JP2005326811A - 音声合成装置および音声合成方法 - Google Patents

Abstract

【課題】音声合成により生成される音声ファイルの取扱い及び認識性を向上させる。
【解決手段】音声合成を行なうためのテキストを入力するテキスト入力部１１１と、入力されたテキストを音声データに変換する音声合成変換部１２０と、入力されたテキストを少なくとも部分的に保存する管理ファイル記憶部１３０と、音声合成変換によって得られたファイルを保存するデータファイル記憶部１０１と、保存されたデータファイルを再生するデータファイル再生部１０２と、管理ファイル記憶部１３０に保存したデータを表示する管理ファイル情報表示部１０４とを備える。再生するデータファイルの音声メッセージと、管理ファイル情報表示部１０４で表示させるメッセージ（タイトル名）とが、ユーザーが一般的に認識可能な関連情報とすることで、データファイルの選択性および認識性が向上する。
【選択図】図１

Description

本発明は、任意のテキスト文を音声に変換して記録／再生を行なう音声合成装置および音声合成方法に関する。

近年、任意のテキスト文を音声に変換する音声合成技術を使用したアプリケーションや、予め組み込まれたテキストを再生する組込み機器が普及し始めている。例えば、パーソナルコンピュータにインストールされた音声合成ソフトウェアや、予め設定した指定の文章に対応した音声を再生する電子辞書などである。

パーソナルコンピュータにインストールした音声合成ソフトウェアの場合、任意の文章を入力すれば、その文章を音声ファイルとして再生できる。しかしながら、その音声ファイルを保存する場合、ファイルの内容をユーザーに一般的に認識可能な表示を行なうには、ユーザーがファイルごとにファイル名を別途設定する必要があり、手間であった。また、ファイルの内容として、その設定したテキストデータの音声と関連する情報を、複数保存することができないため、語学学習（その音声の表示とその言語翻訳の表示）などで利用するには不便であった。

一方、電子辞書の場合、予め組み込まれた文章に対しては、音声の再生と表示とが複数組み込まれた商品も市販されているが、ユーザーが任意に設定した文章には対応しておらず、ユーザーが自由に文章を設定できないため、利用用途は限られていた。

特許文献１に、従来の音声メッセージを生成する方法が公開されている。従来の音声メッセージを作成する方法によれば、テキストベースのメッセージを生成し、そのテキストメッセージからユーザーに一般的に認識できる音声メッセージを生成することができる。また、同時に、音声メッセージを多重ボイスで発生し、各ボイスを異なる文字から生成して、ユーザーに一般的に認識できる音声メッセージを生成する方法が開示されている。従って、ユーザーは、任意のテキスト文章から、ユーザーにとって、実用的な音声メッセージを作成することが可能である。
特表２００３−５２１７５０号公報

しかしながら、従来の音声メッセージの作成方法では、音声メッセージそのものはユーザーに一般的に認識できる音声メッセージとする工夫がいろいろ明示されているものの、その音声メッセージを再生する時の音声メッセージの表示方法は何も言及されておらず、そのため、ユーザーが作成した音声メッセージを管理するには、その音声メッセージを別途ファイル名としてその名称を入力する必要があり、ユーザーにとって煩わしいことであった。

また、多重ボイスによって音声メッセージを作成する方法も開示されているが、前記と同様、音声メッセージとしては、複数の音声メッセージが多重構成で、ユーザーに一般的に認識できる音声メッセージとすることができるが、その音声メッセージを管理するには、前記と同様別途ファイル名としてその名称を入力する必要があり、手間であった。この場合、特に、異なる文字から生成した多重ボイスのファイルであるにも係わらず、生成された音声メッセージのファイル名をひとつしか設定できたいため、語学学習などで、ユーザーが利用するのに、不便であった。すなわち、語学学習などでは、多重ボイスを再生する場合、再生しているボイスの文字や内容をコンピュータのディスプレイや、組込み機器の画面に表示すれば、学習効果が期待できるが、これらは、従来の方法では実現できなかった。

本発明は上記従来の課題を解決するもので、ユーザーが任意に設定した少なくともひとつのテキスト文から音声合成によって音声ファイルを作成し、その音声ファイルを複数の表示方法で表示することのできる音声合成装置および音声合成方法を提供することを目的とする。

上記課題を解決するため本発明は、少なくともひとつの音声合成を行なうためのテキストを入力するテキスト入力部と、入力されたテキストを音声データに変換する音声合成変換部と、入力されたテキストを少なくとも部分的に保存する管理ファイル記憶部と、音声合成変換によって得られたファイルを保存するデータファイル記憶部と、保存されたデータファイルを再生するデータファイル再生部と、管理ファイル記憶部に保存したデータを表示する管理ファイル表示部とを備え、再生するデータファイルの音声メッセージと、管理ファイル表示部で表示させるメッセージとが、ユーザーが一般的に認識可能な関連情報であることを特徴とする音声合成装置である。

本発明の音声合成装置および音声合成方法によれば、ユーザーが任意に設定したテキスト文から音声合成によって作成された音声ファイルを複数の表示方法（識別方法）で表示することができ、音声ファイルに対して所望の関連情報を選択的に表示させることで、音声ファイルの識別性および操作性が向上する。

本発明の請求項１に記載の発明は、少なくともひとつの音声合成を行なうためのテキストを入力するテキスト入力部と、入力されたテキストを音声データに変換する音声合成変換部と、前記入力されたテキストを少なくとも部分的に保存する管理ファイル記憶部と、前記音声合成変換によって得られたファイルを保存するデータファイル記憶部と、保存されたデータファイルを再生するデータファイル再生部と、前記管理ファイル記憶部に保存したデータを表示する管理ファイル表示部とを備え、再生するデータファイルの音声メッセージと、前記管理ファイル表示部で表示させるメッセージとが、ユーザーが一般的に認識可能な関連情報であることを特徴とする音声合成装置である。これにより、管理ファイルは、ユーザーが設定したテキストデータを基に生成され、音声合成によって得られたデータファイルとは別に生成されるので、一つのデータファイルに複数の表示情報を付与することができる。

請求項２に記載の発明は、請求項１に係る発明において、前記管理ファイル記憶部に保存するテキストデータが、ひとつの音声合成ファイルに対して複数の情報を保存し、これらの複数の情報を切り換えて表示するものである。これにより、ユーザーは、ひとつの音声合成ファイルに対して、複数の識別情報の表示が可能となるため、関連情報を切り換えて表示することで、辞書的な活用が可能になる。

請求項３に記載の発明は、請求項１に係る発明において、前記管理ファイル記憶部に保存するテキストデータが、音声合成を行なうテキスト文の言語翻訳情報を含むことを特徴とする。これにより、ユーザーは音声合成によって作成した音声ファイルの再生時に、翻訳情報を切り換えて表示できるので、語学学習などに有効である。

請求項４に記載の発明は、請求項１に係る発明において、前記音声合成を行なうためのテキスト入力部を複数備え、複数のテキスト入力部に入力した相互に関連するテキストを、前記音声合成変換部により複数の音声信号として生成し、生成した音声信号データを前記データファイル記憶部に音声多重形式で保存したことを特徴とする。これにより、音声多重により、ひとつの音声ファイルに複数の音声合成による音声データを設定することができ、再生時は、管理ファイルの対応する情報を表示することでユーザーは効率的な活用が可能となる。

請求項５に記載の発明は、請求項４に係る発明において、前記音声多重により生成した音声ファイルの音声信号が、少なくとも言語翻訳情報の音声信号を含むことを特徴とする。これにより、例えば、ステレオ録音で、Ｌ（左）に英語の音声合成の音声ファイルを、Ｒ（右）に日本語の音声合成の音声ファイルを設定することができ、ユーザーは、ＬとＲを個別に聞いたり、同時に聞いたりすることが可能となり、語学学習で有効な手段をとることができる。

請求項６に記載の発明は、請求項１ないし５のいずれかに係る発明において、前記管理ファイル記憶部に保存されたテキストデータと、前記音声合成によって得られたデータファイル記憶部に保存された音声データが、さらにひとつのファイルに統合されたことを特徴とする。これによれば、音声合成による音声データとしてのデータファイルと、そのファイルの識別情報を保存する管理ファイルをさらに、ひとつの同じファイルに統合することで、ユーザーは管理が容易になる。

請求項７に記載の発明は、請求項１ないし６のいずれかに係る発明において、前記管理ファイル表示部に表示するファイル情報が、前記テキスト入力部で入力した所定の特定部分であることを特徴とする。これによれば、音声合成によって生成される音声ファイルが比較的長いテキスト文からのファイルである場合、特定の文字を抽出すること、例えば、先頭から２０文字を抽出することにより、ユーザーがファイルを識別するための不要な情報を取り除き、より使いやすくすることが可能になる。

請求項８に記載の発明は、請求項１ないし３のいずれかに係る発明において、前記テキスト入力部に入力されたテキストを音声合成変換部により変換した音声データは、相互に関連する複数の音声データが、ひとつの音声データファイルとして、少なくとも前記データファイル記憶部に保存されたことを特徴とする。これによれば、例えば、英語の音声合成の音声ファイルと、日本語の音声合成ファイルをひとつのファイルに統合することで、ユーザーは学習したい言語を連続して聞くことが可能となり、学習効果が上がる。

請求項９に記載の発明は、請求項１ないし８のいずれかに係る発明において、前記テキスト入力部は、一度に表示できる複数のテキスト入力領域と、当該テキスト入力領域に表示できないテキスト入力領域を表示するためのページ送り用操作ボタンとを有し、このページ送り用操作ボタンによりページ送りを可能としたことを特徴とする。これによれば、音声合成を行なうためのテキスト入力のための入力画面の数に制限がなくなり、より使いやすいテキスト入力操作が可能になる。

請求項１０に記載の発明は、請求項１ないし９のいずれかに係る発明において、前記テキスト入力部は、第１のテキスト入力部と第２のテキスト入力部と、一方から他方又は他方から一方への翻訳指示操作ボタンを有し、入力したテキストを翻訳可能に構成したことを特徴とする。これによれば、ユーザーは、例えば英語と日本語のテキストを入力する際、いずれか一方の言語テキストを入力するだけで、他方の言語のテキストは翻訳機能で自動入力とすることができるようになり、入力する手間を省くことが可能になる。

請求項１１に記載の発明は、請求項１ないし１０のいずれかに係る発明において、前記テキスト入力部に入力した複数のテキストを、音声合成変換部により変換した音声データを連続再生する際、各音声データ間の再生を一定間隔の時間を置いて順次連続再生することを特徴とする。これにより、ユーザーは、例えば語学学習を行なう場合、入力したテキスト文ごとに、個別に再生ボタンを押すといった操作を行なう必要がなくなるとともに、一定間隔の時間を置いて順次連続再生することにより、この間に音声合成で読み上げた文章を復唱することが可能となり、より語学学習での効果を発揮することができる。

請求項１２に記載の発明は、請求項１ないし１１のいずれかに係る発明において、前記テキスト入力部が、外部プログラムであり、外部プログラムで作成したファイルを取り込み、そのファイル情報を用いて前記管理ファイルを構成したことを特徴とする。これにより、ユーザーは、使い慣れたプログラムでテキスト入力が可能となり、ユーザーはより効率的な活用が可能となる。

以下、本発明を実施するための最良の形態を具体的に示した実施の形態について、図面とともに記載する。

（実施の形態１）
図１〜図７を用いて、本発明の実施の形態１による音声合成装置および音声合成方法を説明する。

図１は、本発明の実施の形態１による音声合成装置の構成を示すブロック図である。

図１において、１００は、音声合成装置としての、パーソナルコンピュータであり、音声合成ファイル生成装置や音声再生装置として用いることができる。パーソナルコンピュータ１００は、ファイル情報入力部１１０、音声合成変換部１２０、管理ファイル記憶部１３０、データファイル記憶部１０１、データファイル再生部１０２、操作入出力部１０３、管理ファイル情報表示部１０４、音声コーデック変換部１０５、制御部１０６、およびバスライン１０７を有する。ファイル情報入力部１１０は、音声合成ファイルに変換するテキスト入力部１１１、音声合成ファイルの関連情報入力部１１２を有する。音声合成変換部１２０は、発生言語と人の選択部１２１、音声合成ファイル作成部１２２を有する。管理ファイル記憶部１３０は、管理ファイル１３１を有する。

パーソナルコンピュータ１００のＣＰＵ（図示せず）は、プログラムを実行して、ファイル情報入力部１１０に入力したテキストデータを用いて、音声合成変換部１２０によりテキストデータを音声ファイルに変換しデータファイル記憶部１０１に記録すると共に、管理ファイル記憶部１３０に音声ファイルの識別情報を登録し、データファイル再生部１０２により、音声合成された音声を再生し、管理ファイル情報表示部１０４により、画面に識別情報を表示する。

制御部１０６は、バスライン１０７を介して、これらの機能、並びに、音声コーデック変換部１０５、操作入出力部１０３を制御する。

図３は、ファイル情報入力部１１０にテキストデータを入力するためのグラフィカルユーザーインターフェース４００の一例である。ここでは、５つの音声ファイルを作成する場合を示している。音声合成により音声に変換するテキスト文（ここでは英文）を入力・表示領域４０１〜４０５に入力し、これらのテキストの関連情報（ここでは、その入力・表示領域４０１〜４０５に入力されたテキストの日本語訳）を入力・表示領域４１１〜４１５に入力する。

また、音声合成変換部１２０で必要となる発生言語と人の選択部１２１を選択するインタフェースとして、４２１のコンボＢＯＸを備えている。ここでは、音声合成を行なう言語として英語（Ｅｎｇｌｉｓｈ）であり、声の種類として男性（Ｍａｎ）を選択している。さらに、音声合成された音声ファイルの再生を制御するボタン群４３０を設けており、この中に停止ボタン４３１、再生ボタン４３２、一時停止ボタン４３３、前の音声ファイルへの移動ボタン４３４、次の音声ファイルへの移動ボタン４３５を有している。これらの音声ファイルの再生を制御するボタン群４３０は、実際に音声合成によって得られる音声ファイルを生成する前に、一時的に作成した音声ファイルの試し聞きとして利用する。以上のように、テキストを入力した後、保存ボタン４４１を押下すると、領域４０１〜４０５に入力したテキストを音声合成によって音声ファイルに変換したデータファイルをデータファイル記憶部１０１に保存する。この時、音声コーデックを変換して保存する場合は、音声コーデック変換部１０５が動作して、コーデック変換されたデータファイルを作成する。また、データファイルの作成と同時に、領域４０１〜４０５のテキストデータと、領域４１１〜４２５のテキストデータを管理ファイル１３１として、管理ファイル記憶部１３０に保存する。

図４は、前記データファイルの一例である。Ｄ６０１〜Ｄ６０５の５つの音声ファイルが生成される。ここでは、これらのファイルを識別するファイル情報は、特に設定されておらず、ファイル名は、Ｎｏ＿Ｔｉｔｌｅ００１．ｄａｔ〜Ｎｏ＿Ｔｉｔｌｅ００５．ｄａｔとしている。

図５は、入力し記憶された管理ファイル１３１の一例である。グラフィカルユーザーインターフェース４００で入力したテキストデータを管理情報ファイル７００として保存している。

図６は、パーソナルコンピュータ１００などで実行するプログラムによる管理ファイル情報表示部１０４の一例であり、また、データファイル再生部１０２による出力音声の一例を示している。図６の（ａ）は、図５に保存したタイトル１を表示した例である。タイトル名が、音声合成ファイルを生成するために入力したテキスト文になっている。この図で、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”の音声ファイルを選択し、データファイル再生部１０２により、その音声ファイルを再生すると、ユーザーには、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえる。また、同図（ｂ）は、前記図５に保存したタイトル２を表示した例である。タイトル名は、前記タイトル１に表示するテキストの日本語訳を表示している。ここで、“おはよう”の音声ファイルを選択し、その音声ファイルを再生すると、ユーザーには、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえる。このようにして、語学学習に適した音声ファイルの表示と再生が可能である。尚、（ａ）と（ｂ）は、操作入出力部１０３により、表示の切り替えを行なうことができる。

図７は、音声ファイル再生装置１００１による管理ファイル情報表示部１０４の一例である。同図（ａ）では、音声ファイル記憶装置１００１の表示画面のタイトル情報は、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”になっており、再生を行なうと、ユーザーには、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえる。同様に、同図（ｂ）では、音声ファイル再生装置１００２の表示画面のタイトル情報は、“おはよう”になっており、再生を行なうと、ユーザーには、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえる。尚、これら（ａ）、（ｂ）の音声ファイル再生装置は、同一の装置で切り替え表示とすることもできるし、それぞれ単独の表示のみとすることもできる。音声ファイル再生装置への表示方法は、装置に搭載のメモリーサイズやコストを考慮して選択される。以上のようにして、ユーザーは、音声合成によって得られた音声ファイルを語学学習に適した装置として、持ち出して活用することができる。

次に、図２を用いて、本発明の実施の形態１による音声合成方法について説明する。

図２は、本発明の実施の形態１による音声合成方法の処理を示すフローチャートである。まず、音声合成を行なうためのテキスト文の入力（Ｓ２０１）がテキスト入力部１１１から行なわれ、引き続いて音声合成の関連テキスト文の入力（Ｓ２０２）が関連情報入力部１１２から行なわれる。これらの例は、図３で示したグラフィカルユーザーインターフェース画面４００の「読み上げるテキスト」の入力部の入力・表示領域４０１〜４０５への入力、「Ｔｅｘｔのタイトル名」の入力部の入力・表示領域４１１〜４１５への入力である。次に、これらのテキスト文が確定される（図３で保存ボタン４４１を押下する）と、前記テキスト文を管理ファイル１３１に保存する処理と、音声合成ファイル作成部１２２で音声合成により音声ファイルに変換する処理が同時に実行される。管理ファイル１３１に保存する処理は、入力したテキストデータから管理ファイル作成（Ｓ２０３）処理を行ない、その管理ファイル情報を保存する処理（Ｓ２０４）が実行される。また、音声合成により音声ファイルに変換する処理は、入力したテキストデータから音声合成処理（Ｓ２０５）が実行され、作成された音声ファイルを必要に応じて音声コーデック変換（Ｓ２０６）を行ない、音声データファイルとしてデータファイル記憶部１０１に保存する（Ｓ２０７）。

以上の処理で、音声合成により得られたファイルの識別情報と、その音声データファイルが得られたので、その再生を適宜行なう（Ｓ２１０）。音声ファイルの再生時、識別情報としては前記管理ファイルに保存した管理ファイル情報を表示（Ｓ２１１）し、音声データの再生には、前記保存したデータファイルを再生する（Ｓ２１２）。また、この管理ファイル情報の表示は、管理ファイル情報切り替えステップ（Ｓ２１３）により、Ｓ２０１、Ｓ２０２で入力したテキスト文の表示に切り換えることができる。以上のステップにより、ユーザーは、任意のテキスト文から、複数の識別情報を持った表示にて、音声合成によって得られたファイルを再生し、聞くことができるようになる。

（実施の形態２）
次に、図８〜図１１を用いて、本発明の実施の形態２による音声合成装置および音声合成方法を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様である。

図９は、本発明の実施の形態２による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース５００の一例である。

前記図３で示した実施の形態１との違いは、相互に関連する発音するテキストが、１つのファイルに対して音声多重形式で、各のテキスト文が音声合成による発音が可能、且つ再生時に各の音声データが個別に再生可能に、２種類保存されていることである。ここでは、音声多重形式として、Ｒ（右）、Ｌ（左）の２チャンネルのステレオファイルとして「読み上げるＴｅｘｔ（Ｌ）」と「読み上げるＴｅｘｔ（Ｒ）」を設定している。Ｔｅｘｔ（Ｌ）の入力部には、領域５０１〜５０５に、英語で音声合成するテキスト文を、Ｔｅｘｔ（Ｒ）の入力部には、領域５１１〜５１５に、日本語で音声合成するテキスト文を設定している。また、これらの対になる文章は、それぞれ入力したテキスト文の翻訳になるように設定している。その他の動作は、実施の形態１と同じであるため、説明を省略する。

図１０は、前記図９で設定し作成したステレオの音声ファイルをパーソナルコンピュータ１００などで実行するプログラムによる管理ファイル情報表示部１０４の一例である。

前記図６で示した実施の形態１との違いは、図１０の（ｂ）に示す動作にある。図６の（ｂ）の実施の形態１では、“おはよう”の音声ファイルを再生すると、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえるように設定していたが、実施の形態２における図１０の（ｂ）では、“おはよう”と聞こえる点である。このように、実施の形態２では、英語で設定したテキスト文からの音声合成ファイルと、日本語で設定したテキスト文からの音声合成ファイルを別々に設定し、ステレオファイルとしたことにより、ステレオのＬ側だけを再生すれば、図１０の（ａ）のように、英語表示で英語の音声が再生され、ステレオのＲ側だけを再生すれば、図１０の（ｂ）のように、日本語表示で日本語の音声を再生ができるようになる。また、ステレオにおけるＬ側とＲ側を同時に再生すれば、英語と日本語の多重音声を再生することも可能である。特に、Ｌ側とＲ側の音量バランスを適度に調整すれば、より語学学習などに適した再生が可能となる。その他の動作は、実施の形態１と同じであるため、説明を省略する。

図１１は、音声ファイル再生装置１１０１による管理ファイル情報表示部１０４の一例である。

前記図７で示した実施の形態１との違いは、図１１の（ｂ）に示す動作にある。図７の（ｂ）に示した実施の形態１では、“おはよう”の音声ファイルを再生すると、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と聞こえるように設定していたが、実施の形態２における図１１の（ｂ）では、“おはよう”と聞こえる点である。また、前記図７での動作と同様、これら（ａ）、（ｂ）の音声ファイル再生装置は、同一の装置で切り替え表示とすることもできるし、それぞれ単独の表示のみとすることもできる。音声ファイル再生装置への表示方法は、装置に搭載のメモリーサイズやコストを考慮して選択される。以上のようにして、ユーザーは、音声合成によって得られた音声ファイルを語学学習に適した装置として、持ち出して活用することができる。その他の動作は、実施の形態１と同じであるため、説明を省略する。

次に、図８を用いて、本発明の実施の形態２による音声合成方法を説明する。

図８は、本発明の実施の形態２による音声合成方法のフローチャートである。前記図２で示した実施の形態１のフローチャートとの違いは、音声合成を行なうテキスト文が２種類あるので、音声合成を行なう２つ目のテキスト文の入力を行なうステップ（Ｓ３０２）が追加され、２つ目の音声合成を行なうステップ（Ｓ３０６）が追加され、作成された２つの音声合成ファイルをステレオファイルに結合するステップ（Ｓ３０７）が追加された点である。また、これに伴い、データファイルの再生においては、Ｌ側を再生するステップ（Ｓ３２２）とＲ側を再生するステップ（Ｓ３２３）になっている。以上のステップにより、ユーザーは、２つの任意のテキスト文から、２つの音声合成ファイルを、言語を変えて作成し、それぞれの識別情報の表示にて、作成した音声合成ファイルを再生し、聞くことができるようになる。その他の動作は、実施の形態１と同じであるため、説明を省略する。

尚、本発明による実施の形態２では、２種類のテキスト文からステレオファイルとして音声合成された音声データのファイルを生成したが、この音声多重の種類数は、２種類に限ったことではなく、任意の数のテキスト文から音声多重により、ファイルを構成しても良い。複数の音声データのファイルを音声多重形式で保存するよう構成すれば、多言語対応の表示といった活用も可能である。

（実施の形態３）
次に、図１２〜図１４を用いて、本発明の実施の形態３による音声合成装置を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様である。

図１２は、本発明の実施の形態３による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース１２００の一例である。

前記実施の形態１ならびに２との違いは、テキスト入力部における読み上げるテキストが、１つの音声データファイルに対して、「前半に読み上げるテキスト」と「後半に読み上げるテキスト」の２種類設定されていることである。前半に読み上げる英語のＴｅｘｔには、テキスト入力部の入力・表示領域１２０１〜１２０５に英語のテキストを、後半に読み上げる日本語のＴｅｘｔには、入力・表示領域１２１１〜１２１５に、日本語のテキスト文を設定している。また、これらの対になる文章は、それぞれ入力したテキスト文の翻訳になるように設定している。その他の動作は、実施の形態１ならびに２と同じであるため、説明を省略する。

図１３は、前記図１２で設定し作成した音声データファイルをパーソナルコンピュータ１００などで実行するプログラムによる管理ファイル情報表示部１０４の一例である。

前記図１０で示した実施の形態２との違いは、図１３に示す動作にある。実施の形態３における図１３では、２つのテキスト文を統合してひとつの音声データファイルとして形成しているため、“Ｇｏｏｄ ｍｏｒｎｉｎｇ”のあとすぐに“おはよう”と聞こえる点である。このように、実施の形態３では、英語で設定したテキスト文からの音声合成ファイルと、日本語で設定したテキスト文からの音声合成ファイルを別々に設定し、そのファイルをひとつのファイルに統合することにより、英語と日本語の音声を連続して再生することができる。その他の動作は、実施の形態１ならびに２と同じであるため、説明を省略する。

図１４は、音声ファイル再生装置１４０１による管理ファイル情報表示部１０４の一例である。

前記実施の形態１ならびに２との違いは、図１４に示す動作にある。実施の形態３における図１４では、Ｇｏｏｄ ｍｏｒｎｉｎｇ”のあとすぐに“おはよう”と聞こえる点である。以上のようにして、ユーザーは、音声合成によって得られた音声ファイルを語学学習に適した装置として、持ち出して活用することができる。その他の動作は、実施の形態１ならびに２と同じであるため、説明を省略する。

尚、本発明による実施の形態３では、２種類のテキスト文を統合して音声合成ファイルを生成したが、この合成する音声ファイルの種類数は、２種類に限ったことではなく、任意の数のテキスト文から音声合成ににより、組み合わせてファイルを構成しても良い。複数の音声ファイルを統合した構成とすれば、多言語対応の連続再生といった活用も可能である。

（実施の形態４）
次に、図１５を用いて、本発明の実施の形態４による音声合成装置を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様である。

図１５は、本発明の実施の形態４による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース１５００の一例である。

前記実施の形態１ないし実施の形態３との違いは、図１５に示したページ送り機能としての操作ボタン１５５０〜１５５３と共に、ページ数表示部１５５４を有していることである。この図のページ表示部１５５４の「１／３」は、テキストを入力したページが全部で３ページあり、その内の１ページ目を表示していることを示している。また、操作ボタン１５５０は最初のページへ移動、操作ボタン１５５１は一つ前のページに移動、操作ボタン１５５２は次のページへ移動、操作ボタン１５５３は最後のページへ移動を行なうものである。このようにして、ユーザーは、ひとつのページで入力可能なテキスト文をページを変えることで、入力数の制限がなくなる。その他の動作は、実施の形態１ないし３と同じであるため、説明を省略する。

（実施の形態５）
次に、図１６を用いて、本発明の実施の形態５による音声合成装置を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様であるが、この実施形態では、翻訳エンジンを有するものを必要としており、適宜有しているものとし、その具体例は省略する。。

図１６は、本発明の実施の形態６による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース１６００の一例である。

前記実施の形態１ないし実施の形態４との違いは、図１６に示した翻訳指示用の操作ボタン１６５０、１６５１を有していることである。操作ボタン１６５０は日本語から英語への翻訳、操作ボタン１６５１は英語から日本語への翻訳を実行する。また、翻訳を実行するテキスト文を領域１６０１〜１６０５又は領域１６１１〜１６１５から選択し、操作ボタン１６５０又は１６５１を押下することで、その選択したテキスト文だけの翻訳を行ない、翻訳結果を反映する。例えば、領域１６０２の“Ｇｏｏｄ ｍｏｒｎｉｎｇ”と領域１６０４の“ｆｒｉｅｎｄ”を選択し、操作ボタン１６５１を押すと、装置内に有する翻訳エンジンによって、領域１６１２の“おはよう”と、領域１６１４の“友人”が自動入力される。日本語から英語の場合も同様である。このようにして、ユーザーは、語学学習などでテキストの一方を入力し、翻訳指示の操作ボタン１６５０又は１６５１を押すことで他方の翻訳が実行され、入力の手間を省くことができる。その他の動作は、実施の形態１ないし４と同じであるため、説明を省略する。

（実施の形態６）
次に、図１７を用いて、本発明の実施の形態６による音声合成装置を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様である。

図１７は、本発明の実施の形態７による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース１７００の一例である。

前記実施の形態１ないし実施の形態５との違いは、図１７に示した再生ボタン１７３２を押下して入力したテキスト文を音声合成によって再生中に、読み上げるテキスト文が連続再生することである。本実施例では、領域１７０２の“Ｇｏｏｄ ｍｏｒｎｉｎｇ”を再生中であるとすれば、この領域１７０２の“Ｇｏｏｄ ｍｏｒｎｉｎｇ”を再生したあと、領域１７０３の“Ｔｈａｎｋ ｙｏｕ”が自動的に再生されることとなる。ここで、続けて再生する場合、次の再生が始まるまでに一定間隔の時間を置いて再生するようにしている。このようにすることにより、ユーザーは、語学学習などでの復唱を容易行うことができることとなるが、その一定間隔の時間は個人レベルや好みによって任意に可変可能に構成してもよい。その他の動作は、実施の形態１ないし５と同じであるため、説明を省略する。

（実施の形態７）
次に、図１８〜図２０を用いて、本発明の実施の形態７による音声合成装置を説明する。なお、音声合成装置としての構成は、図１に示したパーソナルコンピュータ１００と同様である。

図１８は、本発明の実施の形態７による音声合成装置（音声合成ファイル生成機能と記録再生機能を有する）におけるテキストデータを入力するためのグラフィカルユーザーインターフェース１８００の一例である。

前記実施の形態１ないし実施の形態６との違いは、グラフィカルユーザーインターフェースにテキスト入力部がなく、外部プログラムで作成したファイルを取り込む構成としている点である。本実施例では、メールメッセージ、Ｗｏｒｄ文書、テキスト文書を外部で作成し、作成した文書を取り込んでいる。取り込んだファイルは、再生ボタン１８３２を押下することでそのファイルの内容を音声合成によって読み上げる。また、図１９、図２０は、本実施例による管理情報ファイルの一例である。図１９の例では、タイトル１として、外部プログラムで作成したファイルの拡張子と作成日を文字列結合したもの、タイトル２に外部プログラムで作成したファイル名を設定している。図２０の例では、タイトル１に、ファイルの内容の一部（先頭部分）、タイトル２に外部プログラムで作成したファイル名を設定している。このようにして、ユーザーは、使い慣れた外部プログラムを用いてテキスト入力を行い音声合成機能を用いて音声ファイルを作成することができ、より効率的うに操作を行なうことが可能になる。その他の動作は、実施の形態１ないし６と同じであるため、説明を省略する。

以上のように本発明によれば、音声合成を行なうテキストから生成されるデータファイルとその識別情報を管理ファイルとして分離して管理することで、語学学習などで、ユーザーにとって使い易い装置を提供することができる。

尚、本発明の実施の形態では、語学学習を例に説明したが、これは語学学習に限ったことではなく、管理情報に登録するデータが関連情報であれば良い。例えば、４字熟語とその意味を表示するという利用方法や、技術用語とその解説を表示するという利用方法等の活用方法がある。

また、音声合成によって作成する音声データは、音声データを含むファイルであれば良く、音声データの他に画像データ又はテキストデータおよびリアルタイムで伝送されてくる音声データストリームなどを含んでいても良く、動画データの音声部分であっても良い。

さらに、実施の形態１及び実施の形態２において、一つのデータファイルにタイトル１とタイトル２を付与したが、一つのデータファイルに付与するタイトルの数は、一つ又は３つ以上であっても良い。また、データファイルと異なるファイル（管理ファイル）にタイトルが書き込まれるので、複数のデータファイルに同一のタイトルを付与できる。

全く同じファイルの複製を存在させたい時に、有用である。これは、従来のファイルの管理方法では、同じ名称のファイル名が、同じディレクトリ内に存在できなかった点からも本発明による別の効果である。

また、実施の形態１及び実施の形態２において、入力したテキスト文をそのまま管理情報に保存し、そのまま表示していたが、表示する情報は、全てのテキスト情報ではなく、先頭からの所定の文字数であってもよく、先頭以外から部分的に文字列を抽出して表示しても良い。また、入力したテキスト文以外の任意の文字列と文字列を連結して表示しても良く、表示時に別途設定したデータベースから関連情報を呼び出して、入れ替え表示を行なったり、結合表示を行なったり、所定の文字を削除して表示しても良い。さらに、管理情報に保存する情報は、必ずしも入力したテキスト文の全てを保存する必要はなく、部分的に保存しても良く、入力したテキスト文の内容と関連する情報を別途設定したデータベースから抽出して保存したり、データベースデータに置き換えて保存したり、上記これらの文字列と連結したり、一部の文字列を削除するなど各種文字列操作を行なってから保存しても良い。また、管理ファイルに登録する情報は、テキストデータだけに限ったことではなく、音声データや画像データ、動画データなどを含んだ情報であっても良い。

また、本発明による音声合成方法の少なくとも一部をソフトウェアとしてコンピュータで実行することができ、プログラムとして構成することがきる。また、このプログラムをコンピュータで読み取り可能な記録媒体に記録することもできる。

また、上記の方法を実行するプログラムの全て又は一部を、例えばＩＣレコーダ、オーディオ装置、ホームビジュアルシステム装置、ネットワークを利用した音響再生装置やビデオカメラ、及び音声データファイルを取り扱うＰＣアプリケーションに読み込み実行させることにより、これらの装置やＰＣアプリケーションを音声合成生成装置および再生装置として機能させることができる。

本発明の音声合成方法および音声合成装置は、ユーザーが任意に設定したテキスト文から音声合成によって作成された音声ファイルを複数の表示方法（識別方法）で表示することができ、音声ファイルに対して所望の関連情報を選択的に表示させることで、音声ファイルの識別性および操作性を向上させることができるという効果を有し、任意のテキスト文を音声に変換して記録／再生を行なう音声合成装置、コンピュータ機器、各種電子機器、プログラム等として有用である。

本発明の実施の形態による音声合成装置の構成を示すブロック図 同実施の形態１による音声合成装置の動作を示すフローチャート 同実施の形態１による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態１による音声合成装置のデータファイル記憶部に格納されているデータファイルの一例を示す概念図 同実施の形態１による音声合成装置における管理ファイルの内容の一例を示す概念図 同実施の形態１による音声合成装置における再生動作時の表示例を示す概念図 同実施の形態１による音声合成装置における再生動作の様子を示す概念図 同実施の形態２による音声合成装置の動作を示すフローチャート 同実施の形態２による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態２による音声合成装置における再生動作時の表示例を示す概念図 同実施の形態２による音声合成装置における再生動作の様子を示す概念図 同実施の形態３による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態３による音声合成装置における再生動作時の表示例を示す概念図 同実施の形態３による音声合成装置における再生動作の様子を示す概念図 同実施の形態４による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態５による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態６による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態７による音声合成装置におけるグラフィカルユーザーインターフェースの表示例を示す概念図 同実施の形態７による音声合成装置における管理ファイルの内容の一例を示す概念図 同実施の形態７による音声合成装置における管理ファイルの内容の一例を示す概念図

符号の説明

１００ パーソナルコンピュータ
１０１ データファイル記憶部
１０２ データファイル再生部
１０３ 操作入出力部
１０４ 管理ファイル情報表示部
１０５ 音声コーデック変換部
１０６ 制御部
１０７ バスライン
１１０ ファイル情報入力部
１１１ 音声合成ファイルに変換するテキスト入力部
１１２ 音声合成ファイルの関連情報入力部
１２０ 音声合成変換部
１２１ 発生言語と人の選択部
１２２ 音声合成ファイル作成部
１３０ 管理ファイル記憶部
１３１ 管理ファイル

Claims (26)

1. 少なくともひとつの音声合成を行なうためのテキストを入力するテキスト入力部と、入力されたテキストを音声データに変換する音声合成変換部と、前記入力されたテキストを少なくとも部分的に保存する管理ファイル記憶部と、前記音声合成変換によって得られたファイルを保存するデータファイル記憶部と、保存されたデータファイルを再生するデータファイル再生部と、前記管理ファイル記憶部に保存したデータを表示する管理ファイル表示部とを備え、
   再生するデータファイルの音声メッセージと、前記管理ファイル表示部で表示させるメッセージとが、ユーザーが一般的に認識可能な関連情報であることを特徴とする音声合成装置。
2. 前記管理ファイル記憶部に保存するテキストデータが、ひとつの音声合成ファイルに対して複数の情報を保存し、これらの複数の情報を切り換えて表示することを特徴とする請求項１に記載の音声合成装置。
3. 前記管理ファイル記憶部に保存するテキストデータが、音声合成を行なうテキスト文の言語翻訳情報を含むことを特徴とする請求項１に記載の音声合成装置。
4. 前記音声合成を行なうためのテキスト入力部を複数備え、複数のテキスト入力部に入力した相互に関連するテキストを、前記音声合成変換部により複数の音声信号として生成し、生成した音声信号データを前記データファイル記憶部に音声多重形式で保存したことを特徴とする請求項１に記載の音声合成装置。
5. 前記音声多重により生成した音声ファイルの音声信号が、少なくとも言語翻訳情報の音声信号を含むことを特徴とする請求項４に記載の音声合成装置。
6. 前記管理ファイル記憶部に保存されたテキストデータと、前記音声合成によって得られたデータファイル記憶部に保存された音声データが、さらにひとつのファイルに統合されたことを特徴とする請求項１ないし５のいずれかに記載の音声合成装置。
7. 前記管理ファイル表示部に表示するファイル情報が、前記テキスト入力部で入力した所定の特定部分であることを特徴とする請求項１ないし６のいずれかに記載の音声合成装置。
8. 前記テキスト入力部に入力されたテキストを音声合成変換部により変換した音声データは、相互に関連する複数の音声データが、ひとつの音声データファイルとして、少なくとも前記データファイル記憶部に保存されたことを特徴とする請求項１ないし３のいずれかに記載の音声合成装置。
9. 前記テキスト入力部は、一度に表示できる複数のテキスト入力領域と、当該テキスト入力領域に表示できないテキスト入力領域を表示するためのページ送り用操作ボタンとを有し、このページ送り用操作ボタンによりページ送りを可能としたことを特徴とする請求項１ないし８のいずれかに記載の音声合成装置。
10. 前記テキスト入力部は、第１のテキスト入力部と第２のテキスト入力部と、一方から他方又は他方から一方への翻訳指示操作ボタンを有したことを特徴とする請求項１ないし９のいずれかに記載の音声合成装置。
11. 前記テキスト入力部に入力した複数のテキストを、音声合成変換部により変換した音声データを連続再生する際、各音声データ間の再生を一定間隔の時間を置いて順次連続再生することを特徴とする請求項１ないし１０のいずれかに記載の音声合成装置。
12. 前記テキスト入力部が、外部プログラムであり、外部プログラムで作成したファイルを取り込み、そのファイル情報を用いて前記管理ファイルを構成したことを特徴とする請求項１ないし１１のいずれかに記載の音声合成装置。
    
13. 少なくともひとつの音声合成を行なうためのテキストを入力するテキスト入力ステップと、入力されたテキストを音声データに変換する音声合成変換ステップと、前記入力されたテキストを少なくとも部分的に保存する管理ファイル記憶ステップと、前記音声合成変換ステップによって得られたファイルを保存するデータファイル記憶ステップと、保存されたデータファイルを再生するデータファイルステップと、前記管理ファイル記憶ステップで保存したデータを表示する管理ファイル表示ステップとを備え、
    再生するデータファイルの音声メッセージと、前記管理ファイル表示ステップで表示させるメッセージとが、ユーザーが一般的に認識可能な関連情報であることを特徴とする音声合成方法。
14. 前記管理ファイルに保存するテキストデータが、ひとつの音声合成ファイルに対して複数の情報を保存し、これらの複数の情報を切り換えて表示するステップを有することを特徴とする請求項１３に記載の音声合成方法。
15. 前記管理ファイルに保存するテキストデータが、音声合成を行なうテキスト文の言語翻訳情報を登録するステップを有することを特徴とする請求項１３に記載の音声合成方法。
16. 前記音声合成を行なうためのテキスト入力ステップを複数備え、複数のテキスト入力ステップで入力した相互に関連するテキストを、音声合成により複数の音声信号として生成し、生成した音声信号データを音声多重形式でひとつの音声ファイルとして生成するステップを有することを特徴とする請求項１３に記載の音声合成方法。
17. 前記音声多重により生成した音声ファイルの音声信号が、少なくとも言語翻訳情報の音声信号とするステップを有することを特徴とする請求項１６に記載の音声合成方法。
18. 前記管理ファイルに保存されたテキストデータと、前記音声合成によって得られたデータファイル保存された音声データを、さらにひとつのファイルに統合するステップを有することを特徴とする請求項１３ないし１７のいずれかに記載の音声合成方法。
19. 前記管理ファイル表示ステップに表示するファイル情報が、前記テキスト入力ステップで入力した所定の特定部分とするステップを有することを特徴とする請求項１３ないし１８のいずれかに記載の音声合成方法。
20. 前記テキスト入力ステップで入力されたテキストを音声合成により変換して得られた複数の音声データを、相互に関連するひとつの音声データファイルとして保存するステップを有することを特徴とする請求項１３ないし１５のいずれかに記載の音声合成方法。
21. 前記テキスト入力ステップに、ページ送りステップを設けたことを特徴とする請求項１３ないし２０のいずれかに記載の音声合成方法。
22. 前記テキスト入力ステップに、翻訳ステップを設けたことを特徴とする請求項１３ないし２１のいずれかに記載の音声合成方法。
23. 前記テキスト入力ステップにより入力した複数のテキストを、音声合成により再生する際、一定間隔の時間を置いて順次連続再生するステップを有することを特徴とする請求項１３ないし２２のいずれかに記載の音声合成方法。
24. 前記テキスト入力ステップが、外部プログラムであり、外部プログラムで作成したファイルを取り込むステップを有し、そのファイル情報を用いて前記管理ファイルを構成するステップを有することを特徴とする請求項１３ないし２４のいずれかに記載の音声合成装置。
25. 請求項１３ないし請求項２４のいずれか１項に記載の音声合成方法の少なくとも一部をコンピュータにより実行するためのプログラム。
26. 請求項１３ないし請求項２４のいずれか１項に記載の音声合成方法の少なくとも一部をコンピュータにより実行可能なプログラムを記録したコンピュータ読み取り可能な記録媒体。
    

Images