JP2006284700A - 音声合成装置および音声合成処理プログラム - Google Patents

Abstract

【課題】 この発明は、読みの情報から少ない辞書を用いて効率的にアクセント型を推定できる音声合成装置を提供することを目的とする。
【解決手段】 名前の読みの情報に対応する音素記号列を決定する第１手段、予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブル、第１手段によって決定された上記音素記号列を構成する各音素とアクセント型テーブルとに基づいて、上記音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第２手段、ならびに第２手段によって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第３手段を備えている。
【選択図】 図２

Description

この発明は、音声合成装置および音声合成処理プログラムに関する。

電話に搭載される音声合成に関するアプリケーションの１つに、名前を読み上げるものがある。つまり、電話受信時の相手の電話番号やメール受信時の相手のメールアドレスを、自機に予め登録した電話番号／名前テーブルまたはメールアドレス／名前テーブルと照合して、相手の名前情報を取得し、取得した名前情報を音声合成により音声出力する。

従来は、上記テーブルには、漢字と読みとしてのひらがな（カタカナ）との両方が登録されている。そして、漢字に基づいて、アクセント型が推定されている。従来のアクセント型の推定方法では、基本的には、語頭および語尾の漢字毎に、アクセント型の傾向の度合いを計算し、最も傾向の高いアクセント型を選択する。語頭および語尾で傾向の高いアクセント型が異なる場合には、発生確率が高い方のアクセントを選択する。

従来技術において、全ての漢字に対するアクセント型を登録することは、メモリ量の増加を意味し、実際には困難である。登録されていない漢字については、異なるルールを別に用意する必要がある。

この発明は、読みの情報から少ない辞書を用いて効率的にアクセント型を推定できる音声合成装置および音声合成処理プログラムを提供することを目的とする。

請求項１に記載の発明は、名前の読みの情報に対応する音素記号列を決定する第１手段、予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブル、第１手段によって決定された上記音素記号列を構成する各音素とアクセント型テーブルとに基づいて、上記音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第２手段、ならびに第２手段によって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第３手段を備えていることを特徴とする。

請求項２に記載の発明は、名前の読みの情報に対応する音素記号列を決定する第１手段、音素を調音動作および調音位置に基づいてグループ分けすることによって作成されかつ音素と音素グループとの対応関係を記憶した音素−音素グループテーブル、第１手段によって決定された音素記号列を構成する各音素に対応する音素グループを、音素−音素グループテーブルに基づいて決定する第２手段、予め定められた複数の音素位置の組合せに対して、音素位置と音素グループとの組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブル、第２手段によって決定された上記音素記号列を構成する各音素に対応する音素グループとアクセント型テーブルとに基づいて、上記音素記号列に対応する音素位置と音素グループとの組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第３手段、ならびに第３手段によって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第４手段を備えていることを特徴とする。

請求項３に記載の発明は、請求項１乃至２に記載の発明において、アクセント型テーブルは予め用意した複数の名前とそのアクセント型に基づいて、作成されていることを特徴とする。

請求項４に記載の発明は、請求項３に記載の発明において、アクセント型テーブルには、アクセント型の発生確率が所定の閾値より大きなもののみが登録されていることを特徴とする。

請求項５に記載の発明は、音声合成処理プログラムであって、名前の読みの情報に対応する音素記号列を決定する第１ステップ、予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブルと、第１ステップによって決定された上記音素記号列を構成する各音素とに基づいて、上記音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第２ステップ、ならびに第２ステップによって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第３ステップをコンピュータに実行させるためのプログラムであることを特徴とする。

請求項６に記載の発明は、音声合成処理プログラムであって、名前の読みの情報に対応する音素記号列を決定する第１ステップ、音素を調音動作および調音位置に基づいてグループ分けすることによって作成されかつ音素と音素グループとの対応関係を記憶した音素−音素グループテーブルに基づいて、第１ステップによって決定された音素記号列を構成する各音素に対応する音素グループを決定する第２ステップ、予め定められた複数の音素位置の組合せに対して、音素位置と音素グループとの組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブルと、第２ステップによって決定された上記音素記号列を構成する各音素に対応する音素グループとに基づいて、上記音素記号列に対応する音素位置と音素グループとの組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第３ステップ、ならびに第３ステップによって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第４ステップをコンピュータに実行させるためのプログラム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５乃至６に記載の発明において、アクセント型テーブルは予め用意した複数の名前とそのアクセント型に基づいて、作成されていることを特徴とする。

請求項８に記載の発明は、請求項７に記載の発明において、アクセント型テーブルには、アクセント型の発生確率が所定の閾値より大きなもののみが登録されていることを特徴とする。

この発明によれば、読みの情報から少ない辞書を用いて効率的にアクセント型を推定できるようになる。

以下、図面を参照して、この発明の実施例について説明する。

〔１〕日本語のアクセント型についての説明
まず、日本語のアクセント型について説明する。以下の説明において、モーラとは、韻律論において、強勢や抑揚などの単位となる音の相対的長さをいう。一般的には、１モーラは、短母音を含む１音節の長さに相当する。日本語のアクセントは、モーラの音程で表される。

東京方言では、音程について、次のようなアクセント規則が成立する。
（１）１単語における第１モーラと第２モーラとは、音程が異なる。
（２）１単語において、音程が下がるのは１箇所である。
（３）音程が下がる位置に応じて、アクセント型が決定する。

例えば、４モーラからなる”マツムラ”を例にとると、図７に（ａ）〜（ｅ）で示すように、５種類のアクセント型が成立する。

図７（ａ）は、０型を示している。０型では、第１モーラの音程が低く、第２モーラ以降のモーラの音程が高くなっている。つまり、音程が下がる箇所が０であるので０型と呼ばれる。

図７（ｂ）は、１型を示している。１型では、第１モーラの音程が高く、第２モーラ以降のモーラの音程が低くなっている。つまり、音程は、第１モーラの後に低くなるので１型と呼ばれる。

図７（ｃ）は、２型を示している。２型では、第１モーラの音程が高く、第２モーラの音程が高く、第３モーラ以降のモーラの音程が低くなっている。つまり、音程は、第２モーラの後に低くなるので２型と呼ばれる。

図７（ｄ）は、３型を示している。３型では、第１モーラの音程が高く、第２モーラおよび第３モーラの音程が高く、第４モーラ以降のモーラの音程が低くなっている。つまり、音程は、第３モーラの後に低くなるので３型と呼ばれる。

図７（ｅ）は、４型を示している。４型では、第１モーラの音程が高く、第２モーラ、第３モーラおよび第４モーラの音程が高く、第５モーラ以降のモーラの音程が低くなっている。つまり、音程は、第４モーラの後に低くなるので４型と呼ばれる。

このように、モーラ数がｎからなる単語の場合、アクセント型は、０型からｎ型までの（ｎ＋１）種類存在する。

〔２〕電話機に適用した場合の実施例についての説明
以下、この発明をナンバーディスプレイ対応電話機に適用した場合の実施例について説明する。ナンバーディスプレイ対応電話機とは、電話をかけてきた相手方の電話番号を電話機の表示部に表示することが可能な電話機をいう。

図１は、電話をかけてきた相手方の電話番号を電話機の表示部に表示する機能の他、電話をかけてきた相手方の名前を音声合成によって音声出力する機能をも備えたナンバーディスプレイ対応電話機の構成を示している。

受信部１は、公衆電話回線に接続され、受信した電話番号情報および音声情報を取得する。音声情報は、通常の電話機と同様に再生出力される。

送信元番号抽出部２は、受信部１で受信した情報のうち、送信元の電話番号情報を抽出する。送信元番号抽出部２で抽出された電話番号情報は、表示部３に表示される。

登録データ検索部４は、登録データベース５を検索して、送信元番号抽出部２で抽出された電話番号情報に対応する名前情報を取得する。登録データ検索部４は、取得した名前情報を表示部３に送るとともに、文字情報解析部６に送る。表示部３では、登録データ検索部４から送られてきた名前情報が表示される。

登録データベース５には、図３に示すように、予めユーザによって登録された、電話番号情報および名前情報が、登録番号毎に格納されている。図３の例では、名前情報はカタカナの文字情報であるが、平仮名の文字情報であってもよい。

文字情報解析部６は、登録データ検索部４から送られてきた名前情報を解析して、当該名前情報に対応するアンセント型を判別し、当該名前情報に対応する音素列と各音素の音程を示す情報とを音声波形生成部７に送る。

音声波形生成部７は、文字情報解析部６から送られてきた音素列と各音素の音程を示す情報との情報とに基づいて、当該音素列に対応する音声波形であってかつ文字情報解析部６によって判別されたアクセント型に応じた音声波形を生成する。音声波形生成部７によって生成された音声波形はスピーカ８によって音声出力される。

なお、送信元番号抽出部２、登録データ検索部４、文字情報解析部６および音声波形生成部７は、ソフトウエア（音声合成処理プログラム）を搭載したマイクロコンピュータによって実現される。

図２は、文字情報解析部６の構成を示している。

文字情報解析部６は、音素記号列決定部１１、母音・子音分解部１２、モーラ数算出部１３、音素−音素グループ変換部１４およびアクセント決定部１５からなる。

音素記号列決定部１１は、登録データ検索部４から送られてきた名前情報に対応する音素記号列を決定する。例えば、文字情報が”マツムラ”であれば、音素記号列”ｍａｔｓｕｍｕｒａ”を生成する。

母音・子音分解部１２は、音素記号列決定部１１によって決定された音素記号列を、母音と子音とに分解する。音素記号列が”ｍａｔｓｕｍｕｒａ”であれば、子音”ｍ”、母音”ａ”、子音”ｔｓ”、母音”ｕ”、子音”ｍ”、母音”ｕ”、子音”ｒ”、母音”ａ”というように、音素記号列が子音と母音とに分解される。つまり、音素記号列”ｍａｔｓｕｍｕｒａ”は、”ｍ／ａ／ｔｓ／ｕ／ｍ／ｕ／ｒ／ａ”の音素に分割される。
モーラ数算出部１３は、母音・子音分解部１２によって分解された母音と子音とに基づいて、モーラ数を算出する。原則的には、子音＋母音の組合せが１モーラを構成する。ただし、子音を伴わない母音、撥音、促音、長音も、１モーラを構成する。

音素−音素グループ変換部１４は、音素−音素グループテーブル２１を用いて、母音・子音分解部１２によって分解された各音素をグループ分けする。言い換えれば、音素記号列決定部１１によって決定された音素記号列の各音素を音素グループに変換する。

図４は、音素−音素グループテーブルの内容例を示している。

音素−音素グループテーブルは、各音素がどの音素グループに属するかを記憶したテーブルである。音素のグループ分けは、音声を発声する場合の調音動作、調音位置に基づいて行われている。

各音素グループと調音動作、調音位置との関係は、次の通りである。

Ｇ１：舌の位置が低い母音
Ｇ２：舌の位置が高い母音、 Ｇ３：Ｎ（撥音） 口から音がでない有声音声
Ｇ４：子音を伴わない音節
Ｇ５：破裂音
Ｇ６：摩擦音
Ｇ７：鼻音
Ｇ８：反母音
Ｇ９：有声子音

なお、音素記号列は、奇数番目と偶数番目を合わせて１モーラの音節を表しており、音素グループＧ１〜Ｇ３は、単語（名前）の音素記号列において偶数番目にくる音素であり、音素グループＧ４以降は単語（名前）の音素記号列において奇数番目にくる音素となる。

例えば、音素記号列を構成する音素が、”ｍ／ａ／ｔｓ／ｕ／ｍ／ｕ／ｒ／ａ”であれば、各音素位置に対応する音素グループは、図５に示すようになる。

アクセント決定部１５は、名前情報に対応する音素記号列に対して音素−音素グループ変換部１４によって得られた音素位置毎の音素グループと、モーラ数毎に作成されたアクセント型テーブル２２を用いて、当該音素記号列に対するアクセント型を決定し、決定したアクセント型に基づいて当該音素記号列を構成する各音素の音程を決定する。

図６は、モーラ数が４に対応するアクセント型テーブルの一例を示している。
アクセント型テーブルには、音素位置と音素グループとの様々な組合せ毎に、アクセント型とその発生確率とが格納されている。

アクセント型テーブルは、実際の名前とそのアクセント型とを分析することによって作成されている。所定のモーラ数に対するアクセント型テーブルの作成方法について説明する。所定のモーラ数を持つ名前において、予めアクセント型に影響を与えると予想できる音素位置の組合せを決定する。そして、所定のモーラ数を持つ全ての名前とそのアクセント型に基づいて、上記音素の組合せ毎に、その組合せの音素位置と音素グループの組合せに対するアクセント型のデータを作成する。そして、音素位置と音素グループとの各組合わせ毎に、アクセント型の発生確率を計算する。発生確率がある閾値より大きなもののみを、当該モーラ数に対するアクセント型テーブルとして登録する。

アクセント決定部１５は、まず、名前情報に対応する音素記号列に対して音素−音素グループ変換部１４によって得られた音素位置毎の音素グループと、当該音素記号列のモーラ数に対応するアクセント型テーブル内の各エントリとを比較し、音素位置と音素グループとの組合せが一致するエントリのアクセント型と発生確率とを取得する。

そして、取得した各エントリのアクセント型のうち、発生確率が最も高いアクセント型を、当該音素記号列に対するアクセント型として決定する。そして、決定されたアクセント型に基づいて、当該音素記号列を構成する各音素毎に音程を決定する。つまり、音素記号列を構成する各音素毎に音程が高いか低いかを決定する。

音素記号列が”ｍａｔｓｕｍｕｒａ”である場合には、図６のアクセント型テーブルのうち、エントリー番号が”２”、”５”および”７”のエントリが、当該音素記号列に対して音素−音素グループ変換部１４によって得られた音素位置毎の音素グループと一致する。エントリー番号”２”、”５”、”７”のアクセント型のうち、発生確率が最も高いのは、エントリー番号”２”のアクセント型（２型）であるので、音素記号列”ｍａｔｓｕｍｕｒａ”に対するアクセント型は２型となる。つまり、第１モーラの音程が高く、第２モーラの音程が高く、第３モーラ以降のモーラの音程が低くなる。したがって、音素記号列”ｍａｔｓｕｍｕｒａ”のうち、”ｍａｔｓｕ”を構成する各音素”ｍ／ａ／ｔｓ／ｕ”の音程が高く、”ｍｕｒａ”を構成する各音素”ｍ／ｕ／ｒ／ａ”の音程が低くなる。

上記実施例では、名前情報に対応する音素記号列を構成する各音素を音素グループに一旦変換し、各音素位置に対応する音素グループの情報と、アクセント型テーブルとに基づいて、当該名前情報に対応するアクセント型を決定しているが、名前情報に対応する音素記号列を構成する各音素を音素グループに変換せずに当該名前情報に対応するアクセント型を決定することもできる。

名前情報に対応する音素記号列を構成する各音素を音素グループに変換しない場合には、アクセント型テーブルとして、予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したものを用い、名前情報に対応する音素記号列を構成する各音素とアクセント型テーブルとに基づいて、この音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得し、取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、この音素記号列に適したアクセント型として決定すればよい。

なお、この発明は、携帯型電話機等において、電子メールを受信したときに、電子メールの送り元の名前を音声合成によって音声合成する場合にも適用することができる。この場合には、登録データベース５に、予めユーザによって登録された電子メールアドレスおよびそれに対応する名前情報が格納される。

ナンバーディスプレイ対応電話機の構成を示すブロック図である。 文字情報解析部６の構成を示すブロック図である。 登録データベース５の内容の一部を示す模式図である。 音素−音素グループテーブル２１の内容の一部を示す模式図である。 音素記号列が”ｍａｔｓｕｍｕｒａ”である場合、各音素位置に対応する音素グループを示す模式図である。 モーラ数が４に対応するアクセント型テーブルの内容の一部を示す模式図である。 日本語のアクセント型を説明するための模式図である。

符号の説明

６ 文字情報解析部
１１ 音素記号列決定部
１２ 母音・子音分解部
１３ モーラ数算出部
１４ 音素−音素グループ変換部
１５ アクセント決定部
２１ 音素−音素グループテーブル
２２ アクセント型テーブル

Claims (8)

1. 名前の読みの情報に対応する音素記号列を決定する第１手段、
   予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブル、
   第１手段によって決定された上記音素記号列を構成する各音素とアクセント型テーブルとに基づいて、上記音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第２手段、ならびに
   第２手段によって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第３手段、 を備えていることを特徴とする音声合成装置。
2. 名前の読みの情報に対応する音素記号列を決定する第１手段、
   音素を調音動作および調音位置に基づいてグループ分けすることによって作成されかつ音素と音素グループとの対応関係を記憶した音素−音素グループテーブル、
   第１手段によって決定された音素記号列を構成する各音素に対応する音素グループを、音素−音素グループテーブルに基づいて決定する第２手段、
   予め定められた複数の音素位置の組合せに対して、音素位置と音素グループとの組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブル、
   第２手段によって決定された上記音素記号列を構成する各音素に対応する音素グループとアクセント型テーブルとに基づいて、上記音素記号列に対応する音素位置と音素グループとの組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第３手段、ならびに
   第３手段によって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第４手段、 を備えていることを特徴とする音声合成装置。
3. アクセント型テーブルは予め用意した複数の名前とそのアクセント型に基づいて、作成されていることを特徴とする請求項１および２のいずれかに記載の音声合成装置。
4. アクセント型テーブルには、アクセント型の発生確率が所定の閾値より大きなもののみが登録されていることを特徴とする請求項３に記載の音声合成装置。
5. 音声合成処理プログラムであって、
   名前の読みの情報に対応する音素記号列を決定する第１ステップ、
   予め定められた複数の音素位置の組合せに対して、音素位置と音素との組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブルと、第１ステップによって決定された上記音素記号列を構成する各音素とに基づいて、上記音素記号列に対応する音素位置と音素との組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第２ステップ、ならびに
   第２ステップによって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第３ステップ、 をコンピュータに実行させるための音声合成処理プログラム。
6. 音声合成処理プログラムであって、
   名前の読みの情報に対応する音素記号列を決定する第１ステップ、
   音素を調音動作および調音位置に基づいてグループ分けすることによって作成されかつ音素と音素グループとの対応関係を記憶した音素−音素グループテーブルに基づいて、第１ステップによって決定された音素記号列を構成する各音素に対応する音素グループを決定する第２ステップ、
   予め定められた複数の音素位置の組合せに対して、音素位置と音素グループとの組合せ毎に、アクセント型とその発生確率を記憶したアクセント型テーブルと、第２ステップによって決定された上記音素記号列を構成する各音素に対応する音素グループとに基づいて、上記音素記号列に対応する音素位置と音素グループとの組合せに該当する全てのアクセント型とその発生確率をアクセント型テーブルから取得する第３ステップ、ならびに
   第３ステップによって取得した全てのアクセント型のうち、発生確率の最も高いアクセント型を、上記音素記号列に適したアクセント型として決定する第４ステップ、
   をコンピュータに実行させるための音声合成処理プログラム。
7. アクセント型テーブルは予め用意した複数の名前とそのアクセント型に基づいて、作成されていることを特徴とする請求項５および６のいずれかに記載の音声合成処理プログラム。
8. アクセント型テーブルには、アクセント型の発生確率が所定の閾値より大きなもののみが登録されていることを特徴とする請求項７に記載の音声合成処理プログラム。

Images