JP2000003189A - 音声データ編集装置及び音声データベース - Google Patents

Abstract

(57)【要約】 【課題】非定型文のみ合成音声を用いることにより、録
音時の声質でメッセージが作成でき、且つメッセージ全
体の韻律が良好に保持されるようにする。 【解決手段】特定話者の録音データから得られる定型文
の音声データ及び音素毎の音素波形データを記憶する音
声データベース３と、定型文を選択する定型文選択手段
及び合成文を入力する合成文入力手段と、入力された合
成文に対応する音声データを音素波形データに基づいて
合成するとともに、選択された定型文に対応する音声デ
ータを音声データベース３から読み出してこれらを結合
して新たな音声データを作成する音声データ編集部４と
を備える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声による自動応
答装置のメッセージ編集やメッセージ自動生成に適用で
きる音声データ編集装置及び音声データベースに関す
る。

【０００２】

【従来の技術】従来の音声自動応答装置として、例え
ば、あらかじめ録音したメッセージによる応答を行うも
のがある。また、近年では、音声メールなどのように、
テキスト文を合成音声で読み上げるものもある。前者の
装置は、相手の音声を認識し、認識した内容に対応する
応答メッセージを、あらかじめ磁気記録装置や半導体記
録装置に録音したメッセージ内から自動選択し、これを
そのまま使用して応答する。また、後者の装置は、フォ
ルマント合成法や、ケプストラム合成法などの規則合成
法によって、音素データを合成しつつそれらを結合して
出力する。

【０００３】

【発明が解決しようとする課題】しかしながら、応答メ
ッセージをすべて録音内容から作成する方法では、メッ
セージ内容を部分的に変更する場合に、メッセージ全体
の声質を一定のものにするために変更箇所のみならずす
べての応答メッセージを再録音する必要がある。このよ
うにしなければならない理由は、人の音声は年月の経過
にともなって変化するため、変更箇所のみメッセージを
変えると、全体の声質が不均質となって不自然になるか
らである。また、テキスト文を合成音声で出力する装置
では、音声が規則合成法によって作成されるために、韻
律は適切に制御できるが声質が電子音で不自然であると
いう問題があり、特に、電話等を介した場合には聞き取
りにくくなるという問題がある。

【０００４】さらに、録音データから音素波形データを
抽出して記憶しておき、応答メッセージに対応する全て
の音素波形データをつなぎ合わせることによって音声デ
ータを合成する方法が、例えば特開平１０−４９１９３
号公報に提案されているが、この方法は、録音時の声質
を保持することができるが、メッセージ文のすべてを音
素波形データの合成により作成するために、メッセージ
文が長くなると韻律が不自然になるという問題点があ
る。

【０００５】本発明の目的は、メッセージ文中の非定型
文のみ合成音声を用いることにより、録音時の声質でメ
ッセージが作成でき、且つメッセージ全体の韻律が良好
に保持される音声データ編集装置及び音声データベース
を提供することにある。

【０００６】

【課題を解決するための手段】請求項１の発明は、特定
話者の録音データから得られる所定の定型文の音声デー
タ及び音素毎の音素波形データを記憶する音声データベ
ースと、定型文を選択する定型文選択手段と、定型文と
組み合わされる音声合成すべき文字列を合成文として入
力する合成文入力手段と、入力された合成文に対応する
音声データを音素波形データに基づいて合成するととも
に、選択された定型文に対応する音声データを音声デー
タベースから読み出してこれらを結合して新たな音声デ
ータを作成する音声データ編集手段と、を備えてなるこ
とを特徴とする。

【０００７】この装置では、あらかじめ特性話者の録音
データを用意し、ここから定型文の音声データを抽出し
てそのまま音声データベースに記憶する。また、音素毎
のセグメント及び韻律特徴パラメータを含む音素波形デ
ータを抽出し、これを音声データベースに記憶する。こ
のようにして準備した音声データベースを用い、選択さ
れた定型文についてはそれに対応する音声データを音声
データベースから読み出し、入力された合成文について
は、それに対応する音素波形データを音声データベース
から抽出して該合成文の音声データを作成し、この合成
文の音声データと定型文の音声データとを結合して新た
な音声データを作成する。

【０００８】このような方法により、メッセージ全体の
声質が録音時のそれと同一となり、また、部分的にのみ
合成音声を用いるためにメッセージ全体の韻律が良好に
保持される。

【０００９】請求項２の発明は、新たな音声データを新
たな定型文の音声データとして音声データベースに登録
する手段を設けたものである。これにより、最初の録音
時に、多数の定型文をすべて録音しておかなくても、後
に、声質が同じで韻律も良好に保持される定型文を多数
作成することが可能である。

【００１０】請求項３の発明は、上記請求項１の発明
に、入力音声を認識する音声認識手段と、認識した音声
に対応する応答文を定型文と合成文に分割する分割手段
を設けたものである。これによると、電話等で入力され
た音声に対し、自動的に定型文と合成文とを結合した応
答メッセージを作成して出力することができる。

【００１１】請求項４及び請求項５の発明は、定型文と
合成文の前後関係の結合に工夫を施すことによって、文
全体の発音を滑らかにするようにしたものである。すな
わち、請求項４の発明では、定型文の後ろに合成文を結
合する場合には、定型文の最後を句読点で終了させる。
また、合成文の後ろに定型文を結合する場合には、定型
文の始めに「で」などの助詞を配置する。このようにす
ると、結合文の音声を滑らかにできるようになる。

【００１２】請求項６の発明は、定型文の選択と合成文
の入力を、画面上で可能にするインターフェイスを設け
たものである。例えば、定型文については画面上のポッ
プアップリストから選択可能にし、合成文については空
白ボックスにキーボードから自由に文字を入力できるよ
うにしたインターフェイスが考えられる。

【００１３】請求項７の発明は、上記の音声データの編
集及び出力が可能な音声データベースの発明である。す
なわち、特定話者の録音データから抽出された所定の定
型文の音声データを記憶する領域と、定型文の音声デー
タに対応して該音声データを表す文字データを記憶する
領域と、特定話者の録音データから抽出された音素毎の
音素波形データを記憶し、外部から指定された文字列に
対応する音素波形データ群を出力可能にした領域と、を
セットとして、特定話者毎に該セットを記憶するように
したものである。このような音声データベースを、例え
ば、音声自動応答装置に組み込むことにより、録音時の
声質で、且つ全体の韻律が良好なメッセージを容易に作
成することが可能になる。

【００１４】

【発明の実施の形態】図１は、本発明の実施形態である
音声データ編集装置の概略ブロック図を示している。

【００１５】特定話者の音声は録音装置２に入力され、
ここで、所定の定型文の音声データと音素波形データに
分離される。音素波形データは、音素毎のセグメント及
び韻律特徴パラメータを含んでいる。韻律特徴パラメー
タは、ｐｉｔｃｈ，ｐｏｗｅｒ，ｄｕｒａｔｉｏｎを表
すデータである。セグメントデータは、録音データを最
小単位の音素に切り分けたときの各データを表してい
る。これらの定型文音声データと音素波形データを分離
した後、さらに定型文音声データに対応する定型文文字
データを用意し、これらのデータをセットとして、特定
話者毎に記憶した音声データベース３を作成する。

【００１６】以上のようにして音声データベース３を作
成した後は、モニタ上のインターフェイス画面におい
て、定型文選択と合成文入力を行う。定型文選択は、図
示するようなポップアップリストから任意の定型文を選
択することで可能であり、合成文入力は入力ブロックに
任意の文字を入力することで簡単にできる。なお、音声
データ編集部４に対しては、これらの文字データのほか
にさらに特定話者の識別データも入力される。

【００１７】音声データ編集部４は、上記入力されたデ
ータに基づいて音声データベース３を検索する。すなわ
ち、特定話者に対応するセットのデータを呼び出し、そ
の中から選択された定型文に対応する定型文音声データ
を読み出し、また、入力された合成文に対応する音声デ
ータを音素波形データに基づいて合成する。さらに、こ
の合成した合成文対応の音声データと、選択された定型
文対応の音声データとを結合して音声出力部５に出力す
る。

【００１８】例えば、定型文選択において「ありがとう
ございます。」を選択し、合成文入力で「オムロン」を
入力すると、「ありがとうございます。」に対応する定
型文の音声データが読み出されるとともに、その後ろに
「オムロン」に対応して合成された音声データが結合さ
れ、さらにその後ろに「でございます。」の定型文に対
応する音声データが結合されて出力される。なお、この
例に示すように、「ありがとうございます。」の定型文
の後ろに「オムロン」を合成する時、該定型文の最後を
読点「。」で終了させているから、この読点の位置に非
常に短い間隔が生じるようになり、自然に聞こえるよう
になる。また、合成文「オムロン」の後ろに「で」の助
詞で始まる定型文「でございます。」を結合しているた
めに、この部分においても音声の結合が滑らかになり、
より自然に聞こえるようになる。図２は、音声データベ
ース３の具体的な構造を示している。

【００１９】同図のように、話者名毎に、定型文の文字
データ、定型文の音声データ、合成用の音素波形データ
を記憶している。合成用の音素波形データの領域には、
アルファベット文字毎の音素波形データが記憶される。
すなわち、アルファベット文字毎に、ｐｈｏｎｅｍｅ，
ｐｒｅ，ｐｒｏ，ｓｔａｒｄ，ｄｕｒａｔｉｏｎ，ｐｉ
ｔｃｈ，ｐｏｗｅｒ，ｆｉｌｅｎａｍｅからなる音素波
形データがこの領域に記憶される。ｐｈｏｎｅｍｅは、
音素データのセグメントを表す。ｐｒｅ、ｐｒｏは、ｐ
ｈｏｎｅｍｅの直前と直後のアルファベットの波形デー
タ、ｓｔａｒｔ，ｄｕｒａｔｉｏｎはセグメントの開始
位置と継続時間を表すデータであり、ｐｉｔｃｈ，ｐｏ
ｗｅｒは、それぞれピッチとバワーを表す韻律特徴パラ
メータである。また、ｆｉｌｅｎａｍｅは音素データの
セグメントｐｈｏｎｅｍｅを含む音声波形データのファ
イルネームである。この実施形態では、セグメントとｐ
ｉｔｃｈ，ｐｏｗｅｒ，ｄｕｒａｔｉｏｎからなる韻律
特徴パラメータのほかに、ｐｒｅ，ｐｒｏの直前及び直
後のアルファベット波形データと、ｓｔａｒｔ，ｄｕｒ
ａｔｉｏｎなどの属性データを含んでいる。なお、ｄｕ
ｒａｔｉｏｎは韻律特徴パラメータであるとともに属性
データでもある。

【００２０】各データは、話者名毎に記憶されているた
めに、話者が異なれば同じ文字データに対応する音声デ
ータは当然声質の異なったものとなり、同様に、アルフ
ァベット文字毎の音素波形データも異なっている。

【００２１】図３は、新たな音声データを編集するため
の音声データ編集画面を示している。

【００２２】同図の、一番左側の定型文の選択ボックス
では、カーソルを合わせてマウスをクリックした時にポ
ップアップリストが表示され、このリストの中から任意
の定型文を選択できる。中央の合成文の入力ボックスに
は、キーボードによって任意の文字を入力することがで
きる。一番右側の定型文２のボックスには「でございま
す。」の固定された定型文があらかじめ入力されてい
る。定型文を選択し、合成文を入力して、左上の「発
話」ボタンを押すと、新たな音声データが作成されて発
音される。なお、合成文は、図４に示すようにアルファ
ベット文字毎に並べられ、各アルファベット文字毎の音
素波形データが抽出して合成される。音声データ編集部
４では、この合成した音声データと定型文対応の音声デ
ータとを結合して新たな音声データを作成する。

【００２３】以上のようにして作成した新たな音声デー
タは、それ自体新たな定型文として音声データベース３
に登録することも可能である。図５は新たに定型文とし
て登録された登録ファイルを示している。この登録ファ
イルの各定型文の識別は、一番左側の欄の文番号によっ
て行う。また、図２に示すようなファイル構造と異な
り、音素波形データの記憶領域がない。もちろん、各定
型文の話者は特定の話者であるからその話者に対応する
音素波形データを同時に記憶するか、または図２に示す
ファイルにリンクさせるようにすることも可能である。

【００２４】このように、新たな音声データを、それ自
体新たな定型文として登録出来るようにすると、最初か
ら全ての定型文を録音してデータベースに記憶しておく
必要がない。後に、必要となったときに、当該定型文を
作成して登録することが可能である。

【００２５】次に、図１に示す装置を適用した音声自動
応答装置について説明する。

【００２６】図６は、音声自動応答装置のブロック図、
図７は、同装置の処理フローを示す。

【００２７】回答誘導型発話部１０は、挨拶や要件伺い
の誘導メッセージを発話する（ＳＴ１）。この時の発話
メッセージは、定型のものであってよい。すなわち、録
音した音声データをそのまま再生するだけでよい。な
お、発話内容は知識１１に記憶されている回答誘導のた
めの発話知識が利用される。図８は、回答誘導のための
知識の一例を示す。例えば、発話目的が挨拶、すなわち
最初の発話の時には、発話内容は「お電話ありがとうご
ざいます。」となる。この時の期待回答は特にない。ま
た、発話目的が顧客情報すなわち名前の場合には、発話
内容は「最初にお名前をお願いします。」となり、その
ときの期待回答は氏名である。発話に対し相手方から音
声が音声入力部１２に入力される。音声認識部１３は、
知識１１を利用して、音声入力部１２に入力された音声
の認識を行う（ＳＴ２）。すなわち、要件内容の認識を
行う。例えば、最初の発話内容が「最初にお名前をお願
いします。」の場合は、期待回答は氏名であるから、要
件内容は氏名となる。音声認識部１３で氏名を認識する
と、知識１１を用いて、定型文と合成文に分割された応
答メッセージを得る。今、要件内容が氏名であることを
認識すると、応答メッセージは、「お名前は、」の定型
文部分と、「氏名＋様」の合成部分と、「ですね。」の
定型文部分となる。音声認識部１３は、知識１１からこ
の定型文部分と合成文部分の応答文を受けると、これを
定型文と合成文に分割し（ＳＴ４）、それぞれを音声デ
ータ編集装置１４に入力する。音声データ編集装置１４
では、先に説明した手順により、定型文の音声データを
読み出すとともに、合成文の音声データを作成し（ＳＴ
５）、これらの音声データを結合し（ＳＴ６）、応答メ
ッセージ出力部１５に入力する（ＳＴ７）。

【００２８】このような処理により、回答誘導発話部１
０による発話と、音声認識部１３に音声認識及び定型
文、合成文の分割と、音声データ編集装置１４による応
答メッセージの作成を順次繰り返していくことができ、
自動的に応答メッセージが作成されていく。

【００２９】図１０は上記音声自動応答装置を、商品購
入システムに応用した場合の処理フローを示している。

【００３０】ＳＴ１０において、名前及び電話番号を含
む顧客情報が取得できれば、ＳＴ１１で顧客リストを検
索し、新規である時にはカード番号、郵便番号、住所等
の追加情報をさらに取得し（ＳＴ１２）、顧客データが
すでに存在する場合には顧客の確認を行い（ＳＴ１
３）、顧客受付処理を終了する。顧客受付処理を終了す
ると、購入商品と個数を受付（ＳＴ１４）、商品名の確
認のための音声処理を行い（ＳＴ１５）、ＯＫの場合に
は他の商品の有無の確認を行い（ＳＴ１６）、なければ
受付の終了を行って、商品発送案内を行う（ＳＴ１
７）。

【００３１】以上の処理で、各情報の取得や、確認の処
理には図６の音声自動応答装置による処理が行われる。

【００３２】上記の音声自動応答装置は、商品購入シス
テムのほか、番号案内システム、緊急情報受付システ
ム、その他、音声による対話によって少なくとも１つ以
上の情報の確実な取得や提供を行う多種多様のシステム
に適用することができる。

【００３３】

【発明の効果】請求項１の発明によれば、新たに作成さ
れる音声データは、定型文、合成文すべてが録音時の声
質で作成され、また、合成部の音声データのみが音声合
成によって作成されるために、新たな音声データはその
全体の韻律が良好に保持され、全体として極めて自然な
音声データになるという利点がある。

【００３４】請求項２の発明によれば、定型文が多数あ
る場合、最初の録音時にすべての定型文を録音しなくて
も、後に定型文を作成して登録できるから、録音の負担
が少なくなるとともに、多くの定型文を自由に作成でき
る利点がある。

【００３５】請求項３の発明によれば、電話等を介して
入力された音声に対し、声質が一定で、且つ韻律が全体
に良好に保持された応答メッセージを音声データとして
出力することができる。

【００３６】請求項４、５の発明によれば、新たな音声
データにおける定型文と合成文の音声データの結合が滑
らかになる利点がある。

【００３７】請求項６の発明によれば、定型文の選択と
合成文の入力が簡単になる利点がある。

【図面の簡単な説明】

【図１】この発明の実施形態である音声データ編集装置
のブロック図

【図２】音声データベースの構造を示す図

【図３】新たな音声データの編集画面を示す図

【図４】アルファベット文字毎の音素波形データを示す
図

【図５】新たな定型文登録ファイルを示す図

【図６】音声自動応答装置のブロック図

【図７】音声自動応答装置の処理フロー

【図８】回答誘導のための発話知識を示す図

【図９】応答メッセージ検索のための知識を示す図

【図１０】商品購入システムの処理フロー

フロントページの続き (72)発明者 石田 勉 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内 Ｆターム(参考） 5B075 ND14 ND20 ND23 NK46 PP02 PP12 PP13 PP30 PQ02 PQ04 PR03 UU24 UU40 5D045 AB24

Claims (7)

【特許請求の範囲】
1. 【請求項１】 特定話者の録音データから得られる所定
   の定型文の音声データ及び音素毎の音素波形データを記
   憶する音声データベースと、 定型文を選択する定型文選択手段と、 定型文と組み合わされる音声合成すべき文字列を合成文
   として入力する合成文入力手段と、 入力された合成文に対応する音声データを音声データベ
   ースに記憶されている音素波形データに基づいて合成す
   るとともに、選択された定型文に対応する音声データを
   音声データベースから読み出してこれらを結合して新た
   な音声データを作成する音声データ編集手段と、 を備えてなる音声データ編集装置。
2. 【請求項２】 前記新たな音声データを新たな定型文の
   音声データとして前記音声データベースに登録する手段
   を備えてなる、請求項１記載の音声データ編集装置。
3. 【請求項３】 特定話者の録音データから得られる所定
   の定型文の音声データ及び音素毎の音素波形データを記
   憶する音声データベースと、 音声が入力される音声入力部と、 入力された音声を認識する音声認識手段と、 認識した音声に対応する応答文を前記定型文とそれ以外
   の合成文に分割して得る分割手段と、 分割して得られた合成文に対応する音声データを音声デ
   ータベースに記憶されている音素波形データに基づいて
   合成するとともに、分割して得られた定型文に対応する
   音声データを音声データベースから読み出してこれらを
   結合して新たな音声データを作成する音声データ編集手
   段と、 を備えてなる音声データ編集装置。
4. 【請求項４】 前記音声データ編集手段は、定型文の後
   ろに合成文を結合する場合は、定型文の最後を句読点で
   終了させることを特徴とする、請求項１〜３のいずれか
   に記載の音声データ編集装置。
5. 【請求項５】 前記音声データ編集手段は、合成文の後
   ろに定型文を結合する場合は、定型文の始めに助詞を配
   置することを特徴とする、請求項１〜３のいずれかに記
   載の音声データ編集装置。
6. 【請求項６】 定型文選択手段と合成文入力手段は、画
   面上で選択及び入力可能なインターフェイスを持つこと
   を特徴とする、請求項１〜５のいずれかに記載の音声デ
   ータ編集装置。
7. 【請求項７】 特定話者の録音データから抽出された所
   定の定型文の音声データを記憶する領域と、 定型文の音声データに対応して該音声データを表す文字
   データを記憶する領域と、 特定話者の録音データから抽出された音素毎の音素波形
   データを記憶し、外部から指定された文字列に対応する
   音素波形データ群を出力可能にした領域と、 をセットとして、特定話者毎に該セットを記憶するよう
   にした音声データベース。