JP2005107136A - 音声および楽曲再生装置 - Google Patents

Abstract

【課題】 ユーザが音声再生や、波形データ再生、楽曲データ再生の組み合わせを手軽に行うことができる音声および楽曲再生装置を提供する。
【解決手段】 ＨＶ−Ｓｃｒｉｐｔプレイヤー１はＨＶ−Ｓｃｒｉｐｔに記述されるイベントを解釈する。イベントの種別が波形データの場合、波形再生プレイヤー４は波形データを波形データ用ＲＡＭ５から読み出し、波形再生器６へ出力する。イベントの種別が楽曲フレーズであった場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はフレーズ再生プレイヤー７に処理を行わせる。フレーズ再生プレイヤー７は楽曲フレーズデータを楽曲フレーズデータ用ＲＡＭ８から読み出し、この楽曲フレーズデータ中の時間情報に基づいて、楽曲フレーズデータ中の音符情報をフレーズ音源９へ出力する。その他の場合、ＨＶドライバ２は合成辞書を用いて文字列をフォルマントフレーム列へコンバートし、ＨＶ音源３へ出力する。
【選択図】 図１

Description

この発明は、文字情報を音声および楽曲に変換して再生する音声および楽曲再生装置に関する。

従来、電子メールなどの文字情報を音声に変換して出力する方法が知られていた。また、楽曲フレーズや音声フレーズをサンプリングして作成した波形データ（サンプリングデータ）を再生する方法や、ＳＭＦ（Ｓｔａｎｄａｒｄ ＭＩＤＩ Ｆｉｌｅ）あるいはＳＭＡＦ（Ｓｙｎｔｈｅｔｉｃ ｍｕｓｉｃ Ｍｏｂｉｌｅ Ａｐｐｌｉｃａｔｉｏｎ Ｆｉｌｅ）などの音符情報列で一つの楽曲フレーズを構成し、この楽曲フレーズを再生する方法が知られていた。

特許文献１には、電子メール中の文字情報と楽音情報とを分離し、それぞれを発音させることのできる電子メール読み上げ装置が記載されている。
特開２００１−５１６８８号公報

しかし、楽曲や音声をサンプリングして作成した波形データを再生する従来の方法や、ＳＭＦあるいはＳＭＡＦなどの音符情報列で一つの楽曲データを構成し、この楽曲データを再生する従来の方法においては、それらの再生タイミングをテキストファイルで記述する方法がなかった。したがって、ユーザが文字情報に基づいた音声再生と波形データ再生あるいは楽曲データ再生との組み合わせをユーザの思い通りに行うことができなかった。

本発明は上述した問題点に鑑みてなされたものであって、ユーザが音声再生や、波形データ再生、楽曲データ再生の組み合わせを手軽に行うことができる音声および楽曲再生装置を提供することを目的とする。

本発明は上記の課題を解決するためになされたもので、請求項１に記載の発明は、発音用データを記憶する第１の記憶手段と、文字の発音または前記発音用データの再生を指定する指定データが記述されたスクリプトを記憶する第２の記憶手段と、前記第２の記憶手段から前記スクリプトを読み出し、該スクリプト中の前記指定データに基づいて前記文字の発音または前記発音用データの再生の指示を出力する指示手段と、前記指示手段からの前記文字の発音指示を受け、前記指定データに基づいて音声信号を生成する音声信号生成手段と、前記指示手段によって前記発音用データの再生指示を受け、前記指定データに基づいて前記発音用データを前記第１の記憶手段から読み出し、該発音用データに基づいて発音信号を生成する発音信号生成手段と、前記音声信号生成手段によって生成された前記音声信号に基づいて音声を発生し、前記発音信号生成手段によって生成された前記発音信号に基づいて音声または楽音を発生する発生手段とを具備することを特徴とする音声および楽曲再生装置である。

請求項２に記載の発明は、請求項１に記載の音声および楽曲再生装置において、前記発音用データは音声または楽曲のサンプリングにより生成される波形データであり、前記発音信号生成手段は、前記指示手段によって前記波形データの再生が指示された場合に、前記指定データに基づいて前記波形データを前記第１の記憶手段から読み出し、該波形データに基づいて発音信号を生成することを特徴とする。

請求項３に記載の発明は、請求項１に記載の音声および楽曲再生装置において、前記発音用データは音符情報列を含む楽曲データであり、前記発音信号生成手段は、前記指示手段によって前記楽曲データの再生が指示された場合に、前記指定データに基づいて前記楽曲データを前記第１の記憶手段から読み出し、前記音符情報列に基づいて発音信号を生成することを特徴とする。

請求項４に記載の発明は、請求項１〜請求項３のいずれかの項に記載の音声および楽曲再生装置において、前記音声信号生成手段はさらに、前記文字の発音を特徴付けるフォルマント制御パラメータを記憶し、前記指示手段からの前記文字の発音の指示を受け、前記指定データおよび前記フォルマント制御パラメータに基づいて音声信号を生成することを特徴とする。

請求項５に記載の発明は、請求項１〜請求項４のいずれかの項に記載の音声および楽曲再生装置において、ユーザによる操作を受け付け、該操作の結果を操作信号として出力する操作手段と、前記操作信号に基づいて前記スクリプトを生成する生成手段と、前記生成手段によって生成された前記スクリプトを前記第２の記憶手段に書き込む書込手段とをさらに具備することを特徴とする。

請求項６に記載の発明は、請求項１〜請求項５のいずれかの項に記載の音声および楽曲再生装置において、前記スクリプトはテキスト入力によって作成される形式のファイルであることを特徴とする。

請求項７に記載の発明は、請求項１〜請求項６のいずれかの項に記載の音声および楽曲再生装置において、前記指定データは前記文字の発音態様を指定するデータを含むことを特徴とする。

請求項８に記載の発明は、請求項１〜請求項７のいずれかの項に記載の音声および楽曲再生装置を具備し、前記音声および楽曲再生装置によって、前記スクリプトに基づいた音声または楽曲を生成することを特徴とする携帯端末である。

この発明によれば、ＨＶ−Ｓｃｒｉｐｔの記述に応じて、音声合成による音声の発生、波形データの再生、および楽曲データの再生が行われるようにしたので、ユーザがこれらの再生を手軽に行うことができるという効果が得られる。

以下、図面を参照し、この発明を実施するための最良の形態について説明する。図１はこの発明の一実施形態による音声および楽曲再生装置の構成を示す図である。図において、ＨＶ−Ｓｃｒｉｐｔ（ＨＶ：Ｈｕｍａｎ Ｖｏｉｃｅ）は音声を再生するためのフォーマットを定義するファイルである。ＨＶ−Ｓｃｒｉｐｔは、韻律記号（アクセントなどの発音態様を指定するための記号）を含んだ発音文字列、発音する音の設定、再生アプリケーション等へのメッセージからなる音声合成を行うためのデータを定義するファイルであり、ユーザによる作成を容易にするため、テキスト入力により作成される。

ＨＶ−Ｓｃｒｉｐｔは、テキストエディタなどのアプリケーションソフトウェアが読み込んで、テキストによる編集が可能であるファイル形式であればよく、一例としてテキストエディタによって作成されるテキストファイルが挙げられる。ＨＶ−Ｓｃｒｉｐｔには言語依存性があり、様々な言語による定義が考えられるが、本実施形態においてはＨＶ−Ｓｃｒｉｐｔは日本語によって定義されているものとする。

１はＨＶ−Ｓｃｒｉｐｔプレイヤーであり、ＨＶ−Ｓｃｒｉｐｔの再生や停止などを制御する。ＨＶ−Ｓｃｒｉｐｔが登録され、その再生指示を受けた場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はＨＶ−Ｓｃｒｉｐｔの解釈を開始する。そして、ＨＶ−Ｓｃｒｉｐｔに記述されているイベントの種類に応じて、ＨＶドライバ２、波形再生プレイヤー４、フレーズ再生プレイヤー７のいずれかに対して処理を行わせる。

ＨＶドライバ２は図示しないＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）から合成辞書を読み出して参照する。人間の音声は人体の構造（例えば声帯や口腔などの形状）に依存する所定のフォルマント（固有の周波数スペクトル）を有しており、合成辞書は音声のフォルマントに係るパラメータを保持している。合成辞書は、実際の音が発音文字単位で（例えば「あ」・「い」など）サンプリングおよび分析された結果によって得られたパラメータをフォルマントフレームデータとして発音文字単位で予め保持しているデータベースである。

例えばＣＳＭ（複合正弦波モデル）音声合成方式の場合、合成辞書は８組のフォルマント周波数、フォルマントレベルおよびピッチなどをパラメータとして保持している。このような音声合成方式は、音声のサンプリングによって作成される波形データの再生方式と比較して、データ量が大幅に少ないという利点を有している。なお、合成辞書が、再生される音声の声質を制御するパラメータ（例えば８組のフォルマント周波数およびフォルマントレベルの変更の指定を行うためのパラメータなど）をさらに保持していてもよい。

ＨＶドライバ２は、ＨＶ−Ｓｃｒｉｐｔ中の韻律記号を含んだ合成文字列などを解釈し、合成辞書を用いてフォルマントフレーム列へコンバートし、ＨＶ音源３へ出力する。ＨＶ音源３はＨＶドライバ２によって出力されたフォルマントフレーム列に基づいて発音信号を生成し、加算器１０へ出力する。

波形再生プレイヤー４は音声や楽曲、擬似音などが予めサンプリングされた波形データの再生や停止などを制御する。５は波形データ用ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であり、デフォルト波形データを予め記憶している。ユーザはユーザデータ用ＲＡＭ１２中のユーザ波形データを登録ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍ Ｉｎｔｅｒｆａｃｅ）１３を経由して波形データ用ＲＡＭ５に格納することができる。波形再生プレイヤー４はＨＶ−Ｓｃｒｉｐｔプレイヤー１から再生指示を受けると、波形データ用ＲＡＭ５から波形データを読み出し、波形再生器６へ出力する。波形再生器６は波形再生プレイヤー４によって出力された波形データに基づいて発音信号を生成し、加算器１０へ出力する。

フレーズ再生プレイヤー７は楽曲フレーズデータの再生や停止などを制御する。楽曲フレーズデータはＳＭＦフォーマットなどの形式であり、発音する音の音高や音量などを示す音符情報列と、発音時間を示す時間情報とで構成される。８は楽曲フレーズデータ用ＲＡＭであり、デフォルト楽曲フレーズデータを予め記憶している。ユーザはユーザデータ用ＲＡＭ１２中のユーザ楽曲フレーズデータを、登録ＡＰＩ１３を経由して楽曲フレーズデータ用ＲＡＭ８に格納することができる。

フレーズ再生プレイヤー７はＨＶ−Ｓｃｒｉｐｔプレイヤー１から再生指示を受けると、楽曲フレーズデータ用ＲＡＭ８から楽曲フレーズデータを読み出し、この楽曲フレーズデータ中の音符情報の時間管理を行い、楽曲フレーズデータに記述されている時間情報に基づいて、音符情報をフレーズ音源９へ出力する。フレーズ音源９はフレーズ再生プレイヤー７によって出力された音符情報に基づいて楽音信号を生成し、加算器１０へ出力する。フレーズ音源９としてＦＭ（Ｆｒｅｑｕｅｎｃｙ Ｍｏｄｕｌａｔｉｏｎ Ｓｏｕｎｄ）方式やＰＣＭ（Ｐｕｌｓｅ Ｃｏｄｅｄ Ｍｏｄｕｌｅ Ｓｏｕｎｄ Ｓｏｕｒｃｅ）方式などの種類の音源があるが、楽曲フレーズデータの再生が行えればよく、その方式は限定されない。

加算器１０はＨＶ音源３によって出力される発音信号、波形再生器６によって出力される音声信号、およびフレーズ音源９によって出力される楽音信号を合成し、合成された信号をスピーカ１１へ出力する。スピーカ１１は加算器１０によって合成された信号に基づいて音声または楽音を発生する。

なお、ＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７が同時に処理を行い、発音信号、音声信号、および楽音信号のそれぞれの信号に基づいた音声および楽曲が同時に発生するようにしてもよいし、ＨＶ−Ｓｃｒｉｐｔプレイヤー１がＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７の処理タイミングを管理し、それぞれの処理に基づいた音声および楽曲が同時には発生しないようにしてもよい。本実施形態においては、ＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７による同時処理が禁止されているものとする。また、上述した構成においては説明の都合上、波形データ用ＲＡＭ５、楽曲フレーズデータ用ＲＡＭ８、およびユーザデータ用ＲＡＭ１２という別個のＲＡＭを設けているが、それらの機能を同じＲＡＭの異なる記憶領域に割り当ててもよい。

図２はＨＶ−Ｓｃｒｉｐｔに記述される、波形データや楽曲フレーズデータを再生するためのイベントを定義した一例である。イベントの頭文字であるＤはデフォルト定義を意味し、Ｏはユーザ定義を意味している。また、それぞれのイベントには種別として波形またはフレーズが割り当てられる。デフォルト定義（Ｄ０〜Ｄ６３）には、予め波形データ用ＲＡＭ５が保持するデフォルト波形データや、楽曲フレーズデータ用ＲＡＭ８が保持するデフォルト楽曲フレーズデータが割り当てられる。デフォルト定義には６４個分のデフォルト波形データおよびデフォルト楽曲フレーズデータを割り当てることができる。ユーザ定義（０〜６３）には、ユーザが任意に作成したサンプリング波形データや楽曲フレーズデータが割り当てられる。ユーザ定義には６４個分のサンプリング波形データおよび楽曲フレーズデータを割り当てることができる。

図２中の種別が波形データであるイベントと、そのイベントが示す波形データとの関係を示すデータが波形データ用ＲＡＭ５に予め記憶されている。また、種別がフレーズであるイベントと、そのイベントが示す楽曲フレーズデータとの関係を示すデータが楽曲フレーズデータ用ＲＡＭ８に記憶されている。これらのデータは、ユーザによってユーザデータ用ＲＡＭ１２中の波形データあるいは楽曲フレーズデータの登録が行われた場合に更新される。

ＨＶ−Ｓｃｒｉｐｔには例えば、「ＴＪＫ１２みなさんＯ０です。Ｄ２０」と記述される。先頭に記述される「ＴＪＫ１２」のうち、ＴはＨＶ−Ｓｃｒｉｐｔの開始を示す。Ｊは国・文字コードであり、ＨＶ−Ｓｃｒｉｐｔが日本語であることを示す。Ｋ１２は声質設定であり、１２番目の声質であることを示す。「みなさん」および「です。」はＨＶドライバ２によって解釈され、スピーカ１１から“みなさん”および“です”という音声が発生する。「みなさん」および「です。」のような発音文字列中にアクセント（あるいは強弱）などの発音態様を示す韻律記号がある場合には、アクセントをつけた（あるいは強弱をつけた）音声が発生する。

イベント「Ｏ０」には例えば、“鈴木”と発音される音声がサンプリングされた波形データが登録されているとする。「Ｏ０」は波形再生プレイヤー４によって解釈され、スピーカ１１から“鈴木”という音声が発生する。また、イベント「Ｄ２０」には例えば、賑やかなショート楽曲フレーズが登録されているとする。「Ｄ２０」はフレーズ再生プレイヤー７によって解釈され、スピーカ１１から賑やかな楽曲が発生する。この場合、再生音声は“みなさん 鈴木です （楽曲フレーズ再生）”となり、“鈴木”の部分だけ波形データが再生される。波形データの再生による音声の発生は、“みなさん”や“です”のような発音単位の音声合成による音声の発生と比較し、発音単位のつなぎ目の再生がより自然な再生となる。また、“鈴木”を特徴的な波形にすることによって、ユーザに対して音声を効果的に聞かせることができる。以上のように、波形データや楽曲フレーズデータの再生を指定するイベントをＨＶ−Ｓｃｒｉｐｔに記述することにより、波形データや楽曲フレーズデータの再生タイミングを指定することができる。なお、ＨＶ−Ｓｃｒｉｐｔの記述に関する設定は設計事項であり、上述した記述に限定されない。

次に、上述した構成の音声および楽曲再生装置の動作を図３のフローチャートを用いて説明する。まず、ユーザによってＨＶ−Ｓｃｒｉｐｔがテキストエディタなどにより作成され、ＨＶ−Ｓｃｒｉｐｔプレイヤー１に登録される（ステップＳ１）。このとき、ユーザ定義の波形データや楽曲フレーズデータがあれば、登録ＡＰＩ１３がユーザデータ用ＲＡＭ１２から波形データや楽曲フレーズデータを読み込む。登録ＡＰＩ１３は波形データを波形データ用ＲＡＭ５に格納し、楽曲フレーズデータを楽曲フレーズデータ用ＲＡＭ８に格納する。

ユーザによってスタート指示がなされる（ステップＳ３）と、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はＨＶ−Ｓｃｒｉｐｔの解釈を開始する。ＨＶ−Ｓｃｒｉｐｔプレイヤー１はＨＶ−Ｓｃｒｉｐｔ中の記述が「Ｄ」または「Ｏ」で始まるイベントであるかどうか判定し（ステップＳ４）、「Ｄ」または「Ｏ」で始まるイベントの場合はその種別が波形データであるかどうか判定する（ステップＳ５）。種別が波形データの場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１は波形再生プレイヤー４に処理を指示する。波形再生プレイヤー４は「Ｄ」または「Ｏ」に続く番号の波形データを波形データ用ＲＡＭ５から読み出し、波形再生器６へ出力する（ステップＳ６）。波形再生器６はこの波形データに基づいて音声信号を生成し、加算器１０を介してスピーカ１１へ出力する（ステップＳ７）。これにより、スピーカ１１から音声が発生する。

また、ステップＳ５において種別が波形データでなかった場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はイベントの種別が楽曲フレーズであるかどうか判定する（ステップＳ８）。イベントの種別が楽曲フレーズであった場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はフレーズ再生プレイヤー７に処理を指示する。フレーズ再生プレイヤー７は「Ｄ」または「Ｏ」に続く番号の楽曲フレーズデータを楽曲フレーズデータ用ＲＡＭ８から読み出し、この楽曲フレーズデータ中の時間情報に基づいて、楽曲フレーズデータ中の音符情報をフレーズ音源９へ出力する（ステップＳ９）。フレーズ音源９はこの音符情報に基づいて楽音信号を生成し、加算器１０を介してスピーカ１１へ出力する（ステップＳ１０）。これにより、スピーカ１１から楽曲が発生する。なお、ステップＳ８においてイベントの種別が楽曲フレーズでもなかった場合は、楽曲再生装置では処理できない種別のデータであるとして、何もせずにステップＳ１３へ進む。

また、ステップＳ４において、ＨＶ−Ｓｃｒｉｐｔ中の記述が「Ｄ」で始まるイベントでも「Ｏ」で始まるイベントでもなかった場合、ＨＶ−Ｓｃｒｉｐｔプレイヤー１はＨＶドライバ２に処理を指示する。ＨＶドライバ２は合成辞書を用いて文字列をフォルマントフレーム列へコンバートし、ＨＶ音源３へ出力する（ステップＳ１１）。ＨＶ音源３はこのフォルマントフレーム列に基づいて発音信号を生成し、加算器１０を介してスピーカ１１へ出力する（ステップＳ１２）。これにより、スピーカ１１から音声が発生する。

ＨＶ−Ｓｃｒｉｐｔプレイヤー１はイベントの終了ごとにＨＶ−Ｓｃｒｉｐｔの最後の記述まで解釈を終えたかどうか判定する（ステップＳ１３）。まだ解釈すべき記述が残っている場合は、ステップＳ４へ戻り、全ての記述の解釈が終了した場合は処理が終了する。

本実施形態におけるＨＶ−Ｓｃｒｉｐｔの記述例として示した「ＴＪＫ１２みなさんＯ０です。Ｄ２０」の場合、イベント“Ｏ０”として定義された波形データの発音が終了してから次の“です”が発音されなければならない。例えば、ＨＶ−Ｓｃｒｉｐｔプレイヤー１が波形データ（または楽曲フレーズデータ）のイベントの解釈に到達した場合には、その次のイベントの再生を待たせ、波形再生プレイヤー４（またはフレーズ再生プレイヤー７）による発音が終了したときに、波形再生プレイヤー４からＨＶ−Ｓｃｒｉｐｔプレイヤー１に発音の終了を示す信号が出力されるようにする。

また、ＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７が同時に再生を行うことを許容した上で、ＨＶ−Ｓｃｒｉｐｔの記述によってそれらの再生を制御するようにしてもよい。例えば、ＨＶ−Ｓｃｒｉｐｔ中に「ＴＪＫ１２みなさんＯ０ ３です。Ｄ２０」と記述されており、「Ｏ０」の次の「 」（スペース）と「３」が所定時間無音を続けるというイベントを示し、「Ｏ０」が示す“鈴木”が発音されている間、ＨＶドライバ２によって再生される音声が無音となるようにすればよい。また、ＨＶ−Ｓｃｒｉｐｔ中に「ＴＪＫ１２こんにちは。Ｄ２０みなさんＯ０ ３です。」と記述することによって、「Ｄ２０」として定義される楽曲と“みなさん鈴木です”が同時に発音されるようにすることもできる。

図４は本実施形態による音声および楽曲再生装置を具備する携帯電話の構成例を示すブロック図である。図において４１は各部を制御するＣＰＵである。４２はデータ送受信用のアンテナである。４３は通信部であり、送信用データを変調してアンテナ４２へ出力すると共に、アンテナ４２によって受信された受信用データを復調する。４４は音声処理部であり、通話時に通信部４３から出力される通話相手の音声データを音声信号に変換してイヤスピーカ（図示せず）へ出力し、マイク（図示せず）から出力される音声信号を音声データに変換して通信部４３へ出力する。

４５は音源であり、図１で示したＨＶ音源３、波形再生器６、およびフレーズ音源９と同様の機能を有している。４６はスピーカであり、音声や楽音を発生する。４７はユーザによる操作を受け付ける操作部である。４８はＨＶ−Ｓｃｒｉｐｔや、ユーザが定義する波形データおよび楽曲フレーズデータなどを記憶するＲＡＭである。４９はＣＰＵ４１が実行するプログラムや、合成辞書、デフォルト波形データ、デフォルト楽曲フレーズデータなどが格納されたＲＯＭである。５０は表示部であり、ユーザによる操作結果や携帯電話の状態などを表示する。５１はバイブレータであり、着信時などにＣＰＵ４１から指示を受け、振動を発生する。上記各部はバスＢを介して接続されている。

携帯電話は音声から波形データを生成する機能を備えており、マイクから入力された音声が音声処理部４４によって波形データに変換され、この波形データがＲＡＭ４８に格納される。また、通信部４３によってＷｅｂサーバから楽曲フレーズデータがダウンロードされた場合、この楽曲フレーズデータがＲＡＭ４８に格納される。

ＣＰＵ４１はＲＯＭ４９に格納されたプログラムに従って、図１で示したＨＶ−Ｓｃｒｉｐｔプレイヤー１、ＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７等と同様の動作を行う。ＣＰＵ４１はＲＡＭ４８からＨＶ−Ｓｃｒｉｐｔを読み出し、ＨＶ−Ｓｃｒｉｐｔに記述されているイベントの解釈を行う。イベントが音声合成による発音を示している場合、ＣＰＵ４１はＲＯＭ４９から合成辞書を読み出して参照し、ＨＶ−Ｓｃｒｉｐｔに記述される文字列をフォルマントフレーム列へコンバートし、音源４５へ出力する。

また、イベントが波形データの再生を示している場合、ＣＰＵ４１はＨＶ−Ｓｃｒｉｐｔ中の「Ｄ」または「Ｏ」に続く番号の波形データをＲＡＭ４８またはＲＯＭ４９から読み出し、音源４５へ出力する。イベントが楽曲データの再生を示している場合、ＣＰＵ４１は「Ｄ」または「Ｏ」に続く番号の楽曲フレーズデータをＲＡＭ４８またはＲＯＭ４９から読み出し、この楽曲フレーズデータ中の時間情報に基づいて、楽曲フレーズデータ中の音符情報を音源４５へ出力する。

音源４５は、ＣＰＵ４１からフォルマントフレーム列が出力された場合、そのフォルマントフレーム列に基づいて音声信号を生成し、スピーカ４６へ出力する。また、ＣＰＵ４１から波形データが出力された場合、その波形データに基づいて発音信号を生成し、スピーカ４６へ出力する。ＣＰＵ４１から楽曲フレーズデータが出力された場合、その楽曲フレーズデータに基づいて楽音信号を生成し、スピーカ４６へ出力する。スピーカ４６は発音信号、音声信号、または楽音信号に基づいて音声または楽音を発生する。

ユーザは操作部４７を操作することによって、テキスト編集に対応したソフトウェアを起動し、表示部５０に表示される内容を確認しながらＨＶ−Ｓｃｒｉｐｔを作成することができ、作成したＨＶ−ＳｃｒｉｐｔをＲＡＭ４８に保存することができる。

さらに、作成したＨＶ−Ｓｃｒｉｐｔを着信メロディに応用することもできる。この場合の動作は以下のようになる。なお、着信時にＨＶ−Ｓｃｒｉｐｔを用いることが設定情報としてＲＡＭ４８に予め格納されているとする。通信部４３がアンテナ４２を介して、他の携帯電話等から送信された発呼情報を受信すると、通信部４３はＣＰＵ４１へ着信を通知する。通知を受けたＣＰＵ４１はＲＡＭ４８から設定情報を読み出し、設定情報が示すＨＶ−ＳｃｒｉｐｔをＲＡＭ４８から読み出し、その解釈を開始する。以下の動作は前述した通りであり、ＨＶ−Ｓｃｒｉｐｔに記述されているイベントの種別に従って、スピーカ４６から音声または楽音が発生する。

ユーザは電子メールにＨＶ−Ｓｃｒｉｐｔを添付して他の端末に送信することもできる。また、ＣＰＵ４１が電子メールの本文自体をＨＶ−Ｓｃｒｉｐｔとして解釈し、ユーザによって指示がなされたときに電子メール中の記述に従って音声処理部４４へ再生指示を出力するようにしてもよい。なお、ＨＶ−Ｓｃｒｉｐｔプレイヤー１、ＨＶドライバ２、波形再生プレイヤー４、およびフレーズ再生プレイヤー７の機能は必ずしもＣＰＵ４１が具備する必要はない。音源４５が前記機能のいずれかを具備するようにしてもよい。

なお、携帯電話に限らず、ＰＨＳ（登録商標）、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｃｅ）などの携帯端末が本実施形態による音声および楽曲再生装置と同様の構成を備えていてもよい。

本発明の活用例を以下に示す。携帯電話等の携帯移動端末からユーザがＨＶ−Ｓｃｒｉｐｔを入力することを可能とすれば、一般ユーザが音声合成用の文字だけでなく、定型のサンプリング波形データや楽曲フレーズデータを再生するためのＨＶ−Ｓｃｒｉｐｔデータを作成することができる。また、送信元および受信元の携帯移動端末に同様の音声および楽曲再生装置を設け、ユーザがＨＶ−Ｓｃｒｉｐｔを携帯移動端末から電子メールで送受信することができるようにすれば、受信した電子メールを用いて、音声合成用の文字だけでなく、定型のサンプリングデータや楽曲フレーズを再生することができる。さらに、ＨＶ−Ｓｃｒｉｐｔを用いた音声および楽曲の再生を着信メロディとして用いることもできる。

この発明の一実施形態による音声および楽曲再生装置の構成を示すブロック図である。 同実施形態における波形データおよび楽曲フレーズデータとイベントとの割り当て例を示す図である。 同実施形態における動作を示すフローチャートである。 同実施形態による音声および楽曲再生装置を備えた携帯電話の例である。

符号の説明

１・・・ＨＶ−Ｓｃｒｉｐｔプレイヤー、２・・・ＨＶドライバ、３・・・ＨＶ音源、４・・・波形再生プレイヤー、５・・・波形データ用ＲＡＭ、６・・・波形再生器、７・・・フレーズ再生プレイヤー、８・・・楽曲フレーズデータ用ＲＡＭ、９・・・フレーズ音源、１０・・・加算器、１１・・・スピーカ、１２・・・ユーザデータ用ＲＡＭ、１３・・・登録ＡＰＩ、４１・・・ＣＰＵ、４２・・・アンテナ、４３・・・通信部、４４・・・音声処理部、４５・・・音源、４６・・・スピーカ、４７・・・操作部、４８・・・ＲＡＭ、４９・・・ＲＯＭ、５０・・・表示部、５１・・・バイブレータ

Claims (8)

1. 発音用データを記憶する第１の記憶手段と、
   文字の発音または前記発音用データの再生を指定する指定データが記述されたスクリプトを記憶する第２の記憶手段と、
   前記第２の記憶手段から前記スクリプトを読み出し、該スクリプト中の前記指定データに基づいて前記文字の発音または前記発音用データの再生の指示を出力する指示手段と、
   前記指示手段からの前記文字の発音指示を受け、前記指定データに基づいて音声信号を生成する音声信号生成手段と、
   前記指示手段によって前記発音用データの再生指示を受け、前記指定データに基づいて前記発音用データを前記第１の記憶手段から読み出し、該発音用データに基づいて発音信号を生成する発音信号生成手段と、
   前記音声信号生成手段によって生成された前記音声信号に基づいて音声を発生し、前記発音信号生成手段によって生成された前記発音信号に基づいて音声または楽音を発生する発生手段と、
   を具備することを特徴とする音声および楽曲再生装置。
2. 前記発音用データは音声または楽曲のサンプリングにより生成される波形データであり、
   前記発音信号生成手段は、前記指示手段によって前記波形データの再生が指示された場合に、前記指定データに基づいて前記波形データを前記第１の記憶手段から読み出し、該波形データに基づいて発音信号を生成する
   ことを特徴とする請求項１に記載の音声および楽曲再生装置。
3. 前記発音用データは音符情報列を含む楽曲データであり、
   前記発音信号生成手段は、前記指示手段によって前記楽曲データの再生が指示された場合に、前記指定データに基づいて前記楽曲データを前記第１の記憶手段から読み出し、前記音符情報列に基づいて発音信号を生成する
   ことを特徴とする請求項１に記載の音声および楽曲再生装置。
4. 前記音声信号生成手段はさらに、前記文字の発音を特徴付けるフォルマント制御パラメータを記憶し、前記指示手段からの前記文字の発音の指示を受け、前記指定データおよび前記フォルマント制御パラメータに基づいて音声信号を生成する
   ことを特徴とする請求項１〜請求項３のいずれかの項に記載の音声および楽曲再生装置。
5. ユーザによる操作を受け付け、該操作の結果を操作信号として出力する操作手段と、
   前記操作信号に基づいて前記スクリプトを生成する生成手段と、
   前記生成手段によって生成された前記スクリプトを前記第２の記憶手段に書き込む書込手段と、
   をさらに具備することを特徴とする請求項１〜請求項４のいずれかの項に記載の音声および楽曲再生装置
6. 前記スクリプトはテキスト入力によって作成される形式のファイルであることを特徴とする請求項１〜請求項５のいずれかの項に記載の音声および楽曲再生装置。
7. 前記指定データは前記文字の発音態様を指定するデータを含むことを特徴とする請求項１〜請求項６のいずれかの項に記載の音声および楽曲再生装置。
8. 請求項１〜請求項７のいずれかの項に記載の音声および楽曲再生装置を具備し、前記音声および楽曲再生装置によって、前記スクリプトに基づいた音声または楽曲を生成することを特徴とする携帯端末。
   
   

Images