JP2005004104A - 規則音声合成装置及び規則音声合成方法 - Google Patents
規則音声合成装置及び規則音声合成方法 Download PDFInfo
- Publication number
- JP2005004104A JP2005004104A JP2003169989A JP2003169989A JP2005004104A JP 2005004104 A JP2005004104 A JP 2005004104A JP 2003169989 A JP2003169989 A JP 2003169989A JP 2003169989 A JP2003169989 A JP 2003169989A JP 2005004104 A JP2005004104 A JP 2005004104A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- acoustic feature
- unit
- unit segment
- feature parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 26
- 230000002194 synthesizing effect Effects 0.000 title claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 30
- 238000003786 synthesis reaction Methods 0.000 claims description 30
- 238000001308 synthesis method Methods 0.000 claims description 17
- 230000002123 temporal effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
- G10L13/07—Concatenation rules
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
【課題】どのような発声であっても接続歪みを一定以下にすることができる規則音声合成装置を提供する。
【解決手段】パラメータ補正部１４は、単位素片選択部１２から出力される音響特徴パラメータと単位素片の始端、終端の音素に応じてターゲットパラメータ記憶部１３から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正する。パラメータの時系列を入力とし、素片の前後のパラメータが、対応する音素の母音ターゲットパラメータに等しくなるように、パラメータを補正し出力する。
【選択図】 図１
【解決手段】パラメータ補正部１４は、単位素片選択部１２から出力される音響特徴パラメータと単位素片の始端、終端の音素に応じてターゲットパラメータ記憶部１３から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正する。パラメータの時系列を入力とし、素片の前後のパラメータが、対応する音素の母音ターゲットパラメータに等しくなるように、パラメータを補正し出力する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、音声データから抽出した音声単位を接続して音声を合成する規則音声合成装置及び規則音声合成方法に関する。
【０００２】
【従来の技術】
従来、テキストデータや、コード情報から音声単位を接続して音声を合成する規則音声合成装置が知られている。この規則音声合成装置では、音声波形を生成後に韻律を付与し、合成音を出力している。この場合、音声波形を生成するために音声を合成する合成単位が合成された後の音声の品質に大きな影響を与えることが知られている。
【０００３】
特に合成単位の接続部での不整合による接続歪みによる音質の劣化が問題となっている。この接続歪みの影響を防ぐ方法として、従来から合成単位を最適化する方法がいくつか提案されている。例えば、音素環境クラスタリング（ＣＯＣ）と呼ばれる技術が特開昭６４−７８３００「音声合成方法」や、使用環境でも音素連鎖に応じて適切な候補の絞り込みにより、音素を最小単位とする適切な音声単位を選択する方法が特開平８−２４８９７２「規則音声合成装置」に開示されている。
【０００４】
【特許文献１】
特開昭６４−７８３００号公報
【特許文献２】
特開平８−２４８９７２号公報
【０００５】
【発明が解決しようとする課題】
ところで、前記特許文献１、特許文献２に記載の従来の方法は、比較的大量の合成単位を含んだ音声データベースのなかから、統計的に接続歪みが少なくなるような比較的少ない数の音声素片のセットを選択する方法である。この方法によって得られた音声素片セットを使用して規則音声合成を行った場合、合成音声の品質は発声の内容によってばらつくという問題がある。つまり、ある文の発声を合成したときには接続歪みが少なくて非常に滑らかに聞こえても、別の文の発声を合成したときには、接続歪みの多い素片の組み合わせが使用され、素片の接続部で異音を持つ合成音声になってしまう問題点があった。
【０００６】
本発明の目的は以上の問題点を解決し、どのような発声であっても接続歪みを一定以下にすることができる規則音声合成装置及び規則音声合成方法を提供することにある。
【０００７】
【課題を解決するための手段】
本発明の請求項１に係る規則音声合成装置は、前記課題を解決するために、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【０００８】
この規則音声合成装置は、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。
【０００９】
本発明の請求項５に係る規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００１０】
この規則音声合成方法は、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。
【００１１】
本発明に係る請求項６の規則音声合成装置は、前記課題を解決するために、母音の音素を境界に持つ複数の音素列を素片とし、各素片の特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて、前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記ターゲットパラメータ記憶手段に記憶された複数の音響特徴パラメータから前記単位素片選択手段の出力の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【００１２】
この規則音声合成装置は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する。
【００１３】
本発明の請求項１１に係る規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段の複数の音響特徴パラメータから前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の複数のターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００１４】
この規則音声合成方法は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する。
【００１５】
本発明の請求項１２に係る規則音声合成装置は、前記課題を解決するために、あらかじめ、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正する単位素片補正手段と、入力される音素列に基づき、前記単位素片補正手段によって補正された補正済み単位素片セットを用いて前記入力された音素列に対応する音声を合成する音声合成手段とを備える。
【００１６】
この規則音声合成装置は、入力される音素列に基づき、単位素片補正手段によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成する。
【００１７】
本発明に係る請求項１４の規則音声合成方法は、前記課題を解決するために、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正するパラメータ補正工程と、このパラメータ補正工程により補正された前記補正済み単位素片セットを記憶する補正済み単位素片セット記憶工程と、入力される音素列に基づいて前記補正済み単位素片セット記憶工程から音素列に対応する音響特徴パラメータを読み出して出力する単位素片選択工程と、前記単位素片選択工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するパラメータ時系列生成工程と、前記パラメータ時系列生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備える。
【００１８】
この規則音声合成方法は、入力される音素列に基づき、単位素片補正工程によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成する。
【００１９】
本発明の請求項１５に係る規則音声合成装置は、前記課題を解決するために、子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【００２０】
この規則音声合成装置は、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。
【００２１】
本発明に係る請求項１６の規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じ子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００２２】
この規則音声合成方法は、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。
【００２３】
【発明の実施の形態】
以下、図面を参照して本発明のいくつかの実施の形態について説明する。図１は本発明に係る第１の実施の形態の規則音声合成装置１０のブロック図である。この規則音声合成装置１０は、定常的な特徴を示す音素、つまり音質が安定した音素であり、ダイナミックに変化することのない母音の音素を境界とした音素列（素片）を繋いで音声を合成する。例えば、母音をＶ（ｖｏｗｅｌ）とし、子音をＣ（ｃｏｎｓｏｎａｎｔ）としたとき、ＶＣＶと表記される音素列、すなわち素片を対象としている。
【００２４】
図１に示すように、第１の実施の形態の規則音声合成装置１０は、単位素片セットを記憶している単位素片セット記憶部１１と、入力される音素列に基づいて単位素片セット記憶部１１から音響特徴パラメータを選択して出力する単位素片選択部１２と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶部１３と、単位素片の音響特徴パラメータを補正するパラメータ補正部１４と、音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００２５】
単位素片セット記憶部１１が記憶している単位素片セットは音素系列と音響特徴パラメータの対になったデータである。これは先に示した従来手法を用いて構築することができる。すなわち、複数の文章データについて例えば一人の話者によって発音された音声信号に基づいてＡ／Ｄ変換とスペクトル分析を行って得られた特徴パラメータを単位素片とセットにして記憶して構築する。特徴パラメータを得るためのスペクトル分析としは、ケプストラム分析、短時間スペクトル分析、短時間自己相関分析、帯域フィルタバンク分析、零交差数分析等や、ホルマント分析、線スペクトル対（ＬＳＰ）分析、線形予測（ＬＰＣ）分析、偏自己相関法（ＰＡＲＣＯＲ分析）等を用いることができる。例えば、ケプストラム分析は、短時間スペクトルの対数をとり、それを逆フーリエ変換したものである。音声のスペクトル包絡をケプストラムで表現することで、スペクトルの極と零特性も近似的に表現できる。ただし、素片境界が定常的な特性を示す母音の音素境界となるように制限を加えて作成したものである。
【００２６】
単位素片選択部１２の入力としての音素列は、例えばテキスト音声合成の形態素解析及び発音記号列生成処理を経て得られた発声を行う音素系列を示したデータである。
【００２７】
単位素片選択部１２は前記入力される音素列に基づいて前記単位素片セット記憶部１１を参照して、前記入力される音素列に含まれる音素列（素片）を選択して、選択した音素列（単位素片）に対応する音響特徴パラメータ（例えばケプストラム係数や、ホルマント係数など）を単位素片セット記憶部１１から読み出す。
【００２８】
母音ターゲットパラメータ記憶部１３は、代表となる母音のパラメータを母音毎に保存している。このパラメータは時間的に変化するパラメータではなくある一点でのパラメータである。なお、これらのパラメータは、あらかじめ前記単位素片セットのなかから適当に選択することができる。
【００２９】
パラメータ補正部１４は、前記単位素片選択部１２から出力される音響特徴パラメータと単位素片の始端、終端の音素に応じて前記ターゲットパラメータ記憶部１３から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正する。詳細は後述するが、パラメータの時系列を入力とし、素片の前後のパラメータが、対応する音素の母音ターゲットパラメータに等しくなるように、パラメータを補正し出力する。
【００３０】
パラメータ時系列生成部１５は、パラメータ補正部１４によって補正されたパラメータを連結して前記入力された音素列に対応する音響特徴パラメータの系列であるパラメータ時系列を生成して出力する。つまり、パラメータ補正部１４から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成して出力する。
【００３１】
音声合成部１６は、波形生成部１７とスピーカ１８からなる。波形生成部１７は、パラメータ時系列生成部１５によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声信号を生成する。特にこの音声合成部１６は、前述した特徴パラメータを用いて音声を合成することになり、偏自己相関（ｐａｒｔｉａｌ ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ：ＰＡＲＣＯＲ）方式、線スペクトル対（ｌｉｎｅ ｓｐｅｃｔｒｕｍ ｐａｉｒ：ＬＳＰ）方式、ケプストラム方式などを用いることになる。この合成音声信号はスピーカ１８により発声して出力される。つまり、音声合成部１６は、パラメータ時系列生成部１５から出力される音響特徴パラメータの系列に基づいて、ＰＡＲＣＯＲ方式、ＬＳＰ方式、ケプストラム方式などにより波形生成部１７にて音声信号を合成し、スピーカ１８から出力する。
【００３２】
次に本発明の特徴をなすパラメータ補正部１４の処理について具体的に説明する。図２Ａは、１つの単位素片を補正する方法を示したものである。この図では概念的に１次元のパラメータで示しているが、実際は複数次元のベクトル量となる。横軸は時間を示す。
【００３３】
この例では先頭の音素は／ｉ／であるので、母音ターゲットパラメータ記憶部１３から／ｉ／のパラメータを取得する。先頭から特定の区間離れたところから手前側に徐々にパラメータの値がターゲットＱの値になるように補正を行う。ここでいう先頭から特定の区間離れたところというのは、／ｉ／であるＶ（ｖｏｗｅｌ）の中間部である。時間的に最も／ｉ／らしい特徴パラメータが得られるところである。この処理を式で示すと式（１）のようになる。
Ｐ’（ｔ）＝（Ｑ−Ｐ（ｔ１））（ｔ２−ｔ）／（ｔ２−ｔ１）＋Ｐ（ｔ） ・・・（１）
ここで、Ｐ（ｔ）は時刻ｔにおける元のパラメータ、Ｐ’（ｔ）は補正後のパラメータ、Ｑはターゲットパラメータ、ｔ１は素片の先頭の時刻、ｔ２は補正を終了する時刻である。
【００３４】
同様に、単位素片の終端のパラメータも特定の区間手前から徐々に／ａ／のターゲットパラメータの値に等しくなるように補正を行う。ここでいう特定の区間というのも、／ａ／であるＶ（ｖｏｗｅｌ）の中間部である。時間的に最も／ａ／らしい特徴パラメータが得られるところである。この処理を式で示すと式２のようになる。
Ｐ’（ｔ）＝（Ｒ−Ｐ（ｔ４））（ｔ−ｔ３）／（ｔ４−ｔ３）＋Ｐ（ｔ） ・・・（２）
ここで、Ｐ（ｔ）は時刻ｔにおける元のパラメータ、Ｐ’（ｔ）は補正後のパラメータ、Ｒはターゲットパラメータ、ｔ４は素片の終端の時刻、ｔ３は補正を開始する時刻である。
【００３５】
なお、補正を終了する時刻ｔ２及び補正を開始する時刻ｔ３は、それぞれ、ｔ１，ｔ４から固定の時間間隔に設定することができる。また、Ｖ（ｖｏｗｅｌ）とＣ（ｃｏｎｓｏｎａｎｔ）との境界としてもよい。さらに、Ｖの長さの中間（５０％）、７０％のようにしてもよい。また、ｔ２−ｔ１の長さ、ｔ４−ｔ３の長さを、単位素片の先頭・終端の長さに比例するように定めることもできる。
【００３６】
次に、パラメータ補正部１４における単位素片を補正する別の補正方法の具体例を図２Ｂに示す。この例では、補正を行う区間を単位素片全体に拡張している。つまり、素片全体にわたって補正をしているので、ｔ２、ｔ３という区間の切れ目はない。式で示すと式（３）になる。
ここで、Ｐ（ｔ）は時刻ｔにおける元のパラメータ、Ｐ’（ｔ）は補正後のパラメータ、Ｑは先頭のターゲットパラメータ、Ｒは終端のターゲットパラメータ、ｔ１は素片の先頭の時刻、ｔ４は素片の終端の時刻である。
【００３７】
以上説明したように、第１の実施の形態の規則音声合成装置１０によれば、定常的な特徴を示す母音を素片単位の境界とし、母音毎にターゲットとするパラメータを用意し、合成時に選択された素片単位をターゲットのパラメータに等しくなるように、かつ連続的に補正を行うことにより、接続歪みのない高品質な合成音声を生成することができる。
【００３８】
また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００３９】
次に、本発明に係る第２の実施の形態の規則音声合成装置について図３、図４を参照して説明する。図３において、第２の実施の形態の規則音声合成装置２０は、前記第１の実施の形態（規則音声合成装置１０）のように母音ターゲットパラメータを母音毎に１つづつ用意するのではなく、複数用意している。つまり、規則音声合成装置２０は、単位素片セットを記憶している単位素片セット記憶部１１と、入力される音素列に基づいて前記単位素片セット記憶部１１から音響特徴パラメータを選択して出力する単位素片選択部１２と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶部２３と、ターゲットパラメータ記憶部２３に記憶された複数の音響特徴パラメータから特定の音響特徴パラメータを選択し、この特定の音響特徴パラメータに基づいて単位素片の音響特徴パラメータを補正するパラメータ補正部２４と、音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００４０】
特にパラメータ補正部２４は、機能的に前記複数の音響特徴パラメータから特定の音響特徴パラメータを選択するターゲットパラメータ選択部２５と、特定の音響特徴パラメータに基づいて単位素片の音響特徴パラメータに補正を実行するパラメータ補正実行部２６とを備える。
【００４１】
単位素片セット記憶部１１、端子素片選択部１２、パラメータ時系列生成部１５及び音声合成部１６については、前記第１の実施の形態に用いたものと同様であるのでここでは説明を省略する。
【００４２】
ターゲットパラメータ記憶部２３は、母音／ａ／，／ｉ／，／ｕ／，／ｅ／，／ｏ／について、それぞれ数種類のパラメータを用意する。例えば、／ａ／でも大きく口を開けて発音される／ａ１／もあれば、ぼそぼそと発音される／ａ２／もある。また、前の子音の影響を受けて異なって発音される／ａ３／もある。もちろん、音量の大きさによっても同じパラメータは異なる。さらに、話者の声の高さによってもパラメータは異なる。
【００４３】
音素毎に複数のターゲットパラメータを求めるには、単位素片の前後の境界位置でのパラメータを集めた後に、既存のベクトル量子化手法を用いて数個の代表パラメータを求め、これをターゲットパラメータとすればよい。また、他の方法により、それぞれの母音の多数のパラメータをクラスタリングして大きなまとまりとして数種類、例えば３種類くらいにクラス分けすることも考えられる。
【００４４】
次に、パラメータ補正部２４内のターゲット選択部２５について図４を参照して説明する。図４では素片接続部の母音が／ａ／である場合の例を示す。この例では／ａ／のターゲットパラメータとして３種類のパラメータａ１、ａ２、ａ３が用意されている。
【００４５】
パラメータ補正部２４のターゲット選択部２５では、単位素片の終端のパラメータａと、この例では３つの母音ターゲットパラメータａ１、ａ２、ａ３の誤差を求める。そして、誤差が最も小さい母音ターゲットパラメータ、すなわち終端のパラメータａに特性が最も近いものを選択する。例えば、単位素片の終端のパラメータａと母音ターゲットパラメータａ１との距離が０．６、母音ターゲットパラメータａ２との距離が０．５、母音ターゲットパラメータａ３との距離が０．３であった。母音ターゲットパラメータａ３までの距離が一番短いのでこの母音ターゲットパラメータａ３を選択する。その後、次の単位素片の先頭のターゲットパラメータは、前の単位素片の終端で選択した母音ターゲットパラメータと同じものを選択する。パラメータ補正実行部２６における単位素片の補正の方法は前述の通りである。
【００４６】
また、単位素片の終端によって選択するのではなく、単位素片の前後をみて二つの誤差が小さくなるように母音ターゲットパラメータを選択することも可能である。
【００４７】
この場合の実現方法としては、ターゲットパラメータｉに対して、前の単位素片の終端のパラメータの誤差をｄ１ｉ、後ろの単位素片の先端のパラメータの誤差をｄ２ｉとした場合、ｄ１ｉ＋αｘｄ２ｉの値が最小のターゲットを選択すればよい。なお、αは前側と後ろ側の重み係数であり、通常前側の誤差に対する重みを大きくした方が品質の高い剛性音声が得られるためにはαは１以下に設定する。また、別の実現方法として、ｄ１ｉ，ｄ２ｉの大きい方を誤差とし、この誤差が最小となるターゲットパラメータｉを選択する方法もある。式で示すと、ＭＩＮｉ（ＭＡＸ（ｄ１ｉ，ｄ２ｉ））となるｉを求める。
【００４８】
以上に説明した第２の実施の形態の規則音声合成装置２０によれば、ターゲットとなる母音の特徴パラメータを複数用意することにより、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００４９】
次に、本発明に係る第３の実施の形態の規則音声合成装置について図５を参照して説明する。この規則音声合成装置３０は、単位素片補正系３１と音声合成系３２にわかれている。
【００５０】
単位素片補正系３１は、補正済み単位素片セット３３と、パラメータ補正部３４と、単位素片セット記憶部３５と、ターゲットパラメータ記憶部３６とを備えてなり、あらかじめパラメータ補正部３４により、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正し、補正済み単位素片セット記憶部３３に記憶しておく。パラメータ補正部３４は、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶部３６からターゲットパラメータを読み出す。また、パラメータ補正部３４は、単位素片セット記憶部３５から音響特徴パラメータを読み出す。
【００５１】
特に、パラメータ補正部３４は、単位素片セット記憶部３５から読み出した音響特徴パラメータと単位素片の始端、終端の音素に応じてターゲットパラメータ記憶部３６から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正し、前述したように、補正済み単位素片セット記憶部３３に、前記補正した音響特徴パラメータを、単位素片とセットにして記憶しておく。
【００５２】
音声合成系３２は、補正済み単位素片セット３３と、入力される音素列に基づいて補正済み単位素片セット記憶部３３から補正済みの音響特徴パラメータを選択して出力する単位素片選択部１２と、単位素片選択部１２によって選択された音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００５３】
補正済み単位素片セット記憶部３３が記憶している単位素片セットは、既に単位素片補正部３１によって補正されたデータである。
【００５４】
単位素片選択部１２は前記入力される音素列に基づいて前記補正済み単位素片セット記憶部３３を参照して、前記入力される音素列に含まれる音素列（素片）を選択して、選択した音素列（単位素片）に対応する音響特徴パラメータ（例えばケプストラム係数や、ホルマント係数など）を補正済み単位素片セット記憶部３３から読み出す。
【００５５】
パラメータ時系列生成部１５は、端子素片選択部１２によって選択されたパラメータを連結して前記入力された音素列に対応する音響特徴パラメータの系列であるパラメータ時系列を生成して出力する。
【００５６】
音声合成部１６は、波形生成部１７とスピーカ１８からなる。波形生成部１７は、パラメータ時系列生成部１５によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声信号を生成する。
【００５７】
この第３の実施の形態の規則音声合成装置３０では、補正済み単位素片セット記憶部３３内の補正済み単位補正セットを用いることにより、合成時にパラメータの補正を行う必要がない。
【００５８】
なお、ターゲットパラメータ記憶部３６は、母音毎に代表となる音響特徴パラメータを記憶するだけでなく、母音毎に複数の音響特徴パラメータを記憶していてもよい。この場合、パラメータ補正部３４は、全てのターゲットパラメータに応じて単位素片セット３５から読み出した音響特徴パラメータを補正し、補正済み単位素片セット３３に全ての補正音響特徴パラメータを記憶させておく。
【００５９】
以上に説明したように、この第３の実施の形態の規則音声合成装置３０によれば、単位素片セットをあらかじめ補正した補正済み単位素片セットを用意することによって、合成時の処理量を軽減することができる。
【００６０】
なお、前記第１の実施の形態〜第３の実施の形態では、単位素片の境界の音素として母音で有るものを用いたが、単位素片の境界の音素としては、母音（と無音）だけでなく、そのほかの比較的に音響特性の動的な変化を特徴としない傾向の子音、例えば鼻音なども含めることもできる。
【００６１】
図１を準用して説明すると、単位素片選択部１２が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶部１３から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータをパラメータ補正部１４が補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６２】
したがって、本発明の規則音声合成装置によれば、前記ＶＣＶの他、ＶＣＶＣＶや、さらにはＣＶＣも対象とすることができる。
【００６３】
【発明の効果】
本発明に係る規則音声合成装置によれば、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６４】
本発明に係る規則音声合成方法によれば、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６５】
本発明に係る規則音声合成装置によれば、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するので、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００６６】
本発明に係る規則音声合成方法によれば、この規則音声合成方法は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するので、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００６７】
本発明に係る規則音声合成装置によれば、入力される音素列に基づき、単位素片補正手段によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成するので、合成時の処理量を軽減することができる。
【００６８】
本発明に係る規則音声合成方法によれば、入力される音素列に基づき、単位素片補正工程によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成するので、合成時の処理量を軽減することができる。
【００６９】
本発明に係る規則音声合成装置によれば、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００７０】
本発明に係る規則音声合成方法によれば、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【図面の簡単な説明】
【図１】第１の実施の形態の規則音声合成装置のブロック図である。
【図２】前記第１の実施の形態の規則音声合成装置の要部であるパラメータ補正部の補正動作の二つの具体例を説明するための図である。
【図３】第２の実施の形態の規則音声合成装置のブロック図である。
【図４】前記第２の実施の形態の規則音声合成装置の要部であるパラメータ補正部のターゲット選択部の動作の具体例を説明するための図である。
【図５】第３の実施の形態の規則音声合成装置のブロック図である。
【符号の説明】
１０，２０，３０ 規則音声合成装置、１１ 単位素片セット記憶部、１２ 単位素片選択部、１４，２４ パラメータ補正部、１５ パラメータ時系列生成部、１６ 音声合成部、２５ ターゲットパラメータ選択部、２６ パラメータ補正実行部、３１ 単位素片補正系、３２ 音声合成系、３３ 補正済み単位素片セット記憶部、３４ パラメータ補正部、３５ 単位素片セット記憶部、３６ターゲットパラメータ記憶部
【発明の属する技術分野】
本発明は、音声データから抽出した音声単位を接続して音声を合成する規則音声合成装置及び規則音声合成方法に関する。
【０００２】
【従来の技術】
従来、テキストデータや、コード情報から音声単位を接続して音声を合成する規則音声合成装置が知られている。この規則音声合成装置では、音声波形を生成後に韻律を付与し、合成音を出力している。この場合、音声波形を生成するために音声を合成する合成単位が合成された後の音声の品質に大きな影響を与えることが知られている。
【０００３】
特に合成単位の接続部での不整合による接続歪みによる音質の劣化が問題となっている。この接続歪みの影響を防ぐ方法として、従来から合成単位を最適化する方法がいくつか提案されている。例えば、音素環境クラスタリング（ＣＯＣ）と呼ばれる技術が特開昭６４−７８３００「音声合成方法」や、使用環境でも音素連鎖に応じて適切な候補の絞り込みにより、音素を最小単位とする適切な音声単位を選択する方法が特開平８−２４８９７２「規則音声合成装置」に開示されている。
【０００４】
【特許文献１】
特開昭６４−７８３００号公報
【特許文献２】
特開平８−２４８９７２号公報
【０００５】
【発明が解決しようとする課題】
ところで、前記特許文献１、特許文献２に記載の従来の方法は、比較的大量の合成単位を含んだ音声データベースのなかから、統計的に接続歪みが少なくなるような比較的少ない数の音声素片のセットを選択する方法である。この方法によって得られた音声素片セットを使用して規則音声合成を行った場合、合成音声の品質は発声の内容によってばらつくという問題がある。つまり、ある文の発声を合成したときには接続歪みが少なくて非常に滑らかに聞こえても、別の文の発声を合成したときには、接続歪みの多い素片の組み合わせが使用され、素片の接続部で異音を持つ合成音声になってしまう問題点があった。
【０００６】
本発明の目的は以上の問題点を解決し、どのような発声であっても接続歪みを一定以下にすることができる規則音声合成装置及び規則音声合成方法を提供することにある。
【０００７】
【課題を解決するための手段】
本発明の請求項１に係る規則音声合成装置は、前記課題を解決するために、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【０００８】
この規則音声合成装置は、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。
【０００９】
本発明の請求項５に係る規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００１０】
この規則音声合成方法は、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。
【００１１】
本発明に係る請求項６の規則音声合成装置は、前記課題を解決するために、母音の音素を境界に持つ複数の音素列を素片とし、各素片の特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて、前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記ターゲットパラメータ記憶手段に記憶された複数の音響特徴パラメータから前記単位素片選択手段の出力の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【００１２】
この規則音声合成装置は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する。
【００１３】
本発明の請求項１１に係る規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段の複数の音響特徴パラメータから前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の複数のターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００１４】
この規則音声合成方法は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する。
【００１５】
本発明の請求項１２に係る規則音声合成装置は、前記課題を解決するために、あらかじめ、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正する単位素片補正手段と、入力される音素列に基づき、前記単位素片補正手段によって補正された補正済み単位素片セットを用いて前記入力された音素列に対応する音声を合成する音声合成手段とを備える。
【００１６】
この規則音声合成装置は、入力される音素列に基づき、単位素片補正手段によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成する。
【００１７】
本発明に係る請求項１４の規則音声合成方法は、前記課題を解決するために、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正するパラメータ補正工程と、このパラメータ補正工程により補正された前記補正済み単位素片セットを記憶する補正済み単位素片セット記憶工程と、入力される音素列に基づいて前記補正済み単位素片セット記憶工程から音素列に対応する音響特徴パラメータを読み出して出力する単位素片選択工程と、前記単位素片選択工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するパラメータ時系列生成工程と、前記パラメータ時系列生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備える。
【００１８】
この規則音声合成方法は、入力される音素列に基づき、単位素片補正工程によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成する。
【００１９】
本発明の請求項１５に係る規則音声合成装置は、前記課題を解決するために、子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段とを備えた。
【００２０】
この規則音声合成装置は、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。
【００２１】
本発明に係る請求項１６の規則音声合成方法は、前記課題を解決するために、入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じ子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程とを備えた。
【００２２】
この規則音声合成方法は、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。
【００２３】
【発明の実施の形態】
以下、図面を参照して本発明のいくつかの実施の形態について説明する。図１は本発明に係る第１の実施の形態の規則音声合成装置１０のブロック図である。この規則音声合成装置１０は、定常的な特徴を示す音素、つまり音質が安定した音素であり、ダイナミックに変化することのない母音の音素を境界とした音素列（素片）を繋いで音声を合成する。例えば、母音をＶ（ｖｏｗｅｌ）とし、子音をＣ（ｃｏｎｓｏｎａｎｔ）としたとき、ＶＣＶと表記される音素列、すなわち素片を対象としている。
【００２４】
図１に示すように、第１の実施の形態の規則音声合成装置１０は、単位素片セットを記憶している単位素片セット記憶部１１と、入力される音素列に基づいて単位素片セット記憶部１１から音響特徴パラメータを選択して出力する単位素片選択部１２と、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶部１３と、単位素片の音響特徴パラメータを補正するパラメータ補正部１４と、音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００２５】
単位素片セット記憶部１１が記憶している単位素片セットは音素系列と音響特徴パラメータの対になったデータである。これは先に示した従来手法を用いて構築することができる。すなわち、複数の文章データについて例えば一人の話者によって発音された音声信号に基づいてＡ／Ｄ変換とスペクトル分析を行って得られた特徴パラメータを単位素片とセットにして記憶して構築する。特徴パラメータを得るためのスペクトル分析としは、ケプストラム分析、短時間スペクトル分析、短時間自己相関分析、帯域フィルタバンク分析、零交差数分析等や、ホルマント分析、線スペクトル対（ＬＳＰ）分析、線形予測（ＬＰＣ）分析、偏自己相関法（ＰＡＲＣＯＲ分析）等を用いることができる。例えば、ケプストラム分析は、短時間スペクトルの対数をとり、それを逆フーリエ変換したものである。音声のスペクトル包絡をケプストラムで表現することで、スペクトルの極と零特性も近似的に表現できる。ただし、素片境界が定常的な特性を示す母音の音素境界となるように制限を加えて作成したものである。
【００２６】
単位素片選択部１２の入力としての音素列は、例えばテキスト音声合成の形態素解析及び発音記号列生成処理を経て得られた発声を行う音素系列を示したデータである。
【００２７】
単位素片選択部１２は前記入力される音素列に基づいて前記単位素片セット記憶部１１を参照して、前記入力される音素列に含まれる音素列（素片）を選択して、選択した音素列（単位素片）に対応する音響特徴パラメータ（例えばケプストラム係数や、ホルマント係数など）を単位素片セット記憶部１１から読み出す。
【００２８】
母音ターゲットパラメータ記憶部１３は、代表となる母音のパラメータを母音毎に保存している。このパラメータは時間的に変化するパラメータではなくある一点でのパラメータである。なお、これらのパラメータは、あらかじめ前記単位素片セットのなかから適当に選択することができる。
【００２９】
パラメータ補正部１４は、前記単位素片選択部１２から出力される音響特徴パラメータと単位素片の始端、終端の音素に応じて前記ターゲットパラメータ記憶部１３から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正する。詳細は後述するが、パラメータの時系列を入力とし、素片の前後のパラメータが、対応する音素の母音ターゲットパラメータに等しくなるように、パラメータを補正し出力する。
【００３０】
パラメータ時系列生成部１５は、パラメータ補正部１４によって補正されたパラメータを連結して前記入力された音素列に対応する音響特徴パラメータの系列であるパラメータ時系列を生成して出力する。つまり、パラメータ補正部１４から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成して出力する。
【００３１】
音声合成部１６は、波形生成部１７とスピーカ１８からなる。波形生成部１７は、パラメータ時系列生成部１５によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声信号を生成する。特にこの音声合成部１６は、前述した特徴パラメータを用いて音声を合成することになり、偏自己相関（ｐａｒｔｉａｌ ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ：ＰＡＲＣＯＲ）方式、線スペクトル対（ｌｉｎｅ ｓｐｅｃｔｒｕｍ ｐａｉｒ：ＬＳＰ）方式、ケプストラム方式などを用いることになる。この合成音声信号はスピーカ１８により発声して出力される。つまり、音声合成部１６は、パラメータ時系列生成部１５から出力される音響特徴パラメータの系列に基づいて、ＰＡＲＣＯＲ方式、ＬＳＰ方式、ケプストラム方式などにより波形生成部１７にて音声信号を合成し、スピーカ１８から出力する。
【００３２】
次に本発明の特徴をなすパラメータ補正部１４の処理について具体的に説明する。図２Ａは、１つの単位素片を補正する方法を示したものである。この図では概念的に１次元のパラメータで示しているが、実際は複数次元のベクトル量となる。横軸は時間を示す。
【００３３】
この例では先頭の音素は／ｉ／であるので、母音ターゲットパラメータ記憶部１３から／ｉ／のパラメータを取得する。先頭から特定の区間離れたところから手前側に徐々にパラメータの値がターゲットＱの値になるように補正を行う。ここでいう先頭から特定の区間離れたところというのは、／ｉ／であるＶ（ｖｏｗｅｌ）の中間部である。時間的に最も／ｉ／らしい特徴パラメータが得られるところである。この処理を式で示すと式（１）のようになる。
Ｐ’（ｔ）＝（Ｑ−Ｐ（ｔ１））（ｔ２−ｔ）／（ｔ２−ｔ１）＋Ｐ（ｔ） ・・・（１）
ここで、Ｐ（ｔ）は時刻ｔにおける元のパラメータ、Ｐ’（ｔ）は補正後のパラメータ、Ｑはターゲットパラメータ、ｔ１は素片の先頭の時刻、ｔ２は補正を終了する時刻である。
【００３４】
同様に、単位素片の終端のパラメータも特定の区間手前から徐々に／ａ／のターゲットパラメータの値に等しくなるように補正を行う。ここでいう特定の区間というのも、／ａ／であるＶ（ｖｏｗｅｌ）の中間部である。時間的に最も／ａ／らしい特徴パラメータが得られるところである。この処理を式で示すと式２のようになる。
Ｐ’（ｔ）＝（Ｒ−Ｐ（ｔ４））（ｔ−ｔ３）／（ｔ４−ｔ３）＋Ｐ（ｔ） ・・・（２）
ここで、Ｐ（ｔ）は時刻ｔにおける元のパラメータ、Ｐ’（ｔ）は補正後のパラメータ、Ｒはターゲットパラメータ、ｔ４は素片の終端の時刻、ｔ３は補正を開始する時刻である。
【００３５】
なお、補正を終了する時刻ｔ２及び補正を開始する時刻ｔ３は、それぞれ、ｔ１，ｔ４から固定の時間間隔に設定することができる。また、Ｖ（ｖｏｗｅｌ）とＣ（ｃｏｎｓｏｎａｎｔ）との境界としてもよい。さらに、Ｖの長さの中間（５０％）、７０％のようにしてもよい。また、ｔ２−ｔ１の長さ、ｔ４−ｔ３の長さを、単位素片の先頭・終端の長さに比例するように定めることもできる。
【００３６】
次に、パラメータ補正部１４における単位素片を補正する別の補正方法の具体例を図２Ｂに示す。この例では、補正を行う区間を単位素片全体に拡張している。つまり、素片全体にわたって補正をしているので、ｔ２、ｔ３という区間の切れ目はない。式で示すと式（３）になる。
【００３７】
以上説明したように、第１の実施の形態の規則音声合成装置１０によれば、定常的な特徴を示す母音を素片単位の境界とし、母音毎にターゲットとするパラメータを用意し、合成時に選択された素片単位をターゲットのパラメータに等しくなるように、かつ連続的に補正を行うことにより、接続歪みのない高品質な合成音声を生成することができる。
【００３８】
また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００３９】
次に、本発明に係る第２の実施の形態の規則音声合成装置について図３、図４を参照して説明する。図３において、第２の実施の形態の規則音声合成装置２０は、前記第１の実施の形態（規則音声合成装置１０）のように母音ターゲットパラメータを母音毎に１つづつ用意するのではなく、複数用意している。つまり、規則音声合成装置２０は、単位素片セットを記憶している単位素片セット記憶部１１と、入力される音素列に基づいて前記単位素片セット記憶部１１から音響特徴パラメータを選択して出力する単位素片選択部１２と、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶部２３と、ターゲットパラメータ記憶部２３に記憶された複数の音響特徴パラメータから特定の音響特徴パラメータを選択し、この特定の音響特徴パラメータに基づいて単位素片の音響特徴パラメータを補正するパラメータ補正部２４と、音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００４０】
特にパラメータ補正部２４は、機能的に前記複数の音響特徴パラメータから特定の音響特徴パラメータを選択するターゲットパラメータ選択部２５と、特定の音響特徴パラメータに基づいて単位素片の音響特徴パラメータに補正を実行するパラメータ補正実行部２６とを備える。
【００４１】
単位素片セット記憶部１１、端子素片選択部１２、パラメータ時系列生成部１５及び音声合成部１６については、前記第１の実施の形態に用いたものと同様であるのでここでは説明を省略する。
【００４２】
ターゲットパラメータ記憶部２３は、母音／ａ／，／ｉ／，／ｕ／，／ｅ／，／ｏ／について、それぞれ数種類のパラメータを用意する。例えば、／ａ／でも大きく口を開けて発音される／ａ１／もあれば、ぼそぼそと発音される／ａ２／もある。また、前の子音の影響を受けて異なって発音される／ａ３／もある。もちろん、音量の大きさによっても同じパラメータは異なる。さらに、話者の声の高さによってもパラメータは異なる。
【００４３】
音素毎に複数のターゲットパラメータを求めるには、単位素片の前後の境界位置でのパラメータを集めた後に、既存のベクトル量子化手法を用いて数個の代表パラメータを求め、これをターゲットパラメータとすればよい。また、他の方法により、それぞれの母音の多数のパラメータをクラスタリングして大きなまとまりとして数種類、例えば３種類くらいにクラス分けすることも考えられる。
【００４４】
次に、パラメータ補正部２４内のターゲット選択部２５について図４を参照して説明する。図４では素片接続部の母音が／ａ／である場合の例を示す。この例では／ａ／のターゲットパラメータとして３種類のパラメータａ１、ａ２、ａ３が用意されている。
【００４５】
パラメータ補正部２４のターゲット選択部２５では、単位素片の終端のパラメータａと、この例では３つの母音ターゲットパラメータａ１、ａ２、ａ３の誤差を求める。そして、誤差が最も小さい母音ターゲットパラメータ、すなわち終端のパラメータａに特性が最も近いものを選択する。例えば、単位素片の終端のパラメータａと母音ターゲットパラメータａ１との距離が０．６、母音ターゲットパラメータａ２との距離が０．５、母音ターゲットパラメータａ３との距離が０．３であった。母音ターゲットパラメータａ３までの距離が一番短いのでこの母音ターゲットパラメータａ３を選択する。その後、次の単位素片の先頭のターゲットパラメータは、前の単位素片の終端で選択した母音ターゲットパラメータと同じものを選択する。パラメータ補正実行部２６における単位素片の補正の方法は前述の通りである。
【００４６】
また、単位素片の終端によって選択するのではなく、単位素片の前後をみて二つの誤差が小さくなるように母音ターゲットパラメータを選択することも可能である。
【００４７】
この場合の実現方法としては、ターゲットパラメータｉに対して、前の単位素片の終端のパラメータの誤差をｄ１ｉ、後ろの単位素片の先端のパラメータの誤差をｄ２ｉとした場合、ｄ１ｉ＋αｘｄ２ｉの値が最小のターゲットを選択すればよい。なお、αは前側と後ろ側の重み係数であり、通常前側の誤差に対する重みを大きくした方が品質の高い剛性音声が得られるためにはαは１以下に設定する。また、別の実現方法として、ｄ１ｉ，ｄ２ｉの大きい方を誤差とし、この誤差が最小となるターゲットパラメータｉを選択する方法もある。式で示すと、ＭＩＮｉ（ＭＡＸ（ｄ１ｉ，ｄ２ｉ））となるｉを求める。
【００４８】
以上に説明した第２の実施の形態の規則音声合成装置２０によれば、ターゲットとなる母音の特徴パラメータを複数用意することにより、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００４９】
次に、本発明に係る第３の実施の形態の規則音声合成装置について図５を参照して説明する。この規則音声合成装置３０は、単位素片補正系３１と音声合成系３２にわかれている。
【００５０】
単位素片補正系３１は、補正済み単位素片セット３３と、パラメータ補正部３４と、単位素片セット記憶部３５と、ターゲットパラメータ記憶部３６とを備えてなり、あらかじめパラメータ補正部３４により、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正し、補正済み単位素片セット記憶部３３に記憶しておく。パラメータ補正部３４は、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶部３６からターゲットパラメータを読み出す。また、パラメータ補正部３４は、単位素片セット記憶部３５から音響特徴パラメータを読み出す。
【００５１】
特に、パラメータ補正部３４は、単位素片セット記憶部３５から読み出した音響特徴パラメータと単位素片の始端、終端の音素に応じてターゲットパラメータ記憶部３６から母音のターゲットパラメータを読み出してそれに応じて単位素片の音響特徴パラメータを補正し、前述したように、補正済み単位素片セット記憶部３３に、前記補正した音響特徴パラメータを、単位素片とセットにして記憶しておく。
【００５２】
音声合成系３２は、補正済み単位素片セット３３と、入力される音素列に基づいて補正済み単位素片セット記憶部３３から補正済みの音響特徴パラメータを選択して出力する単位素片選択部１２と、単位素片選択部１２によって選択された音響特徴パラメータの時系列データを生成する時系列データ生成部１５と、入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成部１６とを備える。
【００５３】
補正済み単位素片セット記憶部３３が記憶している単位素片セットは、既に単位素片補正部３１によって補正されたデータである。
【００５４】
単位素片選択部１２は前記入力される音素列に基づいて前記補正済み単位素片セット記憶部３３を参照して、前記入力される音素列に含まれる音素列（素片）を選択して、選択した音素列（単位素片）に対応する音響特徴パラメータ（例えばケプストラム係数や、ホルマント係数など）を補正済み単位素片セット記憶部３３から読み出す。
【００５５】
パラメータ時系列生成部１５は、端子素片選択部１２によって選択されたパラメータを連結して前記入力された音素列に対応する音響特徴パラメータの系列であるパラメータ時系列を生成して出力する。
【００５６】
音声合成部１６は、波形生成部１７とスピーカ１８からなる。波形生成部１７は、パラメータ時系列生成部１５によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声信号を生成する。
【００５７】
この第３の実施の形態の規則音声合成装置３０では、補正済み単位素片セット記憶部３３内の補正済み単位補正セットを用いることにより、合成時にパラメータの補正を行う必要がない。
【００５８】
なお、ターゲットパラメータ記憶部３６は、母音毎に代表となる音響特徴パラメータを記憶するだけでなく、母音毎に複数の音響特徴パラメータを記憶していてもよい。この場合、パラメータ補正部３４は、全てのターゲットパラメータに応じて単位素片セット３５から読み出した音響特徴パラメータを補正し、補正済み単位素片セット３３に全ての補正音響特徴パラメータを記憶させておく。
【００５９】
以上に説明したように、この第３の実施の形態の規則音声合成装置３０によれば、単位素片セットをあらかじめ補正した補正済み単位素片セットを用意することによって、合成時の処理量を軽減することができる。
【００６０】
なお、前記第１の実施の形態〜第３の実施の形態では、単位素片の境界の音素として母音で有るものを用いたが、単位素片の境界の音素としては、母音（と無音）だけでなく、そのほかの比較的に音響特性の動的な変化を特徴としない傾向の子音、例えば鼻音なども含めることもできる。
【００６１】
図１を準用して説明すると、単位素片選択部１２が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶部１３から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータをパラメータ補正部１４が補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６２】
したがって、本発明の規則音声合成装置によれば、前記ＶＣＶの他、ＶＣＶＣＶや、さらにはＣＶＣも対象とすることができる。
【００６３】
【発明の効果】
本発明に係る規則音声合成装置によれば、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６４】
本発明に係る規則音声合成方法によれば、母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる母音の特徴パラメータを適切に選ぶことにより、パラメータの母音部がそのターゲットに合わせて補正されるため、はっきりした母音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００６５】
本発明に係る規則音声合成装置によれば、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するので、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００６６】
本発明に係る規則音声合成方法によれば、この規則音声合成方法は、母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶の複数の音響特徴パラメータから音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正し、この補正した音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するので、選択された単位素片に応じて補正の量が少なくなるようなターゲットが選択され、このターゲットで補正が行われるために、音韻環境等によって母音の特徴が一意に定められない場合にも対応することができる品質の高い合成音声を生成することができる。
【００６７】
本発明に係る規則音声合成装置によれば、入力される音素列に基づき、単位素片補正手段によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成するので、合成時の処理量を軽減することができる。
【００６８】
本発明に係る規則音声合成方法によれば、入力される音素列に基づき、単位素片補正工程によって補正された補正済み単位素片セットを用いて入力された音素列に対応する音声を合成するので、合成時の処理量を軽減することができる。
【００６９】
本発明に係る規則音声合成装置によれば、単位素片選択手段が出力した単位素片の音響特徴パラメータに応じてターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【００７０】
本発明に係る規則音声合成方法によれば、子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて単位素片の音響特徴パラメータを補正し、この補正したパラメータを結合して音響特徴パラメータの時系列データを生成するので、接続歪みを一定以下にすることができる。また、接続歪みのない高品質な合成音声を生成することができる。また、ターゲットとなる子音の特徴パラメータを適切に選ぶことにより、パラメータの子音部がそのターゲットに合わせて補正されるため、はっきりした子音の特性を持つ明瞭度の高い合成音声を生成することができる。
【図面の簡単な説明】
【図１】第１の実施の形態の規則音声合成装置のブロック図である。
【図２】前記第１の実施の形態の規則音声合成装置の要部であるパラメータ補正部の補正動作の二つの具体例を説明するための図である。
【図３】第２の実施の形態の規則音声合成装置のブロック図である。
【図４】前記第２の実施の形態の規則音声合成装置の要部であるパラメータ補正部のターゲット選択部の動作の具体例を説明するための図である。
【図５】第３の実施の形態の規則音声合成装置のブロック図である。
【符号の説明】
１０，２０，３０ 規則音声合成装置、１１ 単位素片セット記憶部、１２ 単位素片選択部、１４，２４ パラメータ補正部、１５ パラメータ時系列生成部、１６ 音声合成部、２５ ターゲットパラメータ選択部、２６ パラメータ補正実行部、３１ 単位素片補正系、３２ 音声合成系、３３ 補正済み単位素片セット記憶部、３４ パラメータ補正部、３５ 単位素片セット記憶部、３６ターゲットパラメータ記憶部
Claims (16)
- 母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、
入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、
母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、
前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、
前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、
前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段と
を備えたことを特徴とする規則音声合成装置。 - 前記パラメータ補正手段は、単位素片の音響特徴パラメータを補正の対象となる単位素片の始端から終端全体にわたって補正することを特徴とする請求項１記載の規則音声合成装置。
- 前記パラメータ補正手段は、前記音素列である単位素片の始端又は終端の時間的な境界を固定長として決定すること特徴とする請求項１記載の規則音声合成装置。
- 前記パラメータ補正手段は、前記音素列である単位素片の始端又は終端の時間的な境界を母音と子音の境界にしたがって決定すること特徴とする請求項１記載の規則音声合成装置。
- 入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、
母音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて母音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、
前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、
前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程と
を備えたことを特徴とする規則音声合成方法。 - 母音の音素を境界に持つ複数の音素列を素片とし、各素片の特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、
入力される音素列に基づいて、前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、
母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、
前記ターゲットパラメータ記憶手段に記憶された複数の音響特徴パラメータから前記単位素片選択手段の出力の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の音響特徴パラメータに応じて単位素片の音響特徴パラメータを補正するパラメータ補正手段と、
前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、
前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて、前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段と
を備えたことを特徴とする規則音声合成装置。 - 前記パラメータ補正手段は、前記単位素片選択手段の出力である単位素片の終端のパラメータと前記ターゲットパラメータ記憶手段に記憶された複数の音響特徴パラメータとの間の誤差が最も小さいものを特定の音響特徴パラメータとして選択することを特徴とする請求項６記載の規則音声合成装置。
- 前記パラメータ補正手段は、前記単位素片選択手段の出力である単位素片の終端のパラメータ及び始端のパラメータと、前記ターゲットパラメータ記憶手段に記憶された複数の音響特徴パラメータとの間の誤差に基づいて特定の音響特徴パラメータとして選択することを特徴とする請求項６記載の規則音声合成装置。
- 前記パラメータ補正手段は、前記単位素片の終端のパラメータと前記複数の音響特徴パラメータの誤差と、前記始端のパラメータと前記複数の音響特徴パラメータの誤差との和が最小となるものを特定の音響特徴パラメータとして選択することを特徴とする請求項８記載の規則音声合成装置。
- 前記パラメータ補正手段は、前記単位素片の終端のパラメータと前記複数の内の各音響特徴パラメータの誤差と、前記始端のパラメータと前記複数の内の各音響特徴パラメータの誤差とのそれぞれ大きいものを代表とした誤差のうち最小のものを特定の音響特徴パラメータとして選択することを特徴とする請求項８記載の規則音声合成装置。
- 入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、母音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、
母音毎に複数の音響特徴パラメータを記憶したターゲットパラメータ記憶手段の複数の音響特徴パラメータから前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じて特定の音響特徴パラメータを選択し、選択した特定の複数のターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、
前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、
前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程と
を備えたことを特徴とする規則音声合成方法。 - あらかじめ、音素列と音響特徴パラメータのデータを持つ単位素片セットを補正する単位素片補正手段と、
入力される音素列に基づき、前記単位素片補正手段によって補正された補正済み単位素片セットを用いて前記入力された音素列に対応する音声を合成する音声合成手段と
を備えることを特徴とする規則音声合成装置。 - 前記単位素片補正手段は、
前記単位素片補正手段は前記音素列と音響特徴パラメータのデータを持つ単位素片セットを補正するパラメータ補正手段と、
このパラメータ補正手段により補正された前記補正済み単位素片セットを記憶する補正済み単位素片セット記憶手段とを
備え、
前記音声合成手段は、
前記単位素片セット記憶手段と、
入力される音素列に基づいて前記補正済み単位素片セット記憶手段から音素列に対応する音響特徴パラメータを読み出して出力する単位素片選択手段と、
前記単位素片選択手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するパラメータ時系列生成手段と、
前記パラメータ時系列生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段と
を備えることを特徴とする請求項１２記載の規則音声合成装置。 - 音素列と音響特徴パラメータのデータを持つ単位素片セットを補正するパラメータ補正工程と、
このパラメータ補正工程により補正された前記補正済み単位素片セットを記憶する補正済み単位素片セット記憶工程と、
入力される音素列に基づいて前記補正済み単位素片セット記憶工程から音素列に対応する音響特徴パラメータを読み出して出力する単位素片選択工程と、
前記単位素片選択工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成するパラメータ時系列生成工程と、
前記パラメータ時系列生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データに基づいて前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程と
を備えることを特徴とする規則音声合成方法。 - 子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段と、
入力される音素列に基づいて前記単位素片セット記憶手段から対応する単位素片の音響特徴パラメータを読み出して出力する単位素片選択手段と、
子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段と、
前記単位素片選択手段が出力した単位素片の音響特徴パラメータに応じて前記ターゲットパラメータ記憶手段から子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正手段と、
前記パラメータ補正手段から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成手段と、
前記時系列データ生成手段によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成手段と
を備えたことを特徴とする規則音声合成装置。 - 入力される音素列に基づいて対応する単位素片の音響特徴パラメータを、子音の音素を境界に持つ複数の音素列を素片として特徴パラメータと共に単位素片のセットとして記憶する単位素片セット記憶手段から読み出して出力する単位素片選択工程と、
子音毎に代表となる音響特徴パラメータを記憶したターゲットパラメータ記憶手段から前記単位素片選択工程が出力した単位素片の音響特徴パラメータに応じ子音のターゲットパラメータを読み出し、このターゲットパラメータに基づいて前記単位素片の音響特徴パラメータを補正するパラメータ補正工程と、
前記パラメータ補正工程から出力される音響特徴パラメータを結合して音響特徴パラメータの時系列データを生成する時系列データ生成工程と、
前記時系列データ生成工程によって生成された前記入力された音素列に対応する音響特徴パラメータの時系列データにしたがって前記入力された音素列に対応する合成音声の音声信号を発声して出力する音声合成工程と
を備えたことを特徴とする規則音声合成方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003169989A JP4225128B2 (ja) | 2003-06-13 | 2003-06-13 | 規則音声合成装置及び規則音声合成方法 |
| US10/864,130 US7765103B2 (en) | 2003-06-13 | 2004-06-09 | Rule based speech synthesis method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003169989A JP4225128B2 (ja) | 2003-06-13 | 2003-06-13 | 規則音声合成装置及び規則音声合成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2005004104A true JP2005004104A (ja) | 2005-01-06 |
| JP4225128B2 JP4225128B2 (ja) | 2009-02-18 |
Family
ID=34094957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003169989A Expired - Fee Related JP4225128B2 (ja) | 2003-06-13 | 2003-06-13 | 規則音声合成装置及び規則音声合成方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US7765103B2 (ja) |
| JP (1) | JP4225128B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009237015A (ja) * | 2008-03-26 | 2009-10-15 | Nippon Hoso Kyokai <Nhk> | 音声素片接続装置及びプログラム |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007219880A (ja) * | 2006-02-17 | 2007-08-30 | Fujitsu Ltd | 評判情報処理プログラム、方法及び装置 |
| JP4744338B2 (ja) * | 2006-03-31 | 2011-08-10 | 富士通株式会社 | 合成音声生成装置 |
| JP4878538B2 (ja) * | 2006-10-24 | 2012-02-15 | 株式会社日立製作所 | 音声合成装置 |
| JP5119700B2 (ja) * | 2007-03-20 | 2013-01-16 | 富士通株式会社 | 韻律修正装置、韻律修正方法、および、韻律修正プログラム |
| JP5716595B2 (ja) * | 2011-01-28 | 2015-05-13 | 富士通株式会社 | 音声補正装置、音声補正方法及び音声補正プログラム |
| US9489864B2 (en) * | 2013-01-07 | 2016-11-08 | Educational Testing Service | Systems and methods for an automated pronunciation assessment system for similar vowel pairs |
| US9761247B2 (en) | 2013-01-31 | 2017-09-12 | Microsoft Technology Licensing, Llc | Prosodic and lexical addressee detection |
| WO2017221516A1 (ja) * | 2016-06-21 | 2017-12-28 | ソニー株式会社 | 情報処理装置及び情報処理方法 |
| US10319364B2 (en) * | 2017-05-18 | 2019-06-11 | Telepathy Labs, Inc. | Artificial intelligence-based text-to-speech system and method |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2583074B2 (ja) | 1987-09-18 | 1997-02-19 | 日本電信電話株式会社 | 音声合成方法 |
| JP3109778B2 (ja) | 1993-05-07 | 2000-11-20 | シャープ株式会社 | 音声規則合成装置 |
| JP3614874B2 (ja) | 1993-08-19 | 2005-01-26 | ソニー株式会社 | 音声合成装置及び方法 |
| JP2886474B2 (ja) | 1995-03-10 | 1999-04-26 | 株式会社エイ・ティ・アール音声翻訳通信研究所 | 規則音声合成装置 |
| US6226614B1 (en) * | 1997-05-21 | 2001-05-01 | Nippon Telegraph And Telephone Corporation | Method and apparatus for editing/creating synthetic speech message and recording medium with the method recorded thereon |
| EP1138038B1 (en) * | 1998-11-13 | 2005-06-22 | Lernout & Hauspie Speech Products N.V. | Speech synthesis using concatenation of speech waveforms |
| JP2002082686A (ja) | 2000-09-08 | 2002-03-22 | Hitachi Ltd | 音声合成方法と音声合成装置 |
-
2003
- 2003-06-13 JP JP2003169989A patent/JP4225128B2/ja not_active Expired - Fee Related
-
2004
- 2004-06-09 US US10/864,130 patent/US7765103B2/en not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009237015A (ja) * | 2008-03-26 | 2009-10-15 | Nippon Hoso Kyokai <Nhk> | 音声素片接続装置及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4225128B2 (ja) | 2009-02-18 |
| US7765103B2 (en) | 2010-07-27 |
| US20050119889A1 (en) | 2005-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2140447B1 (en) | System and method for hybrid speech synthesis | |
| JP4469883B2 (ja) | 音声合成方法及びその装置 | |
| JP4241762B2 (ja) | 音声合成装置、その方法、及びプログラム | |
| JP4406440B2 (ja) | 音声合成装置、音声合成方法及びプログラム | |
| JP2008033133A (ja) | 音声合成装置、音声合成方法および音声合成プログラム | |
| US9147392B2 (en) | Speech synthesis device and speech synthesis method | |
| US20110046957A1 (en) | System and method for speech synthesis using frequency splicing | |
| JP4225128B2 (ja) | 規則音声合成装置及び規則音声合成方法 | |
| JP3450237B2 (ja) | 音声合成装置および方法 | |
| JP2017167526A (ja) | 統計的パラメトリック音声合成のためのマルチストリームスペクトル表現 | |
| JP5874639B2 (ja) | 音声合成装置、音声合成方法及び音声合成プログラム | |
| JP4829605B2 (ja) | 音声合成装置および音声合成プログラム | |
| JP5075865B2 (ja) | 音声処理装置、方法、及びプログラム | |
| US6829577B1 (en) | Generating non-stationary additive noise for addition to synthesized speech | |
| JP5177135B2 (ja) | 音声合成装置、音声合成方法及び音声合成プログラム | |
| JP3109778B2 (ja) | 音声規則合成装置 | |
| JP5175422B2 (ja) | 音声合成における時間幅を制御する方法 | |
| JP5054632B2 (ja) | 音声合成装置及び音声合成プログラム | |
| JP5106274B2 (ja) | 音声処理装置、音声処理方法及びプログラム | |
| WO2013011634A1 (ja) | 波形処理装置、波形処理方法および波形処理プログラム | |
| JP3883318B2 (ja) | 音声素片作成方法及び装置 | |
| JP6011039B2 (ja) | 音声合成装置および音声合成方法 | |
| JPH1097268A (ja) | 音声合成装置 | |
| JP2004206144A (ja) | 基本周波数パタン生成方法、及びプログラム記録媒体 | |
| JP4839058B2 (ja) | 音声合成装置および音声合成プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050311 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070517 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070522 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070723 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071023 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071220 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20081104 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081117 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111205 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111205 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |