JP2006098695A - 音声合成装置、制御方法、制御プログラム及び記録媒体 - Google Patents

Abstract

【課題】 音声合成の対象とするテキスト情報の種類、内容に基づいて音声合成の態様を適宜変更する。
【解決手段】 ユーザが入力部１１を介して、音声読み上げモードを指定し、あるいは、主制御部４がテキスト情報の内容あるいはテキスト情報の入力元に基づいて音声読み上げモードを指定すると、音声データ生成部１５は、指定あるいは設定された音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定し、特定された音声合成パラメータに基づいて音声合成を行って音声として出力する。
【選択図】 図１

Description

本発明は、音声合成装置、制御方法、制御プログラム及び記録媒体に係り、特にテキスト情報を入力して音声合成を行う音声合成装置、その制御方法、制御プログラム及び記録媒体に関する。

従来より、現在地から目的地までの誘導経路を案内するナビゲーション装置において、
ＴＴＳ（Text To Speech）コントローラを実装し、誘導経路案内に対応するテキスト情報、任意に指定したテキスト情報（ＶＩＣＳ情報、メールなど）に基づいて音声合成を行って、読み上げを行うものが知られている（例えば、特許文献１参照）。
この場合において、合成される音声の質（声質）は、予めナビゲーション装置で設定している発話する速度、声の高さ、声の太さなどの音素を固定値として使用し、音声合成（発声）を行わせていたため、一定のものになってしまうという問題点があった。
特開平５−１１３７９５号公報

ところで、一般的に話をする場合に、その内容によっては、話者がその内容的な重要度に応じて、話し方（発話する速度、アクセント、声の大きさ等）を部分的に変更することがあり、このようにすることにより、聴取者は、よりその内容を聞き取り易くなったり、迅速にその内容を把握できるということがある。
しかしながら、上記従来のナビゲーションシステムにおいては、常に合成される音声の質は一定であるため、例えば、ユーザの長いメールを早く読み通したいという要望や、固有名称（地名、建物名、施設名など）については発話速度を遅くしたり、大きな声で発話してもらいたいという要望等には応えられないという問題点があった。
そこで、本発明の目的は、音声合成装置において、音声合成の対象とするテキスト情報の種類、内容に基づいて音声合成の態様を適宜変更することが可能な音声合成装置、その制御方法、制御プログラムおよび記録媒体を提供することにある。

上記課題を解決するために、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置は、ユーザが音声読み上げモードを指定するモード指定部と、前記指定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定部と、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成部と、を備えたことを特徴としている。
上記構成によれば、モード指定部を介してユーザが音声読み上げモードを指定すると、パラメータ特定部は、指定された音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定する。
これらの結果、音声合成部は、特定された音声合成パラメータに基づいて音声合成を行って音声として出力する。

また、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置は、前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定するモード設定部と、設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定部と、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成部と、を備えたことを特徴としている。
上記構成によれば、モード設定部は、テキスト情報の内容あるいはテキスト情報の入力元の種類に応じて音声読み上げモードを設定する。
これにより、パラメータ特定部は、設定された音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定し、音声合成部は、特定された音声合成パラメータに基づいて音声合成を行って音声として出力する。

これらの場合において、前記テキスト情報の内容は、メール、交通情報あるいは経路案内情報のいずれかであるようにしてもよい。
また、前記テキスト情報の内容は、メールであり、前記モード設定部は、前記メールの容量が所定の基準容量よりも大きい長文メールである場合に、前記読上モードを長文高速読上モードに設定するようにしてもよい。
さらに、前記テキスト情報の入力元は、メールアプリケーション、交通情報処理アプリケーションあるいはナビゲーションアプリケーションであるようにしてもよい。
さらにまた、前記音声読み上げモードに対応づけて前記音声合成制御パラメータの組み合わせを予め記憶するパラメータ記憶部を備えるようにしてもよい。

また、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置の制御方法は、ユーザが音声読み上げモードを指定するモード指定過程と、前記指定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定過程と、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成過程と、を備えたことを特徴としている。

また、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置の制御方法は、前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定するモード設定過程と、設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定過程と、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成過程と、を備えたことを特徴としている。

また、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置をコンピュータにより制御するための制御プログラムは、ユーザが指定した音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定させ、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力させる、ことを特徴としている。

また、入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置をコンピュータにより制御するための制御プログラムは、前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定させ、設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定させ、特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力させる、ことを特徴としている。
また、上記各制御プログラムをコンピュータ読取可能な記録媒体に記録するようにしてもよい。

本発明によれば、音声合成対象のテキスト情報の種類、内容に基づいて音声合成の態様を適宜変更することが可能となる。

以下図面を参照して本発明の実施の形態について説明する。以下の説明では、ナビゲーション装置として、車載型のナビゲーション装置（いわゆる、カーナビゲーション装置）について例示する。
図１は、本実施の形態に係るナビゲーション装置１００の機能的構成を示すブロック図である。この図に示すように、ナビゲーション装置１００は、絶対位置・方位検出部１と、相対方位検出部２と、車速検出部３と、主制御部４と、ＲＯＭ５と、ＤＲＡＭ６と、ＳＲＡＭ７と、ＶＲＡＭ８と、ユーザインタフェース部９と、表示部１０と、入力部１１と、ディスク制御部１２と、ＦＭ多重信号処理部１３と、外部記録装置制御部１４、音声データ生成部（音声合成出力部）１５と、を備えている。

絶対位置・方位検出部１は、ＧＰＳ（Global Positioning System）衛星から送信されているＧＰＳ電波を受信するレシーバ（アンテナを含む）を備え、ナビゲーション装置１００が搭載された自動車の現在地、すなわち自車位置の地表における絶対的な位置座標及び方位をＧＰＳ電波に基づいて計算し主制御部４に出力するものである。相対方位検出部２は、ジャイロセンサを有し、自車位置の相対的な方位を検出して主制御部４に出力するものである。また、車速検出部３は、自動車より得られる車速パルスを処理して、自車両の速度を主制御部４に出力するものである。

主制御部４は、ナビゲーション装置１００の各部の制御や、ナビゲーション機能のための処理とった各種の処理を実行するものであり、演算手段としてのＣＰＵや、その他の周辺回路を備えている。ＲＯＭ５は、制御プログラムやＢＩＯＳ（Basic Input Output System）、装置起動のためのブートプログラム、ナビゲーション機能を実現するためのプログラムといった各種プログラムを予め格納するものであり、主制御部４によりアクセス可能になされている。また、ＤＲＡＭ６は揮発性メモリであり主制御部４のワークエリアとして用いられる。また、ＳＲＡＭ７は不揮発性メモリであり、自動車のアクセサリ電源等のメイン電源（図示せず）から電力が供給されると共に、当該メイン電源がオフの間は、電池などの予備電源（図示せず）から電力が供給されて記憶内容を常時保持可能に構成され、バックアップメモリとして機能する。また、ＶＲＡＭ８は、表示部１０に表示される画面データが書き込まれるバッファメモリである。

表示部１０は、ユーザインタフェース部９の制御の下、ナビゲーションのための地図や自車位置、操作メニュー等の各種の情報を表示するものであり、例えばＬＣＤ（Liquid Crystal Display）やＥＬ（Electro Luminescent）ディスプレイ等のディスプレイ装置を備えている。入力部１１は、ユーザの指示操作を受け付け、ユーザインタフェース部９に出力するものであり、当該ナビゲーション装置１００のフロント部分等に配設される複数の操作子や、表示部１０が備えるディスプレイ装置に設けられたタッチパネル（不図示）を備えている。なお、当該ナビゲーション装置１００をリモートコントローラ等により遠隔操作可能に入力部１１を構成しても良い。

ユーザインタフェース部９は、Ｉ／Ｏ（Input/Output）制御回路やドライバ回路を備え、表示部１０及び入力部１１と、主制御部４とを結ぶインターフェースとして機能する。具体的には、ユーザインタフェース部９は、主制御部４の制御の下、表示部１０の表示制御を実行すると共に、入力部１１の操作を主制御部４に出力する。

ディスク制御部１２は、ナビゲーションに使用される地図データや、各種のデータを格納するＣＤ−ＲＯＭドライブやＤＶＤ-ＲＯＭドライブ、ハードディスクドライブといった記憶装置を制御するものである。また、ＦＭ多重信号処理部１３は、ＦＭ多重放送波を受信して、渋滞や事故、交通規制といった情報を示すＶＩＣＳ（道路交通情報通信システム）情報を取り出し、主制御部４に出力するものである。外部記録装置制御部１４は、例えばメモリカードやメモリースティック（登録商標）、コンパクトフラッシュ（登録商標）カード等の外部記録媒体に対してデータの記録及び読み出しを行うものである。

図２は、音声データ生成部の概要構成ブロック図である。
音声データ生成部１５は、音声表記記号列が入力される合成単位系列変換部１５Ａを備えている。
音声表記記号列が入力されると、合成単位系列変換部１５Ａは、音声表記記号列を解析し、音声合成単位の記号列である合成単位系列記号列に変換して、音声合成制御パラメータ生成部１５Ｂに出力する。
音声合成制御パラメータ生成部１５Ｂは、予め設定されたＴＴＳパラメータおよび音声合成規則データベース（ＤＢ）１５Ｃを参照して、音源部１５Ｄおよび音声合成フィルタ１５Ｅを制御するための音声合成制御パラメータを時系列的に生成する。

この場合において、音声合成制御パラメータ生成部１５Ｂは、テキスト情報の内容あるいはテキスト情報の入力元（メールアプリケーション、ナビゲーションアプリケーション、交通情報処理アプリケーションなど）の種類に応じて音声読み上げモードを設定するモード設定部として機能する。従って、音声合成制御パラメータ生成部１５Ｂは、複数の音声読み上げモードに対応して予め設定された複数組のＴＴＳパラメータのうち、テキスト情報の内容あるいは、テキスト情報の入力元の種類に応じて音声読み上げモードを自動的に生成して対応するＴＴＳパラメータを参照することとなる。
生成される音声合成制御パラメータとしては、声道の伝達特性を定めるパラメータと、音源特性に関与するパラメータ（ピッチ（基本周波数）、音源振幅、有声／無声等）がある。これらのパラメータは、一定の時間的な枠の中で、互いに相関関係を持って設定される。

これらの結果、音源部１５Ｄおよび音声合成フィルタ１５Ｅは、設定されたパラメータに基づいて連続音声を合成し、スピーカ１５Ｆより合成音声が出力されることとなる。
上記構成において、音声合成を行って各種情報の音声読み上げを行わせるに先立って、ユーザは、複数の音声読み上げモードに対応して複数組のＴＴＳパラメータを予め設定するためのＴＴＳパラメータの設定処理を行っておく必要がある。

図３は、ＴＴＳパラメータの設定処理のフローチャートである。
まず、ユーザはＴＴＳパラメータを設定すべき音声読み上げモードＮを選択する（ステップＳ１）。
この場合において、音声読み上げモードＮとしては、メール読み上げモード、長文メール高速読み上げモード、交通情報（ＶＩＣＳ）読み上げモード、経路案内モード等が挙げられる。メール読み上げモードにおいては、通常の音声合成がなされる、あるいは、固有名詞等については大きくはっきり発音するなどの処理がなされる。長文メール高速読み上げモードにおいては、メールの内容を短時間で把握するために、固有名詞等については大きくはっきり発音するとともに、発話速度を速くするなどの処理がなされる。交通情報（ＶＩＣＳ）読み上げモードにおいては、地名、インターチェンジ名などの固有名称を大きくはっきりと発音させる等の処理がなされる。経路案内モードにおいては、距離、方向（進行方向など）、目印（信号、ビルなど）については、大きくはっきり発音させる等の処理がなされる。

続いてユーザは、選択した音声読み上げモードに対するＴＴＳパラメータＰ1〜Ｐｎを設定する（ステップＳ２）。
ここで、ＴＴＳパラメータＰ1〜Ｐｎの種類としては、ピッチ、発話スピード、声の太さ、特殊記号の読み上げ可否、男声／女性、声の高さ、声の大きさ、アクセントの大きさ、母音の無声化の可否などが挙げられる。
続いて、主制御部４は、設定されたＴＴＳパラメータＰ1〜Ｐｎを読み上げモードＮに対応づけてＤＲＡＭ６およびＳＲＡＭ７に記憶し設定処理を終了する（ステップＳ３）。

図４は、音声出力要求処理のフローチャートである。
その後、主制御部４は、自己が実行しているメールアプリケーション、交通情報処理アプリケーションあるいはナビゲーションアプリケーションから音声出力要求がなされた場合には、出力するテキストデータＴおよび音声読み上げモードを取得あるいは設定し（ステップＳ１１）、音声データ生成部１５に対し、ＴＴＳ出力要求情報Ｓを設定し、出力する（ステップＳ１２）。

図５は、ＴＴＳ音声出力処理の処理フローチャートである。
音声データ生成部１５は、主制御部４からＴＴＳ出力要求情報Ｓを取得すると（ステップＳ２１）、ＴＴＳパラメータＰ1〜Ｐｎを設定する（ステップＳ２２）。
さらに音声データ生成部１５は、テキストデータＴを設定する（ステップＳ２３）。
これにより、音声データ生成部１５は、テキストデータＴを音声データに変換する（ステップＳ２４）。

図６は、音声データ生成部の処理フローチャートである。
まず音声データ生成部１５は、入力されたテキストデータＴを解析し、音声記号の系列に変換するととともに、韻律的な特徴を自動的に生成するために、形態素解析や構文解析を行う（ステップＳ３１）。
具体的には、ある単語に対し文法的に連結可能な単語の種類を規定した単語検索テーブル１５Ｇおよび辞書１５Ｈを参照して入力されたテキストを単語と、形態素の系列と、に分割する。

続いて、分割した単語と、形態素の系列とに基づいて、読み仮名情報、文法情報、アクセント情報、単語／文節アクセント情報を音声合成用情報として抽出し、合成単位系列変換部に出力される（ステップＳ３２）。
これにより合成単位系列変換部１５Ａは、音声合成用情報を解析し、音声合成単位の記号列である合成単位系列記号列に変換されて、音声合成制御パラメータ生成部１５Ｂに出力される。

音声合成制御パラメータ生成部１５Ｂは、設定されたＴＴＳパラメータＰ1〜Ｐｎおよび音声合成規則データベース（ＤＢ）１５Ｃを参照して、音源および音声合成フィルタを制御するための音声合成制御パラメータを時系列的に生成する（ステップＳ３４）。
ここで、音声合成制御パラメータとしては、声道の伝達特性を定めるパラメータと、音源特性に関与するパラメータ（ピッチ（基本周波数）、音源振幅、有声／無声等）がある。これらのパラメータは、一定の時間的な枠の中で、互いに相関関係を持って設定される。

これらの結果、音源部１５Ｄおよび音声合成フィルタ１５Ｅは、設定されたパラメータに基づいて連続音声を合成し、スピーカ１５Ｆより合成音声が出力される（ステップＳ２５）。
このとき、スピーカ１５Ｆから出力される合成音声は、設定されたＴＴＳパラメータＰ1〜Ｐｎに従うものとなる。
例えば、メールの容量が所定の基準容量よりも大きい長文メールである場合には、読上モードが長文高速読上モードに設定され、読み上げ速度を上げて、より短時間でメールの内容を把握することができる。

また、経路案内情報や交通情報を読み上げる場合には、距離あるいは地名（固有名称）などをゆっくり大きく発音するなどより聞きやすい状態にすることが可能となる。
以上の説明のように、本実施形態によれば、テキスト情報の内容あるいはテキスト情報の入力元の種類に応じて主制御部４が自動的に音声読み上げモードを設定し、設定された音声読み上げモードに対応するＴＴＳパラメータの組に基づいて音声合成を行って合成音声を出力するので、読み上げ対象に応じてより聞き取りやすい合成音声を得ることができ、使い勝手が向上する。

以上の説明においては、音声読み上げモードを主制御部４が自動的に設定する構成としていたが、ユーザが入力部１１を介して任意に音声読み上げモードを設定するように構成することも可能である。
以上の説明では、テキスト情報の入力元は、ナビゲーション装置上で実行されるメールアプリケーション、交通情報処理アプリケーションあるいはナビゲーションアプリケーションである場合を説明したが、これら以外の各種アプリケーションであっても良い。
さらに、アプリケーションばかりでなく、外部装置、例えば、外部の交通情報処理装置、インターネット端末などからテキスト情報を入力するようにしてもよい。
以上の説明では、ナビゲーション装置について説明したが、音声合成装置を設けることが可能な装置であれば、どのような装置でも適用が可能である。

本発明の実施形態に係るナビゲーション装置の機能的構成を示すブロック図である。 音声データ生成部の概要構成ブロック図である。 ＴＴＳパラメータの設定処理のフローチャートである。 音声出力要求処理のフローチャートである。 ＴＴＳ音声出力処理の処理フローチャートである。ナビゲーション装置の動作を示すフローチャートである。 音声データ生成部の処理フローチャートである。

符号の説明

１００ ナビゲーション装置
１ 絶対位置・方位検出部
２ 相対方位検出部
３ 車速検出部
４ 主制御部（モード設定部、パラメータ特定部）
５ ＲＯＭ
６ ＤＲＡＭ（パラメータ記憶部）
７ ＳＲＡＭ（パラメータ記憶部）
９ ユーザインタフェース部
１０ 表示部
１１ 入力部（モード指定部）
１２ ディスク制御部
１３ ＦＭ多重信号処理部
１４ 外部記録装置制御部
１５ 音声データ生成部（音声合成出力部、音声合成部）
１５Ａ 合成単位系列変換部
１５Ｂ 音声合成制御パラメータ生成部
１５Ｃ 音声合成規則データベース（ＤＢ）
１５Ｄ 音源部
１５Ｅ 音声合成フィルタ
１５Ｆ スピーカ

Claims (11)

1. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置において、
   ユーザが音声読み上げモードを指定するモード指定部と、
   前記指定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定部と、
   特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成部と、
   を備えたことを特徴とする音声合成装置。
2. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置において、
   前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定するモード設定部と、
   設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定部と、
   特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成部と、
   を備えたことを特徴とする音声合成装置。
3. 請求項１または請求項２記載の音声合成装置において、
   前記テキスト情報の内容は、メール、交通情報あるいは経路案内情報のいずれかであることを特徴とする音声合成装置。
4. 請求項１または請求項２記載の音声合成装置において、
   前記テキスト情報の内容は、メールであり、
   前記モード設定部は、前記メールの容量が所定の基準容量よりも大きい長文メールである場合に、前記読上モードを長文高速読上モードに設定することを特徴とする音声合成装置。
5. 請求項１ないし請求項４のいずれかに記載の音声合成装置において、
   前記テキスト情報の入力元は、メールアプリケーション、交通情報処理アプリケーションあるいはナビゲーションアプリケーションであることを特徴とする音声合成装置。
6. 請求項１ないし請求項５のいずれかに記載の音声合成装置において、
   前記音声読み上げモードに対応づけて前記音声合成制御パラメータの組み合わせを予め記憶するパラメータ記憶部を備えたことを特徴とする音声合成装置。
7. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置の制御方法において、
   ユーザが音声読み上げモードを指定するモード指定過程と、
   前記指定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定過程と、
   特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成過程と、
   を備えたことを特徴とする制御方法。
8. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置の制御方法において、
   前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定するモード設定過程と、
   設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定するパラメータ特定過程と、
   特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力する音声合成過程と、
   を備えたことを特徴とする制御方法。
9. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置をコンピュータにより制御するための制御プログラムにおいて、
   ユーザが指定した音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定させ、
   特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力させる、
   ことを特徴とする制御プログラム。
10. 入力されたテキスト情報に基づいて音声合成を行い、前記テキスト情報を音声に変換して出力する音声合成装置をコンピュータにより制御するための制御プログラムにおいて、
    前記テキスト情報の内容あるいは前記テキスト情報の入力元の種類に応じて音声読み上げモードを設定させ、
    設定された前記音声読み上げモードに対応する音声合成制御パラメータの組み合わせを特定させ、
    特定された音声合成パラメータに基づいて音声合成を行って前記音声として出力させる、
    ことを特徴とする制御プログラム。
11. 請求項９または請求項１０のいずれかに記載の制御プログラムを記録したことを特徴とするコンピュータ読取可能な記録媒体。
    
    

Images