-
ALLGEMEINER
STAND DER TECHNIK
-
Die
vorliegende Erfindung bezieht sich auf ein Verfahren und ein Gerät zur Sprachanalyse
unter Verwendung eines regelbasierenden Syntheseverfahrens und auf
ein Speichermedium, das computerlesbare Programme zum Realisieren
des Sprachsyntheseverfahrens speichert.
-
Als
Verfahren zum Steuern einer Phonemdauer verwendet ein herkömmliches
regelbasierendes Sprachsynthesegerät ein Steuerregelverfahren,
das auf der Grundlage von Statistiken basiert, die sich auf eine Phonemdauer
beziehen (Yoshinori KOUSAKA, Youichi TOUKURA, "Phoneme Duration Control for Rule-Based Speech Synthesis", The Journal of
the Institute of Electronics and Communication Engineers of Japan,
Band J67-A, Nr. 7 (1984), Seiten 629–636) oder ein Verfahren des
Anwendens kategorischer multipler Regression als eine Technik der
multiplen Regressionsanalyse (Tetsuya SAKAYORI, Shoichi SASAKI,
Hiroo KITAGAWA, "Prosodies
Control Using Categorical Multiple Regression for Rule-Based Synthesis, "Report of the 1986
Autumn Meeting of the Acoustic Society of Japan, 3-4-17 (1986-10).
-
Nach
der obigen herkömmlichen
Technik ist es jedoch schwierig, die Spracherzeugungszeit einer
Phonemkette zu spezifizieren. Beispielsweise ist es bei dem Steuerregelverfahren
schwierig, eine Steuerregel zu bestimmen, die einer spezifizierten
Spracherzeugungszeit entspricht. Wenn eingegebene Daten eine Ausnahme
im Steuerregelverfahren haben, oder wenn darüber hinaus ein befriedigender
Schätzwert
nicht im Verfahren der kategorischen multiplen Regression gewonnen
wird, wird es schwierig, eine Phonemdauer zu erhalten, die einen
natürlichen
Klang hat.
-
Im
Falle des Steuerns einer Phonemdauer unter Verwendung von Steuerregeln
ist es erforderlich, die Statistiken zu wichten (Durchschnittswert,
Standardabweichung usw.), während
die Kombination vorangehender und nachfolgender Phoneme zu berücksichtigen
ist, oder es ist erforderlich, einen Erweiterungskoeffizienten einzusetzen.
Es gibt verschiedene Faktoren, die gehandhabt werden müssen, beispielsweise
eine Kombination von Phonemen, die von jedem Fall abhängen, Parametern,
wie Wichtungs- und Erweiterungskoeffizienten und dergleichen. Darüber hinaus
muß das
Betriebsverfahren (Steuerregeln) bestimmt werden durch eine Daumenregel.
Im Falle, bei dem die Sprachproduktionszeit einer Phonemkette spezifiziert
ist, wird folglich die Anzahl von Kombinationen der Phoneme äußerst groß. Des weiteren
ist es schwierig, Steuerregeln zu bestimmen, die auf eine beliebige
Kombination von Phonemen anwendbar sind, bei denen die Gesamtphonemdauer
nahe an der spezifizierten Spracherzeugungszeit liegt.
-
Das
Dokument WO 96/42079 beschreibt ein Sprachsynthesegerät, das eine
Sprachsynthese gemäß einer
eingegebenen Phonemkette ausführt,
mit:
einem Speichermittel, das statistische Daten bezüglich einer
Phonemdauer eines jeden Phonems speichert;
einem Bestimmungsmittel
zum Bestimmen der Spracherzeugungszeit für die eingegebene Phonemkette;
einem
Einstellmittel zum Einstellen der Phonemdauer entsprechend der Sprachwiedergabezeit
eines jeden Phonems, das die Phonemkette aufbaut, basierend auf
statistischen Daten eines jeden aus dem Speichermittel gewonnenen
Phonems; und mit
einem Erzeugungsmittel, das eine Sprachwellenform
durch Verbinden von Phonemen unter Verwendung der Phonemdauer erzeugt.
-
Nach
einem Aspekt ist die vorliegende Erfindung dadurch gekennzeichnet,
daß die
im Speichermittel gespeicherten statistischen Daten wenigstens Standardabweichungsdaten
und Mehrfachregressionsanalysedaten bezüglich einer Phonemdauer eines
jeden Phonems enthalten;
das Gerät ein Anfangswertgewinnungsmittel
enthält,
um eine geschätzte
Dauer des Phonems durch Mehrfachregressionsanalyse unter Verwendung
der im Speichermittel gespeicherten Mehrfachregressionsanalysedaten
zu gewinnen;
das Einstellmittel eine Anfangsphonemdauer für jedes
die Phonemkette aufbauende Phonem auf der Grundlage der geschätzten Dauer
einstellt; und daß
das
Einstellmittel ein Rechenmittel enthält, das betriebsbereit ist
zum Errechnen einer Phonemdauer durch Addieren eines auf den Standardabweichungsdaten
vom aus dem Speichermittel gewonnenen Phonem basierend errechneten
Wertes mit der für
das Phonem eingestellten Anfangsphonemdauer, wobei die individuellen Phonemdauern
bestimmt sind, um die vom Bestimmungsmittel bestimmte Spracherzeugungszeit
aufzusummieren.
-
Nach
weiteren Aspekten ist die Erfindung in den Patentansprüchen 10
und 19 angegeben.
-
Die
vorliegende Erfindung hat den Vorteil, daß sie eine spezifizierte Spracherzeugungszeit
erreicht und kann eine natürliche
Phonemdauer schaffen, ungeachtet der Länge der Spracherzeugungszeit.
-
Des
weiteren schafft die vorliegende Erfindung ein Sprachsyntheseverfahren,
das vom obigen Sprachsynthesegerät
ausgeführt
wird. Darüber
hinaus stellt die vorliegende Erfindung ein Speichermedium bereit, das
Steuerprogramme speichert, um das obige Sprachsyntheseverfahren
vom Computer zu realisieren.
-
Andere
Merkmale und Vorteile der vorliegenden Erfindung werden aus der
nachstehenden Beschreibung in Verbindung mit der beiliegenden Zeichnung
deutlich, in der gleiche Bezugszeichen dieselben oder ähnliche
Teile in allen Figuren bedeuten.
-
KURZE BESCHREIBUNG
DER ZEICHNUNG
-
Die
beiliegende Zeichnung, die einen Teil der Beschreibung bildet, veranschaulicht
Beispiele der Erfindung und dient gemeinsam mit der Beschreibung
der Erläuterung
des erfinderischen Prinzips.
-
1 ist
ein Blockdiagramm, das ein Aufbau eines Sprachsynthesegerätes nach
einem Ausführungsbeispiel
der vorliegenden Erfindung zeigt;
-
2 ist
ein Blockdiagramm, das eine Ablaufstruktur des Sprachsynthesegerätes nach
dem Ausführungsbeispiel
der vorliegenden Erfindung zeigt;
-
3 ist
ein Ablaufdiagramm, das die Sprachsyntheseschritte nach dem Ausführungsbeispiel
der vorliegenden Erfindung zeigt;
-
4 ist
eine Tabelle, die die Konfiguration von Phonemdaten gemäß einem
Beispiel der Sprachsynthese zeigt;
-
5 ist
ein Ablaufdiagramm, das einen Bestimmungsprozeß einer Phonemdauer nach dem
ersten Ausführungsbeispiel
der vorliegenden Erfindung zeigt;
-
6 ist
eine Ansicht, die ein Beispiel einer eingegebenen Phonemkette zeigt;
-
7 ist
eine Tabelle, die eine Datenkonfiguration einer Koeffiziententabelle
zeigt, die Koeffizienten aj,k für die kategorische
multiple Regression nach einem Ausführungsbeispiel der vorliegenden
Erfindung zeigt;
-
8 ist
eine Tabelle, die eine Datenkonfiguration von Phonemdaten nach dem
Ausführungsbeispiel der
vorliegenden Erfindung zeigt; und
-
9A und 9B sind
Ablaufdiagramme, die einen Bestimmungsprozeß einer Phonemdauer nach einem
zweiten Ausführungsbeispiel
der vorliegenden Erfindung zeigen.
-
DETAILLIERTE
BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSBEISPIELE
-
Ein
Beispiel eines Sprachsyntheseverfahrens und ein Beispiel der vorliegenden
Erfindung ist nachstehend anhand der beiliegenden Zeichnung beschrieben.
-
Beispiel
-
1 ist
ein Blockdiagramm, das den Aufbau eines Sprachsynthesegerätes nach
einem Ausführungsbeispiel
der vorliegenden Erfindung zeigt. Bezugszeichen 101 bedeutet
eine CPU, die verschiedene Steuerungen im regelbasierenden Sprachsynthesegerät des vorliegenden
Ausführungsbeispiels
ausführt.
Bezugszeichen 102 bedeutet einen ROM, bei dem verschiedene
Parameter und Steuerprogramme gespeichert sind, die die CPU 101 ausführt. Bezugszeichen 103 bedeutet
einen RAM, der Steuerprogramme speichert, die die CPU 101 ausführt, und
dient auch als Arbeitsbereich der CPU 101. Bezugszeichen 104 bedeutet
einen externen Speicher, beispielsweise eine Festplatte, eine Diskette,
einen CD-ROM und dergleichen. Bezugszeichen 105 bedeutet
eine Eingabeeinheit, die über
eine Tastatur, eine Maus usw. verfügt. Bezugszeichen 106 bedeutet eine
Anzeige zum Ausführen
verschiedener Anzeigen gemäß der Steuerung
von der CPU 101. Bezugszeichen 6 bedeutet einen
Sprachsynthesizer zum Erzeugen synthetisierter Sprache. Bezugszeichen 107 bedeutet
einen Lautsprecher, der Sprachsignale (elektrische Signale) umsetzt
in Klang und abgibt, die vom Sprachsynthesizer 6 kommen.
-
2 ist
ein Blockdiagramm, das die Ablaufstruktur des Synthesegerätes nach
dem Ausführungsbeispiel
zeigt. Nachstehend zu beschreibende Funktionen realisiert die CPU 101,
die Steuerprogramme ausführt, die
der ROM 102 speichert, oder Steuerprogramme ausführt, die
von einem externen Speicher 104 zum RAM 103 kommen.
-
Bezugszeichen 1 bedeutet
eine Zeichenketteeingabeeinheit zur Eingabe einer Zeichenkette von
zu synthetisierender Sprache, das heißt, phonetischer Text, der über die
Eingabeeinheit 105 hereinkommt. Wenn beispielsweise die
zu synthetisierende Sprache "O·N·S·E·I" ist, gibt die Zeichenketteneingabeeinheit
eine Zeichenkette "o,
n, s, e, i" ein.
Diese Zeichenkette enthält
gelegentlich eine Steuersequenz zur Eingabe der Spracherzeugungsgeschwindigkeit
oder der Tonhöhe
der Sprache. Bezugszeichen 2 bedeutet eine Steuerdatenspeichereinheit,
die in internen Registern Informationen speichert, die man findet
als Steuersequenz durch die Zeichenketteeingabeeinheit 1,
und Steuerdaten, wie die Spracherzeugungsgeschwindigkeit und die
Tonhöhe der
Sprache oder dergleichen, die von einer Nutzerschnittstelle eingegeben
werden. Bezugszeichen 3 bedeutet eine Phonemkettenerzeugungseinheit,
die eine Zeichenkette umsetzt, die über die Zeichenketteneingabeeinheit 1 hereinkommt,
und zwar in eine Phonemkette. Beispielsweise wird die Zeichenkette "o, n, s, e, i" umgesetzt in eine
Phonemkette "o,
X, s, e, i". Bezugszeichen 4 bedeutet
eine Phonemkettenspeichereinheit, die die von der Phonemkettenerzeugungseinheit 3 erzeugte
Phonemkette in internen Registern speichert. Angemerkt sei, daß der RAM 103 als
zuvor genanntes internes Register dienen kann.
-
Bezugszeichen 5 bedeutet
eine Phonemdauereinstelleinheit, die eine Phonemdauer gemäß den Steuerdaten
einstellt, dargestellt durch Sprachwiedergabegeschwindigkeit, die
in der Steuerdatenspeichereinheit 2 gespeichert ist, und
die Art des Phonems, das in der Phonemkettenspeichereinheit 4 gespeichert
ist. Bezugszeichen 6 bedeutet einen Sprachsynthesizer,
der synthetisierte Sprache aus der Phonemkette erzeugt, in der die
Phonemdauer von der Phonemdauereinstelleinheit 5 eingestellt
ist, sowie den Steuerdaten, die die Tonhöhe der Sprache darstellen und
in der Steuerdatenspeichereinheit 2 gespeichert sind.
-
Als
nächstes
beschrieben ist das Einstellen einer Phonemdauer, die ausgeführt wird
von der Phonemdauereinstelleinheit 5. Die Prozedur erfolgt
nicht gemäß der Erfindung,
sondern wird beschrieben, um das Verständnis für das Ausführungsbeispiel der nachstehenden
Erfindung zu erleichtern. In der folgenden Beschreibung zeigt Ω einen Satz von
Phonemen auf. Als Beispiel von Ω kann
folgendes verwendet werden:
Ω = {a, e, i, o, u, X (silbenbildend
nasal), b, d, g, m, n, r, w, y, z, ch, f, h, k, p, s, sh, t, ts,
Q (Doppelkonsonant)}
-
Hier
wird angenommen, daß der
Phonemsdauereinstellabschnitt ein Ausatmungsabschnitt ist (Abschnitt
zwischen Pausen). Die Phonemsdauer di für jedes Phonem αi und der
Phonemkette wird so bestimmt, daß die Phonemkette, aufgebaut
aus dem Phonemen αi
(1 ≤ i ≤ N) im Phonemdauereinstellabschnitt
betont ist innerhalb der Spracherzeugungszeit T, die bestimmt ist
auf der Grundlage der Steuerdaten, die eine jede Spracherzeugungsgeschwindigkeit
darstellen, gespeichert in der Steuerdatenspeichereinheit 2.
Mit anderen Worten, die Phonemdauer di (Gleichung (1b)) für jedes αi (Gleichung
(1a)) der Phonemkette wird so bestimmt, daß sie der Gleichung (1c) genügt.
-
-
Hier
ist der Phonemdaueranfangswert des Phonems αi festgelegt mit dαi0. Der Phonemdaueranfangswert
dαi0 wird
gewonnen beispielsweise durch Teilen der Spracherzeugungszeit T
durch die Anzahl N der Phonemkette. In Hinsicht auf das Phonem αi eines Durchschnittswertes
werden die Standardabweichung und der Minimalwert der Phonemdauer
jeweils festgelegt mit μαi, σαi, dαimin. Unter
Verwendung dieser Werte wird der Anfangswert dαi durch die Gleichung (2) bestimmt,
und der gewonnene Wert wird eingesetzt als neuer Phonemdaueranfangswert.
Genauer gesagt, der Durchschnittswert, der Standardabweichungswert
und der Minimalwert der Phonemdauer werden für jede Phonemart gewonnen (für jedes αi), gespeichert
im Speicher, und der Anfangswert der Phonemdauer wird erneut unter
Verwendung dieser Werte bestimmt.
-
-
Unter
Verwendung des Phonemdaueranfangswertes dαi, der auf diese Weise gewonnen
wird, kann die Phonemdauer di gemäß folgender Gleichung (3a)
bestimmt werden. Angemerkt sei, daß die gewonnene Phonemdauer
di der Beziehung di < θαi genügt θαi (> 0) ein Schwellwert
ist, di wird gemäß Gleichung
(3b) eingesetzt. Der Grund dafür
ist der, daß θαi wiedergegebene
Sprache ist, die unnatürlich
klingt, wenn sie zu kurz ist.
-
-
Genauer
gesagt, die Summe der aktualisierten Anfangswerte von der Phonemdauer
wird subtrahiert von der Spracherzeugungszeit T, und der sich ergebende
Wert wird geteilt durch die Quadratsumme der Standardabweichung σαi der Phonemdauer.
Der resultierende Wert wird als Koeffizient ρ verwendet. Das Produkt des
Koeffizienten ρ mit
dem Quadrat der Standardabweichung σαi wird dem Anfangswert dαi der Phonemdauer
hinzugefügt,
und als Ergebnis wird die Phonemdauer di gewonnen.
-
Die
vorstehende Operation ist nachstehend anhand des Ablaufdiagramms
von 3 beschrieben.
-
Zunächst wird
in Schritt S1 ein phonetischer Text eingegeben durch die Zeichenketteeingabeeinheit 1. In
Schritt S2 werden Steuerdaten (Spracherzeugungsgeschwindigkeit,
Tonhöhe
der Sprache) extern eingegeben, und die Steuerdaten im phonetischen
Text, eingegeben in Schritt S1, werden in die Steuerdatenspeichereinheit 2 gespeichert.
In Schritt 53 wird eine Phonemkette erzeugt von der Phonemkettenerzeugungseinheit 3 auf
der Grundlage des phonetischen Textes, der von der Zeichenketteneingabeeinheit 1 eingegeben
wurde.
-
Als
nächstes
wird in Schritt S4 eine Phonemkette des nächsten Phonemdauereinstellabschnitts
in die Phonemkettenspeichereinheit 4 gespeichert. In Schritt
S5 setzt die Phonemdauereinstelleinheit 5 den Phonemdaueranfangswert
dαi gemäß der Phonemart αi ein (Gleichung
(2)). In Schritt S6 wird die Spracherzeugungszeit T des Phonemdauereinstellabschnitts
auf der Grundlage der Steuerdaten eingestellt, die die Spracherzeugungsgeschwindigkeit
repräsentieren,
gespeichert in der Steuerdatenspeichereinheit 2. Eine Phonemdauer
wird für
jede Phonemkette des Phonemdauereinstellabschnitts unter Verwendung
der oben beschriebenen Gleichungen (3a) und (3b) eingesetzt, so
daß die
Gesamtphonemdauer der Phonemkette im Phonemdauereinstellabschnitt
der Spracherzeugungszeit T vom Phonemdauereinstellabschnitt gleicht.
-
In
Schritt S7 wird synthetisierte Sprache auf der Grundlage der Phonemkette
erzeugt, wobei die Phonemdauer eingestellt wird von der Phonemdauereinstelleinheit 5 und
den Steuerdaten, die die Tonhöhe
der Sprache darstellen, gespeichert in der Steuerdatenspeichereinheit 2.
In Schritt S8 wird bestimmt, ob die eingegebene Zeichenkette der
letzte Phonemdauereinstellabschnitt ist, und wenn es sich nicht
um den letzten Phonemdauereinstellabschnitt handelt, werden die
extern eingegebenen Steuerdaten in die Steuerdatenspeichereinheit 2 in
Schritt S10 gespeichert, und dann kehrt der Prozeß zu Schritt
S4 zurück,
um die Verarbeitung fortzusetzen.
-
Wenn
zwischenzeitlich in Schritt S8 bestimmt ist, daß die eingegebene Zeichenkette
der letzte Phonemdauereinstellabschnitt ist, schreitet der Ablauf
fort zu Schritt S9, um zu bestimmen, ob alle Eingaben abgeschlossen
sind. Sind die Eingaben nicht abgeschlossen, kehrt der Ablauf zu
Schritt S1 zurück,
um die oben beschrieben Verarbeitung zu wiederholen.
-
Der
Prozeß des
Bestimmens der Dauer für
jedes Phonem, ausgeführt
in den Schritten S5 und S6, wird weiterhin in Einzelheiten beschrieben.
-
4 ist
eine Tabelle, die die Konfiguration der Phonemdaten gemäß dem ersten
Ausführungsbeispiel zeigt.
Wie in 4 gezeigt, enthalten die Phonemdaten den Durchschnittswert μ der Phonemdauer,
die Standardabweichung σ,
die den Minimalwert dmin und den Schwellwert θ in Hinsicht auf jedes Phonem
(a, e, i, o, u, ...) des Satzes von Phonemen Ω.
-
5 ist
ein Ablaufdiagramm, das den Prozeß des Bestimmens einer Phonemdauer
gemäß dem ersten
Ausführungsbeispiel
zeigt, wobei der detaillierte Prozeß der Schritte S5 und S6 in 3 dargestellt
ist.
-
Die
Anzahl von Komponenten i in der Phonemkette (gewonnen in Schritt
S4 in 3) und jede der Komponenten α1 bis αI, gewonnen in Hinsicht auf
den Ausatmungsabschnittsgegenstand zur Verarbeitung werden als erstes
in Schritt S101 bestimmt. Wenn beispielsweise die Phonemkette "o, X, s, e, i" enthält, werden α1 bis α5 in der
in 6 gezeigten Weise bestimmt, und die Anzahl der
Komponenten I beträgt
5. In Schritt S102 wird die Variable i auf 1 initialisiert, und
der Prozeß schreitet
fort zu Schritt S103.
-
In
Schritt S103 werden der Durchschnittswert μ, die Standardabweichung σ und der
Minimalwert dmin für
das Phonem αi
auf der Grundlage der Phonemdaten gewonnen, die in 4 gezeigt
sind. Unter Verwendung der gewonnenen Daten wird der Phonemdaueranfangswert
dαi aus
der obigen Gleichung (2) bestimmt. Das Errechnen des Phonemdaueranfangswertes
dαi in Schritt
S103 wird für
alle Phonemketten Gegenstände ausgeführt zur
Verarbeitung. Genauer gesagt, die variable i wird in Schritt S104
inkrementiert, und Schritt S103 wird so oft wiederholt, wie die
Variable i kleiner als i in Schritt S105 ist.
-
Die
vorstehenden Schritte S101 bis S105 entsprechen dem Schritt S5 in 3.
In der oben beschrieben Weise wird der Phonemdaueranfangswert für alle Phonemketten
in Hinsicht auf den Ausatmungsabschnitt bestimmt, der Gegenstand
der Verarbeitung ist, und die Verarbeitung schreitet fort zu Schritt
S106.
-
In
Schritt S106 wird die Variable i auf 1 initialisiert. In Schritt
S107 wird die Phonemdauer di für
das Phonem αi
so bestimmt, daß es
mit der Spracherzeugungszeit T des Ausatmungsabschnitts übereinstimmt, auf
der Grundlage des Phonemdaueranfangswertes für alle Phoneme im Ausatmungsabschnitt,
der im vorherigen Prozeß gewonnen
wurde, und der Standardabweichung des Phonems αi (das heißt, bestimmt gemäß Gleichung
(3a)). Wenn die in Schritt S107 gewonnene Phonemdauer kleiner ist
als ein Schwellwert θαi, eingestellt
für das
Phonem αi,
wird der Schwellwert θα1 auf di
gesetzt (Schritte S108 und S109).
-
Das
Errechnend er Phonemdauer di in den Schritten S107 bis S109 erfolgt
für alle
Phonemketten, die Gegenstand der Verarbeitung sind. Genauer gesagt,
die Variable i wird in Schritt S110 inkrementiert, und die Schritte
S107 bis S109 werden so lange wiederholt, wie die Variable i kleiner
als i in Schritt S111 ist.
-
Die
vorstehenden Schritte S106 bis S111 entsprechen Schritt S106 in 3.
In der zuvor beschriebenen Weise wird die Phonemdauer aller Phonemketten
zum Erzielen der Erzeugungszeit T in Hinsicht auf den Ausatmungsabschnitt
gewonnen, der Gegenstand der Verarbeitung ist.
-
Gleichung
(2) dient dem Verhindern, daß der
Phonemdaueranfangswert auf einen unrealistischen Weg gesetzt wird,
oder einen Wert mit geringer Auftrittswahrscheinlichkeit. Es wird
angenommen, daß eine Wahrscheinlichkeitsdichte
der Phonemdauer Normalverteilung hat, die Wahrscheinlichkeit, daß der Anfangswert
in den Bereich des Durchschnittswertes zu einem Wert ± dem Dreifachen
der Standartabweichung fällt, beträgt 0,996.
Um des weiteren die Phonemdauer nicht auf einen zu kleinen Wert
zu setzen, wird der Wert nicht kleiner als der Minimalwert einer
Abtastgruppe natürlicher
Spracherzeugung gesetzt.
-
Gleichung
(3a) wird als Ergebnis des Ausführens
maximaler Wahrscheinlichkeitsschätzung
gewonnen, unter der Bedingung von Gleichung (1c), wobei angenommen
wird, daß die
Normalverteilung den Phonemdaueranfangswert hat, der in Gleichung
(2) als Durchschnittswert eingestellt wurde und die Wahrscheinlichkeitsdichte
Funktion für
jede Phonemdauer ist. Die maximale Wahrscheinlichkeitsschätzung ist
nachstehend beschrieben.
-
Es
wird angenommen, daß die
Standardabweichung einer Phonemdauer vom Phonem αi gleich σαi ist. Ebenfalls angenommen
wird, daß die
Wahrscheinlichkeitsdichteverteilung der Phonemdauer eine Normalverteilung
hat (Gleichung (4a)). Unter dieser Bedingung wird die logarithmische
Wahrscheinlichkeit der Phonemdauer als Gleichung (4b) ausgedrückt. Das
Erzielen der größten logarithmischen
Wahrscheinlichkeit ist hier equivalent dem Gewinnen des kleinsten
Wertes K in Gleichung (4c). Die Phonemdauer di, die der obigen Gleichung
(1c) genügt,
wird so bestimmt, daß die
logarithmische Wahrscheinlichkeit der Phonemdauer am größten ist.
wobei
P
αi(d
i) die Wahrscheinlichkeitsdichte Funktion
der Dauer des Phonems αi
ist und
L(d
i) die Wahrscheinlichkeit
der Phonemdauer ist.
-
Wenn
hier die variable Umsetzung wie in Gleichung (5a) erfolgt, werden
die Gleichungen (4c) und (1c) durch die Gleichungen (5b) beziehungsweise
(5c) ausgedrückt.
Wenn eine Sphere (Gleichung (5b)) in Kontakt mit einer Ebene (Gleichung
(5c)) kommt, das heißt,
der Fall der Gleichung (5d) hat der Wert K seinen kleinsten Wert.
Im Ergebnis wird Gleichung (3a) gewonnen.
-
-
Betrachtet
man die Gleichungen (2), (3a) und (3b) mit der Verwendung der statistischen
Werte (Durchschnittwert, Standardabweichung, Minimalwert), gewonnen
aus einer Abtastgruppe natürlicher
Spracherzeugung, die Phonemdauer auf den höchstwahrscheinlichen Wert gesetzt
(höchste
Maximalwahrscheinlichkeit), die einer gewünschten Spracherzeugungszeit
entspricht (Gleichung (1c)). Folglich ist es möglich, eine natürliche Phonemdauer
zu erhalten, das heißt,
ein Fehler, der in der Phonemdauer auftritt, ist gering, wenn Sprache erzeugt
wird, die der gewünschten
Spracherzeugungszeit entspricht (Gleichung (1c)).
-
Ausführungsbeispiel
der Erfindung
-
Im
Beispiel wird die Phonemdauer di eines jeden Phonems αi nach einer
Regel bestimmt, ohne daß die
Spracherzeugungsgeschwindigkeit oder die Kategorie des Phonems berücksichtigt
wird. Im Ausführungsbeispiel
wird die Regel für
das Bestimmen der Phonemdauer di gemäß der Spracherzeugungsgeschwindigkeit oder
der Kategorie des Phonems variiert, um eine natürlichere Sprachsynthese zu
realisieren. Angemerkt sei, daß der
Hardwareaufbau und der Funktionsaufbau vom zweiten Ausführungsbeispiel
demjenigen des ersten Ausführungsbeispiels
gleichen (1 und 2).
-
Ein
Phonem αi
wird einer Kategorie zugeordnet, die der Spracherzeugungsgeschwindigkeit
gemäß ist, und
der Durchschnittswert, die Standardabweichung und der Maximalwert
werden gewonnen. Beispielsweise werden die Kategorien der Spracherzeugungsgeschwindigkeit
folgendermaßen
unter Verwendung einer Durchschnittsmoradauer im Ausatmungsabschnitt
ausgedrückt:
1:
geringer als 120 Millisekunden
2: gleich oder größer als
120 Millisekunden und kleiner als 140 Millisekunden
3: gleich
oder größer als
140 Millisekunden und kleiner als 160 Millisekunden
4: gleich
oder größer als
160 Millisekunden und kleiner als 180 Millisekunden
5: gleich
oder größer als
180 Millisekunden.
-
Angemerkt
sei, daß der
numerische Wert, der einer jeden Kategorie zugewiesen ist, ein Kategorieindex
ist, der einer jeden Spracherzeugungsgeschwindigkeit entspricht.
Wenn hier der Kategorieindex gemäß einer
Spracherzeugungsgeschwindigkeit festgelegt ist mit n, sind der Durchschnittswert,
die Standardabweichung und der Minimalwert der Phonemdauer auszudrücken mit μαi(n), σαi(n) beziehungsweise
dαimin(n).
-
Der
Phonemdaueranfangswert des Phonems αi ist festgelegt mit dαi0. In einem
Satz von Phonemen Ωa
wird der Phonemdaueranfangswert dαi0
bestimmt vom Durchschnittswert. In einem Satz von Phonemen Ωr wird der
Phonemdaueranfangswert dαi0
bestimmt durch entweder die multiple Regressionsanalyse, kategorische
multiple Regression (Technik zur Erläuterung einer Prädiktion
eines quantitativen externen Bezugs auf der Grundlage qualitativer
Daten). Phoneme Ω enthalten
keine Elemente, die nicht entweder Ωa oder Ωr enthalten, oder Elemente,
die sowohl Ωa
als auch Ωr
enthalten. Mit anderen Worten, die Sätze von Phonemen entsprechen
den folgenden Gleichungen (6a) und (6b).
-
-
Wenn αi ∈ Ωa ist, das
heißt αi gehört zu Ωa, wird
der Phonemdaueranfangswert durch einen Durchschnittswert bestimmt.
Genauer gesagt, der Kategorieindex n gemäß der Spracherzeugungsgeschwindigkeit wird
gewonnen, und der Phonemdaueranfangswert wird durch folgende Gleichung
(7) bestimmt: dαi0 = μαi(n) (7)
-
Wenn αi ∈ Ωr, das heißt αi gehört zu Ωr, wird
zwischenzeitlich der Phonemdaueranfangswert durch kategorische multiple
Regression bestimmt. Hier wird angenommen, daß der Index der Faktoren j
(1 ≤ j ≤ J) ist, und
der Kategorieindex entsprechend einem jedem Faktor ist k (1 ≤ k ≤ K(j)), wobei
der Koeffizient zur kategorischen multiplen Regression (j, k) entsprechend
aj,k ist.
-
Beispielsweise
können
folgende Faktoren benutzt werden.
1: die Phoneme, zwei Phoneme,
die dem Gegenstandsphonem vorangehen
2: das Phonem, ein Phonem,
dem das Gegenstandsphonem vorangeht
3: Gegenstandsphonem
4:
das Phonem, ein Phonem, das dem Gegenstandsphonem nachfolgt
5:
das Phonem, zwei Phoneme, die dem Gegenstandsphonem folgen
6:
eine Durchschnittsmoradauer in einem Ausatmungsabschnitt
7:
Moraposition in einem Ausatmungsabschnitt
8: Teil der Sprache
des Wortes, das ein Gegenstandsphonem enthält
-
Die
Zeichen, die einem jeden der obigen Faktoren zugeordnet sind, zeigen
einen Index vom Faktor j.
-
Beispiele
von Kategorien, die einem jeden Faktor entsprechen, sind hiernach
bereitgestellt. Kategorien von Phonemen sind:
1: a, 2: 2, 3:
i, 4: 0, 5: u, 6: X, 7: b, 8: d, 9: g, 10: m, 11: n, 12: r, 13:
w, 14: y, 15: z, 16: +, 17: c, 18: f, 19: h, 20: k, 21: p, 22: s,
23: sh, 24: t, 25: ts, 26: Q, 27: Pause. Wenn der Faktor das "Gegenstandsphonem", "Pause" ist, erfolgt eine
Beseitigung. Obwohl der Ausatmungsabschnitt festgelegt ist als Phonemdauereinstellabschnitt
im vorliegenden Ausführungsbeispiel,
wird, da der Ausatmungsabschnitt keine Pause enthält, "Pause" aus dem Gegenstandsphänomen entfernt.
Angemerkt sei, daß der
Ausdruck "Ausatmungsabschnitt" einen Abschnitt zwischen
Pausen festlegt (Start und Ende des Satzes), der keine Pause in
der Mitte enthält.
-
Kategorien
einer Durchschnittsmoradauer in einem Ausatmungsabschnitt enthalten
folgende:
1: kürzer
als 120 Millisekunden
2: gleich oder länger als 120 Millisekunden
und geringer als 140 Millisekunden
3: gleich oder länger als
140 Millisekunden und kürzer
als 160 Millisekunden
4: gleich oder länger als 160 Millisekunden
und kürzer
als 180 Millisekunden
5: gleich oder länger als 180 Millisekunden.
-
Kategorien
einer Moraposition enthalten folgende:
1: erste Mora
2:
zweite Mora
3: dritte Mora ab Beginn und dritte Mora vor Ende
4:
zweite Mora vor Ende
5: Endmora
-
Kategorien
eines Sprachteiles (nach japanischer Grammatik) enthalten folgende:
1:
Substantiv, 2: adverbisches Substantiv, 3: Pronomen, 4: Eigensubstantiv,
5: Zahl, 6: Verb, 7: Adjektiv, 8: adjektivisches Verb, 9: Adverb,
10: Attribut, 11: Konjunktion, 12: Interjektion, 13: Zusatzverb,
14: besonderer Fall, 15: untergeordnetes Teil, 16: Kollaterialteil,
17: Zusatzteil, 18: konjunktivisches Teil, 19: Schließteil, 20:
Präfix, 21:
Suffix, 22: adjektivisches Verbalsuffix, 23: sa-unregelmäßiges Konjugationssuffix,
24: adjektivisches Suffix, 25: verbales Suffix, 26: 26: Punze
-
Angemerkt
sei, daß Faktoren
(auch Punkte genannt) die Art qualitativer Daten aufzeigen, die
bei der Prädiktion
der kategorischen multiplen Regression verwendet werden. Die Kategorien
zeigen mögliche
Auswahlen für
jeden Faktor auf. Folgendes basiert auf den obigen Beispielen.
Indexfaktor
j = 1: das Phonem, zwei Phoneme, die dem Gegenstandsphonem vorangehen
Kategorie
gemäß Index
k = 1: a
Kategorie gemäß Index
k = 2: e
Kategorie gemäß Index
k = 3: i
Kategorie gemäß Index
k = 4: o
...
Kategorie gemäß Index k = 26: Q
Kategorie
gemäß Index
k = 27: Pause
Index vom Faktor j = 2: das Phonem, ein Phonem,
das dem Gegenstandsphonem vorangeht
Kategorie gemäß Index
k = 1: a
Kategorie gemäß Index
k = 2: e
Kategorie gemäß Index
k = 3: i
Kategorie gemäß Index
k = 4: o
...
Kategorie gemäß Index k = 26: Q
Kategorie
gemäß Index
k = 27: Pause
Index vom Faktor j = 3, das Gegenstandsphonem
Kategorie
gemäß Index
k = 1: a
Kategorie gemäß Index
k = 2: e
Kategorie gemäß Index
k = 3: i
Kategorie gemäß Index
k = 4: o
...
Kategorie gemäß Index k = 26: Q
Index
vom Faktor j = 4: das Phonem, ein Phonem, das dem Gegenstandsphonem
folgt
Kategorie gemäß Index
k = 1: a
Kategorie gemäß Index
k = 2: e
Kategorie gemäß Index
k = 3: i
Kategorie gemäß Index
k = 4: o
...
Kategorie gemäß Index k = 26: Q
Kategorie
gemäß Index
k = 27: Pause
Index vom Faktor j = 5: das Phonem, zwei Phoneme,
die dem Gegenstandsphonem folgen
Kategorie gemäß Index
k = 1: a
Kategorie gemäß Index
k = 2: e
Kategorie gemäß Index
k = 3: i
Kategorie gemäß Index
k = 4: o
...
Kategorie gemäß Index k = 26: Q
Kategorie
gemäß Index
k = 27: Pause
Index vom Faktor j = 6: eine Durchschnittsmoradauer
in einem Ausatmungsabschnitt
Kategorie gemäß Index k = 1: kürzer als
120 Millisekunden
Kategorie gemäß Index k = 2: gleich oder
länger
als 120 Millisekunden und kürzer
als 140 Millisekunden
Kategorie gemäß Index k = 3: gleich oder
länger
als 140 Millisekunden und kürzer
als 160 Millisekunden
Kategorie gemäß Index k = 4: gleich oder
länger
als 160 Millisekunden und kürzer
als 180 Millisekunden
Kategorie gemäß Index k = 5: gleich oder
länger
als 180 Millisekunden
Index vom Faktor j = 7: Moraposition
in einem Ausatmungsabschnitt
Kategorie gemäß Index k = 1: erste Mora
Kategorie
gemäß Index
k = 2: zweite Mora
...
Kategorie gemäß Index k = 5: Endmora
Index
vom Faktor j = 8: Teil der Sprache des Wortes, das das Gegenstandsphonem
enthält
Kategorie
gemäß Index
k = 1: Substantiv
Kategorie gemäß Index k = 2: adverbisches
Substantiv
...
Kategorie gemäß Index k = 26: Punze
-
Es
ist einzustellen, daß der
Durchschnittswert des Koeffizienten aj,k für jeden
Faktor gleich 0 ist, das heißt,
der Gleichung (8) muß genügt werden.
Angemerkt sei, daß der
Koeffizient aj,k im externen Speicher 104 gespeichert
ist, wie später
in 7 zu beschreiben.
-
-
Des
weiteren wird eine Blindvariable vom Phonem αi folgendermaßen eingesetzt.
-
-
Eine
der Summe der Produkte vom Koeffizienten und der Blindvariablen
hinzuzufügenden
Konstante ist c0. Ein geschätzter
Wert einer Phonemdauer im Phonem αi
nach der kategorischen multiplen Regression wird ausgedrückt gemäß Gleichung
(10).
-
-
Unter
Verwendung des Schätzwertes
wird der Phonemdaueranfangswert des Phonems αi durch Gleichung (11) bestimmt. dαi0 = d ^αi0 (11)
-
Der
Kategorieindex n gemäß der Spracherzeugungsgeschwindigkeit
wird gewonnen, dann der Durchschnittswert, die Standardabweichung
und der Minimalwert der Phonemdauer in der Kategorie werden darüber hinaus
gewonnen. Mit diesen werten wird der Phonemdaueranfangswert dαi0 durch
folgende Gleichung (12) aktualisiert. Der gewonnene Anfangswert
dαi0 wird
als neuer Phonemdaueranfangswert eingesetzt.
-
-
Ein
Koeffizient rσ der
multipliziert ist mit der Standardabweichung in Gleichung (12) wird
beispielsweise eingesetzt mit rσ =
3. Mit dem Phonemdaueranfangswert, gewonnen in der vorstehenden
Weise, wird die Phonemdauer nach dem Verfahren bestimmt, das demjenigen
des ersten Ausführungsbeispiels
gleicht. Genauer gesagt, die Phonemdauer di wird bestimmt unter
Verwendung folgender Gleichung (13a). Die Phonemdauer di wird bestimmt
nach Gleichung (13b), wenn ein Schwellwert θαi (> 0) der Beziehung di < θαi genügt.
-
-
Die
zuvor beschriebene Operation ist nachstehend anhand des Ablaufdiagramms
von 3 beschrieben. In Schritt S1 wird ein phonetischer
Text über
die Zeichenketteneingabeeinheit 1 eingegeben. In Schritt
S2 werden Steuerdaten (Spracherzeugungsgeschwindigkeit, Tonhöhe der Sprache)
extern eingegeben, und die Steuerdaten im phonetischen Text, eingegeben
in Schritt S1, werden in der Steuerdatenspeichereinheit 2 gespeichert.
In Schritt S3 wird eine Phonemkette von der Phonemkettenerzeugungseinheit 3 auf
der Grundlage des phonetischen Textes erzeugt, den die Zeichenketteneingabeeinheit 1 eingegeben
hat. In Schritt S4 wird eine Phonemkette des nächsten Dauereinstellabschnitts
in der Phonemkettenspeichereinheit 4 gespeichert.
-
In
Schritt S5 stellt die Phonemdauereinstelleinheit 5 den
Phonemdaueranfangswert gemäß der Phonemart
(Kategorie) ein unter Verwendung des oben beschriebenen Verfahrens,
das auf den Steuerdaten basiert, die die Sprachwiedergabegeschwindigkeit
darstellen, die in der Steuerdatenspeichereinheit 2 gespeichert
sind, der Durchschnittswert, die Standardabweichung und der Minimalwert
der Phonemdauer, und der Phonemdauerschätzwert, der durch kategorische
multiple Regression geschätzt
ist.
-
In
Schritt S6 stellt die Phonemdauereinstelleinheit 5 die
Spracherzeugungszeit des Phonemdauereinstellabschnitts auf der Grundlage
der Steuerdaten ein, die die Sprachwiedergabegeschwindigkeit darstellen, gespeichert
in der Steuerdatenspeichereinheit 2. Dann wird die Phonemdauer
für jede
Phonemkette des Phonemdauereinstellabschnitts eingestellt, und zwar
unter Verwendung des zuvor beschriebenen Verfahrens, so daß die gesamte
Phonemdauer der Phonemkette im Phonemdauereinstellabschnitt der
Spracherzeugungszeit vom Phonemdauereinstellabschnitt gleicht.
-
In
Schritt S7 wird synthetisierte Sprache auf der Grundlage der Phonemkette
erzeugt, wobei die Phonemdauer eingestellt wird von der Phonemdauereinstelleinheit 5 und
den Steuerdaten, die die Tonhöhe
der Sprache repräsentieren,
gespeichert in der Steuerdatenspeichereinheit 2. In Schritt
S8 wird bestimmt, ob die eingegebene Zeichenkette der letzte Phonemdauereinstellabschnitt
ist, und wenn es sich nicht um den letzten Phonemdauereinstellabschnitt
handelt, schreitet die Verarbeitung fort zu Schritt S10. In Schritt
S10 werden die Steuerdaten, extern eingegeben, in der Steuerdatenspeichereinheit 2 gespeichert,
und dann kehrt der Prozeß zu
Schritt S4 zurück,
um die Verarbeitung fortzusetzen. Wenn zwischenzeitlich in Schritt
S8 bestimmt ist, daß die
eingegebene Zeichenkette der letzte Phonemdauereinstellabschnitt
ist, schreitet die Verarbeitung fort zu Schritt S9, um zu bestimmen,
ob alle Eingaben abgeschlossen sind. Ist der Abschluß noch nicht
erreicht, kehrt die Verarbeitung zu Schritt S1 zurück, um die
oben beschriebene Verarbeitung zu wiederholen.
-
Der
Prozeß des
Bestimmens der Dauer für
jedes Phonem, der in den Schritten S5 und S6 im zweiten Ausführungsbeispiel
durchgeführt
wird, ist nachstehend in Einzelheiten beschrieben.
-
7 ist
eine Tabelle, die die Datenkonfiguration einer Koeffiziententabelle
zeigt, die den Koeffizienten aj,k für die kategorische
multiple Regression gemäß dem Ausführungsbeispiel
speichert. Wie zuvor beschrieben, enthält der Faktor j des vorliegenden
Ausführungsbeispiels
die Faktoren 1 bis 8. Für
jeden Faktor wird ein Koeffizient aj,k gemäß der Kategorie
registriert.
-
Beispielsweise
gibt es 27 Kategorien (Phonemkategorien) für den Faktor j = 1, und 27
Koeffizienten a1,1 bis a1,27 werden
gespeichert.
-
8 ist
eine Tabelle, die die Datenkonfiguration von Phonemdaten gemäß dem Ausführungsbeispiel zeigt.
Wie in 8 gezeigt, enthalten Phonemdaten ein Kennzeichen,
das aufzeigt, ob ein Phonem zu Ωa
oder Ωr,
zur Blindvariablen δ (j,k)
gehört,
womit aufgezeigt ist, ob ein Phonem einen Wert für die Kategorie k mit dem Faktor
j hat, einen Durchschnittswert μ,
eine Standardabweichung σ,
einen Minimalwert dmin und einen Schwellwert θ der Phonemdauer für jede Kategorie
der Spracherzeugungsgeschwindigkeit in Hinsicht auf jedes Phonem
(a, e, i, o, u, ...) des eingestellten Phonems Ω.
-
Mit
den in den 7 und 8 gezeigten
Daten werden die Schritte S5 und S6 in 3 ausgeführt. Hiernach
ist dieser Prozeß in
Einzelheiten anhand des Ablaufdiagramms der 9A und 9B erläutert.
-
Die
Anzahl von Komponenten I der Phonemkette und einer jeden der Komponenten α1 bis αI, gewonnen
in Hinsicht auf den Ausatmungsabschnittsgegenstand zur Verarbeitung
(gewonnen in Schritt S4 in 3 werden
in Schritt S201 in 9A bestimmt. Wenn beispielsweise
die Phonemkette "o,
X, s, e, e" enthält, werden α1 bis α5 in der
in 6 gezeigten Weise bestimmt, und die Anzahl der
Komponenten I beträgt
5. In Schritt S202 wird eine Kategorie n gemäß der Spracherzeugungsgeschwindigkeit
bestimmt. Im vorliegenden Ausführungsbeispiel
wird die Spracherzeugungszeit T des Ausatmungsabschnitts bestimmt
auf der Grundlage einer Spracherzeugungsgeschwindigkeit, die durch
Steuerdaten dargestellt wird. Die Zeit T wird geteilt durch die
Anzahl von Komponenten I der Phonemkette in einem Ausatmungsabschnitt,
um eine durchschnittliche Moradauer zu gewinnen, und die Kategorie
n wird bestimmt. In Schritt S203 wird die Variable i auf 1 initialisiert,
und der Phonemdaueranfangswert wird in den folgenden Schritten S204
bis S209 gewonnen.
-
In 8 gezeigte
Phonemdaten werden in Schritt S204 als Bezug genommen, um zu bestimmen,
ob das Phonem α1
zu Ωr gehört. Wenn
das Phonem α1
zu Ωr gehört, schreitet
die Verarbeitung fort zu Schritt S205, in dem der Koeffizient aj,k aus der in 7 gezeigten
Koeffiziententabelle gewonnen wird, und die Blindvariable (δi(j,k)) des
Phonems αi
wird aus den in 8 gezeigten Phonemdaten gewonnen.
Dann wird dαi0 errechnet
unter Verwendung der vorgenannten Gleichungen (10) und (11). Wenn
mittlerweile das Phonem αi zu Ωa in Schritt
S204 gehört,
schreitet der Prozeß fort
zu Schritt S206, bei dem ein Durchschnittswert μ des Phonems αi in der
Kategorie n aus der Phonemtabelle gewonnen wird, und dαi0 wird aus
Gleichung (7) gewonnen.
-
Dann
schreitet der Prozeß fort
zu Schritt S207, bei dem der Phonemdaueranfangswert dαi des Phonems αi mit Gleichung
(12) unter Verwendung von μ, σ, dmin des
Phonems αi
in der Kategorie n gewonnen wird, die man aus der Phonemtabelle
entnimmt, und dαi0
wird in Schritt S205 oder in Schritt S206 gewonnen.
-
Die
Errechnung des Phonemdaueranfangswertes dαi0 in den Schritten S204 bis
S207 erfolgt für
alle Phonemketten, die Gegenstand der Verarbeitung sind. Genauer
gesagt, die Variable i wird in Schritt S208 inkrementiert, und die
Schritte S204 bis S207 werden solange wiederholt, wie die Variable
i kleiner als I in Schritt S209 ist.
-
Die
vorstehenden Schritte S201 bis S209 entsprechen dem Schritt S5 in 3.
Auf die zuvor beschriebene Weise wird der Phonemdaueranfangswert
aus den Phonemketten im Ausatmungsabschnitt gewonnen, der Gegenstand
der Verarbeitung ist, und die Verarbeitung schreitet fort zu Schritt
S211.
-
In
Schritt S211 wird die Variable i auf 1 initialisiert. In Schritt
S212 wird die Phonemdauer di für
das Phonem αi
bestimmt, um mit der Spracherzeugungszeit T des Ausatmungsabschnitts übereinzustimmen,
und zwar auf der Grundlage des Phonemdaueranfangswertes für alle Phoneme
im Ausatmungsabschnitt, der gewonnen wurde im vorhergehenden Prozeß und der
Standardabweichung des Phonems αi
in der Kategorie n (das heißt,
bestimmt gemäß Gleichung
(13a)). Ist die Phonemdauer di, die in Schritt S212 gewonnen wurde, kleiner
als der Schwellwert θαi, der für das Phonem αi eingestellt
ist, wird der Schwellwert θαi auf di
gesetzt (Schritte S213, 214 und Gleichung (13b)).
-
Die
Errechnung der Phonemdauer di in den Schritten S212 bis S214 erfolgt
für alle
Phonemketten, die Gegenstand der Verarbeitung sind. Genauer gesagt,
die Variable i wird in Schritt S215 inkrementiert, und die Schritte
S212 bis S214 werden solange wiederholt, wie die Variable i kleiner
als i in Schritt S216 ist.
-
Die
vorigen Schritte S211 bis S216 entsprechen dem Schritt S6 in 3.
In der zuvor beschriebenen Weise wird die Phonemdauer aller Phonemketten
zum Gewinnen der Erzeugungszeit t in Hinsicht auf den Ausatmungsabschnitt
gewonnen, der Gegenstand der Verarbeitung ist.
-
Angemerkt
sei, daß der
Aufbau des obigen Ausführungsbeispiels
lediglich ein Ausführungsbeispiel
der vorliegenden Erfindung darstellt. Somit sind verschiedene Modifikationen
möglich.
Ein Beispiel von Modifikationen enthält folgendes.
- (1) Der Satz an Phonemen Ω ist
lediglich ein Beispiel, womit ein Satz anderer Elemente verwendet
werden kann. Elemente eines Satzes von Phonemen können bestimmt
werden auf der Grundlage der Art der Sprache und der Phoneme. Die
vorliegende Erfindung ist auch anwendbar auf andere Sprachen als
auf japanisch.
- (2) Der Ausatmungsabschnitt ist ein Beispiel des Phonemdauereinstellabschnitts.
Somit können
ein Wort, ein Morphem, ein Satzabschnitt, ein Satz und dergleichen
als Phonemdauereinstellabschnitt eingesetzt werden. Angemerkt sei,
daß wenn
ein Satz als Phonemdauereinstellabschnitt eingesetzt ist, es erforderlich wird,
die Pause zwischen Phonemen zu berücksichtigen.
- (3) Eine Phonemdauer natürlicher
Sprache kann verwendet werden als Anfangswert der Phonemdauer. In alternativer
Weise kann ein durch andere Phonemdauersteuerregeln bestimmter Wert
oder ein Wert verwendet werden, der durch kategorische multiple
Regression bestimmt ist.
- (4) Die Kategorie gemäß der Spracherzeugungsgeschwindigkeit,
die verwendet wird für
den Durchschnittswert der Phonemdauer, ist lediglich ein Beispiel,
und andere Kategorien sind anwendbar.
- (5) Die Faktoren für
die kategorische multiple Regression und die Kategorien sind lediglich
ein Beispiel, so daß andere
Faktoren und Kategorien verwendet werden können.
- (6) Der Koeffizient rn = 3, der mit
der Standardabweichung multipliziert wird, um den Phonemdaueranfangswert
einzustellen, ist ebenfalls lediglich ein Beispiel, womit andere
Werte eingesetzt werden können.
-
Die
Aufgabe der vorliegenden Erfindung kann des weiteren auch gelöst werden
durch Bereitstellen eines Speichermediums, Speichersoftwareprogrammcodes,
die die zuvor beschriebenen Funktionen des vorliegenden Ausführungsbeispiels
erledigen, auf ein Computersystem oder Gerät, Lesen der Programmcodes
vom Computer (beispielsweise CPU oder MPU) vom System oder Gerät aus dem
Speichermedium und dann Ausführen
des Programms.
-
In
diesem Falle realisieren die Programmcodes aus dem Speichermedium
die Funktionen gemäß dem zuvor
beschriebenen Ausführungsbeispiel,
und das Speichermedium speichert die Programmcodes, die die vorliegende
Erfindung bilden.
-
Ein
Speichermedium, beispielsweise eine Diskette, eine Festplatte, eine
optische Platte, eine magnetooptische Platte, ein CD-ROM, CD-R,
ein Magnetband, eine nicht flüchtige
Speicherkarte und ein ROM können
verwendet werden, um die Programmcodes bereitzustellen.
-
Neben
den zuvor beschriebenen Funktionen nach dem obigen Ausführungsbeispiel,
die realisiert werden durch Ausführen
der Programmcodes, die ein Computer liest, enthält die vorliegende Erfindung
des weiteren einen Fall, bei dem ein Betriebssystem oder dergleichen
auf dem Computer arbeitet und einen Teil der gesamten Prozesse gemäß den Bestimmungen
der Programmcodes ausführt
und Funktionen gemäß den obigen
Ausführungsbeispielen
realisiert.
-
Die
vorliegende Erfindung umfaßt
des weiteren einen Fall, bei dem nach Auslesen der Programmcodes
aus dem Speichermedium ein Einschreiben in eine Funktionserweiterungskarte
erfolgt, die in den Computer eingesteckt wird, oder ein Speicher
ist in einer Funktionserweiterung vorgesehen, die mit dem Computer verbunden
ist, eine CPU oder dergleichen, die in der Funktionserweiterungskarte
enthalten ist, oder eine Einheit führt einen Teil des gesamten
Prozesses gemäß den Bestimmen
der Programmcodes aus und realisiert Funktionen des obigen Ausführungsbeispiels.
-
Des
weiteren können
die Programmcodes in elektronischer Form gewonnen werden, beispielsweise durch
Herunterladen des Codes über
ein Netzwerk, wie über
das Internet. Gemäß einem
anderen Aspekt der vorliegenden Erfindung ist ein elektrischer Signalträgerprozessor
vorgesehen, der Befehle zum Steuern eines Prozessors realisiert,
um das zuvor beschriebene Verfahren auszuführen.
-
Wie
zuvor im Zusammenhang mit der vorliegenden Erfindung beschrieben,
kann die Phonemdauer einer Phonemkette so eingestellt werden, daß eine spezifizierte
Spracherzeugungszeit erreicht wird. Somit ist es möglich, eine
natürliche
Phonemdauer zu erzielen, ungeachtet der Länge der Spracherzeugungszeit.
-
Wie
viele weitestgehend unterschiedliche Ausführungsbeispiele der vorliegenden
Erfindung ohne Abweichen vom Umfang derselben möglich sind, versteht es sich,
daß die
Erfindung nicht auf die spezifischen Ausführungsbeispiele beschränkt ist,
mit Ausnahme auf die anliegenden Patentansprüche.
