JPH04313034A - 合成音声生成方法及びテキスト音声合成装置 - 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】

【０００１】

【産業上の利用分野】本発明は音声合成の分野に関し、
無制約の書面テキストから音声を合成する手法に関する
。

【０００２】

【従来の技術】音声合成は、合成さるべきそれぞれの文
章について音調曲線と合成すべき音声情報を表わすスペ
クトル特徴の系列とを計算することによって得られるの
が普通である。音声を正確にスペクトル表現することは
音声合成における大きな問題である。従来方法は連結合
成と規則による合成の２つの一般的アプローチによって
いる。

【０００３】連結合成は所望の合成音声を構成するため
に、共に引きのばされ隣接する予め記録された音声部分
を適当に表現することに基づいて行なわれる。通常の場
合は線形予測符号化（ＬＰＣ）によって行なわれる。

【０００４】一方、ホルマント合成としても知られる規
則による合成はそれぞれの音素について定常状態をスペ
クトル記述することによって行なわれる。２つの隣接す
る音素間のスペクトルはその後音声学者により導き出さ
れる一連の規則に基づいて補間される。

【０００５】従来技術の欠点は最初の方法では自然の音
声から抽出さるべき区分の集合が大きくなければならず
（数百もしくはそれ以上）、第２番目の方法では高度の
音声学的知識が必要とされるという点である。前記必要
条件は規則固有の複雑さと相まって前記方法を使用する
音声シンセサイザの普及を従来より制約してきた。更に
、全体として音声シンセサイザは厳密に言語に依存して
いる。事実、音声規則は連結合成において使用さるべき
音声の区分と共に言語によって様々であり、その結果、
シンセサイザを別の言語にカスタマイズする複雑さは全
く新たなものを設計する場合の複雑さに近いものとなっ
ている。

【０００６】

【発明が解決しようとする課題】本発明の目的は予め記
録された区分や明示的な規則を必要としない統計的手法
に基づいて無制約なテキストから音声を合成する新しい
手法を提供することである。本発明のシンセサイザは２
つのマルコフモデルの相互作用によるもので、モデルを
処理するために音声的に一致する音声データベースが必
要である。

【０００７】本発明の目的は、無制約のテキストから合
成音声を生成するシンセサイザ装置と方法を提供するこ
とである。本発明の場合、音声を合成する言語を音声学
的に記述すること、即ち、当該言語の音素の目録が必要
となる。かかる目録を構成する手続きは当該技術分野に
おいて周知である。また、当該言語について音声学的に
一致する現存単語の音声データベースを利用できること
が仮定されている。このことは、発声されたデータベー
スの単語についてそれぞれその音声記号への翻訳が利用
でき、それぞれの単語音素について大雑把な始点と終点
とが確認できることを意味する。データベースの大きさ
は種々のものが使用できるが、ほぼ２千語のものが適当
である。

【０００８】

【課題を解決するための手段及び作用】本発明のシンセ
サイザは一つの音韻プロセッサと２つのマルコフモデル
を活用する。音韻プロセッサは入力されたテキストスト
リングを一連の音声学的情報に変換する。それぞれの情
報ストリングはマルコフモデルの情報系列と考えること
ができ、以下では音声エルゴードマルコフモデル（Ｐｈ
ＥＨＭＭ）と称する。その後、隠れた状態の系列が計算
される。それぞれの状態に対しては一組の音声特徴ベク
トルが別のマルコフモデル（以下では音響エルゴードマ
ルコフモデル（ＡＥＨＭＭ）と称する）を使用すること
によって関連づけられる。合成フィルタによって音声特
徴ベクトルを適当に変形して合成音声の出力をつくり出
す。本発明はＰｈＥＨＭＭとＡＥＨＭＭの構造とそれら
の処理法を提示するものである。本発明はその音声を合
成する特定言語から大部分独立した音声シンセサイザを
構成する方法を提供する。更に、その望ましい音声特徴
ベクトルは極度に少ない人間知識と相互作用によりフル
オートマチックな処理によって得ることができる。

【０００９】

【実施例】Ａ．音響エルゴードマルコフモデル本発明の
シンセサイザは２つの異なるマルコフモデルの相互作用
に基づいている。最初のモデルは音響エルゴードマルコ
フモデル（ＡＥＨＭＭ）で図１に示す。本図はＡＥＨＭ
Ｍの構成を略示したもので、ｑｉ　、ｑｊ　・・・・は
モデルの状態を表わし、ａｉ　、ｊ　は状態ｑｉから状
態ｑｊ　への遷移確率を表わす。それぞれの状態ｑｉ　
付近のダイアグラムは特徴ベクトル出力の確率密度関数
の期待値から計算した平均出力密度スペクトルを表わす
。ＡＥＨＭＭは一つ又はそれ以上のステップにおいて各
状態から他の何れの状態へも移動することが可能である
から完全に接続したモデルである。音声信号は多次元特
徴空間によって表現されるものと仮定する。前記実施例
では同空間は確率分布の場合と同様に連続している。そ
のことは音声特徴ベクトルの各成分を分布値が、定量化
されない実数の連続値をとることを意味する。このアプ
ローチは幾つかの利点を与えることができる。然しなが
ら、離散的アプローチも可能である。前記一組の特徴中
には合成すべき音素の性質に従って有声音パラメータや
エネルギの如きその他のパラメータを含ませたり、外部
知識によって決定することもできる。ＡＥＨＭＭの各状
態は、局部モデル、即ち、一定の音声特徴ベクトル（以
下、観測値と称する）を発する連続的な密度分布確率を
有する特徴源と考えることができる。本発明の実施例の
場合、音声スペクトルは自己相関関数ｒ（ｊ）の最初の
ｐ＋１のラグ、即ち、１＜ｊ＜ｐ（ｐ＝自己相関ラグの
数）と、線形予測利得σ（シグマ）とによって表わされ
る。このことは、音声がｐ次の自己回帰過程によりモデ
ル化できることを意味する。音声は適当な周波数、例え
ば、１０ｋＨｚでサンプリングされ、その結果得られる
定量化された音声信号が保存される。前記音声信号はそ
の後、フレームと称する同じ長さの一連のスライスに分
割される。それぞれのフレームについて自己相関関数と
ＬＰＣが計算される。ｐの値として適当な値は１２であ
るが、他の値も使用することができる。

【００１０】ＡＥＨＭＭは次の式によって表わす。

【数１】 但し、Ａはモデルの大きさ、即ち、モデルの状態数であ
る。Ｑは状態集合、Π（パイ）は初期確率ベクトル、Ａ
は状態遷移行列、Ｆは観測確率関数の集合である。各モ
デル成分の定義は次の通りである。観測確率関数Ｆは連
続的な多変量ガウス分布であって、それぞれの状態につ
いてパラメータベクトルＯによって表現される音声事象
が当該状態から観測される確率を与える。即ち、

【数２
】 但し、

【数３】 ｒａｉ（ｊ）は状態ｉの自己相関ベクトルのｊ番目のラ
グであり、ｒｔ　（ｊ）は入力音声フレームの自己相関
ベクトルのｊ番目のラグである。更に、βｉ　は状態自
己相関行列の固有値であり、ｍｖｉ、σｖｉは状態ｉの
ガウス音声確率分布を定義するパラメータである。前記
状態はスペクトル密度から独立しているものと想定され
る。Ｎは解析されるフレームの長さに全体として比例す
る一定値である。この手法は例えば、「音声認識におけ
るマルコフモデルとダイナミックタイムウォーピング（
時間軸正規化整合法）について：統一見解」（ＡＴ＆Ｔ
ベル研技術誌Ｖｏｌ．６３，　Ｎｏ．７、９月号、１９
８４年、Ｂ．Ｈ．ジュアン」と、「ガウス自己回帰過程
の正確な最大確率評価について」（音響、音声信号処理
に関するＩＥＥＥ紀要、Ｖｏｌ．３６，　Ｎｏ．６、１
９８８年６月、セルヌシーフリアス・Ｊ．Ｂ．ロジャー
ス）の如き論文において論ぜられている通りである。

【００１１】各状態は局部的な自己回帰信号源と考える
ことができる。即ち、所与の自己回帰フレームを観測す
る確率は前記（Ａ．２）によって与えられる。これらの
信号源は以下の局部信号と称する。前記の局部信号源は
遷移確率行列により接続され、音声のホノタクティクス
による制約を表わす。Ｍ状態の集合Ｑ≡｛ｑｉ　｝とす
ると、大域モデルは次の一組の初期確率値と遷移確率行
列とによって完全に定義される。

【数４】

【数５】 （Ａ．４）は時間ｔ＝０における状態ｑｉ　の絶対確率
を表わし、（Ａ．５）は時間ｔ−１の前記状態ｑｉ　に
よって条件づけられた時間ｔにおける入力状態ｑｊ　の
確率を与える状態間遷移規則を表わす。

【００１２】ＡＥＨＭＭの解説は「音声符号化における
有限状態マルコフ量信号」（ＴＣＡＳＳＰ会議紀要、米
国、１９９０年４月、ファラシ、Ｍ．ギウスチニアーニ
、ｐピエルッシ）及び「音声合成におけるマルコフモデ
ル手法」（欧州言語処理、パリ、１９８９年、ファラシ
、Ｍ．ギウスチニアーニ、Ｍ．ヴェローラ）に報告され
ている通りである。

【００１３】マルコフモデルは２つの確率的過程を表わ
す。一つは直接に観測できるものであり、一つは隠れて
いるものである。ＡＥＨＭＭでは観測された過程は音声
から抽出された特徴の系列であるのに対し、その基礎に
ある隠れたプロセスは恐らく観察音声を生成したと思わ
れる局部信号源の系列である。このことはＡＥＨＭＭが
それぞれの音声信号フレームから算出された特徴を、状
態、又は状態の集合に、従って恐らくその信号フレーム
の特徴を発声したと思われる対応信号源に対して関連づ
けることを意味する。それぞれの信号源はラベルと称さ
れる級数によって表わすことができる。かくして、ラベ
ルの総数はＡＥＨＭＭの大きさに等しくなる。このこと
はＡＥＨＭＭがそれぞれのフレームに対して恐らくその
フレームを発したと思われる信号源の各々のラベルを関
連づけることを意味する。この働きは音響ラベリングと
称される。

【００１４】モデルを構築するためには一定種類の距離
又は歪みの尺度を用いる。本実施例では確率比歪み尺度
が望ましかったが、他の種類の尺度も使用することがで
きる。どんな種類の特徴表現を使用するにせよ、それら
が信号のスペクトルを表現する上で有効である限り、本
発明でＡＥＨＭＭを使用する上での基本的なポイントは
一つの音声に対して多分観測された発声を発生したと思
われる信号源の系列、従って、ラベルの系列を生成する
点である。この場合、確率は通常標準的なベクトル量記
号を用いることによって発声全体について計算され、局
部的には行なわない。このことは信号の確認が局部的に
行なわれるのではなく、発声の展開全体と遷移確率行列
中に具体化された音声的制約を考慮することによって行
なわれることを意味する。

【００１５】ＡＥＨＭＭの初期化と処理ＡＥＨＭＭはＡ
ＥＨＭＭで使用される同一の音声パラメータ表現に適用
される標準的なクラスタリングアルゴリズムによって初
期化される。再評価手続きにおける計算上の要求条件を
減らすために、モデルはＡＥＨＭＭと同じ大きさを有す
るベクトル定量化クラスタリング手法（以下ではＶＱと
称する）によって初期化することが望ましい。前記手法
はその音声がＡＥＨＭＭ再評価手続きについて使用され
る同一話者によって発せられる発声の集合に対して適用
される。ベクトル定量化は従来技術において公知である
。状態観測密度に対する初期評価はベクトル量記号コー
ドブック重心の音声特徴ベクトルによって直接得ること
ができると共に、提案される特徴表現の変量は正規化さ
れたＬＰＣ残留エネルギーである。状態遷移確率行列の
初期評価はＶＱ定量化発声の集合を使用して生起したＶ
Ｑラベルｌｉ　とラベルｌｊ　の数を順次ＶＱラベルｌ
ｉ　からはじまる観測された対の総数によって除するこ
とによって得ることができる。

【数６】 但し、Ｃｏｃ（ｌｉ　ｔ−１　、ｌｊ　ｔ　）は処理デ
ータにおいて時刻ｔ−１のＶＱラベルｌｉ　に続いて時
刻ｔのＶＱラベルｌｊ　が共起することを示す。初期確
率ベクトル（Ａ．３）の初期評価は観測ラベルの総数に
よって除したＶＱラベルｌｉ　の生起数の場合と同様に
して計算することができる。

【数７】 但し、Ｃｎｔ（ｌｉ　）は処理データにおけるＶＱラベ
ルｌｉ　の生起数である。その後、通常の順方向／逆方
向回帰とバウムウエルチ再評価式によって一定音声サン
プルに対して処理を実行する。系列データサイズの要求
条件を減らすため、また評価手続き全体を改善するため
に音声データ全体は同一の話者が発するようにすること
が望ましい。更に、発声は音声時にバランスがとれてい
ること、即ち、それらは当該言語に典型的に音声事象を
表わし、当該言語に典型的な音素確率を提供するように
することが望ましい。

【００１６】ＡＥＨＭＭの使用 ＡＨＥＭＭを使用して音声的に整合した音声データベー
スに対して音響ラベリングを実行する。このことはそれ
ぞれの音声フレーム毎にＡＥＨＭＭ中の選択状態を示す
ラベル、選択ラベルに対応する局部信号源に関連づけら
れる音声特徴ベクトル、及び音声が抽出される発声音素
を適当な音声アルファベットで音声翻訳する可能性が存
在することを意味する。音声的に整合した音声データベ
ースとＡＥＨＭＭを処理するために使用される処理音声
データベースは同一話者により発せられることが望まし
い。Ｍ＝２５６の状態モデルを処理するためには２千も
しくはそれ以上の音声的に一致する単語のサイズを有す
る音声を使用することが望ましい。

【００１７】Ｂ．音声エルゴードマルコフモデル図２は
本発明に使用する第２のマルコフモデルである音声エル
ゴードマルコフモデル（ＰｈＥＨＭＭ）を示す。

【００１８】ＰｈＥＨＭＭは以下の点で先に述べたＡＥ
ＨＭＭと類似するモデルである。即ち、両者は同じサイ
ズ、即ち、同じ状態数をもっている。またＡＥＨＭＭの
遷移確率行列によって得られる状態のうちの同じ遷移確
率によって初期化される。ＰｈＥＨＭＭの観測確率関数
はＰｈＥＨＭＭの各状態に対して採用された音声アルフ
ァベットの音素を発する観測確率関数が関連づけられる
点でＡＥＨＭＭのものと異なっている。それぞれ合成さ
るべき発声におけるそれらの持続時間に比例する一連の
回数だけ繰返した音素系列を本文では合成観測値と称す
ることにする。

【００１９】ＰｈＥＨＭＭの役割は、ここでは、合成観
測値のストリングと、恐らく前記合成観測値を発したと
思われる音声源の系列との間の対応関係を確立すること
である。従って、ＰｈＥＨＭＭは以下の式によって表さ
れる。

【数８】 但し、Ｍはモデルの大きさ、即ち、ＡＥＨＭＭの場合と
同一であり、Ｔは状態の集合、Θは初期確率ベクトル、
Ｚは遷移確率行列の状態であり、Λは観察確率関数の集
合である。

【００２０】各状態の観測確率関数は離散型で、それぞ
れの状態に対してその状態から音声記号Ψｉ　が観察さ
れる確率を与える。

【数９】

【００２１】音声記号領域の性質のため観測確率関数は
離散的である。Ｅは採用された音声アルファベットの大
きさである。一定の音声信号を所与とすると、ＰｈＥＨ
ＭＭを使用して隠れた状態系列を構成するラベルの最も
確率の高い系列を計算する。即ちＡＥＨＭＭを使用して
音声記号ストリングに対応するスペクトル特徴の最も確
率の高い系列を計算する。

【００２２】図２はＰｈＥＨＭＭの簡単な構成を示す。 但し、τｉ　，τｊ　，τｋ　・・・はモデルの状態を
表し、ｚｉ，ｊ　は状態τｉ　から状態τｊ　へ至る遷
移確率を示す。 各状態に近接するダイアグラムは採用された音声アルフ
ァベットの各音素を発する離散密度確率を表す。

【００２３】ＰｈＥＨＭＭの初期化と処理ＰｈＥＨＭＭ
はＡＥＨＭＭに関連して先に定義した音響的かつ音声的
にラベル付けした同じ音声サンプルを用いて初期化する
。初期確率ベクトルと遷移確率行列に対する初期評価は
、ＡＥＨＭＭの同じ遷移確率行列Ａを遷移確率行列Ｚと
考えて、対応するＡＥＨＭＭの統計的記述によって得る
ことができる。初期確率ベクトルΘについても同様のこ
とを行う。

【数１０】

【００２４】各状態の観測分布関数は以下の手続を経て
初期化する。先に定義した音声サンプルはＡＥＨＭＭを
使用して音響的にラベル付けして、以下のＡＥＨＭＭ状
態系列を得る。

【数１１】

【００２５】同じ音声サンプルの音声的翻訳は適当な方
法を用いて得ることができ、次の音声記号の一系列が得
られる。

【数１２】

【００２６】さて、以下の式を用いてそれぞれの状態に
ついての観測確率関数の初期評価を得ることができる。

【数１３】 その結果、それぞれの状態についてその状態から一定の
音声記号Ψｉｊが得られる確率が与えられる。この式に
おいて　Ｃｎｔ（Ψｉ　，　τｊ　）は音声記号Ψｉ　
状態τｊ　が共に生起することが観測される数である。 その後、適当な音声的に翻訳したテキストサンプルにつ
いてＰｈＥＨＭＭを周知のバウム・ウェルチアルゴリズ
ムによって反復して再評価する。

【００２７】Ｃ．合成システムの解説 図３はテキスト合成シンセサイザ３０のブロック線図を
示す。同図において、本発明と関連する構造のみが完全
に説明されているが、音声合成に必要であるが当該技術
分野において標準的な構成部分はごく手短かに説明する
。シンセサイザ３０はテキスト入力装置３１、音声プロ
セッサ３２、音韻プロセッサ３４、ラベリング装置３３
、スペクトル系列生成装置、及び合成フィルタ３６を含
む。テキスト入力装置３１はテキスト入力インターフェ
ースを提供するものであって入力テキストを以下の処理
のために複数の文に分割するために必要な処理を実行す
る。音声プロセッサ３２は図４に詳解する。

【００２８】図４について述べると、シラビフィケータ
４１は音節化装置であって入力テキストを次の処理のた
めに複数の音節に分割する目的を有する。音声トランス
クライバ４２は入力書記素をそれに対応する音素に変換
する。本実施例では表１に示すように２９の記号の音声
アルファベットを使用したが、必要とあらば他の音声ア
ルファベットを使用することもできる。

【表１】

【００２９】微音韻プロセッサ４３は合成さるべき各音
素に対する全持続時間を計算する。前記プロセッサ４３
は音節モデルと構文形態に関する情報を活用して所望の
出力を生成する。それは音素の固有持続時間の概念に基
づいている。各音素は音節中のその位置と字句のアクセ
ントに応じて異なるものと考える。それぞれの異なる音
素位置に対して持続時間データベース４４中に保存され
た異なる持続時間値を関連づける。この種の音節モデル
は従来より文献中に提案されているものである。固有持
続時間はその後、文中の単語の品詞に従って引延ばされ
る。品詞に従って持続時間を修正するためのアルゴリズ
ムは従来技術に報告済みである。合成観測値ジェネレー
タ４５は音素の系列とそれに対応する持続時間全体をＰ
ｈＥＨＭＭ合成観測値に変換する役割を有する。前記ジ
ェネレータは音素のストリングを生成し、そこで各音素
はその計算された持続時間に対応するフレーム数と同回
数だけ反復される。

【００３０】図５について述べると、入力ストリングテ
キストのサンプルが図５の（Ａ）に示されている。そこ
ではイタリア文”Ｑｕｅｓｔｏ　ｅ　ｕｎ　ｅｓｅｍｐ
ｉｏ　ｄｉ　ｆｒａｓｅ”が合成さるべきテキスト例と
して使用されている。図５の（Ｂ）はその例で使用され
る文の音声的翻訳を示す。図５の（Ｃ）には単語の系列
とそれに対応する品詞が示されている。図５の（Ｄ）は
各音素がその計算された持続時間全体に対応するフレー
ム数と同回数だけ反復されることを示す。

【００３１】図３のラベリング装置（ＬＵ）は合成観測
値の系列に対応する最もありそうな状態系列を計算する
目的を有する。ラベリング装置３３は図７と図８のＬＵ
７０とＬＵ８０の２つの異なる実施例の形が示されてい
る。図７のラベリング装置は図５Ｄに示すような合成観
測値の系列から基礎にあるＰｈＥＨＭＭの状態系列を計
算する。バウムウェルチＰｈＥＨＭＭプロセッサ７１は
周知のバウムウェルチアルゴリズムを実行する。プロセ
ッサ７１はそれぞれの観測音素について図６に示すよう
な音声記号観測値を生ぜしめた各状態の確率ベクトルを
生成する目的を有する。図６の配列中の各要素はラベル
（Ｌ１，Ｌ２，Ｌ３・・・）と各観測値に対するラベル
確率（Ｐ（１），Ｐ（２），Ｐ（３）・・・）の対より
構成される。但し、一つの観測値は、先に指定の如く、
合成観測値系列の音声記号であり、表の各欄についてＬ
ＢＬはＰｈＥＨＭＭの状態のラベルを表わし、Ｐｒｏｂ
はその観測値を生成したラベルの確率である。

【００３２】図８は図３のラベリング装置（ＬＵ）の第
２の実施例（ＬＵ８０）である。合成観測値の系列から
任意の最適性基準を使用してＰｈＥＨＭＭの状態の最も
優れた系列を計算する。一つの状態だけ（即ち１ラベル
）が合成系列観測値の各項目と関連する。一例として、
状態系列は、ヴィテルビＰｈＥＨＭＭプロセッサ８１に
より合成観測値系列に対して実行された周知のヴィテル
ビアルゴリズムによって計算することができる。

【００３３】図３のスペクトル系列生成装置（ＳＳＰＵ
）はラベリング装置７０又は８０により生成されるよう
な入力ラベル系列をフィルタ係数の系列に変換する目的
を有する。図９と図１０はそれぞれラベリング装置７０
と８０の２つの実施例に対応するＳＳＰＵ９０と１００
の構造を示す。ＳＳＰＵ９０は音声特徴コードブック（
ＳＦＣ）９２と音声補間器（ＦＩ）９１とによって構成
される。ＳＦＣ９２は先のＡＥＨＭＭ処理によって決定
されるようにＡＥＨＭＭの対応する原始モデルを各ラベ
ルに関連させる。このことは本実施例においては原始パ
ラメータの期待値のベクトルがラベリング装置によって
生成された各ラベルに関連づけられることを意味する。 これは多変量ガウス分布を使用する直後である。かかる
場合にはガウス密分布自体の平均値が各ラベルに関連づ
けられる。ＦＩ９１は計算して合成フィルタ中に使用さ
れる実特徴ベクトルを生成する。この目的においてそれ
はＡＥＨＭＭコードブックの音声特徴ベクトルの加重平
均を計算する。前記特徴は補間スキームに対して線形で
あることが望ましいことはいうまでもない。予測係数を
使用する場合、それらを例えばログエリア比のようなよ
り線形的な特徴に変換することが望ましい。特徴ベクト
ル変換処理はΓ（ｒｉ　）により示され、以下の如く特
徴ベクトルの異なる集合ｕｉ　を与える。

【数１４】

【００３４】その後、出力特徴ベクトルが合成さるべき
各フレームについてコードブックの各特徴ベクトルを時
間ｔにおける対応ラベルの確率によって重みをつけるこ
とによって計算される。

【数１５】 但し、ｐｒｏｂ（τ　ｉｔ　）はラベリング装置７０に
より計算される各状態の確率であり、ｕｉ　はコードブ
ックの関連する特徴ベクトルの変形であり、ｕａｖｔ　
は合成フィルタに送らるべき合成特徴ベクトルである。 その結果はその後合成プロセスにふさわしいスペクトル
表現に逆変換される。本実施例の場合、反映係数ｋを使
用して（Ｃ．３）に示すように逆変換する。

【数１６】 但し、Δは逆変換演算子である。

【００３５】図１０にＬＵ８０にふさわしいＳＳＰＵ１
００を示す。ＳＳＰＵ１００はスペクトル特徴コードコ
ードブック１０２と特徴セレクタ１０１より構成される
。本実施例では特徴セレクタ１０１は各ラベルに対して
最適アルゴリズムに従って選択される音声特徴ベクトル
コードブック１０２中に保存されるＡＥＨＭＭの対応す
る音声特徴ベクトルを関連づける。

【００３６】その結果得られる音声特徴ベクトルはその
後合成フィルタ３６により使用されるフィルタ係数に変
換される。反映係数ｋが使用される場合、合成フィルタ
は図１１に示す構造をとる。図１１において、利得値は
韻律プロセッサ３４により計算されるエネルギー等高線
によって与えられる。

【００３７】エネルギーを計算するために他の手続を使
用することができる。図１１の励起源、声門脈動ジェネ
レータとノイズジェネレータは有声音パラメータにより
制御される。有声音は異なる方法で計算することができ
る。即ち、もしそれがスペクトル特徴集合の中に埋込ま
れていれば、他の特徴と同一の方法で処理される。音声
フレームを有声音、無声音に分類するためにはスレショ
ルド決定法を使用することができる。あるいは両者を混
合した励起法を使用することもできる。さもない場合に
は、有声音パラメータを合成さるべきそれぞれの音素に
関連づけて、実際に合成された音素に従って合成プロセ
ス中で変化させるべきである。

【００３８】Ｄ．シンセサイザの動作 いったんＡ節とＢ節に述べたようにＡＥＨＭＭとＰｈＥ
ＨＭＭの２つのマルコフモデルを構築し終えると、テキ
スト合成プロセス全体を次のように要約することができ
る。 −テキスト入力３１を介して書面テキストを入力した後
、音声プロセッサ３２によって音声発音記号に変換する
。音声プロセッッサ３２はまた合成フィルタ３６中で使
用可能な追加的なパラメータを決定する。 −微音韻プロセッサ４３がそれぞれの音素について全体
の持続時間を計算する。 −持続時間データベース４４によって各音素に対して異
なる持続時間を付与する。 −音素系列と各系列に関連する持続時間は合成観測値ジ
ェネレータ４５によって処理される。合成観測値ジェネ
レータ４５はそのサンプルを図５Ｄに示す合成観測値の
系列を生成する。 −その後、合成観測値系列をラベリング装置３３により
処理する。ラベリング装置３３は選択された最適性基準
に応じて前記合成観測値系列に対応するラベル系列、即
ちＰｈＥＨＭＭの状態の系列を計算する。 −スペクトル系列生成装置３５は入力としてラベル系列
を受取り、対応するＡＥＨＭＭの音声特徴ベクトルをそ
れらのラベルに関連づける。 −その後、その結果として得られる特徴ベクトルをフィ
ルタ係数に変換する。これらの係数は音韻プロセッサ３
４に生成される音韻とその他のパラメータと共にその後
合成フィルタ３６によって合成音声出力を生成するため
に使用される。

【００３９】

【発明の効果】本発明は、上記のように構成されている
ので、予め記録された区分や明示的な規則を必要としな
い統計的手法に基づいて無制約なテキストから音声を合
成できる優れた効果を有する。

【図面の簡単な説明】

【図１】ＡＥＨＭＭの概略構造図である。

【図２】ＰｈＥＨＭＭの概略構造図である。

【図３】本発明のテキスト生成シンセサイザのブロック
線図である。

【図４】図３の音声プロセッサのブロック線図である。

【図５】音声プロセッサによって実行されるテキストの
サンプル図である。

【図６】異なる観測値に対するラベルの配列とそれらの
確率を示す図である。

【図７】図３のラベリング装置の実施例のブロック線図
である。

【図８】図３のラベリング装置の別の実施例のブロック
線図である。

【図９】図７のラベリング装置と共に使用されるスペク
トル系列生成装置のブロック線図である。

【図１０】図８のラベリング装置と共に使用されるスペ
クトル系列生成装置のブロック線図である。

【図１１】実施例で使用されるラティス合成フィルタの
構造図である。

【符号の説明】

３０　　　　テキスト合成シンセサイザ３１　　　　テ
キスト入力 ３２、４０　　　　音声プロセッサ ３３　　　　ラベリング装置 ３４　　　　音韻プロセッサ ３５　　　　スペクトル系列生成装置 ３６　　　　合成フィルタ ４１　　　　シラビフィケータ ４２　　　　音声トランスクライバ ４３　　　　微音韻プロセッサ ４４　　　　持続時間データベース ４５　　　　合成観測値ジェネレータ

Claims (6)

【特許請求の範囲】
1. 【請求項１】　　音声上の制約を反映する音響エルゴー
   ドマルコフモデル（ＡＥＨＭＭ）が音声エルゴードマル
   コフモデル（ＰｈＥＨＭＭ）に相関づけられるような合
   成音声生成方法において、 ａ）前記ＡＥＨＭＭの処理中に発声された音声が分割さ
   れるフレームから抽出された音声特徴ベクトルを観測値
   の系列として、また恐らく前記発声フレームを発したと
   思われる信号源の系列を隠れた系列として考えて一定の
   ＡＥＨＭＭを構築し、 ｂ）前記ＡＥＨＭＭと同じ大きさを持つベクトル定量化
   クラスタリングスキームによって前記ＡＥＨＭＭを初期
   化し、 ｃ）前記ＡＥＨＭＭを順方向−逆方向アルゴリズムとバ
   ウム−ウエルチ再評価公式によって処理し、ｄ）各フレ
   ームに対して最も確率の高い信号源のラベルを関連づけ
   、 ｅ）書面テキストから得られる合成観測値系列を観測値
   の系列として、またラベルの系列を隠れた系列として考
   えて前記ＡＥＨＭＭと同じ大きさのＰｈＥＨＭＭを構築
   し、 ｆ）状態遷移確率に対して対応する前記ＡＥＨＭＭの状
   態の遷移確率と同一値を付与することによって前記Ｐｈ
   ＥＨＭＭ遷移確率行列を初期化し、 ｇ）ｉ　）音声学的に一致する音声サンプルを使用し、
   ｉｉ）前記ＡＥＨＭＭの音響ラベリング特徴を使用して
   最も確率の高いラベルのシーケンスを前記音声サンプル
   に対して生成し、 ｉｉｉ）前記状態によって発せられる音素の総数によっ
   て除せられる一状態中の音素の生起回数をカウントして
   各音素について観測値確率関数を計算する、ことによっ
   て、前記ＰｈＥＨＭＭ観測値確率関数を初期化し、ｈ）
   適当な合成観測値サンプルに対してバウム−ウエルチア
   ルゴリズムによって前記ＰｈＥＨＭＭを処理し、ｉ）合
   成さるべき各ワードについて一定の合成観測値を、また
   前記ＰｈＥＨＭＭを介して適当な最適性基準によって対
   応するラベルの系列を決定し、ｊ）韻律プロセッサによ
   り入力テキストからエネルギー、音韻等高線及び有声音
   の如き追加的なパラメータの集合を決定し、 ｋ）前記ラベルの系列について前記ＡＥＨＭＭにより対
   応する音声特徴ベクトルの集合を決定し、ｌ）前記音声
   特徴ベクトルをスペクトル情報を保存するフィルタ係数
   の集合に変形し、 ｍ）前記フィルタ係数の集合と一定の合成フィルタ中の
   前記追加パラメータを使用して一定の合成音声出力を生
   成する、ステップより成る合成音声生成方法。
2. 【請求項２】　　ステップｉ）の適当な最適性基準がバ
   ウム−ウエルチアルゴリズムによって与えられ、ステッ
   プｋ）の音声特徴ベクトルの決定がそれぞれの特徴ベク
   トルを対応するラベルの確率によって重みづけすること
   によって得られる請求項１の無制約書面テキストから音
   声を生成する方法。
3. 【請求項３】　　ステップｉ）の適当な最適性基準がヴ
   ィテルビアルゴリズムによって与えられ、ステップｋ）
   の音声特徴ベクトルの決定が対応する前記ＡＥＨＭＭの
   音声特徴ベクトルを各ラベルに関連づけることによって
   得られる請求項１の無制約書面テキストから音声を生成
   させる方法。
4. 【請求項４】　　合成さるべきテキストを入力するため
   のテキスト入力装置（３１）と、書記素入力を音声表現
   に変換し、音声持続時間パラメータを決定する音声プロ
   セッサ（３２）と合成さるべき発声に対する音韻とエネ
   ルギー等高線を判断する音韻プロセッサ（３４）と、前
   記音韻とエネルギーの等高線とフィルタ係数を用いて生
   成さるべき音声を合成する合成フィルタ（３６）と、を
   含むテキスト合成シンセサイザ装置において、前記音声
   プロセッサ（３２）が前記入力テキストの音声表現をそ
   れぞれ前記音韻プロセッサ（３４）により計算される音
   素持続時間を適切に反映するように繰り返される音声記
   号のストリングに翻訳し音声エルゴードマルコフモデル
   （ＰｈＥＨＭＭ）観測値の系列を生成する合成観測値ジ
   ェネレータ（４５）と、前記状態が最適性基準により前
   記観測値を生成した確率を前記観測値系列中の各観測値
   に関連づけるラベリング装置（３３）と、先に発声され
   た音声サンプルに基づいて構築された音響エルゴードマ
   ルコフモデル（ＡＥＨＭＭ）により計算されるラベルと
   音声特徴ベクトル間の相関づけによって合成さるべき各
   音声フレームについて音声特徴ベクトルを計算するスペ
   クトル系列生成装置（３５）とを含み、前記スペクトル
   系列生成装置（３５）が逆変換によって音声特徴ベクト
   ルを前記合成フィルタ（３６）により使用さるべきフィ
   ルタ係数に変換するテキスト合成シンセサイザ。
5. 【請求項５】　　前記ラベリング装置（３３）において
   使用される最適性基準が各状態がバウム−ウエルチアル
   ゴリズムにより一定の観測値を生成した確率を計算する
   ことから成り、各音声特徴ベクトルが前記ラベリング装
   置（３３）により計算された各ラベルの確率によって重
   みづけされる前記ＡＥＨＭＭによって各ラベルに関連づ
   けられる音声特徴ベクトルの和として計算される請求項
   ４のテキスト合成シンセサイザ装置。
6. 【請求項６】　　前記ラベリング装置（３３）において
   使用される最適性基準がヴィテルビアルゴリズムによっ
   て得られるような合成観測系列を生成した確率が最も高
   い状態の系列を計算することから成り、各音声特徴ベク
   トルが前記ＡＥＨＭＭの対応する原始モデルを各ラベル
   に対して関連づけ、その原始モデルに関連づけされた平
   均ベクトルを音声特徴ベクトルとして想定することによ
   って得られる請求項４のテキスト合成シンセサイザ装置
   。