JPS58150999A - Voice output unit with speech speed adjusting function - 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。(57) [Summary] This bulletin contains application data before electronic filing, so abstract data is not recorded.

Description

【発明の詳細な説明】 この発明は合成音声の発声速度を操作員の指示によシＷ
４督することができる発声速度調整機能付音声出力装置
に関するものである。[Detailed Description of the Invention] This invention allows the speech rate of synthesized speech to be adjusted according to instructions from an operator.
The present invention relates to a voice output device with a speech rate adjustment function that can control the speech rate.

〈背量技術〉 ％似パラメータを記憶し、これを読出して単語、文章な
どの合成音声を出力する音声出力装置にはパラメータ編
集合成方式（法則合成方式）と、パラメータ記憶方式（
分析合成方式）とがある。前者のパラメータ編集合成方
式は、特徴パラメータは音節単位で記憶され、合成すべ
き音声に応じて音節の配列を示す情報が与えられて特徴
パラメータを胱出し、またアクセント、ストレス、ポー
ズ位１Ｍ、ポーズ長の韻律情報も与えられ、これを前記
読出した特徴パラメータに加えてパラメータ編集を行い
、この編集されたパラメータにょシ任意の単語、文章な
どの合成音声を出力する。後者のパラメータ記憶方式は
定形単語、文章の音声の特徴パラメータが記憶され、合
成すべき単語、文章の音声を示す情報が与えられ、これ
に応じた％徴パラメータを読出してその単語、文章の音
声を合成する。〈Backweight technology〉 There are two types of speech output devices that store % similar parameters, read them out, and output synthesized speech such as words and sentences: parameter editing synthesis method (law synthesis method) and parameter storage method (
analysis-synthesis method). In the former parameter editing and synthesis method, feature parameters are stored in syllable units, information indicating the arrangement of syllables is given according to the speech to be synthesized, the feature parameters are extracted, and accent, stress, pause position 1M, pause etc. Long prosodic information is also given, this is added to the read feature parameters, parameter editing is performed, and synthesized speech of arbitrary words, sentences, etc. is output using the edited parameters. In the latter parameter storage method, the characteristic parameters of the sounds of fixed words and sentences are stored, information indicating the sounds of the words and sentences to be synthesized is given, and the corresponding % characteristic parameters are read out and the sound of the words and sentences are stored. Synthesize.

従来のパラメータ編集合成方式（法則合成方式ｙパラメ
ータ記憶方式（分析合成方式）、または両者を組み合わ
せた方式による音声出力装置において、発声時の声の高
さを変えずに発声速度だけを変えるためには、音声の特
徴パラメータを短いフレーム周期でファイル化しておき
、合成時にそのを求された発′Ｐ速度に応じてフレーム
単位で特徴パラメータの削除を行う方法、合成音声の母
音部分の時間長を変える方法が知られている。しかし前
者は発声速度を少し大幅に制御できるようにするために
は記憶する特徴パラメータのフレーム周期を短かくする
必要があり、このため％徴ノくラメータの記憶に賛する
メモリ容量が増大する。後者は特徴パラメータの子音部
分と母音部分との継続時間のバランスが悪くなるため、
合成音声の自然性、測子性が損われる等の欠点があった
。In voice output devices that use conventional parameter editing and synthesis methods (law synthesis method, y-parameter storage method (analysis and synthesis method), or a combination of both methods, this method is used to change only the speaking speed without changing the pitch of the voice when speaking. This is a method in which the characteristic parameters of the voice are stored in a file with a short frame period, and the characteristic parameters are deleted frame by frame according to the required utterance rate during synthesis, and the time length of the vowel part of the synthesized voice is However, in the former case, in order to be able to control the speaking rate a little significantly, it is necessary to shorten the frame period of the characteristic parameters to be memorized. The latter increases the memory capacity of the feature parameters because the duration of the consonant part and the vowel part become unbalanced.
There were drawbacks such as the naturalness and sound quality of the synthesized speech being impaired.

そのため、通報の内容、操作員の好み、聴取力、端末装
置の使用状況などに応じた合成音声によるきめ細かなサ
ービスは困難であった。Therefore, it has been difficult to provide detailed services using synthesized voices according to the content of the report, the operator's preference, listening ability, usage status of the terminal device, etc.

〈発明の概要〉 この発明はこれらの欠点を除去するため合成音声の発声
速度を、自然性、測子性の低下を極力おさえ、操作員の
設定によシ調整できるようにした発声速度調整機能付音
声出力装置を提供することにある。<Summary of the Invention> In order to eliminate these drawbacks, the present invention provides a speech rate adjustment function that minimizes the deterioration of naturalness and measurability of the speech rate of synthesized speech and allows it to be adjusted according to the operator's settings. An object of the present invention is to provide an audio output device with an audio output device.

この発明によれば発声速度を設定できるようにされ、ま
た前後の数フレームの％依パラメータを用いた補間によ
り合成に璧する％徴パラメータのフレーム単位での追加
、削除を上記設定さ７′また発声速度に応じて行い、音
声合成のフレーム＠期は一定に保持する。このようにし
て特徴パラメータの記憶量は比較的少ないが、発声速度
を比較的大幅に変更しても自然性、測子性が比較的優れ
た合成音声が得られる。According to the present invention, it is possible to set the speaking rate, and addition and deletion of percent characteristic parameters perfect for synthesis can be performed on a frame-by-frame basis by interpolation using the percent dependence parameters of several frames before and after the above settings. It is performed according to the speaking speed, and the frame @ period of speech synthesis is kept constant. In this way, although the amount of feature parameters stored is relatively small, synthesized speech with relatively excellent naturalness and sonority can be obtained even if the speaking speed is changed relatively significantly.

〈実施例〉 第１図はこの発明の実施例を示し、ホスト計算機１に対
し、端末装［２は伝送路３、周辺装置４を介して接続さ
れ、ホスト計算機Ｉ　ＶＣはデータベース１３が結合さ
れている。周辺装ｆｌｔｄ内にはメモリ部５、発声速度
制御部６、音声の特徴パラメータを記憶した音声ファイ
ル７、音声合成部８、主制御部９、端末切換スイッチ１
０、音声認識部１１、多周波信号受信部（発声速度設定
信月受信部）１２が設けられている。Embodiment FIG. 1 shows an embodiment of the present invention, in which a terminal device [2 is connected to a host computer 1 via a transmission line 3 and a peripheral device 4, and a database 13 is connected to the host computer IVC. ing. The peripheral equipment fltd includes a memory section 5, a speech rate control section 6, a voice file 7 storing voice characteristic parameters, a voice synthesis section 8, a main control section 9, and a terminal changeover switch 1.
0, a voice recognition section 11, and a multifrequency signal reception section (voice speed setting signal reception section) 12 are provided.

ホスト計算機１は端末装ｗ、２からの動作贋求に（３） 応じて、データベース１３の検索結果及び端末装置縁２
の操作員に対する注意、指示情報などを通常文章に準じ
た文字コード列に、音声合成の際に必要なアクセント、
ストレス、ポーズ位置、ポーズ長の韻律情報を付加した
形式で周辺装置４に送出する。In response to the operation request from the terminal device w, 2 (3), the host computer 1 retrieves the search results of the database 13 and the terminal device edge 2.
Notes to operators, instruction information, etc. are written in character code strings similar to normal sentences, and accents and accents necessary for speech synthesis are written in character code strings similar to normal sentences.
It is sent to the peripheral device 4 in a format with added prosodic information such as stress, pause position, and pause length.

周辺装置４ではホスト計算Ｊａ１から送られてくる情報
が一括してメモリ部５に記憶される。発声速度制御部６
はメモリ部５の内容を逐次読み出し、その内容に応じて
音声ファイル７を検索して得られた特徴パラメータの編
集合成を行う。音声合成部８はその糊果された特徴パラ
メータに従って音声毎号を生成して端末装［２に送信す
る。その除ホスト計算機１から与えられた韻律情報に基
づく発声速度を基本発声速度とする。In the peripheral device 4, the information sent from the host calculation Ja1 is stored in the memory unit 5 all at once. Vocalization speed control section 6
reads the contents of the memory section 5 one after another, searches the audio file 7 according to the contents, and edits and synthesizes the characteristic parameters obtained. The speech synthesis unit 8 generates each speech according to the pasted feature parameters and transmits it to the terminal device [2]. The speaking speed based on the prosodic information given from the host computer 1 is set as the basic speaking speed.

この実施例では端末装置２としては通常の回転ダイヤル
′に詰機またはブツシュボタンダイヤル電話機を使用す
るものとする。端末装置２の操作員は周辺装［４から送
信される通報の内容、操作負目にの好み聴取力、端末装
ｆ２の使用状況等に応（４） じて発声速度を設定することができる。合成音声出力中
においては主制御部９は端末切換スイッチ１０を中立状
態ａに保持しておシ、出力終了と同時に、端末装置２０
棟刷上応じて回転ダイヤル電話機の場合は端末切換スイ
ッチ１０を音声認識部１１１則すへ、ブツシュボタンダ
イヤル′電話機の場合は多周波信号受信部１２側Ｃに切
換える。In this embodiment, it is assumed that the terminal device 2 is a conventional rotary dial and pushbutton dial telephone. The operator of the terminal device 2 can set the speech rate according to the content of the report sent from the peripheral device [4], preference for operation, listening ability, usage status of the terminal device f2, etc. (4) . While the synthesized voice is being output, the main control unit 9 keeps the terminal changeover switch 10 in the neutral state a, and at the same time as the output ends, the terminal device 20
Depending on the design, the terminal changeover switch 10 is switched to the voice recognition section 111 side in the case of a rotary dial telephone, and to the multifrequency signal receiving section 12 side C in the case of a button dial telephone.

端末装置２として回転ダイヤル電話機を使用する場合は
、特定の語を発声速度調１Ｂ、（設定）のために準備し
ておき、例えば「ハヤク」または「ユックリ」の語が発
声される毎に音声ｇ識部１１がこれを受信、認識して発
声速度制御部６に発声速度の調整を指示する。端末装置
２としてブツシュボタンダイヤル電話機を用いる場合は
特定のボタンを押下した時に送出される特定の多周波信
号を発声速度設定信号とし、例えば発声速度を早くした
い時には困ボタン、遅くしたい時には匪ボタンを押下す
ると、その多周波信号を、多周波信号受信部１２がこれ
を受信、解析して発声速度制御部６に発声速度の調整を
指示する。音声認識部１１及び多周波信号受信部１２は
市販品を用いて容易に構成可能である。これら音声ｇ識
部１１、多周波信号受信部１２、端末装置２の電話機な
どによる発声速度の指示は発声連層設定手段を構成して
いる。When using a rotary dial telephone as the terminal device 2, prepare a specific word for utterance rate tone 1B (setting), and for example, every time the word ``hayaku'' or ``yukkuri'' is uttered, The recognition section 11 receives and recognizes this and instructs the speech rate control section 6 to adjust the speech rate. When using a pushbutton dial telephone as the terminal device 2, a specific multi-frequency signal sent out when a specific button is pressed is used as a speaking speed setting signal.For example, if you want to speed up the speaking speed, use the ``Next'' button, and if you want to slow down, use the ``匪'' button. When pressed, the multifrequency signal receiving section 12 receives and analyzes the multifrequency signal, and instructs the speech rate control section 6 to adjust the speech rate. The voice recognition section 11 and the multifrequency signal reception section 12 can be easily constructed using commercially available products. These speech rate instructions from the voice recognition section 11, the multifrequency signal receiving section 12, the telephone of the terminal device 2, etc. constitute a speech layer setting means.

発声速度制御部６は音声認識部１１または多周波信号受
信部１２からの発声速度の調整裟求を受けると、基本発
声速度に対して発声速度を早くする場合は音声合成フレ
ームを削除し、遅くする場合は追加金行う。When the speech rate control section 6 receives a request to adjust the speech rate from the speech recognition section 11 or the multi-frequency signal reception section 12, it deletes the speech synthesis frame and slows down the speech rate if the speech rate is to be made faster than the basic speech rate. If you do so, we will pay an additional fee.

〈発声速度調帯〉 第２図は発声速度制御部６で行われる、特徴パラメータ
の補間による音声合成フレームの削除方法金示す。図中
横軸ｔは時間、縦軸ｆ　（ｔ）は特徴パラメータの値、
ｔｏはフレーム周期、数字はフレーム査号、Ａ、Ｂはそ
れぞれ基本発声速度、音声合ＤＩ　７　Ｌ／−ム削除後
の特徴パラメータｆ　（ｔ）の遷移をそれぞれ表わす。<Voice Rate Tonal Band> FIG. 2 shows a method of deleting a speech synthesis frame by interpolating feature parameters, which is performed by the voice rate control unit 6. In the figure, the horizontal axis t is time, the vertical axis f (t) is the value of the feature parameter,
to represents the frame period, the numbers represent the frame scan code, A and B represent the basic speech rate, respectively, and the transition of the feature parameter f(t) after deletion of the voice signal DI7L/-m, respectively.

特徴パラメータの補間値としては該当フレームの両端の
値を直線補間したものを用いるか、まだは前後数フレー
ムの特徴パラメータの値から適当な補間曲線により求め
た値を用いることにより、基本発声速度に対して声の高
さを変えずに自然性、切子性の低下を惟カかさえた発声
速度の調整が川面となる。As the interpolated value of the feature parameter, the value obtained by linearly interpolating the values at both ends of the relevant frame can be used, or the value obtained by using an appropriate interpolation curve from the value of the feature parameter of several frames before and after can be used. On the other hand, the key is to adjust the rate of speech in a way that reduces the naturalness and sharpness of the voice without changing the pitch of the voice.

第２図は５フレームを発声速度調整の基本単位として発
声速度を２０％早くする場合であり、音声合成フレーム
削除後の％徴パラメータの４ｆｆｉ　Ｂとしては第１フ
レームは基本発声速ＩＷＡの第１フレームの値、第２フ
レームはＡの第２フレーム及び第３フレームの値を直線
で補間した値（Ａの太い点庫で示す値）を用いる１、発
声速度を遅くする場合は第２図とは逆に音声合成フレー
ムの追加を行えば良い。発声速度調整の基本単位は音声
合成部８の仕様にあわせた値を選ぶ。Figure 2 shows the case where the speaking speed is increased by 20% using 5 frames as the basic unit for adjusting the speaking speed.The first frame is the first frame of the basic speaking speed IWA as the percentage parameter 4ffi B after deleting the speech synthesis frame. For the frame value, the second frame uses the value obtained by linearly interpolating the values of the second and third frames of A (the value indicated by the thick dots in A)1. If you want to slow down the utterance speed, use the value shown in Figure 2. Conversely, it is sufficient to add a speech synthesis frame. The basic unit of speech rate adjustment is selected to match the specifications of the speech synthesis section 8.

主側側１部９は発声速度制御部６での発声速度の調整操
作が終了すると、端末切換スイッチ１ｏを中立状態ａに
もどすとともに音声合成部８がらの合成音声によりその
旨（準備終了）を端末装置２イ則に通報し、その後端末
切換スイッチ１０ｉもとにもどす。When the adjustment operation of the speaking speed in the speaking speed control section 6 is completed, the main side 1 section 9 returns the terminal changeover switch 1o to the neutral state a, and sends a synthesized voice from the speech synthesizing section 8 to that effect (preparation complete). A notification is sent to the terminal device 2i, and then the terminal changeover switch 10i is returned to its original position.

（７） 〈変形例〉 同−情柘を再び音声出力するには、端末装置２が回転ダ
イヤル電話機の場合は例えば「モウイチド」と発声し、
ブツシュボタン′ｗＩ詰機の場合は例えばロボタンを押
下するなどして再出力要請信号を周辺装置４に送信する
。主制御部９は、この再出力要請信号が音声認識部１１
または多周波信号受信部１２で受信、解析されたことを
確認すると音声合成部８に発声速度を調整した％徴パラ
メータによる音声合成、出力を指示する。この場合、ｆ
ｉｅ来の再通報とは異なり前記発声速度調整機能によシ
適当に加速された発声速度によ）確認することが可能で
あり、また逆にメモを取るため減速してｔ４　Ａ報する
ことも可能となり、マンマシンインターフェースの向上
に大きな効果を持つ。(7) <Modification> In order to output the same voice again, if the terminal device 2 is a rotary dial telephone, for example, utter "Mouichido",
In the case of a bushing button wI stuffing machine, a re-output request signal is sent to the peripheral device 4 by pressing the button, for example. The main control unit 9 recognizes that this re-output request signal is transmitted to the voice recognition unit 11.
Alternatively, when the multi-frequency signal receiving section 12 confirms that the signal has been received and analyzed, it instructs the speech synthesis section 8 to synthesize and output speech using the percentage parameter with the speech rate adjusted. In this case, f
Unlike previous re-reports, it is possible to confirm the speech rate by appropriately accelerating the speech rate using the speech rate adjustment function, and conversely, it is also possible to slow down and make a t4A report in order to take notes. This will have a great effect on improving the man-machine interface.

なお、第１図に示したこの発明の実施例では発声速度の
調整対象をホスト計算機１から送られる文字コード列の
合成音声出力に限定したが、これを周辺装置４から端末
装置２の操作負に対する定形胎′または定形文章の合成
音声出力による指示、（８） 応答、つまシパラメータ記憶方式による合成にまで拡張
できることは言うまでも々い。さらにこの発声速度調整
は、韻律情報の自Ｍｂ伺加機能を有する法則合成方式に
基づく音声出方装置に対しても応用可能である。また発
声速歴の設定は周辺装置４の位置で操作員が直接行って
もよい。Note that in the embodiment of the present invention shown in FIG. Needless to say, the present invention can be extended to instructions by synthesized speech output of fixed forms or fixed sentences, (8) responses, and synthesis using a parameter storage method. Furthermore, this speech rate adjustment can also be applied to a speech output device based on a lawful synthesis method that has a function of adding prosodic information to Mb. Further, the speaking speed history may be set directly by the operator at the peripheral device 4.

また、第１図に示したこの発明の実施例では端末装ｆｔ
２としては通常の電話機を用いた対話形サービスの形態
を想定したが、全二重通信方式の適用できる端末装置を
使用する場合は、この発明の発声速度調整機能は音声出
力装置を用いて合意音声の出力中であっても端末装置ｆ
２の操作員が随時発声速度調整信号を送イぼすることに
ょシ発声速度を調整することが可能である。第１図に示
した実施例においても端末装置２としてプッシュボタン
ターイヤルミ詰機のみを用いる場合は、端末切換スイッ
チ１０を多周波信号受信部１２側Ｃに保持することによ
り合成音声出方中においても発声速度調整が可能である
。Further, in the embodiment of the present invention shown in FIG.
2 assumes the form of an interactive service using a normal telephone, but when using a terminal device to which full-duplex communication can be applied, the speech rate adjustment function of this invention can be used using an audio output device. The terminal device f even when audio is being output.
The second operator can adjust the speaking speed by sending a speaking speed adjustment signal at any time. Even in the embodiment shown in FIG. 1, if only a push-button tire filling machine is used as the terminal device 2, by holding the terminal changeover switch 10 on the side C of the multi-frequency signal receiving section 12, the synthesized voice can be output. It is also possible to adjust the speaking speed.

〈効　釆〉 以上説明したように、この発明による発声速度町整愼能
付音声出力装置は次のような利点を持つ。<Effects> As explained above, the speech output device with the ability to adjust the speaking speed according to the present invention has the following advantages.

１）合成音声による通報の際、声の高さを変えずに自然
性、量子性の低下を極力おさえた発声速度の変更が可能
である。1) When making a report using a synthesized voice, it is possible to change the speaking speed without changing the pitch of the voice while minimizing deterioration in naturalness and quantum quality.

２）端末装置操作員の指示によシ任意に発声速度を変え
られるようにすることが可能となシ、そのようにすれば
通報の高速聞き流し、筆記のだめの低速出力等が容易で
ある。2) It is possible to change the speech rate arbitrarily according to the instructions of the terminal device operator, which makes it easy to listen to messages at high speed and output notes at low speed.

３）曽声合成部には新たに発声速度制御のための慎能を
付加する必要がなく、従来の音声合成用＃Ｃ置がそのま
ま使用できる。3) There is no need to add a new function for speech rate control to the voice synthesis section, and the conventional #C arrangement for voice synthesis can be used as is.

４）端末装置として通常の電話機が使用できるようにす
る場合は、既存の電話網に手を加えることなく各種情報
サービスが実現できることも可能となる。4) If a normal telephone can be used as a terminal device, various information services can be realized without modifying the existing telephone network.

５）発声速度調整機能、再通報機能によりマンマシンイ
ンターフェースが向上することも可能となる。5) It is also possible to improve the man-machine interface with the speech rate adjustment function and re-report function.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図はこの発明の実施例を示すブロック図、第２図は
発声速度調整の原理を説明するだめの図である。 １：ホスト計算機、２：端末装ｆ（電話機）、３：伝送
路、４：周辺装置、５：メモリ部、６：発声速度制御部
、７：音声ファイル、８：音声合成部、９：主制御部、
１０：端末切換スイッチ、１１：音声認識部、１２：多
周波信号受信部（発声速度調整信号受信部）、１３：デ
ータベース。 特許出願人　　日本電信電話公社 代理人　草野　卓 ７２図 ｆ（ｔ） 直FIG. 1 is a block diagram showing an embodiment of the present invention, and FIG. 2 is a diagram for explaining the principle of speech rate adjustment. 1: Host computer, 2: Terminal f (telephone), 3: Transmission line, 4: Peripheral device, 5: Memory section, 6: Speech rate control section, 7: Audio file, 8: Speech synthesis section, 9: Main control unit,
10: Terminal changeover switch, 11: Voice recognition section, 12: Multi-frequency signal reception section (voice speed adjustment signal reception section), 13: Database. Patent Applicant Nippon Telegraph and Telephone Public Corporation Agent Takashi Kusano 72 Figure f(t) Nao

Claims (1)

【特許請求の範囲】[Claims] （１）音声の特徴パラメータが記憶され、その特徴パラ
メータを読出して単語、文章の合成音声を出力する音声
出力装置において、発声速度を設定する手段と、音声合
成の際のフレーム周期を変えることなく、前後の数フレ
ームの特徴パラメータを用いた補間により合成に裡する
特徴パラメータのフレーム単位での追加、削除を上記設
定された発声速度に応じて行う手段とを有することを特
徴とする発声速度調整機能付音声出力装置ｔ。(1) In a speech output device that stores voice characteristic parameters and outputs synthesized speech of words and sentences by reading out the characteristic parameters, there is a means for setting the speaking rate and a frame period during voice synthesis without changing the frame period. , means for adding or deleting feature parameters for synthesis in frame units by interpolation using feature parameters of several frames before and after, according to the set speech speed. Functional audio output device t.