JP2000276186A - 音声処理装置、音声処理方法、および該方法を記録した記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 簡単な方法で違和感のない１つのナレーショ
ンを生成することを可能とした音声処理装置、音声処理
方法、および該音声処理方法を記録した記録媒体を提供
すること。 【解決手段】 結合する２つの音声を音声ファイル装置
１０３から取り出してその音調レベルを求め（入力情報
制御部１０２）、求めた２つの音声の音調レベルを表示
し（表示装置１０４，表示情報制御部１０５）、表示さ
れた２つの音声の音調レベルのうち少なくとも一方の音
調レベルを制御して両方の音調を揃える（イコライズ処
理部１０６）。そのときの音調レベルに基づいて２つの
音声を結合し（音声結合処理部１０７）、結合した音声
を格納する（音声格納処理部１０８，音声ファイル装置
１０３）。音調が揃っているか否かは音声再生により判
断する（音声再生装置１０９）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音調の異なる二つ
のナレーションを一つのナレーションとして結合する際
の音声処理技術に係り、特に、二つのナレーションそれ
ぞれの音調レベルを表示装置の画面に表示し、両者を比
較しながら、音調に関する適切な情報を入力してイコラ
イズ処理を行うことにより、二つのナレーションをスム
ーズに結合するための音声処理装置、音声処理方法、お
よび該方法を記録した記録媒体に関する。

【０００２】

【従来の技術】従来、音声の速度を制御する音声処理方
法としては、処理対象の音声と希望する出力音声との時
間長の比によって、圧縮・伸長処理を行う方法があっ
た。この種の従来技術としては、「音声発声速度制御方
法」（NTTデータ通信(株)、特開平05-241598号公報）に
よる技術が知られている。この従来技術は、音声を希望
する時間長に変更する際、音声を１ピッチ単位に切り出
し、圧縮・伸長処理を行い、スムーズに各音声をつなぐ
ことにより、品質の低下を防ぐことを目的とした音声処
理方法である。

【０００３】

【発明が解決しようとする課題】従来、音調の異なる複
数のナレーションを結合して１つのナレーションを生成
する場合、ナレーションの音調を変更して両者のバラン
スを合わせた後、それぞれを結合するようにしている。
その場合、音調を変更する度合いは、実際に聞いた感覚
で判断して決定するしかなく、操作者の主観（感覚）に
大きく依存していた。そのため、両者のナレーションの
音調をどの程度変更して結合するかが問題となる。

【０００４】上記従来技術は、処理対象となる音声を同
一環境下で記録する場合はあまり問題にならないが、異
なる環境下、例えば、異なる時間や異なる日に、あるい
は異なる場所で記録された複数のナレーションの結合を
行う場合には、ファイル（ナレーション）ごとに音調が
大幅に異なる可能性があるので、適切な音調の変更を行
い違和感のない１つのナレーションを生成することは困
難である。本発明の目的は、従来の技術における上述の
如き問題を解消し、簡単な方法で違和感のない１つのナ
レーションを生成することを可能とした音声処理装置、
音声処理方法、および該音声処理方法を記録した記録媒
体を提供することにある。

【０００５】

【課題を解決するための手段】本発明は、上記目的を達
成するために、複数のナレーションの結合を、音調レベ
ルを画面で確認しながらの対話処理（画面を見ながらの
音調の変更と実際の耳での確認の繰り返し）によって行
うようにしたことを特徴とものである。具体的には、本
発明の音声処理装置は、２つの音声を音調を変更して結
合する音声処理装置において、結合する２つの音声の音
調レベルを求める手段と、求めた２つの音声の音調レベ
ルを表示する手段と、表示された２つの音声の音調レベ
ルのうち少なくとも一方の音調レベルを制御する手段
と、制御された音調レベルに基づいて２つの音声を結合
する手段と、結合した音声を格納する手段とを有するこ
とを特徴としている。

【０００６】また、本発明の音声処理方法は、２つの音
声を音調を変更して結合する音声処理方法において、結
合する２つの音声に対して複数のバンド域の音調レベル
を求めるステップと、求めた２つの音声の音調レベルを
表示するステップと、表示された２つの音声の音調レベ
ルのうち少なくとも一方の音調レベルを制御する音調レ
ベル制御ステップと、制御された音調レベルに基づいて
２つの音声を結合するステップと、結合した音声を音声
ファイル装置に格納するステップとを有することを特徴
としている。

【０００７】さらに、本発明の記録媒体は、２つの音声
を音調を変更して結合する音声処理方法を記録した記録
媒体であって、結合する２つの音声に対して複数のバン
ド域の音調レベルを求める処理と、求めた２つの音声の
音調レベルを表示する処理と、表示された２つの音声の
音調レベルのうち少なくとも一方の音調レベルを制御す
る音調レベル制御処理と、制御された音調レベルに基づ
いて２つの音声を結合する処理と、結合した音声を音声
ファイル装置に格納する処理をプログラムコード化して
記録したコンピュータで読み取り可能な記録媒体である
ことを特徴としている。

【０００８】上記構成によれば、音調の制御を、バンド
域ごとに対話処理によって行うことによって、必要なバ
ンド域のみ変更を行うことを可能とし、作業時間の短縮
とともに、音声品質を維持することが可能となる。ま
た、ナレーターの経験や体調、環境の変化などによる、
音調にばらつきがあるナレーションを１つの自然なナレ
ーションとして生成することが可能となるという効果が
得られる。

【０００９】

【発明の実施の形態】＜概要＞従来のように、処理対象
の音声と出力音声との時間長の比によって圧縮・伸張処
理を行って音声の制御を行う場合、圧縮・伸張処理の度
合いは実際に耳で聞いた感覚で判断しなければならず、
客観的でないばかりか正確さも保証されない。そこで、
本発明では、音調の制御を、対話処理（画面を見ながら
の音調変更入力と実際の音の確認との繰り返し）により
行い、簡単な操作で音調のバランスがスムーズなナレー
ションを作成することを可能にしている。このように、
音調の制御を、画面を見ながら対話処理により行うこと
で、作業時間の短縮が可能であり、また、ナレータの経
験や体調・環境の変化などによる音調のばらつきをなく
し、複数のナレーションを結合して１つの自然なナレー
ションを生成することを可能にしている。

【００１０】＜実施例＞以下、本発明の実施例を図面に
基づいて詳細に説明する。図１は、本発明の一実施例に
係る音声処理装置の構成を示すブロック図である。同図
において、１０１はキーボードやマウスなどの入力装
置、１０２は入力情報制御部、１０３は音声ファイル装
置、１０４は表示装置、１０５は表示情報制御部、１０
６はイコライズ処理部、１０７は音声結合処理部、１０
８は音声格納処理部、１０９は音声再生装置を示してい
る。

【００１１】図２は、本発明の一実施例に係る表示情報
制御部１０５が行う処理の流れを説明するためのフロー
チャートである。図３は、本発明の一実施例に係る音調
レベル定義画面を示す図である。同図において、３０１
は音声波形領域、３０２はファイル名欄、３０３は参考
にする音声波形の開始時間欄、３０４は参考にする音声
波形の終了時間欄、３０５は変更する音声波形の開始時
間欄、３０６は変更する音声波形の終了時間欄、３０７
は参考にする音声波形の音調レベルＡ、３０８は変更す
る音声波形の音調レベルＢ、３０９はプレビューボタ
ン、３１０は確認ボタンを示している。音調レベルＡ領
域３０７および音調レベルＢ領域３０８は、各バンド域
ごとにその大きさ（単位は、例えばデシベル（ｄＢ））
を示す位置にツマミ（Ｃ）が表示されており、そのツマ
ミをマウスなどで上下にドラッグすることにより、音調
が変更できるようになっている。

【００１２】図４は、本発明の一実施例に係る単位時間
当たりの音調レベルを示す図である。図５は、本発明の
一実施例に係る音声波形領域３０１への表示例を示す図
である。図６は、本発明の一実施例に係る「参考にする
音声波形の音調レベル」を示す図である。図７は、本発
明の一実施例に係る「変更する音声波形の音調レベル」
を示す図である。

【００１３】次に，本実施例における音声処理装置にお
ける処理を、図１、図３および図４を用いて説明する。
まず、図３に示された音調定義画面のファイル名欄３０
２に、入力装置１０１（キーボードなど）を用いて、音
声ファイル名を入力する。入力情報制御部１０２は、入
力されたファイル名に基づいて該ファイル名に対応する
音声ファイルを音声ファイル装置１０３から検索して抽
出し、表示情報制御部１０５に渡す。表示情報制御部１
０５は、入力情報制御部１０２から渡された音声ファイ
ルの音声波形を表示装置１０４の音調レベル定義画面の
音声波形領域３０１に表示する。

【００１４】図５は、音声波形領域３０１に表示された
音声波形の例を示す図である。図５の例においては、音
声波形領域３０１に、音声のサンプリングデータ波形が
横軸を時間、縦軸を周波数（Hz）として表示される。

【００１５】次に、参考にする音声波形を選択し、音調
レベルＡ領域３０７にその音調レベルを表示する。ま
た、変更する音声波形を選択し、音調レベルＢ領域３０
８にその音調レベルを表示する。

【００１６】なお、指定範囲は、入力装置１００によ
り、参考にする音声波形の場合は開始時間欄３０３およ
び終了時間欄３０４に、変更する音声波形の場合は開始
時間欄３０５および終了時間欄３０６に、対応する値を
入力することによって行うようにしてもよいし、あるい
は、マウスのドラッグ操作により該音声波形領域を指定
するようにしてもよい。

【００１７】ここで、参考にする音声波形と変更する音
声波形の音調レベルの表示方法について、図４を用いて
説明する。同図に示すように、単位時間当たりの音声波
形により、予め決められたバンド域ごとの音量を計測す
る。ここでは、バンド域を１２５Hz，２５０Hz，５００
Hz，１kHz，３kHzとし、音量単位をデシベル(ｄＢ)とす
る。計測した単位時間当たりのバンド域ごとの音量を、
選択波形内で平均化して生成した音調レベルを表示す
る。図４は、このようにして表示した音調レベルの一例
であり、この例では１kHz，３kHz，２５０Hz，１２５H
z，５００Hzの順に音量が大きくなっていることがわか
る。

【００１８】次に、上記のようにして求めたバンド域ご
との音量を、参考にする音声波形は音調レベルＡ領域３
０７側に、変更する音声波形は音調レベルＢ領域３０８
側に表示し、参考にする音声波形と変更する音声波形の
音調レベルとを相互に比較し、音調レベルが異なってい
る場合、変更する音声波形の音調レベルの変更を行って
音調を合わせる。

【００１９】ここで、音調レベルの変更方法について具
体的に説明する。一般的に音調レベルを上げる場合に
は、音調レベルＢ領域３０８のバンド域の高い部分（例
えば、５００Hz以上）を大きくし、バンド域の低い部分
（例えば、５００Hz未満）を小さくすることにより行
う。逆に、音調レベルを下げる場合には、音調レベルＢ
領域３０８のバンド域の低い部分（５００Hz以下）を大
きくし、バンド域の高い部分（５００Hz以上）を小さく
することにより行う。音調レベルのバンド域を大きくし
たり小さくしたりするのは、各バンド域の音量を表すツ
マミ（Ｃ）をマウスにより上または下にドラッグするこ
とによって行われる。

【００２０】このように音調レベルを変更した後、この
変更処理の結果を確認するためにプレビューボタン３０
９をクリックすると、新たに設定した音調レベル情報が
表示情報制御部１０５からイコライズ処理部１０６に渡
され、ここで音調の変更が行われる。次に、変更処理後
の音調データが音声結合処理部１０７に渡され、変更部
分およびその前後の音声波形と結合される。そして、結
合された音声ファイルを音声再生装置１０９により再生
される。

【００２１】その結果、不都合な場合、すなわち音調の
調整が不充分で結合されたナレーションが不自然な場合
などには、適切な音調調整が確認できるまで上記イコラ
イズ処理を繰り返す。最後に、適切な音調調整の確認が
終了したら、確認ボタン３１０をクリックすることによ
り、音声結合処理部１０７から音声格納処理部１０８に
結合された音声ファイルが渡され、音声格納処理部１０
８において、音声ファイル装置１０３に格納する。

【００２２】以下、図２に示したフローチャートに基づ
いて、上述した表示情報制御部１０５およびイコライズ
処理部１０６の動作を詳細に説明する。まず、表示情報
制御部１０５において、入力装置１０１から入力された
音声ファイル名３０２に基づいて入力情報制御部１０２
が音声ファイル装置１０３から抽出した音声ファイルを
読み込み（ステップ２０１）、表示装置１０４の音声波
形領域３０１に音声のサンプリングデータ波形を表示す
る（ステップ２０２）。

【００２３】次に、参考にする音声波形の開始時間およ
び終了時間を開始時間欄３０３および終了時間欄３０４
に入力する（ステップ２０３）。その結果、単位時間あ
たりの各バンド域の音調レベルを計測し、選択した音声
波形における平均のバンドレベルを算出し、得られた音
調を音調レベルＡ領域３０７に表示する（ステップ２０
４）。

【００２４】同様に、変更する音声波形の開始時間およ
び終了時間を開始時間欄３０５および終了時間欄３０６
に入力する（ステップ２０６）。その結果、単位時間あ
たりの各バンド域の音調レベルを計測し、選択波形にお
ける平均のバンドレベルを算出し、得られた音調を音調
レベルＢ領域３０８に表示する（ステップ２０７）。

【００２５】ここで、音調レベルＡ領域３０７および音
調レベルＢ領域３０８に表示された２つの音調を画面上
で互いに比較し、音調の調整が必要な場合、音調の調整
を行う。音調レベルＡ領域３０７および音調レベルＢ領
域３０８への表示例を図６および図７に示す。音調レベ
ルＡ領域３０７および音調レベルＢ領域３０８に表示さ
れた音調レベルが揃っていない場合、それらを揃える処
理を行う（ステップ２０８）。

【００２６】この処理としては、例えば上述したよう
な、音調レベルＢ領域３０８のバンド域の高い部分（例
えば、５００Hz以上）を大きくし、バンド域の低い部分
（例えば、５００Hz未満）を小さくすることにより音調
レベルを上げたり、逆に、音調レベルＢ３０８のバンド
域の低い部分（５００Hz以下）を大きくし、バンド域の
高い部分（５００Hz以上）を小さくすることにより音調
レベルを下げたりすることによって行われる。または、
各バンド域ごとに、ツマミ（Ｃ）をマウスでドラッグす
ることによってその音調レベルを制御するようにしてき
め細かく制御するようにしてもよい。

【００２７】以上の処理を行った後、プレビューボタン
３０９をクリックすると、音声の再生が行われ、調整後
の音声を耳で確認する（ステップ２０９）。この確認の
結果、問題がある場合は問題がなくなるまで繰り返し処
理を行う（ステップ２１０：Ｙ，ステップ２０５〜２０
９の繰り返し）。問題がなくなれば確認ボタン３１０を
クリックして処理を終了する（ステップ２１０：Ｎ）。
以上説明した如く、本実施例によれば、音調の異なる音
声ファイルを同一の音調で結合することが可能になる。

【００２８】上記実施例は本発明の一例を示したもので
あり、本発明はこれに限定されるべきものではないこと
は言うまでもない。例えば、上記実施例では、２つの音
声波形のうち、一方を変更する音声波形、他方を参考に
する音声波形とし、変更する音声波形の方の音調を変え
て結合しているが、両方の波形を変更するようにしても
よい。

【００２９】なお、上記実施例で説明した音声処理方法
は、プログラムコード化してＣＤ−ＲＯＭなどの記録媒
体に記録して市場に流通させることができる。この場
合、利用者はこの記録媒体を入手して自分の装置にイン
ストールして利用することにより、異なる音調の複数の
音声（ナレーション）を一つの連続した自然な音声（ナ
レーション）に簡単に合成することができるようにな
る。

【００３０】

【発明の効果】以上、詳細に説明した如く、本発明によ
れば、音調の制御を対話処理によって行うことにより、
作業時間の短縮を図ることが可能となる。また、ナレー
ターの経験や体調、環境の変化などによる、音調にばら
つきがあるナレーションを１つの自然なナレーションと
して生成することが可能となる。上記効果を総じて、い
かなる音調のナレーションでも、必要最小限の処理で変
更を可能とする音声処理方法を実現することができると
いう顕著な効果を奏するものである。

【図面の簡単な説明】

【図１】本発明の一実施例に係る音声処理方法の構成を
示すブロック図である。

【図２】本発明の一実施例に係る表示情報制御部１０５
の処理を示すフローチャートである。

【図３】本発明の一実施例に係る音調レベル定義画面を
示す図である。

【図４】本発明の一実施例に係る単位時間当たりの音調
を示す図である。

【図５】本発明の一実施例に係る音声波形領域を示す図
である。

【図６】本発明の一実施例に係る参考にする音声波形の
音調レベルを示す図である。

【図７】本発明の一実施例に係る変更する音声波形の音
調レベルを示す図である。

【符号の説明】

１０１：入力装置 １０２：入力情報制御部 １０３：音声ファイル装置 １０４：表示装置 １０５：表示情報制御部 １０６：イコライズ処理部 １０７：音声結合処理部 １０８：音声格納処理部 １０９：音声再生装置 ３０１：音声波形領域 ３０２：ファイル名欄 ３０３：参考にする音声波形の開始時間欄 ３０４：参考にする音声波形の終了時間欄 ３０５：変更する音声波形の開始時間欄 ３０６：変更する音声波形の終了時間欄 ３０７：参考にする音声波形の音調レベルＡ領域 ３０８：変更する音声波形の音調レベルＢ領域 ３０９：プレビューボタン ３１０：確認ボタン

Claims (3)

【特許請求の範囲】
1. 【請求項１】 ２つの音声を音調を変更して結合する音
   声処理装置において、結合する２つの音声の音調レベル
   を求める手段と、求めた２つの音声の音調レベルを表示
   する手段と、表示された２つの音声の音調レベルのうち
   少なくとも一方の音調レベルを制御する手段と、制御さ
   れた音調レベルに基づいて２つの音声を結合する手段
   と、結合した音声を格納する手段とを有することを特徴
   とする音声処理装置。
2. 【請求項２】 ２つの音声を音調を変更して結合する音
   声処理方法において、結合する２つの音声に対して複数
   のバンド域の音調レベルを求めるステップと、求めた２
   つの音声の音調レベルを表示するステップと、表示され
   た２つの音声の音調レベルのうち少なくとも一方の音調
   レベルを制御する音調レベル制御ステップと、制御され
   た音調レベルに基づいて２つの音声を結合するステップ
   と、結合した音声を音声ファイル装置に格納するステッ
   プとを有することを特徴とする音声処理方法。
3. 【請求項３】 ２つの音声を音調を変更して結合する音
   声処理方法を記録した記録媒体であって、結合する２つ
   の音声に対して複数のバンド域の音調レベルを求める処
   理と、求めた２つの音声の音調レベルを表示する処理
   と、表示された２つの音声の音調レベルのうち少なくと
   も一方の音調レベルを制御する音調レベル制御処理と、
   制御された音調レベルに基づいて２つの音声を結合する
   処理と、結合した音声を音声ファイル装置に格納する処
   理をプログラムコード化して記録したことを特徴とする
   コンピュータで読み取り可能な記録媒体。