部２
は、伸縮率を記憶するパラメータ記憶部２ａと、パラメ
ータ記憶部２ａに記憶された伸縮率を用いて素片波形を
時間伸縮する波形伸縮部２ｂとを備えている。

【００２５】次に、図１および図２を参照して、本発明
の実施の形態１の動作について説明する。

【００２６】合成したいテキストあるいは発音記号な
ど、それに準ずる発音情報が合成部１に入力されると、
合成部１は、このテキストを合成するために必要な素片
波形を波形記憶部３から選択する。

【００２７】波形記憶部３は、例えば音素を単位として
区切られた波形と、そのラベルとを記憶している。ラベ
ルは、例えば「ｋｏＮｎ；ｉ；ｃｈｉｗａ」というよう
に与えられる。ここで、最初のセミコロン（；）の前の
「ｋｏＮｎ」は当該波形の直前の音素連鎖、２つのセミ
コロンの間の「ｉ」は当該波形の音素、２つ目のセミコ
ロンの後の「ｃｈｉｗａ」は当該波形の直後の音素連鎖
を示す。

【００２８】また、当該波形が有声音である場合には、
前述のように素片波形毎に分離するためのラベルも持
つ。このラベルは、例えば素片波形の始端と終端の時刻
を「１０；２１；３１；４０；…」という形で与える。
この場合、有声音波形のうち０ｍｓｅｃから１０ｍｓｅ
ｃの部分は最初の１ピッチ波形、１０ｍｓｅｃから２１
ｍｓｅｃは次の１ピッチ波形…であることを示してい
る。

【００２９】素片波形の選択は、例えば「ａ」が合成に
必要な場合、音素が「ａ」である音素波形を探す。この
候補が複数ある場合は、音素環境情報を用いて合成した
い「ａ」と前後の音素が同じ物を探す。例えば、「ｋａ
ｋｉｇｏｕｒｉ」の「ａ」を合成したい場合、ａの前後
の音素がｋであることを示す「^*ｋ；ａ；ｋ^*」となる
ラベルを持つ波形を探す。ここで、「＊」は任意の音素
系列を示す。さらに候補が複数ある場合は、前後２つと
いうように増やして行く。また、前後どちらかのみ一
致、もしくは完全に一致するものがない場合に備え、同
一音素の音素波形には、予め優先順位を付けておく。ま
た、有声音の音素波形は、選択後、ラベルを用いて素片
波形に分割する。

【００３０】選択が行われると、波形伸縮部２ｂは、選
択された素片波形を波形記憶部３から読み出し、パラメ
ータ記憶部２ａに記憶されている伸縮率で時間伸縮す
る。時間伸縮は、例えば、サンプリング周波数変換の手
法で行われ、波形の元の周波数が２０ｋＨｚで伸縮率が
０．５であれば２０ｋＨｚから１０ｋＨｚにサンプリン
グ周波数変換を行う。

【００３１】伸縮された素片波形は、合成部１で所望の
ピッチ・発声速度となるように並べられ、合成音声とし
て出力される。

【００３２】具体的には、例えば有声音の場合、図１４
のように波形記憶部３に記憶された素片波形（１ピッチ
分の波形）（Ａ）を波形伸縮部２において時間伸縮し、
素片波形（Ｂ）を生成する。次に、合成部１は、伸縮し
た素片波形（Ｂ）を所望のピッチ周期の間隔で所望の長
さとなるまで並べ、合成音（Ｃ）を得る。一方、無声音
の場合は、例えば、図１６（ａ）および（ｂ）に示すよ
うに、素片波形（１音素分の波形）を伸縮し、伸縮後の
波形が所望の長さとなるように調整する。無声音の場合
の長さの調整法としては、例えば、次のような方法が挙
げられる。図１６（ａ）のように、伸縮後の波形（Ａ）
の長さが所望の長さより短い場合は、伸縮後の波形
（Ａ）からその一部（Ｂ）を抽出し、これを接続するこ
とで望む長さの波形（Ｃ）を得る。また、図１６（ｂ）
のように、伸縮後の波形（Ａ）の長さが所望の長さより
長い場合は、伸縮後の波形（Ａ）からその一部（Ｄ）を
削除することで、望む長さの波形（Ｅ）を得る。

【００３３】ここで、比較例として、特開平８−１５２
９００号公報にて開示された従来例では、図１５のよう
に、素片波形（１ピッチ波形）（Ａ）を並べた波形
（Ｄ）を生成し、これを伸縮することで望む声質、ピッ
チ、発声長の合成音（Ｃ）を生成している。しかし、こ
の手法では、（Ｄ）と（Ｃ）とを比較すればわかるよう
に、伸縮によってピッチ周期、発声長が変化する。この
ため、最終的な出力（Ｃ）の段階で望むピッチ周期、発
生長を得るには、素片波形（Ａ）を並べて波形（Ｄ）を
作る段階で伸縮の影響を考慮して波形を並べる必要があ
る。一方、本発明では、図１４のように、素片波形
（Ａ）を予め伸縮し、伸縮された素片波形（Ｂ）を並べ
て合成音（Ｃ）を生成している。このため、素片波形
（Ｂ）を並べて合成音（Ｃ）を作る際に、望むピッチ周
期、発声長となるように並べればよく、余分な計算は必
要ない。

【００３４】［実施の形態２］本発明の実施の形態２
は、実施の形態１と基本的に同じ構成である。異なる点
は、波形変換部２の構成ならびに動作である。

【００３５】図３は、実施の形態２における図１の波形
変換部２を、より詳細に示すブロック図である。図３を
参照して、波形変換部２は、素片波形をフーリエ変換す
る周波数変換部２ｃと、フーリエ変換された素片波形ス
ペクトルの周波数をシフトする周波数シフト部２ｄと、
周波数シフトの際のパラメータを記憶するパラメータ記
憶部２ａと、周波数シフトされた素片波形スペクトルを
フーリエ逆変換する周波数逆変換部２ｅとを備えてい
る。

【００３６】次に、図１および図３を参照して、本発明
の実施の形態２の動作について説明する。

【００３７】合成したいテキストあるいは発音記号など
それに準ずる発音情報が合成部１に入力されると、合成
部１は、このテキストを合成するために必要な素片波形
を波形記憶部３から選択する。選択方法は、実施の形態
１と同様である。選択が行われると、周波数変換部２ｃ
は、選択された素片波形ｆ（ｔ）を読み出してフーリエ
変換を行って素片波形スペクトルＳ（ω）を計算し、周
波数シフト部２ｄに渡す。フーリエ変換は、以下の数式
１で表される。

【００３８】

【数１】周波数シフト部２ｄは、素片波形スペクトルｘ（ω）を
受け取ると、パラメータ記憶部２ａから周波数の対応を
表す関数ｗ（ω）を読み出し、周波数シフトを実行す
る。周波数シフトは、以下の数式２で与えられる。

【００３９】

【数２】図１７に、周波数シフトの例を示す。図１７において、
（Ｂ）は元の素片波形スペクトルである。この素片波形
スペクトルを図１７の（Ａ）で表される関数を用いて周
波数シフトすると、例えばω＝２の場合、図１７の
（Ａ）からｗ（２）＝１となるので、ｘ（ｗ（２）＝ｘ
（１）となり、図１７の（Ｂ）のω＝１のホルマントが
ω＝２にシフトし、その結果、図１７の（Ｃ）のような
スペクトルとなる。周波数シフトされた素片波形スペク
トルｘ′Ｓは、周波数逆変換部２ｅに渡される。周波数
逆変換部２ｅは、周波数シフトされた素片波形スペクト
ルｘ′をフーリエ逆変換する。フーリエ逆変換は以下の
数式３で表される。

【００４０】

【数３】フーリエ逆変換された素片波形ｆ（ｔ）は、合成部１で
所望のピッチ・発声速度となるように並べられ、合成音
声として出力される。

【００４１】ここで、比較例の場合は、図２１の（Ｃ）
の変換前のスペクトルの２つのホルマント（スペクトル
のピーク）は、図２１の（Ｄ）の変換後、いずれも半分
の周波数の位置にある。このように従来は２つのホルマ
ントを同じようにしか変化できなかった。これに対し、
本発明の場合、図１７の（Ｂ）のω＝１，３の２つのホ
ルマントは、図１７の（ｃ）ではω＝２，３．５とな
り、各々別の割合で変化させることができる。

【００４２】尚、以上の説明では、波形が連続値を取る
ものとして説明したが、離散値を取る場合にも実現でき
る。この場合、フーリエ変換、フーリエ逆変換はそれぞ
れ、離散フーリエ変換、離散フーリエ逆変換に置き換え
る。この場合、変換前の素片波形をＦ［ｎ］、変換前の
素片波形スペクトルをＸ［ｋ］、変換後の素片波形を
Ｆ′［ｎ］、変換前の素片波形スペクトルをＸ′
［ｋ］、周波数シフトを示す関数をＷ［ｋ］とすると、
（１）式、（２）式、（３）式は、以下の数式４および
数式５に置き換えられる。

【００４３】

【数４】

【００４４】

【数５】ここで、Ｎは素片波形のサンプル数、Ｋは素片波形スペ
クトルのサンプル数である。以上の計算は、ＦＦＴによ
って行うことが可能である。

【００４５】また、周波数シフトは、２変数の関数ｙ
（ω，ｌ）（離散値の場合はＹ［ｋ，ｈ］）を用いて、
以下の数式６のように表現することもできる。

【００４６】

【数６】また、フーリエ変換、フーリエ逆変換の代わりに、ラプ
ラス変換、ラプラス逆変換を用いることもできる。この
場合、変換前の素片波形をｆ（ｔ）、変換前の素片波形
スペクトルをｘ（ｓ）、変換後の素片波形をｆ′
（ｔ）、変換前の素片波形スペクトルをｘ′（ｓ）、周
波数シフトを示す関数をｗ（ｓ）とすると（１）式、
（２）式、（３）式は、以下の数式７に置き換えられ
る。

【００４７】

【数７】ここで、ｓ＝δ＋ｊωである。この場合、周波数シフト
を表す関数Ｗ（ｓ）は複素関数となり、より詳細な変換
を実現できる。

【００４８】同様に、波形が離散値を取る場合は、ラプ
ラス変換、ラプラス逆変換はそれぞれ、Ｚ変換、逆Ｚ変
換に置き換える。この場合、変換前の素片波形をＦ
［ｎ］、変換前の素片波形スペクトルをＸ［ｚ］、変換
後の素片波形をＦ′［ｎ］、変換前の素片波形スペクト
ルをＸ′［ｚ］、周波数シフトを示す関数をＷ［ｚ］と
すると、（１）式、（２）式、（３）式は、以下の数式
８に置き換えられる。

【００４９】

【数８】［実施の形態３］本発明の実施の形態３は、実施の形態
１と基本的に同じ構成である。異なる点は、波形変換部
２の構成ならびに動作である。

【００５０】図４は、実施の形態３における図１の波形
変換部２をより詳細に示すブロック図である。図４を参
照して、波形変換部２は、素片波形の標本値列スペクト
ルに行列を積算する行列演算部２ｆと、行列演算部２ｆ
で積算する行列を記憶するパラメータ記憶部２ａとを備
えている。

【００５１】次に、図１および図４を参照して、本発明
の実施の形態３の動作について説明する。

【００５２】合成したいテキストあるいは発音記号など
それに準ずる発音情報が合成部１に入力されると、合成
部１は、このテキストを合成するために必要な素片波形
を波形記憶部３から選択する。選択方法は、実施の形態
１と同様である。選択が行われると、行列演算部２ｆ
は、パラメータ記憶部２ａから周波数シフトを表す行列
の要素Ａ［ｉ，ｎ］を読み出して素片波形Ｆ［ｎ］に積
算する。積算された素片波形Ｆ′［ｎ′］は、合成部１
で所望のピッチ・発音速度となるように並べられ、合成
音声として出力される。周波数シフトされた波形Ｆ′
［ｎ′］は、以下の数式９のように表せる。

【００５３】

【数９】予めＡ［ｎ′，ｎ］を計算し、行列波形記憶部に記憶す
ることで、合成音生成時の計算量を削減することが可能
である。

【００５４】特に、Ｗ［ｋ］の解像度はＫによって決ま
るが、式の計算はＫに無関係であるので、Ｋの値を十分
大きくすることができる。

【００５５】［実施の形態４］本発明の実施の形態４
は、実施の形態１〜３のものと基本的に同じ構成であ
る。異なる点は、波形変換部２において、素片波形をそ
のラベルを用いていくつかのグループに分け、グループ
毎に伸縮率または周波数シフト関数等の変換パラメータ
を割り当てる点である。グループの分け方としては、例
えば音素の種類（母音、摩擦音、破裂音、等）、音素中
の素片波形の位置（有声音の場合）等によって分ける。

【００５６】比較例の場合、図１５のように、素片波形
（Ａ）を並べた後で変換（伸縮）を行っている。このた
め、例えば波形（Ｃ）の（Ｃ１）と（Ｃ２）とで異なる
変換パラメータ（伸縮率）とすることは、不可能であ
る。これに対し、本発明では、素片波形（Ａ）を変換
（伸縮）する際に、違う変換パラメータ（伸縮率）を用
いて（Ｂ１）、（Ｂ２）を生成すれば、合成音において
（Ｃ１）と（Ｃ２）とで違う変換パラメータ（伸縮率）
とすることができる。したがって、従来と比べ、より変
化に富んだ声質を実現することが可能となる。また、発
明が解決しようとする課題の項で述べたように、声道の
形状の変化の影響は、音韻により異なる。この影響を加
味して音韻毎に変換パラメータ（伸縮率）を設定するこ
とで、より自然な声質変換が可能となる。

【００５７】次に、図１および図２を参照して、本発明
の実施の形態４の動作について説明する。尚、以下では
実施の形態１に即して説明するが、実施の形態２、３に
即した形での実現も無論可能である。

【００５８】まず、予め、ラベルに応じたグループ分け
を定義する。ここでは、例えばラベルが「ａ」「ｉ」
「ｕ」「ｅ」「ｏ」である場合と、そうでない場合との
２つに分ける。そして、この２つのグループの伸縮率を
１．２、１．１とし、伸縮率をパラメータ記憶部２ａに
記憶する。合成したいテキストあるいは発音記号などそ
れに準ずる発音情報が合成部１に入力されると、合成部
１はこのテキストを合成するために必要な素片波形を波
形記憶部３から選択する。選択方法は、実施の形態１と
同様である。選択が行われると、波形伸縮部２ｂは、選
択された素片波形を波形記憶部３から読み出す。波形伸
縮部２ｂは、読み出された素片波形のラベルからグルー
プ分けを行い、そのグループの伸縮率をパラメータ記憶
部２ａから選択する。先の例では、ラベルが「ａ」
「ｉ」「ｕ」「ｅ」「ｏ」である場合は伸縮率１．２、
それ以外の場合は伸縮率１．１を選択する。波形伸縮部
２ｂは、選択された伸縮率で素片波形を伸縮する。伸縮
された素片波形は合成部１で所望のピッチ・発声速度と
なるように並べられ、合成音声として出力される。

【００５９】［実施の形態５］本発明の実施の形態５
は、実施の形態１〜３のものと基本的に同じ構成であ
る。異なる点は、波形変換部２において、素片波形を有
声音、無声音の２つのグループに分け、有声音のみを変
換している点である。

【００６０】次に、図１および図２を参照して、本発明
の実施の形態５の動作について説明する。尚、以下では
実施の形態１に即して説明するが、実施の形態２、３に
即した形での実現も無論可能である。

【００６１】合成したいテキストあるいは発音記号など
それに準ずる発音情報が合成部１に入力されると、合成
部１は、このテキストを合成するために必要な素片波形
を波形記憶部３から選択する。選択方法は、実施の形態
１と同様である。選択が行われると、波形伸縮部２ｂ
は、選択された素片波形を波形記憶部３から読み出す。
波形伸縮部２ｂは、読み出された素片波形のラベルから
有声音、無声音を判別する。そして、有声であれば、素
片波形をパラメータ記憶部２ａに記憶された伸縮率で伸
縮を行い、合成部１に出力する。一方、無声であれば、
そのまま合成部１に出力する。素片波形は合成部１で所
望のピッチ・発声速度となるように並べられ、合成音声
として出力される。

【００６２】有声音は、図１４の（Ｃ）のように、複数
の素片波形（１ピッチ分の波形）が並んだものとして構
成される。したがって、有声音の発声長は個数と間隔
（ピッチ周期）を変えることにより調整する。これに対
し、無声音の場合、１つの素片波形（１音素分の波形）
から構成される。よって、発声長は素片波形の長さにの
み依存する。このため、素片波形を伸縮すると、発声長
も変化する。発声長を変えないためには、例えば先に図
１６（ａ）および（ｂ）で示したような処理が必要とな
る。しかし、このような波形の接続、削除は接続点での
スペクトル的な不連続が起こりやすく、音質劣化につな
がる。そこで、本発明においては、無声音の伸縮を行わ
ないことで、音質劣化を抑えることができる。

【００６３】［実施の形態６］図５は、本発明の実施の
形態６の構成を示すブロック図である。図５を参照し
て、本発明の実施の形態６は、実施の形態１〜５に加
え、外部からの変換パラメータの入力を受け付け、波形
変換部２に変換パラメータを指定する入力部４を有して
いる。合成部１、波形変換部２、および波形記憶部３
は、実施の形態１〜５と同様な動作をする。

【００６４】入力部４は、変換パラメータの入力を受け
付け、その情報を波形変換部２中のパラメータ記憶部２
ａに書き込む。ここで、変換パラメータは、１つまたは
複数指定することができる。複数指定する場合は、この
変換パラメータは、実施の形態４における素片波形のグ
ループに対応している。また、変換パラメータのうち一
部または全部が指定されなかった場合、指定されなかっ
た変換パラメータは、パラメータ記憶部２ａが予め記憶
している値とする。これにより、例えば利用者が、自分
の好みの合成音を得ることができる。

【００６５】次に、図５を参照して、本発明の実施の形
態６の動作について説明する。尚、以下では実施の形態
２、４に即して説明するが、他の実施に即した形での実
現も無論可能である。

【００６６】合成を行う前に、入力部４を用いて伸縮率
をパラメータ記憶部２ａに予め書き込む。伸縮率の指定
の方法としては、例えば、ツールバーを用いることもで
きる。合成したいテキストあるいは発音記号などそれに
準ずる発音情報が合成部１に入力されると、合成部１
は、このテキストを合成するために必要な素片波形を波
形記憶部３から選択する。選択は、実施の形態１と同様
である。選択が行われると、波形変換部２は、選択され
た素片波形を波形記憶部３から読み出して伸縮を行う。
例えば、入力部４に母音１．５、子音１．２というよう
に入力されると、波形記憶部３におけるラベルが「ａ」
「ｉ」「ｕ」「ｅ」「ｏ」である素片波形は伸縮率１．
５、その他は伸縮率１．２で伸縮を行う。伸縮された素
片波形は合成部１で所望のピッチ、発声速度となるよう
に並べられ、合成音声として出力される。

【００６７】［実施の形態７］図６は、本発明の実施の
形態７の構成を示すブロック図である。図６を参照し
て、本発明の実施の形態７は、実施の形態１〜５に加
え、入力テキスト等の情報から変換パラメータ情報を分
離するパラメータ抽出部６を有している。合成部１、波
形変換部２、および波形記憶部３は実施の形態１〜５と
同様な動作をする。

【００６８】パラメータ抽出部６は、入力テキスト中に
記された変換パラメータを抽出して波形変換部２中のパ
ラメータ記憶部２ａに書き込む。変換パラメータは、入
力テキスト中に一つまたは複数記述することができる。
複数記述した場合、変換パラメータは実施の形態４にお
ける素片波形のグループに対応している。また、変換パ
ラメータのうち一部または全部が記述されなかった場
合、記述されなかった変換パラメータは、パラメータ記
憶部２ａが予め記憶している値とする。これにより、前
述の入力部４を持たなくても、利用者が自分の好みの合
成音を得ることができる。

【００６９】次に、図６を参照して、本発明の実施の形
態７の動作について説明する。尚、以下では実施の形態
２、４に即して説明するが、他の実施に即した形での実
現も無論可能である。

【００７０】合成したいテキストあるいは発音記号など
それに準ずる発音情報がパラメータ抽出部６に入力され
ると、パラメータ抽出部６は、それをテキスト情報と伸
縮率情報に分離する。ここで、例えば「＼ｖ１．１＼ｓ
１．２次の交差点を右に曲がってください」と入力され
たとする。ここで、「＼」は特殊記号、その後のアルフ
ァベットは素片波形のグループを表すラベル（ｖ：母
音、ｓ：子音）、その後の数字は伸縮率である。この場
合、母音の伸縮率は１．１、子音の伸縮率は１．２とい
う指定に相当する。このテキストが入力された場合、パ
ラメータ抽出部６は、伸縮率とテキストを分離し、母音
で伸縮率１．１、子音で伸縮率１．２をパラメータ記憶
部２ａに、テキスト「次の交差点を右に曲がって下さ
い」を合成部１に渡す。

【００７１】合成部１は、このテキストを合成するため
に必要な素片波形を波形記憶部３から選択する。選択
は、実施の形態１と同様である。選択が行われると、波
形伸縮部２ｂは、選択された素片波形を波形記憶部３か
ら読み出して、パラメータ記憶部２ａに記憶された伸縮
率で伸縮を行う。伸縮された素片波形は合成部１で所望
のピッチ、発声速度となるように並べられ、合成音声と
して出力される。

【００７２】［実施の形態８］図７は、本発明の実施の
形態８の構成を示すブロック図である。図７を参照し
て、本発明の実施の形態８は、実施の形態１〜５に加
え、変換後の素片波形とそのラベルを記憶する第２の波
形記憶部５を有している。また、実施の形態６、７と同
様に、パラメータ抽出部６、入力部４を有する構成も可
能である。このような場合の構成は、図８および図９と
なる。

【００７３】次に、図７を参照して、本発明の実施の形
態８の動作について説明する。尚、以下では実施の形態
２、４に即して説明するが、他の実施に即した形での実
現も無論可能である。

【００７４】実施の形態８では、伸縮率が定義された時
点（合成を行う前）に波形変換部２において波形記憶部
３から読み出した素片波形を変換し、第２の波形記憶部
５に記憶する。第２の波形記憶部５は、波形変換部２に
おいて変換された素片波形を記憶しておく。また、第２
の波形記憶部５は、ラベルも波形記憶部３のものをコピ
ーして記憶する。合成音作成の際には、合成したいテキ
ストあるいは発音記号などそれに準ずる発音情報が合成
部１に入力されると、合成部１は、このテキストを合成
するために必要な素片波形を第２の波形記憶部５から選
択する。選択は、実施の形態１と同様である。この素片
波形は合成部１で所望のピッチ・発声速度となるように
並べられ、合成音声として出力される。

【００７５】このように、素片波形の変換を予め行って
おくため、実施の形態７では、合成音生成の際の計算量
の削減ならびに処理の高速化が可能である。

【００７６】［実施の形態９］図１０は、本発明の実施
の形態９の構成を示すブロック図である。図１０を参照
して、本発明の実施の形態９は、入力を元に適当な素片
波形を編集して合成音を生成する合成部１と、素片波形
を韻律情報を用いて決定した変換パラメータで変換する
変換部７と、伸縮前の素片波形とそのラベルを記憶する
波形記憶装置部３とを有している。また、図１３を参照
して、変換部７は、１つまたは複数の変換パラメータを
記憶するパラメータ記憶部２ａと、パラメータ変更部７
ａから得られる変換パラメータから変換を行う波形変換
部７ｃと、過去に変換を行った素片波形のラベルを記憶
し、これをパラメータ変更部７ａに渡す進行記憶部７ｂ
と、韻律付与部１ｂ、進行記憶部７ｂからの出力を元に
パラメータ記憶部２ａに記憶された変換パラメータを変
更して波形変換部７ｃに渡すパラメータ変更部２ｅとを
備えている。波形変換部７ｃは、図２〜図４で示した波
形変換部からパラメータ記憶部を除いた構成を取る。合
成部１は、入力テキストの構文解析を行う構文解析部１
ａと、構文解析されたテキストに韻律を付与する韻律付
与部１ｂと、韻律を付与されたテキストから適当な素片
波形を編集・合成する波形編集部１ｃとを備えている。
また、実施の形態６、７と同様に、入力部４、パラメー
タ抽出部６を有する構成も可能である。このような場合
の構成は、図１１および図１２となる。

【００７７】次に、図１０および図１３を参照して、本
発明の実施の形態９の動作について説明する。尚、以下
では実施の形態２、４に即して説明するが、他の実施に
即した形での実現も無論可能である。

【００７８】合成したいテキストあるいは発音記号など
それに準ずる物が合成部１に入力されると、構文解析部
１ａは、これに構文解析を行う。ここでは、例えば「次
の交差点を右に曲がってください」というテキストが入
力されたとすると、構文解析部１ａは、「次の／交差点
を／右に／曲がって／下さい」というように形態素と呼
ばれる単位に分割する。ここで、「／」は分割の位置を
示す。次に、その出力に対応し韻律付与部１ｂでアクセ
ント、イントネーション、ポーズ、リズム等の韻律情報
を付加する。韻律付与部１ｂでは例えば構文解析部１ａ
の出力「次の／交差点を／右に／曲がって／下さい」に
対し、「つぎ’の／こうさてんを／みぎに／まがって／
くださ’い」という読みとアクセントを付与する。ここ
で「’」はアクセントの位置を示す。韻律付与部１ｂの
出力は、波形編集部１ｃとパラメータ変更部７ａとに送
られる。パラメータ変更部７ａでは、この出力をもと
に、合成音声の各部分の伸縮率を決定する。例えば、パ
ラメータ記憶部２ａには、各音素毎に図１８のように伸
縮率が予め記憶されていたとする。また、伸縮率を変更
する規則として、「隣り合う音素間では大きな伸縮率の
違いが起きないようにする」、「アクセントのある音素
の伸縮率は高くする」と決まっていたとする。この場
合、韻律付与部１ｂの出力を用いない従来の合成装置の
場合には、図１９の変更前の伸縮率で各音素の素片波形
は伸縮される。これに対し、本発明では「つぎ’の／こ
うさてんを／みぎに／まがって／くださ’い」という韻
律付与部１ｂの出力を用いて、図１９の変更１、変更２
のように伸縮率を変更する。この例では、変更１は、
「隣り合う音素間では大きな伸縮率の違いが起きないよ
うにする」という規則から、／ｕｓａ／の間の／ｓ／の
伸縮率を左右の音素／ｕ／、／ａ／に近づけている。ま
た、変更２は、「アクセントのある音素は伸縮率を高く
する」という規則から、アクセントのある／ｉ／の伸縮
率を高くしている。下線の部分が変更を施された部分で
ある。したがって、パラメータ変更部７ａは、図１９の
変更２を最終的な伸縮率として保持する。波形編集部１
ｃは、テキストを合成するために必要な素片波形を波形
記憶部３から選択する。素片波形が選択されると、進行
記憶部７ｂは、選択された素片波形のラベルを蓄える。
そして、蓄えられたラベルをパラメータ変更部７ａに出
力する。パラメータ変更部７ａは、この蓄えられたラベ
ルから、現在、図１９のどの部分を処理しているかを把
握し、その部分の伸縮率を波形変換部７ｃに渡す。波形
変換部７ｃは、パラメータ変更部７ａから渡された伸縮
率で素片波形を伸縮し、波形編集部１ｃに渡す。波形編
集部１ｃは、この素片波形を所望のピッチ、発声長にな
るように並び変えて、合成音として出力する。

【００７９】実施の形態９は、他の実施の形態とは異な
り、同じ素片波形が韻律情報の違いにより異なる変換パ
ラメータで変換されるので、より詳細に声質を変更する
ことが可能となることである。

【００８０】

【発明の効果】本発明による音声合成装置は、以下の効
果を奏する。

【００８１】第１に、従来方式とは異なり、素片波形を
編集する際、発声速度・ピッチを変換に合わせて計算す
る必要がない。

【００８２】第２に、素片波形スペクトルを周波数シフ
トすることで声質をより多彩に変化させることができ
る。

【００８３】第３に、変換が音質劣化につながるような
音韻の変換を行わない事によって合成音声の音質劣化を
抑えることができる。

【００８４】第４に、音韻の種類や、韻律情報に応じて
変換パラメータを決定する事により、声質をより多彩に
変化させることができる。

【００８５】第５に、予め変換を行った素片波形を記憶
する波形記憶部を持ち、合成時に変換を行わないため、
合成時の計算量を最小限に抑えられる。

【図面の簡単な説明】

【図１】本発明の実施の形態１〜５による音声合成装置
の構成を示すブロック図である。

【図２】本発明の実施の形態１を示す図であり、図１に
示す波形変換部を示すブロック図である。

【図３】本発明の実施の形態２を示す図であり、図１に
示す波形変換部を示すブロック図である。

【図４】本発明の実施の形態３を示す図であり、図１に
示す波形変換部を示すブロック図である。

【図５】本発明の実施の形態６による音声合成装置の構
成を示すブロック図である。

【図６】本発明の実施の形態７による音声合成装置の構
成を示すブロック図である。

【図７】本発明の実施の形態８による音声合成装置の構
成を示すブロック図である。

【図８】本発明の実施の形態８の他の例の構成を示すブ
ロック図である。

【図９】本発明の実施の形態８のさらに他の例の構成を
示すブロック図である。

【図１０】本発明の実施の形態９による音声合成装置の
構成を示すブロック図である。

【図１１】本発明の実施の形態９の他の例の構成を示す
ブロック図である。

【図１２】本発明の実施の形態９のさらに他の例の構成
を示すブロック図である。

【図１３】図１０に示す変換部を示すブロック図であ
る。

【図１４】本発明の有声音波形伸縮時の動作を説明する
ための図である。

【図１５】比較例の有声音波形伸縮時の動作を説明する
ための図である。

【図１６】本発明の実施の形態１による音声合成装置に
おける無声音波形の時間長を長く／短くする方法の一例
を示す図である。

【図１７】本発明の実施の形態２による音声合成装置に
おける素片波形スペクトルの伸縮の様子を示す図であ
る。

【図１８】本発明の実施の形態９による音声合成装置に
おける音素毎の伸縮率の一例を示す表図である。

【図１９】本発明の実施の形態９による音声合成装置に
おける伸縮率の変更例を示す表図である。

【図２０】従来例による音声合成装置の構成を示すブロ
ック図である。

【図２１】図２０に示す音声合成装置の動作を説明する
ための図である。

【符号の説明】

１合成部１ａ構文解析部１ｂ韻律付与部１ｃ波形編集部２波形変換部２ａパラメータ記憶部２ｂ波形伸縮部２ｃ周波数変換部２ｄ周波数シフト部２ｅ周波数逆変換部３波形記憶部４入力部５第２の波形記憶部６パラメータ抽出部７変換部７ａパラメータ変更部７ｂ進行記憶部７ｃ波形変換部

Claims

【特許請求の範囲】

【請求項１】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部と、前記
波形記憶部に記憶された素片波形を変換する波形変換部
と、前記波形変換部にて変換された素片波形を編集して
合成音を生成する合成部とを有する音声合成装置におい
て、前記波形変換部にて各素片波形を個々に変換し、変換さ
れた素片波形を用いて合成音声を生成することで合成音
の声質をピッチおよび発声速度と独立に変更することを
特徴とする音声合成装置。
【請求項２】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部と、前記
波形記憶部に記憶された素片波形を変換する波形変換部
と、前記波形変換部にて変換された素片波形を編集して
合成音を生成する合成部とを有する音声合成装置におい
て、前記波形変換部は、素片波形を時間伸縮する波形伸
縮部と、前記伸縮部における時間伸縮の割合を表すパラ
メータを記憶するパラメータ記憶部とを備え、前記波形
伸縮部にて素片波形を時間伸縮することによって合成音
の声質を変更することを特徴とする音声合成装置。
【請求項３】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部と、前記
波形記憶部に記憶された素片波形を変換する波形変換部
と、前記波形変換部にて変換された素片波形を編集して
合成音を生成する合成部とを有する音声合成装置におい
て、前記波形変換部は、素片波形をフーリエ変換する周
波数変換部と前記周波数変換部でフーリエ変換された素
片波形スペクトルの周波数をシフトする周波数シフト部
と、前記周波数シフト部で周波数シフトする際に必要な
パラメータを記憶したパラメータ記憶部と、前記周波数
シフト部で周波数シフトされた素片波形スペクトルをフ
ーリエ逆変換する周波数逆変換部とを備え、前記周波数
シフト部にて各素片波形スペクトルを周波数シフトする
ことで合成音の声質を変更することを特徴とする音声合
成装置。
【請求項４】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部と、前記
波形記憶部に記憶された素片波形を変換する波形変換部
と、前記波形変換部にて変換された素片波形を編集して
合成音を生成する合成部とを有する音声合成装置におい
て、前記波形変換部は、素片波形をラプラス変換する周
波数変換部と、前記周波数変換部でラプラス変換された
素片波形スペクトルの周波数をシフトする周波数シフト
部と、前記周波数シフト部で周波数シフトする際に必要
なパラメータを記憶するパラメータ記憶部と、前記周波
数シフト部で周波数シフトされた素片波形スペクトルを
逆ラプラス変換する周波数逆変換部とを備え、前記周波
数シフト部にて各素片波形スペクトルを周波数シフトす
ることで合成音の声質を変更することを特徴とする音声
合成装置。
【請求項５】有声音については１ピッチ分の波形であ
り、無声音については１音素分の波形である、合成の最
小単位としての素片波形を記憶する波形記憶部と、前記
波形記憶部に記憶された素片波形を変換する波形変換部
と、前記波形変換部にて変換された素片波形を編集して
合成音を生成する合成部とを有する音声合成装置におい
て、前記波形変換部は、記波形記憶部に記憶された素片
波形の標本値列ベクトルに行列を積算する行列演算部
と、行列が積算された素片波形の標本値列ベクトルに行
列を積算する行列演算部と、前記行列演算部において用
いる行列を記憶するパラメータ記憶部とを備え、素片波
形の標本値列ベクトルに行列を積算することで素片波形
を変換することを特徴とする音声合成装置。
【請求項６】請求項１乃至５のいずれかに記載の音声
合成装置において、素片波形を複数のグループに分け、
該グループ毎に異なるパラメータで変換をすることを特
徴とした音声合成装置。
【請求項７】請求項６の音声合成装置において、素片
波形を有声音と無声音の２つに分け、有声音のみを変換
することを特徴とする音声合成装置。
【請求項８】請求項１乃至７のいずれかに記載の音声
合成装置において、さらに、パラメータの入力部を有
し、パラメータを任意に設定できることを特徴とした音
声合成装置。
【請求項９】請求項１乃至７のいずれかに記載の音声
合成装置において、前記波形変換部は、入力テキスト中
に明示されたパラメータを用いて素片波形を変換するこ
とを特徴とする音声合成装置。
【請求項１０】請求項１乃至９のいずれかに記載の音
声合成装置において、前記波形変換部で変換された素片
波形を記憶する第２の波形記憶部を備え、前記第２の波
形記憶部に記憶された素片波形を用いて合成音声を生成
することを特徴とする音声合成装置。
【請求項１１】請求項１乃至９のいずれかに記載の音
声合成装置において、前記波形変換部は、前記合成部の
韻律情報からパラメータを変更することを特徴とする音
声合成装置。