JPH03198098A - 音声合成装置及び方法 - 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〕 本発明は文字から音声を合成する規則合成において、素
片といわれる単位を接続する方式に関する。

〔従来の技術〕

これまでに、合成法はＰＡＲＣＯＲ−ＶＣＶ方式。

ＬＳＰ−ＣＶ−ＶＣ方式、メルケブストラムｃｖ方式が
知られている。

また、音声素片の結合の方法は、日本語の音声の音節の
継続時間がほぼ等しいため、拍同期点の間隔を一定に保
つように結合していた。

しかし、従来は拍同期点の間隔を一定にするためにパラ
メータデータが抜けているところには前後のパラメータ
を内挿し、連接部ではパラメータの補間を行う方法と、
あらかじめ設定しておいた長さだけ内挿または補間を行
った後、拍同期点の間隔に合致するように一様に伸縮さ
せる方法をとっていた。

〔発明が解決しようとしている問題点〕しかしながら上
記従来例には以下のような問題点がある。ＰＡＲＣＯＲ
−ＶＣＶ方式は線形に補間するとスペクトル歪みの発生
原因になりやすく、特にパワーの大きい母音部を接続す
るときに問題を生じやすい。ＬＳＰ−ＣＶ−ＶＣ方式は
ＰＡＲＣＯＲよりは補間特性が優れているが、それでも
長時間の補間を行うとスペクトル歪みが大きくなってし
まう。メルケプストラムＣｖ方式はパラメータと対数ス
ペクトルとの間に線形性がある為、線形補間にはより適
しているが、ｖ−６間を線形に補間する為、人間の発声
とはかなり違ったものとなる。

また、音声素片の結合の従来の方法では、単語あるいは
文章として発声された人間の音声の中から該当する部分
を切り出した、発声速度がまちまちであり、音声合成時
の発声速度とも異なるものを音声素片としてそのまま拍
同期点の間隔を一定に保つように結合するだけだったた
め、合成音声のリズムが不自然なものとなっていた。

また、パラメータを拍同期点間隔に合致するように単純
に伸縮接続させたものでは、発声速度によって長さが変
化しやすい母音や／Ｓ／や／Ｆ／などと、長さが変化し
にくい／Ｐ／や／Ｔ／の破裂部などを区別せず一様に伸
縮させているため、合成音声は不明瞭で聞き取りにくい
ものになりでしまっている。

〔課題を解決するための手段〕

上記の課題を解決するために、本発明では音声合成系を
次のように構成する。まず目的とするスペクトルＡ（ω
）の対数１ｏｇＡ　（ω）の特性を持つ基礎フィルタの
インパルス応答をｈ　（ｔ）とする。

インパルス応答ｈ　（ｔ）を正規直交系による関数ｕｎ
　（ｔ）　（ｎ＝ｏ、　　１．・・・）であられせばｈ
　（ｔ）＝Σｃ　１ｌｕｎ　（ｔ）　　　　　　Ｏ＜ｔ
＜ｃ。

このとき の関係がある。

また周波数領域においても Ｈ（ω）＝ΣＣｎ ｕｎ（ω） の関係がある。ここでＨ（ω）はｈ　（ｔ）のフーリエ
変換、Ｕゎ（ω）はｕ　（ｔ）のフーリエ変換、Ｃｆｉ
は合成器のパラメータにあたるものである。音声のスペ
クトルは低域で細かく高域で粗いという特性を持ってい
るので、正規直交系関数ｕｎ　（ｔ）のフーリエ変換Ｕ
ｎ（ω）は、対数スペクトル特性Ｈ（ω）の低域をより
少ない項数ｎで近似できるものでなければならない。こ
のようにＵｎを選べばパラメータＣｎを操作するときに
も歪みが生じにくくなる。さらにこの基礎フィルタは複
素指数関数を近似したフィルタを組み合わせることによ
り、目的とする音声スペクトルＡ（ω）を持つフィルタ
乞 が得ることができる。パワーに対する人間の聴覚特性も
対数的な感度を持っているので、この意味でもパラメー
タＣｎは聴覚的に歪みを生じにくくなっている。

また、音声素片を結合する際には、音素の発声速度の変
化に対する特性、長さが変化しやすいか変化しにくいか
に従ってパラメータの伸縮率を設定する手段を設け、ラ
ベルに適した値で伸縮を行う。

ここでラベルとはパワー、ピッチ等の音声の特性を表わ
す情報をフレームごとに持つものである。

〔目的〕

本発明では、ＶＣＶ素片をラベル情報の種類に応じてパ
ラメータの伸縮率を変化させて伸縮接続し、フーリエ回
路網による基礎フィルタと指数近似フィルタを用いて音
声を合成することにより、人間の発声に近い良好な音質
を得ることを可能とする音声合成装置を提供することを
目的としている。

又、本発明では低域スペクトルで情報量が多くなるよう
な正規直交関数による基礎フィルタと指数近似フィルタ
を用いて音声を合成することにより、人間の聴覚の感度
に適した、聞きとり易い音声を得ることを可能とする音
声合成装置を提供することを目的としている。

又、本発明では、母音開始の相対的タイミングである拍
同期点の間隔を発声速度に応じて一定の間隔に保つこと
により、日本語音節のタイミングに適した音声を得るこ
とを可能とする音声合成装置を提供することを目的とし
ている。

又、本発明ではラベル情報が発声速度の変化により長さ
が変化しやすいかどうかによってパラメータの伸縮率を
変化させることにより、明瞭で高品質な音声を得ること
を可能とする音声合成装置を提供することを目的として
いる。

〔実施例１〕 （音声合成装置） 第１図から第４図は本発明の第１の実施例における音声
合成方法を示し、第１図は全体の構成図、第２図は第１
図ディジタルフィルタ５の構成図、第３図は第２図基礎
フィルタ９〜１２の構成図である。第４図は正規直交関
数を実部と虚部に分けてプロットしたものである。

本実施例１では正規直交系関数は で展開される。この正規直交関数系による合成を離散系
のフィルタにしたものが第３図に示した基礎フィルタで
ある。指数関数近似フィルタと組み合わせた場合、各正
規直交関数の実部が対数スペクトル特性をあられす。第
４図を見るとこの直交系も、低域で細かく高域で粗いと
いう特性を持っていることがわかる。この合成器のパラ
メータＣ１は対数スペクトルに周波数変換を施したもの
をフーリエ変換したものになり、特に周波数変換をメル
尺度に近似させたものはメルケプストラムといわれてい
る。ただし本実施例では特にメル尺度に近似させなくて
もよい。

この第３図に示すフィルタはデイレ−フリーループは取
り除かれており、フィルタ係数ｂｎはＣｎから次のよう
に求められる。

　−− α＝ Ｐ十− とすると、 ｂＮ＋１”２αＣＮ ｂ、＝ｃｎ　＋α　（２Ｃｎ−＋　　　ｂｎ＋＋）２≦
ｎ≦Ｎ ｂ、＝（２Ｃ，−ａｂ２）／（１−α２）ｂ　ｏ　＝Ｃ
ｏ−ａｂ。

第１図においてｌはノイズやインパルスの音源発止器、
２は入力文字列から韻律を解析し音源１のピッチを与え
る韻律生成器、３は入力文字列からＶＣＶパラメータや
補間操作を決めるパラメータ制御部、４は振幅レベルの
調整器、５はディジタルフィルタ、６はディジタルフィ
ルタ５のパラメータを保持しておくパラメータバッファ
、７はパラメータバッファ６とＶＣＶパラメータを補間
するパラメータ補間器、８は全総てのｖＣＶパラメータ
を保持しであるｖＣＶパラメータファイルである。第２
図は第１図ディジタルフィルタ５の構成図で９〜１２は
基礎フィルタといわれるものである。第３図は第２図基
礎フィルタ９〜１２のうち１つを取り出した構成図であ
る。

第１図において入力された文字列は韻律生成器２に入力
されピッチデータｐ　（ｔ）を生成する。音源生成部に
おいて、無声区間ではノイズを、有声区間ではインパル
スを生成する。それと同時に文字列はパラメータ制御部
３にも入力されＶＣＶパラメータの種類や補間操作を決
定する。パラメータ制御部３で決定されたＶＣＶはＶＣ
Ｖパラメータファイル８から引きだされ、同じくパラメ
ータ制御部３で決定された補間方法によって、パラメー
タ補間器７内で接続されパラメータバッファ６に格納さ
れる。

補間器７ではＶＣＶとＶＣＶを接続するときにＶ−７間
パラメータの線形補間をおこなう。パラメータが低域で
細かく高域で粗いという特性を持っていることと、対数
スペクトルがパラメータの線形和であられされるため線
形補間との相性はよく歪みは少ない。パラメータバッフ
ァ６に格納されたパラメータはさらに遅延を含まない部
分（ｂｏ）と遅延成分を含む部分（ｂｌ、ｂ２．・・・
、ｂｎ＋ｌ）に分けられ、前者は振幅レベル調整器４に
入力され音源生成部１の出力にｅｘｐ（ｂｏ）を乗算さ
れる。

（音声素片の接続） 第５図は本実施例における音声素片の接続に関するより
詳しい構成を示すブロック図である。１０１は文字系列
入力部であり、合成すべき音声が例えば「音声」である
時には「ｏｎｓＥＩＪという文字系列を入力する。

１０２はＶＣＶ系列生成部であり、１０１の文字系列入
力部より入力した文字系列を例えばｒ　Ｑ　Ｏｔ　０ｎ
ｒｎＳＥ、ＥＩ、ＩＱＪというＶＣＶ系列へ変換する。

１０３はｖＣ■パラメータ格納部であり、１０２で生成
されたようなりＣｖ系列の各ＶＣＶに対応するＶＣＶパ
ラメータ素片あるいは語頭のデータであるＶ（母音）パ
ラメータやＣｖパラメータを格納している。

１０４はラベル格納部であり、１０３に格納されている
ＶＣＶパラメータ素片のそれぞれについて母音開始位置
、有声区間、無声区間２拍同期点などの音響的な境界を
区別するラベルをその位置情報とともに格納している。

１０５は拍同期点間隔設定部であり、合成音声の発声速
度に応じて拍同期点間の間隔を設定する。１０６は母音
定常部長さ設定部であり、１０５で設定される拍同期点
間隔と母音の種類などから、ＶＣｖパラメータの接続に
関与する母音の定常部の長さを設定する。

１０７はパラメータ伸縮率設定部であり、発声速度によ
って長さが変化しやすい母音部や／Ｓ／や／Ｆ／などに
は大きな値の伸縮率を与え、長さが変化しに（い／Ｐ／
や／Ｔ／の破裂部などには小さな値の伸縮率を与えると
いう具合に、１０４に格納されているラベルの種類に応
じて１０３に格納されているＶＣＶパラメータを伸縮接
続する際の伸縮率を設定する。

１０８はＶＣＶ伸縮接続部であり、１０２で生成した■
Ｃｖ系列に対応する各パラメータを１０３から読み出し
、１０４から対応するラベルを読み出し、１０７でパラ
メータに伸縮率を与え、１０６で接続に関与する母音の
長さを設定し、１０５で設定する拍同期点間隔に合致す
るように、図６で説明するような方法でパラメータを伸
縮接続する。

１０９はピッチバタン生成部であり、１０１で入力した
文字系列に対するアクセント情報によって、ピッチバタ
ンを生成する。

１１０は駆動音源であり、インパルス列のような音源信
号を生成する。

１１１は音声合成部であり、１０８で得られるＶＣｖパ
ラメータ、１０９で得られるピッチバタンおよび１１０
の駆動音源とを一定の規則に基づいて順次結合して合成
音声を出力する。

第６図は音声素片として、ＶＣＶパラメータを用いた伸
縮接続の例である。

（Ａ１）図はＶＣＶ素片を切出す前の音声波形ファイル
で「あさ」と発声したものの一部、（Ａ２）図はＶＣＶ
素片を切り出す前の音声波形ファイルで「あけ」と発声
したものの一部である。

（Ｂ１）図は（ＡＩ）図の波形情報をパラメータに変換
したもの、（Ｂ２）図は（Ａ２）図の波形情報をパラメ
ータに変換したもので、ともに第１図１０３のＶＣｖパ
ラメータ格納部に格納されている。（Ｂ３）図は拍同期
点の間隔と結合に関与する母音の種類などにより設定さ
れる長さのスペクトルパラメータであり連結前後のパラ
メータを内挿したものである。

（Ｃ］）図は（Ａｌ）　（Ｂｌ）図に対応したラベル情
報でパラメータの音響的な境界の位置を指しており、（
Ｃ２）図は（Ａ２）　（Ｂ２）図に対応したラベル情報
でパラメータの音響的な境界の位置を指しており、とも
に第１図１０４のＶＣＶラベル格納部に格納されている
。ただし図中のラベルｒ？Ｊは拍同期点位置に対応して
いる。

（Ｄ）図は（Ｃ１）図の拍同期点位置から（Ｃ２）図の
拍同期点位置までの対応するパラメータ情報を（Ｂｌ）
（Ｂ３）（Ｂ２）図から切り出した後連結したパラメー
タである。

（Ｅ）図は（Ｄ）図に対応したラベル情報である。

（Ｆ）図は隣接するラベルの種類により設定される伸縮
率であり、（Ｄ）図のパラメータを合成音声の拍同期点
間隔に合わせて引き伸ばしたり押し縮めたりする際の相
対的な度合いである。

（Ｇ）図は拍同期点間隔に伸縮した後のパラメータであ
り、合成すべき音声のｖＣＶ系列に応じて順次生成し連
結する。

（Ｈ）図は（Ｇ）図に対応したラベル情報であり、合成
すべき音声のＶＣＶ系列に応じて順次生成し連結する。

第７図はパラメータの伸縮操作を説明するための図で伸
縮前のパラメータ、対応するラベル、ラベル間のパラメ
ータに対する伸縮率および伸縮後のパラメータの長さは
あらかじめ与えられているものとする。ただしラベル数
が（ｎ＋１）、図中の斜線部分がラベルが付いているフ
レーム、５ｉ（１≦ｉ≦ｎ）が伸縮前のラベル間の間隔
、ｅｉ　（１≦ｉ≦ｎ）が伸縮率、ｄｉ（１≦ｉ≦ｎ）
が伸縮後のラベル間の間隔、ｄＯが伸縮後のパラメータ
の長さであるとする。

まず次式が成り立つようなｄｉを求める。

ｄｌ＋＝４ｄｉ＋−＋ｄｎ＝ｄＯ 次にｓｉ　（１≦ｉ≦ｎ）に対応するパラメータをｄｉ
の長さに伸縮し順次連結する。

第８図はパラメータの伸縮操作を更に説明するための図
で伸縮前のパラメータ、伸縮前後のパラメータのそれぞ
れの長さはあらかじめ与えられているものとする。ただ
しｋがパラメータの次数、Ｓが伸縮前のパラメータの長
さ、ｄが伸縮後のパラメータの長さであるとする。

伸縮後のｊ（１≦ｊ≦ｄ）番目のフレームを以下の手順
により求める。

まず次式で与えられるＸの値を求める。

ｘ ｓ もしＸが整数なら伸縮前のＸ番目のフレームをそのまま
伸縮後のｊ番目のフレーム位置にいれる。さもなければ
Ｘを越えない最大の整数をｉとし伸縮前のｉ番目のフレ
ームと（ｉ＋１）番目のフレームとヲ（Ｘ−ｉ）対（１
−ｘ＋ｉ）に加重平均したものを伸縮後のｊ番目のフレ
ーム位置にいれる。

すべてのｊについて上記の操作を行えば伸縮後のパラメ
ータが求まる。

第９図は合成すべき音声のＶＣＶ系列に応じて、パラメ
ータ情報、ラベル情報を順次生成連結する操作を説明す
る図で、例えば「音声」という音声を合成する時のもの
である。

まず１０ｎＳＥＩ／　（音声）は、／ＱＯ／、　１０ｎ
／。

／　ｎＳＥ／　、　／　ＥＩ／　、　／　ＩＱ／　（’
）　５個のＶＣＶ音韻系列に区分化される。ただしＱは
無音を表す。

次に語頭の／ＱＯ／のパラメータ情報とラベル情報を読
み出し、最初の拍同期点までの情報を出力バッファにい
れる。

次に第２．第３．第４図で説明した処理によってパラメ
ータ情報、ラベル情報をそれぞれ４個生成し出力バッフ
ァに追加結合する。ただし拍同期点（ラベル「？Ｊ）に
対応するフレームが重なり合うように結合する。

〔実施例２〕 実施例１では音声素片としてＶＣＶを用い、フーリエ回
路網による音声合成を行ったが、本実施例では音声素片
としてはＶＣＶを用い、指数関数フィルタによって音声
合成を行う方法を説明する。

本実施例の構成は第１図に、第１図のディジタルフィル
タ５の構成は第２図に示して実施例１において説明した
のでここでは省く。本実施例における第２図基礎フィル
タ９〜１２の構成は第１０図に、正規直交関数を実部と
虚部に分けてプロットしたものを第１１図に示す。

本実施例では正規直交系関数を Ｕ、（ω）＝、／７犯 Ｐ＋ｊω に展開してみた。これを双一次変換により離散系のフィ
ルタにしたものが第１Ｏ図に示した基礎フィルタである
。第１１図を見るとこの直交系も、低域で細かく高域で
粗いという特性を持っていることがわかる。

このフィルタもデイレ−フリーループは取り除かれてお
り、フィルタ係数ｂｎはＣｎから次のように求められる
。

ｂｓ−ｚ＝２（Ｉ　　ＰＮ）ＫＮ　　ＣＮ２≦ｎ≦Ｎ ここで、 ｐ−− Ｐ、＝ （Ｔはサンプル周期） ｎｐ＋　− 第１図における動作は実施例１と同じである。また、音
声素片ＶＣｖの接続法は実施例１に述べた通りである。

また、実施例１．実施例２において基礎フィルタのシス
テム関数をフーリエ関数と指数関数の正規直交系による
展開をしたものをそれぞれ説明したが、これは低域スペ
クトルで情報量が多（なるような正規直交関数であれば
フーリエ関数や指数関数以外のものでも可能である。

〔効果〕

本発明によりＶＣＶ素片をラベル情報の種類に応じてパ
ラメータの伸縮率を変化させて伸縮接続し、フーリエ回
路網による基礎フィルタと指数近似フィルタを用いて音
声を合成することにより、人間の発声に近い良好な音質
を得ることを可能とする音声合成装置を提供することが
可能となった。

又、本発明により低域スペクトルで情報量が多くなるよ
うな正規直交関数による基礎フィルタと指数近似フィル
タを用いて音声を合成することにより、人間の聴覚の感
度に適した、聞きとり易い音声を得ることを可能とする
音声合成装置を提供することが可能となった。

又、本発明により母音開始の相対的タイミングである拍
同期点の間隔を発声速度に応じて一定の間隔ｉこ保つこ
とにより、日本語音節のタイミングに適した音声を得る
ことを可能とする音声合成装置を提供することが可能と
なった。

又、本発明によりラベル情報が発声速度の変化により長
さが変化しやすいかどうかによってパラメータの伸縮率
を変化させることにより、明瞭で高品質な音声を得るこ
とを可能とする音声合成装置を提供することが可能とな
った。

【図面の簡単な説明】

第１図は本発明の音声合成を実施した構成図、第２図は
第１図ディジタルフィルタ５の構成図、第３図は第２図
基礎フィルタ９〜１２の第１の実施例における構成図、 第４図は第１図の実施例におけるフーリエ関数を実部と
虚部に分けてプロットした図、 第５図は音声素片の連結の実施例を示す構成図、第６図
は音声素片の伸縮接続の実施例を示す図、第７図はパラ
メータの伸縮操作を説明するための図、 第８図はパラメータの伸縮操作を更に説明するための図
、 第９図はパラメータ情報、ラベル情報を連結する操作を
説明する図、 第１０図は第２図基礎フィルタ９〜１２の第２の実施例
における構成図、 第１１図は第２の実施例における正規直交関数を実部と
虚部に分けてプロワ ト した図である。

Claims (6)

【特許請求の範囲】
1. （１）ＶＣＶ（母音−子音−母音）素片を基本単位とし
   て音声のパラメータを持ち、出力する音声の速度に応じ
   て拍同期点間隔を設定する第一設定手段、前記パラメー
   タに対応するラベル情報の種類に応じて音声パラメータ
   の伸縮率を設定する第二設定手段、前記伸縮率に従って
   前記ＶＣＶ素片を伸縮し接続する接続手段を有し、音声
   を合成する際にフーリエ回路網による基礎フィルタと指
   数近似フィルタを用いることを特徴とする音声合成装置
   。
2. （２）ＶＣＶ（母音−子音−母音）素片を基本単位とし
   て音声のパラメータを持ち、出力する音声の速度に応じ
   た拍同期点間隔と前記パラメータに対応するラベル情報
   の種類に応じた音声パラメータの伸縮率を設定し、ＶＣ
   Ｖ素片を伸縮接続し、フーリエ回路網による基礎フィル
   タと指数近似フィルタを用いて音声合成を行うことを特
   徴とする音声合成方法。
3. （３）ＶＣＶ（母音−子音−母音）素片を基本単位とし
   てパラメータを持ち、出力する音声の速度に応じて拍同
   期点間隔を設定する第一設定手段、前記パラメータに対
   応するラベル情報の種類に応じて音声パラメータの伸縮
   率を設定する第二設定手段、前記伸縮率に従って前記Ｖ
   ＣＶ素片を伸縮し、接続する接続手段を有し、音声を合
   成する際に低域スペクトルで情報量が多くなるような正
   規直交関数による基礎フィルタと指数近似フィルタを用
   いることを特徴とする音声合成装置。
4. （４）ＶＣＶ（母音−子音−母音）素片を基本単位とし
   てパラメータを持ち、出力する音声の速度に応じた拍同
   期点間隔と前記パラメータに対応するラベル情報の種類
   に応じた音声パラメータの伸縮率を設定し、ＶＣＶ素片
   を伸縮接続し、低域スペクトルで情報量が多くなるよう
   な正規直交関数による基礎フィルタと指数近似フィルタ
   を用いて音声合成を行うことを特徴とする音声合成方法
   。
5. （５）請求項（１）、（２）、（３）、（４）で述べた
   拍同期点とは、発声する際のタイミングをとるためのも
   のであり、拍同期点と次の拍同期点との間隔を発声速度
   に合わせた、ある一定の値とすることを特徴とする請求
   項（１）、（２）、（３）、（４）に記載の音声合成装
   置及び方法。
6. （６）請求項（１）、（２）、（３）、（４）で述べた
   音声パラメータの伸縮率は、発声速度によって音素の長
   さが変化しやすいか否かで音素を連結する際の伸縮の割
   合を変化させるため、各々のラベル情報に適した伸縮率
   を与えることを特徴とする請求項（１）、（２）、（３
   ）、（４）に記載の音声合成装置及び方法。