JP2007024960A - システム、プログラムおよび制御方法 - Google Patents

Abstract

【課題】テキストに自然な読みおよびアクセントを与える。
【解決手段】テキストの読みおよびアクセントを出力するシステムを提供する。このシステムは、予め入力されたテキストの表記、読み、およびアクセントを、当該テキストに含まれる語句の区切り毎に記録した第１コーパスを格納している格納部を有する。そして、読みおよびアクセントを出力する対象となる対象テキストを取得し、第１コーパス中で連続する表記の組の中から、対象テキストの表記と一致する表記の組を少なくとも１つ検索し、検索された当該表記の組に対応する読みおよびアクセントの組み合わせのうち、第１コーパス中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、対象テキストの読みおよびアクセントとして選択する。
【選択図】図４

Description

本発明は、システム、プログラムおよび制御方法に関する。特に、本発明は、テキストの読み及びアクセントを出力するシステム、プログラムおよび制御方法に関する。

音声合成技術の最終的な目的は、人間の発する音声と区別出来ない程度の自然さで、また人間と同等またはそれ以上の正確さ・明確さの音声を合成することにある。しかしながら、現在の音声合成技術は、どの観点においても人間の発声のレベルには達していない。

音声の自然さや正確さを決定付ける基本的な要素として、読みおよびアクセントが挙げられる。一般的に、音声合成システムは、文字列（例えば日本語の場合、漢字かな交じり文）を入力として、音声を出力する。音声を合成する処理は、２つの段階の処理から構成される場合が多い。例えば、前段階はフロントエンドと呼ばれ、後段階はバックエンドと呼ばれる。

フロントエンドにおいて、音声合成システムは、テキストを解析する処理を行う。具体的には、音声合成システムは、文字列を入力として、その入力文字列に対して語句の境界を推定すると共に、各語句に読みとアクセントを与える。バックエンドにおいて、音声合成システムは、各語句に与えられた読みおよびアクセントに基づいて音素列を組み合わせて、実際の合成音声を出力する。

従来、フロントエンドにおいて問題となっていたのは、読みとアクセントの精度が充分に高くないということである。このため、合成音声が不自然に聞こえてしまう場合があった。これに対して、従来、入力文字列にできるだけ自然な読みおよびアクセントを与える技術が提案されている（特許文献１および特許文献２を参照。）。

特許文献１に記載の音声合成装置は、単語の表記、単語の読みとアクセント、単語の品詞情報および頻度情報を、単語の表記毎に記憶している（同文献の図３を参照。）。そして、複数の単語分割候補が求められた場合に、単語分割候補毎に、その単語分割候補に含まれる各単語の頻度情報の合計を求め、その合計が大きい単語分割候補を選択する（同文献の段落２２）。そして、選択された単語分割候補に対応付けられた読みおよびアクセントを出力する。

また、特許文献２に記載の音声合成装置は、各形態素の読みのアクセントを、その形態素の属性に基づいて決定する規則を生成する。そして、入力テキストを形態素毎に分割し、各々の形態素の属性をその規則に入力して読みのアクセントを定める。ここで、形態素の属性とは、その形態素のモーラ数、品詞、活用形などに加え、その前後に隣接する形態素のモーラ数、品詞、活用形などの組み合わせである。

非特許文献１については後述する。
特開２００３−５７７６号公報 特開２００１−７５５８５号公報 Nagata, M., "A stochastic Japanese morphological analyzer using a Forward-DP Backward-A* N-Best search algorithm,"Proceedings of Coling, pp 201-207, 1994.

特許文献１の技術において、単語分割候補は、各々の単語の頻度情報に基づいて定められ、その単語の前後の文脈には無関係に定められる。しかしながら、日本語や中国語などの単語境界が明示されない言語において、同一の表記がその文脈によって異なる複数の単語に分割され、異なる読みやアクセントにより発音される場合がある。従って、この技術によっては適切な読みおよびアクセントを定められない場合がある。

また、特許文献２の技術において、アクセントの決定は、単語境界や読みの決定とは別の処理として行われる。このため、読みや単語境界を決定するために入力テキストを走査した後に、アクセントを決定するためのその入力テキストを再度走査しなければならず、効率が悪い。また、この技術は、学習データを入力することにより、アクセントを決定する規則の精度を高めていく。しかしながら、この規則は、アクセントの決定にのみ用いられるので、学習データを増加させても読みや単語境界の決定の精度を高めることはできない。

そこで本発明は、上記の課題を解決することのできるシステム、プログラムおよび制御方法を提供することを目的とする。この目的は特許請求の範囲における独立項に記載の特徴の組み合わせにより達成される。また従属項は本発明の更なる有利な具体例を規定する。

上記課題を解決するために、本発明の第１の形態においては、テキストの読みおよびアクセントを出力するシステムであって、予め入力されたテキストの表記、読み、およびアクセントを、当該テキストに含まれる語句の区切り毎に記録した第１コーパスを格納している格納部と、読みおよびアクセントを出力する対象となる対象テキストを取得するテキスト取得部と、第１コーパス中で連続する表記の組の中から、対象テキストの表記と一致する表記の組を少なくとも１つ検索する検索部と、検索された当該表記の組に対応する読みおよびアクセントの組み合わせのうち、第１コーパス中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、対象テキストの読みおよびアクセントとして選択する選択部とを備えるシステム、当該システムとして情報処理装置を機能させるプログラム、および、当該システムを制御する制御方法を提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本発明によれば、テキストに自然な読みおよびアクセントを与えることができる。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、音声処理システム１０の全体構成を示す。音声処理システム１０は、格納部２０と、音声認識装置３０と、音声合成装置４０とを備える。音声認識装置３０は、利用者から発せられた音声を認識することによりテキストを生成する。そして、音声認識装置３０は、生成したそのテキストを、認識した音声に基づく読みおよびアクセントに対応付けて格納部２０に格納する。格納部２０に格納されたテキストは、音声合成に用いるためのコーパスとなる。

音声合成装置４０は、読みおよびアクセントを出力する対象となる対象テキストを取得すると、その対象テキストを格納部２０に格納されたコーパスと比較する。そして、音声合成装置４０は、その対象テキスト中の複数の語句について、最も出現確率の高い読みおよびアクセントの組み合わせをコーパス中から選択する。音声合成装置４０は、選択した読みおよびアクセントに基づいて合成音声を生成して出力する。

本実施例において、音声処理システム１０は、コーパス中に連続して出現する表記の組について、その読みおよびアクセントの組み合わせの出現確率に基づいて、対象テキストの読みおよびアクセントを選択する。これにより、語句自体の出現確率のみならず語句の文脈を考慮して読みおよびアクセントを選択することを目的とする。また、音声合成に用いられるコーパスは、例えば音声認識技術などによって自動的に生成することができる。これにより、音声合成に必要な手間や費用を削減して、これまでより幅広い種類の言語に対応することを目的とする。

図２は、格納部２０のデータ構造の一例を示す。格納部２０は、第１コーパス２２および第２コーパス２４を格納している。第１コーパス２２は、予め入力されたテキストの表記、品詞、読み、およびアクセントを、そのテキストに含まれる語句の区切り毎に記録している。例えば、本図の例において、第１コーパス２２は、「京都タワーホテル」というテキストを、表記「京都」、表記「タワー」、および表記「ホテル」に分割してこの順に記録している。また、第１コーパス２２は、他の文脈においてそれぞれ表記「京都」、表記「タワー」、および表記「ホテル」を別個に記録している。

第１コーパス２２は、表記「京都」に対応付けて、その表記の語句が固有名詞であり、その表記の読みが「Ｋｙｏ：ｔｏ」であり、その表記のアクセントが「ＬＨＨ」である旨を記録している。ここで「：」は長音記号であり、「Ｈ」および「Ｌ」は、高低アクセント要素を示す。即ちこの文脈のテキストにおいて、語句「京都」は、先頭の音節において低いアクセントの「Ｋｙｏ」と読まれ、２番目の音節において高いアクセントの「ｏ：」と読まれ、３番目の音節において高いアクセントの「ｔｏ」と読まれている。

一方で、他の文脈に出現する語句「京都」は、アクセント「ＨＬＬ」に対応付けて記録されており、「京都タワーホテル」というテキスト中に出現した語句「京都」とは、アクセントが異なっている。同様に、語句「タワー」は、「京都タワーホテル」というテキスト中ではアクセント「ＨＨＨ」に対応付けられており、他の文脈では「ＨＬＬ」に対応付けられている。このように、第１コーパス２２は、各々の語句について一義的な読みおよびアクセントを記録するのではなく、その語句が出現した文脈において用いられる読みおよびアクセントを記録している。

なお、本図においては説明の便宜上、アクセントは、その高低を示す「Ｈ」や「Ｌ」によって表されるが、これに代えて、アクセントのパターンを所定のタイプに分類した識別子によって表されてもよい。例えば、「ＬＨＨ」はＸタイプ、「ＨＨＨ」はＹタイプ等のように表し、第１コーパス２２は、これらのアクセントのタイプを記録してもよい。

ここで、音声合成装置４０の用途は様々であり、音声合成装置４０には、新聞や書籍などの原稿のみならず、電子メールや掲示板・ウェブページ等の様々なテキストが対象テキストとして入力され得る。このため、対象テキストに出現し得る全ての語句を第１コーパス２２に記録しておくのは現実的でない。対象テキスト中に、第１コーパス２２に出現しない語句が含まれていた場合においても、その読みを適切に判断するべく、格納部２０は、第２コーパス２４を更に格納している。

具体的には、第２コーパス２４は、第１コーパス２２中において、対象テキスト中の語句と表記を比較しない除外語句について、その除外語句に含まれる文字毎にその文字の読みを記録している。また、第２コーパス２４は、除外語句に含まれる文字毎にその除外語句の品詞およびアクセントを記録している。即ち例えば、テキスト「京都タワーホテル」中の語句「京都」が除外語句であるとすれば、第２コーパス２４は、語句「京都」に含まれる文字「京」および「都」の各々に対応付けて、その文字の読み「ｋｙｏ」および「ｔｏ」の各々を記録する。また、第２コーパス２４は、語句「京都」が名詞でありアクセントがＸタイプであるので、文字「京」および「都」の各々に対応付けて、品詞が名詞でありアクセントがＸタイプである旨の情報を記録する。

第２コーパス２４を準備しておけば、語句「京都」が第１コーパス２２に記録されていない場合であっても、文字「京」および文字「都」の読みを組み合わせることによって、語句「京都」の読みを適切に判断することができる。

更に、第１コーパス２２および／または第２コーパス２４は、テキスト中で明示的に現れる語句のみならず、テキストの先頭・終端や語句の先頭・終端、或いは、改行や空白などを、語句の文脈を特定するための記号として記録してもよい。これにより、読みおよびアクセントを一層精度良く付与することができる。

格納部２０は、第１コーパス２２および第２コーパス２４の他に、音声合成に必要な音素および韻律の情報を更に格納していてもよい。即ち例えば、音声認識装置３０は、音声認識によって認識した語句の読みに、当該読みが実際に発音された時の音素および韻律の情報を対応付けた韻律情報を生成し、それを格納部２０に格納してもよい。この場合、音声合成装置４０は、対象テキストの読みを選択した上で、選択したその読みの音素および韻律を韻律情報に基づいて生成して合成音声として出力してもよい。

図３は、音声認識装置３０の機能構成を示す。音声認識装置３０は、音声認識部３００と、読み生成部３１０と、アクセント生成部３２０と、第１コーパス生成部３３０と、頻度算出部３４０と、第２コーパス生成部３５０と、韻律情報生成部３６０とを有する。音声認識部３００は、音声を認識することにより、表記を語句の区切り毎に記録したテキストを生成する。音声認識部３００は、認識したテキスト中の各語句に、その語句の品詞を対応付けたデータを生成してもよい。また、音声認識部３００は、利用者の操作に基づいてそのテキストを修正してもよい。

読み生成部３１０は、音声認識部３００が取得した音声に基づいて、そのテキスト中の各語句の読みを生成する。なお、読み生成部３１０は、利用者の操作に基づいてその読みを修正してもよい。アクセント生成部３２０は、音声認識部３００が取得した音声に基づいて各語句のアクセントを生成する。これに代えて、アクセント生成部３２０は、テキスト中の各語句のアクセントを利用者から入力してもよい。

第１コーパス生成部３３０は、音声認識部３００により生成されたテキストを、読み生成部３１０により生成された読み、および、アクセント生成部３２０により入力されたアクセントに対応付けて記録することにより第１コーパス２２を生成し、格納部２０に格納する。頻度算出部３４０は、第１コーパス中に出現する表記、読み、および、アクセントの組の出現頻度を求める。ここで、出現頻度は、表記毎に求められるのではなく、表記、読み、および、アクセントの組毎に求められる。例えば、表記「京都」の出現頻度が高い場合であっても、表記「京都」のアクセントを「ＬＨＨ」とする場合の出現頻度が低ければ、その低い出現頻度がその表記およびアクセントの組に対応付けて算出される。

そして、第１コーパス生成部３３０は、出現頻度が予め定められた基準よりも低い表記、読み、および、アクセントの組を、除外語句として第１コーパス２２に記録する。また、第２コーパス生成部３５０は、各々の除外語句に含まれる各文字を、その文字の読みに対応付けて第２コーパス２４に記録する。韻律情報生成部３６０は、音声認識部３００により認識されたテキストに含まれる各々の語句について、当該語句の韻律および音素を示す韻律情報を生成し、格納部２０に格納する。

なお、第１コーパス生成部３３０は、第１コーパス２２それ自体を格納部２０に格納するのに代えて、第１コーパス２２中において連続する複数の表記の組の各々について、当該表記の組の読みおよびアクセントが第１コーパス２２中に出現する回数や頻度等を示す言語モデルを生成して、その言語モデルを格納部２０に格納してもよい。同様に、第２コーパス生成部３５０は、第２コーパス２４それ自体を格納部２０に格納するのに代えて、第２コーパス２４中において連続する複数の文字の組の各々について、当該文字の組の読みが第２コーパス２４中に出現する回数や頻度等を示す言語モデルを生成して、その言語モデルを格納部２０に格納してもよい。これによって、読みおよびアクセントがコーパス中で出現する出現確率を算出し易くして、対象テキストの入力から合成音声の出力までの処理を効率化できる。

図４は、音声合成装置４０の機能構成を示す。音声合成装置４０は、テキスト取得部４００と、検索部４１０と、選択部４２０と、音声合成部４３０とを有する。テキスト取得部４００は、対象テキストを取得する。対象テキストは、例えば日本語や中国語などの、語句の境界が明示的に示されていない言語で記述されている。検索部４１０は、第１コーパス２２中で連続する表記の組の中から、対象テキストの表記と一致する表記の組を少なくとも１つ検索する。選択部４２０は、検索された表記の組に対応する読みおよびアクセントの組み合わせのうち、第１コーパス２２中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、その対象テキストの読みおよびアクセントとして選択する。

好ましくは、選択部４２０は、出現確率が最も高い読みおよびアクセントの組み合わせを選択し、更に好ましくは、その対象テキストが現れる前後の文脈を更に考慮して最も適切な読みおよびアクセントの組み合わせを選択する。また、対象テキストの表記と一致する表記を第１コーパス２２から検索できない場合には、選択部４２０は、その表記の読みを第２コーパス２４から選択してもよい。そして、音声合成部４３０は、選択した読みおよびアクセントに基づき合成音声を生成して出力する。このとき、音声合成部４３０は、格納部２０に格納された韻律情報を用いることが望ましい。

図５は、音声認識によりコーパスを生成する処理の一例を示す。音声認識部３００は、利用者から音声を入力する（Ｓ５００）。そして、音声認識部３００は、音声を認識することにより、表記を語句の区切り毎に記録したテキストを生成する（Ｓ５１０）。読み生成部３１０は、音声認識部３００が取得した音声に基づいて、そのテキスト中の各語句の読みを生成する（Ｓ５２０）。アクセント生成部３２０は、そのテキスト中の各語句のアクセントを利用者から入力する（Ｓ５３０）。

第１コーパス生成部３３０は、音声認識部３００により生成されたテキストを、読み生成部３１０により生成された読み、および、アクセント生成部３２０により生成されたアクセントに対応付けて記録することにより第１コーパスを生成する（Ｓ５４０）。頻度算出部３４０は、第１コーパス中に出現する表記、読み、および、アクセントの組の出現頻度を求める（Ｓ５５０）。そして、第１コーパス生成部３３０は、出現頻度が予め定められた基準よりも低い表記、読み、および、アクセントの組を、除外語句として第１コーパス２２に記録する（Ｓ５６０）。また、第２コーパス生成部３５０は、各々の除外語句に含まれる各文字を、その文字の読みに対応付けて第２コーパス２４に記録する（Ｓ５７０）。

図６は、除外語句および第２コーパスの生成例を示す。第１コーパス生成部３３０は、出現頻度が予め定められた基準よりも低い表記、読み、および、アクセントの組を除外語句として検出する。本図では、第１コーパス２２中の除外語句に注目し、それに対する処理の詳細を説明する。図６（ａ）に示すように、除外語句として、語句「ＡＢＣ」、語句「ＤＥＦ」、語句「ＧＨＩ」、語句「ＪＫＬ」および語句「ＭＮＯ」が検出されている。本図では説明の便宜上、語句を構成する文字をアルファベットにより抽象化して示すが、実際の語句の表記は、音声合成の対象となる言語の文字によって構成される。

除外語句の表記は、対象テキスト中の語句と比較される対象とはならない。一方で、これらの語句は、例えば音声認識技術によって音声からテキストに変換されたものであるから、その品詞およびアクセントは判明している。第１コーパス２２は、各々の除外語句に対応付けてその語句の品詞およびアクセントのタイプを対応付けて記録している。例えば、第１コーパス２２は、語句「ＡＢＣ」に対応付けて品詞「名詞」およびアクセントのタイプ「Ｘ」を対応付けて記録している。なお、第１コーパス２２は、除外語句の表記「ＡＢＣ」や読み「ａｂｃ」は記録しなくてもよい。

図６（ｂ）に示すように、第２コーパス生成部３５０は、各々の除外語句に含まれる各文字をその文字の読み、その語句の品詞、および、その語句のアクセントのタイプに対応付けて第２コーパス２４に記録する。即ち、語句「ＡＢＣ」が除外語句として検出されたので、第２コーパス２４は、その語句を構成する文字「Ａ」、文字「Ｂ」、および、文字「Ｃ」の各々をその読みに対応付けて記録する。また、第２コーパス２４は、各々の除外語句に含まれる文字の読みをその除外語句の品詞およびアクセントの組毎に分類して記録する。例えば、語句「ＡＢＣ」は名詞であってアクセントのタイプがＸであるので、語句「ＡＢＣ」中に出現する文字「Ａ」は名詞およびアクセントタイプＸに対応付けて記録される。

なお、第２コーパス２４についても第１コーパス２２と同様に、各々の文字について一義的な読みを記録するのではなく、その文字が出現した語句において用いられる読みを記録している。即ち例えば、第２コーパス２４は、語句「ＡＢＣ」中の表記「Ａ」に対応付けて読み「ａ」を記録する一方で、他の除外語句に現れる表記「Ａ」に対応付けて他の読みを記録してもよい。

また、本図で説明した除外語句の生成方法は一例であり、除外語句は他の方法によって生成されてもよい。例えば、エンジニアや利用者によって予め設定された語句が除外語句として生成され第２コーパスに記録されてもよい。

図７は、対象テキストの読みおよびアクセントを選択する処理の一例を示す。テキスト取得部４００は、対象テキストを取得する（Ｓ７００）。検索部４１０は、第１コーパス２２中で連続する表記の組の中から、対象テキストの表記と一致する表記の組を全て検索する（Ｓ７１０）。選択部４２０は、検索された表記の組に対応する読みおよびアクセントの組み合わせを第１コーパス２２から全て選択する（Ｓ７２０）。

また、Ｓ７１０において、検索部４１０は、対象テキストの表記と完全に一致する表記の組のみならず、対象テキストと除外語句を除き一致する表記の組を第１コーパス２２から検索してもよい。この場合、Ｓ７２０において、選択部４２０は、除外語句を含んで検索されたその表記の組の読みおよびアクセントの組み合わせを第１コーパス２２から全て選択する。

検索された表記の組が除外語句を含むことを条件に（Ｓ７３０：ＹＥＳ）、検索部４１０は、対象テキストのうち除外語句に対応する部分テキスト中の各々の文字に一致する文字の組を第２コーパス２４から検索する（Ｓ７４０）。そして、選択部４２０は、除外語句を含んで検索された表記の組の読みおよびアクセントの組み合わせの各々の出現確率を求める（Ｓ７５０）。また、選択部４２０は、その部分テキストについて第２コーパス２４のうち当該除外語句の品詞およびアクセントに対応する文字の中から検索された文字の組の読みの組み合わせの各々の出現確率を求める。そして、選択部４２０は、求めたこれらの出現確率の積を算出し、その積を最大とする読みおよびアクセントの組み合わせを選択する（Ｓ７６０）。

Ｓ７１０において検索された表記の組が除外語句を含まないことを条件に（Ｓ７３０：ＮＯ）、選択部４２０は、検索された表記の組の読みおよびアクセントの組み合わせの各々の出現確率を求め（Ｓ７５０）、その出現確率を最大とする読みおよびアクセントの組を選択してもよい（Ｓ７６０）。そして、音声合成部４３０は、選択した読みおよびアクセントに基づき合成音声を生成して出力する（Ｓ７７０）。

なお、出現確率を最大とする読みおよびアクセントを選択することが好ましいが、これに代えて、所定の基準確率を超える読みおよびアクセントの何れかを選択する処理としてもよい。即ち例えば、選択部４２０は、除外語句を含んで検索された表記の組の読みおよびアクセントの組み合わせのうち出現確率が基準確率よりも高い読みおよびアクセントの組み合わせを選択してもよい。更に、選択部４２０は、除外語句に対応する部分テキストについて検索された文字の組の読みの組み合わせのうち出現確率が他の基準確率よりも高い読みの組み合わせを選択してもよい。このような処理によっても、ある程度の精度で読み及びアクセントを定めることができる。

なお、Ｓ７６０において読みおよびアクセントの組を選択するには、ある１つの対象テキストについて求めた出現確率のみならず、その対象テキストの前後の対象テキストについて求めた出現確率を用いることが好ましい。この処理の一例として、確率モデルまたはｎ−ｇｒａｍモデルと呼ばれる技術が知られている（詳しくは、非特許文献１を参照。）。続いて、ｎ−ｇｒａｍの一つである２−ｇｒａｍモデルを本実施例に適用した場合の処理について説明する。

図８は、確率モデルにより読み及びアクセントを選択する処理の一例を示す。選択部４２０がＳ７６０において読みおよびアクセントを選択するためには、本図において説明するように、複数の対象テキストについて求めた出現確率を用いることが望ましい。以下、この処理について具体的に述べる。まず、テキスト取得部４００は、複数の対象テキストを含むテキストを入力する。このテキストを、例えば、「山田君は京都タワー・・・ＡＢＣ・・・」とする。このテキストにおいて、対象テキストの区切り部分は明示されていない。

まず、対象テキストが、除外語句を含まない表記の組に一致する場合について説明する。
テキスト取得部４００は、例えば、このテキストのうち「山田君」の部分を、処理の対象である対象テキスト８００ａとして選択する。検索部４１０は、第１コーパス２２中で連続する表記の組の中から、対象テキスト８００ａの表記と一致する表記の組を検索する。例えば、「山田」という語句８１０ａと、「君」という語句８１０ｂが連続して記録されていれば、検索部４１０は、語句８１０ａおよび語句８１０ｂを検索する。更に、「山」という語句８１０ｃと、「田君」という語句８１０ｄが連続して記録されていれば、検索部４１０は、語句８１０ｃおよび語句８１０ｄを検索する。

このとき、第１コーパス２２において、表記「山田」は、日本に多い苗字や地名の「やまだ」とひと続きにかつ自然に発音するアクセントに対応付けられており、表記「山」は、山岳などを表す一般名称に適したアクセントに対応付けられている。また、本図の例では説明の都合上、語句の境界が異なる複数の表記の組を示しているが、語句の境界が同じであって読みまたはアクセントのみが異なる表記の組も検出される場合がある。

そして、選択部４２０は、検索された表記の組に対応する読みおよびアクセントの組み合わせの各々について、当該組み合わせが第１コーパス２２中で出現する出現確率を算出する。例えば、語句８１０ａおよび語句８１０ｂが連続して出現する回数が９回であり、語句８１０ｃおよび語句８１０ｄが連続して出現する回数が１回であれば、語句８１０ａおよび語句８１０ｂの組が出現する確率は９０％である。

続いて、テキスト取得部４００は、次の対象テキストに処理を移す。例えば、テキスト取得部４００は、表記「田君は」を対象テキスト８００ｂとして選択する。検索部４１０は、「田君」という語句８１０ｄと、「は」という語句８１０ｅとを含む表記の組と、「田君」という語句８１０ｄと、「は」という語句８１０ｆとを含む表記の組とを検索する。ここで、語句８１０ｅおよび語句８１０ｆは、表記の上で同一であるが、読みまたはアクセントが異なるため別々に検索される。選択部４２０は、語句８１０ｄおよび語句８１０ｅが連続して出現する出現確率と、語句８１０ｄおよび語句８１０ｆが連続して出現する出現確率とを算出する。

また、テキスト取得部４００は、次の対象テキストに処理を移す。例えば、テキスト取得部４００は、表記「君は」を対象テキスト８００ｃとして選択する。検索部４１０は、「君」という語句８１０ｂと、「は」という語句８１０ｅとを含む表記の組と、「君」という語句８１０ｂと、「は」という語句８１０ｆとを含む表記の組とを検索する。選択部４２０は、語句８１０ｂおよび語句８１０ｅが連続して出現する出現確率と、語句８１０ｂおよび語句８１０ｆが連続して出現する出現確率とを算出する。

以降、同様に、テキスト取得部４００は、対象テキスト８００ｄ、対象テキスト８００ｅ、および、対象テキスト８００ｆを順次選択する。そして、選択部４２０は、各々の対象テキストの表記に一致する各々の表記の組についてその読みおよびアクセントの組み合わせの出現確率を算出する。最後に、選択部４２０は、入力したテキストの一部と一致する表記の組を順次選択する経路の各々について、その表記の組の出現確率の積を算出する。一例として、選択部４２０は、語句８１０ａ、語句８１０ｂ、語句８１０ｅ、語句８１０ｇ、および、語句８１０ｈを順次選択する経路について、語句８１０ａおよび語句８１０ｂの組の出現確率と、語句８１０ｂおよび語句８１０ｅの組の出現確率と、語句８１０ｅおよび語句８１０ｇの組の出現確率と、語句８１０ｇおよび語句８１０ｈの組の出現確率とを算出する。

この算出処理を一般化すると、以下の式（１）となる。

この式においてｈは表記の組の数であり、本図の例では５である。また、ｋは、遡って考慮する文脈中の語句の数であり、本図の例では２ｇｒａｍモデルを仮定するのでｋ＝１である。また、ｕ＝＜ｗ，ｔ，ｓ，ａ＞である。これは図２における各々の記号と一致し、ｗは表記を示し、ｔは品詞を示し、ｓは読みを示し、ａはアクセントを示す。

選択部４２０は、各々の経路について算出した出現確率を最も大きくする読みおよびアクセントの組み合わせを選択する。この選択処理を一般化すると、以下の式（２）となる。

この式においてｘ１ｘ２…ｘｈは、テキスト取得部４００が入力するテキストであり、ｘ１、ｘ２からｘｈまでの各々は文字である。

以上の処理によれば、音声合成装置４０は、入力されたテキストの文脈と、第１コーパス２２に含まれるテキストの文脈とを比較することで、対象テキストの読みおよびアクセントを適切に決定することができる。

次に、対象テキストが、除外語句を含む表記の組に一致する場合の処理について説明する。検索部４１０は、対象テキスト８００ｇの表記に除外語句を除いて一致する表記の組として、除外語句８２０ａおよび語句８１０ｋを含む表記の組を検索する。除外語句８２０ａは、実際には表記「ＡＢＣ」を有するが、この表記は比較の対象とならない。また、検索部４１０は、対象テキスト８００ｇの表記に除外語句を除いて一致する表記の組として、除外語句８２０ｂおよび語句８１０ｌを含む表記の組を検出する。除外語句８２０ｂは、実際には表記「ＭＮＯ」を有するが、この表記は比較の対象とならない。

選択部４２０は、除外語句を含んで検索された表記の組の読みおよびアクセントの組み合わせの各々の出現確率を求める。例えば、選択部４２０は、除外語句８２０ａおよび語句８１０ｋがこの順に連続して第１コーパス２２中に出現する出現確率を求める。そして、選択部４２０は、除外語句に対応する部分テキスト「ＰＱＲ」について、第２コーパス２４のうちその除外語句の品詞およびアクセントに対応する文字の中から検索された文字の組の読みの組み合わせの各々の出現確率を算出する。即ち、選択部４２０は、名詞かつアクセントのタイプがＸである全ての除外語句を用いて、文字Ｐ、文字Ｑ、および、文字Ｒの出現確率を算出する。そして、選択部４２０は、文字Ｐおよび文字Ｑをこの順に連続して含む文字列の出現確率を算出する。また、選択部４２０は、文字Ｑおよび文字Ｒをこの順に連続して含む文字列の出現確率を算出する。そして、選択部４２０は、第１コーパス２２に基づき算出した出現確率の各々と、第２コーパス２４に基づき算出した出現確率の各々とを乗じる。

また、選択部４２０は、除外語句８２０ｂおよび語句８１０ｌがこの順に連続して第１コーパス２２中に出現する出現確率を求める。そして、選択部４２０は、動詞かつアクセントのタイプがＹである全ての除外語句を用いて、文字Ｐ、文字Ｑ、および、文字Ｒの出現確率を算出する。また、選択部４２０は、文字Ｐおよび文字Ｑをこの順に連続して含む文字列の出現確率を算出する。また、選択部４２０は、文字Ｑおよび文字Ｒをこの順に連続して含む文字列の出現確率を算出する。そして、選択部４２０は、第１コーパス２２に基づき算出した出現確率の各々と、第２コーパス２４に基づき算出した出現確率の各々とを乗じる。

同様に、選択部４２０は、除外語句８２０ａおよび語句８１０ｌがこの順に連続して第１コーパス２２中に出現する出現確率を求める。即ち、選択部４２０は、名詞かつアクセントのタイプがＸである全ての除外語句を用いて、文字Ｐ、文字Ｑ、および、文字Ｒの出現確率を算出する。そして、選択部４２０は、文字Ｐおよび文字Ｑをこの順に連続して含む文字列の出現確率を算出する。また、選択部４２０は、文字Ｑおよび文字Ｒをこの順に連続して含む文字列の出現確率を算出する。そして、選択部４２０は、第１コーパス２２に基づき算出した出現確率の各々と、第２コーパス２４に基づき算出した出現確率の各々とを乗じる。

さらに、選択部４２０は、除外語句８２０ｂおよび語句８１０ｋがこの順に連続して第１コーパス２２中に出現する出現確率を求める。そして、選択部４２０は、動詞かつアクセントのタイプがＹである全ての除外語句を用いて、文字Ｐ、文字Ｑ、および、文字Ｒの出現確率を算出する。また、選択部４２０は、文字Ｐおよび文字Ｑをこの順に連続して含む文字列の出現確率を算出する。また、選択部４２０は、文字Ｑおよび文字Ｒをこの順に連続して含む文字列の出現確率を算出する。そして、選択部４２０は、第１コーパス２２に基づき算出した出現確率の各々と、第２コーパス２４に基づき算出した出現確率の各々とを乗じる。

選択部４２０は、このように算出した出現確率の積の中から、最も出現確率の高い読みおよびアクセントの組み合わせを選択する。この処理を一般化すると以下のように表すことができる。

このとき、選択部４２０は、最も出現確率の高い除外語句のアクセントを、その除外語句に対応する部分テキストのアクセントとして選択する。例えば、除外語句８２０ａおよび語句８１０ｋの組の出現確率と、名詞およびアクセントタイプＸ中の文字の出現確率との積が最大であれば、除外語句８２０ａのアクセントタイプＸが部分テキストのアクセントとして選択される。

以上、本図で説明したように、音声合成装置４０は、対象テキストが除外語句を含むテキストに一致する場合であっても、除外語句に対応する部分テキストの文字について、その読みおよびアクセントを定めることができる。これにより、第１コーパス２２の表記と完全に一致するテキストのみならず、その他の多様なテキストに尤もらしい読みおよびアクセントを与えることができる。

図９は、音声認識装置３０および音声合成装置４０として機能する情報処理装置５００のハードウェア構成の一例を示す。情報処理装置５００は、ホストコントローラ１０８２により相互に接続されるＣＰＵ１０００、ＲＡＭ１０２０、及びグラフィックコントローラ１０７５を有するＣＰＵ周辺部と、入出力コントローラ１０８４によりホストコントローラ１０８２に接続される通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を有する入出力部と、入出力コントローラ１０８４に接続されるＢＩＯＳ１０１０、フレキシブルディスクドライブ１０５０、及び入出力チップ１０７０を有するレガシー入出力部とを備える。

ホストコントローラ１０８２は、ＲＡＭ１０２０と、高い転送レートでＲＡＭ１０２０をアクセスするＣＰＵ１０００及びグラフィックコントローラ１０７５とを接続する。ＣＰＵ１０００は、ＢＩＯＳ１０１０及びＲＡＭ１０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィックコントローラ１０７５は、ＣＰＵ１０００等がＲＡＭ１０２０内に設けたフレームバッファ上に生成する画像データを取得し、表示装置１０８０上に表示させる。これに代えて、グラフィックコントローラ１０７５は、ＣＰＵ１０００等が生成する画像データを格納するフレームバッファを、内部に含んでもよい。

入出力コントローラ１０８４は、ホストコントローラ１０８２と、比較的高速な入出力装置である通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を接続する。通信インターフェイス１０３０は、ネットワークを介して外部の装置と通信する。ハードディスクドライブ１０４０は、情報処理装置５００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ１０６０は、ＣＤ−ＲＯＭ１０９５からプログラム又はデータを読み取り、ＲＡＭ１０２０又はハードディスクドライブ１０４０に提供する。

また、入出力コントローラ１０８４には、ＢＩＯＳ１０１０と、フレキシブルディスクドライブ１０５０や入出力チップ１０７０等の比較的低速な入出力装置とが接続される。ＢＩＯＳ１０１０は、情報処理装置５００の起動時にＣＰＵ１０００が実行するブートプログラムや、情報処理装置５００のハードウェアに依存するプログラム等を格納する。フレキシブルディスクドライブ１０５０は、フレキシブルディスク１０９０からプログラム又はデータを読み取り、入出力チップ１０７０を介してＲＡＭ１０２０またはハードディスクドライブ１０４０に提供する。入出力チップ１０７０は、フレキシブルディスク１０９０や、例えばパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して各種の入出力装置を接続する。

情報処理装置５００に提供されるプログラムは、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、入出力チップ１０７０及び/又は入出力コントローラ１０８４を介して、記録媒体から読み出され情報処理装置５００にインストールされて実行される。プログラムが情報処理装置５００等に働きかけて行わせる動作は、図１から図８において説明した音声認識装置３０および音声合成装置４０における動作と同一であるから、説明を省略する。

以上に示したプログラムは、外部の記憶媒体に格納されてもよい。記憶媒体としては、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５の他に、ＤＶＤやＰＤ等の光学記録媒体、ＭＤ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークやインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムを情報処理装置５００に提供してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

図１は、音声処理システム１０の全体構成を示す。 図２は、格納部２０のデータ構造の一例を示す。 図３は、音声認識装置３０の機能構成を示す。 図４は、音声合成装置４０の機能構成を示す。 図５は、音声認識によりコーパスを生成する処理の一例を示す。 図６は、除外語句および第２コーパスの生成例を示す。 図７は、対象テキストの読みおよびアクセントを選択する処理の一例を示す。 図８は、確率モデルにより読み及びアクセントを選択する処理の一例を示す。 図９は、音声認識装置３０および音声合成装置４０として機能する情報処理装置５００のハードウェア構成の一例を示す。

符号の説明

１０ 音声処理システム
２０ 格納部
３０ 音声認識装置
４０ 音声合成装置
２２ 第１コーパス
２４ 第２コーパス
３００ 音声認識部
３１０ 読み生成部
３２０ アクセント生成部
３３０ 第１コーパス生成部
３４０ 頻度算出部
３５０ 第２コーパス生成部
３６０ 韻律情報生成部
４００ テキスト取得部
４１０ 検索部
４２０ 選択部
４３０ 音声合成部
５００ 情報処理装置
８００ 対象テキスト
８１０ 語句
８２０ 除外語句

Claims (10)

1. テキストの読みおよびアクセントを出力するシステムであって、
   予め入力されたテキストの表記、読み、およびアクセントを、当該テキストに含まれる語句の区切り毎に記録した第１コーパスを格納している格納部と、
   読みおよびアクセントを出力する対象となる対象テキストを取得するテキスト取得部と、
   前記第１コーパス中で連続する表記の組の中から、前記対象テキストの表記と一致する表記の組を少なくとも１つ検索する検索部と、
   検索された当該表記の組に対応する読みおよびアクセントの組み合わせのうち、前記第１コーパス中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、前記対象テキストの読みおよびアクセントとして選択する選択部と
   を備えるシステム。
2. 前記格納部は、前記対象テキスト中の語句と表記を比較しない除外語句を含むテキストを前記第１コーパスとして格納し、更に、除外語句に含まれる文字毎に当該文字の読みを記録した第２コーパスを格納し、
   前記検索部は、前記対象テキストと除外語句を除き一致する表記の組を前記第１コーパスから検索し、更に、前記対象テキストのうち除外語句に対応する部分テキスト中の各々の文字に一致する文字の組を前記第２コーパスから検索し、
   前記選択部は、除外語句を含んで検索された前記表記の組の読みおよびアクセントの組み合わせの各々の中から、当該組み合わせの出現確率に基づいて読みおよびアクセントを選択し、更に、前記部分テキストについて検索された文字の組の読みの組み合わせの各々の中から、当該組み合わせの出現確率に基づいて読みの組み合わせを選択する
   請求項１に記載のシステム。
3. 前記第１コーパスは、各々の前記除外語句を当該除外語句の品詞に対応付けて記録し、
   前記第２コーパスは、各々の前記除外語句に含まれる文字の読みを当該除外語句の品詞毎に分類して記録し、
   前記選択部は、除外語句を含んで検索された前記表記の組の読みおよびアクセントの組み合わせのうち前記出現確率が前記基準確率よりも高い読みおよびアクセントの組み合わせを選択し、更に、前記部分テキストについて検索された文字の組の読みの組み合わせのうち前記出現確率が他の基準確率よりも高い読みの組み合わせを選択する
   請求項２に記載のシステム。
4. 前記第１コーパスは、各々の前記除外語句を当該除外語句の品詞およびアクセントの組に対応付けて記録し、
   前記第２コーパスは、各々の前記除外語句に含まれる文字の読みを当該除外語句の読みおよびアクセントの組毎に分類して記録し、
   前記選択部は、除外語句を含んで検索された前記表記の組の読みおよびアクセントの組み合わせの各々の前記出現確率、および、前記部分テキストについて前記第２コーパスのうち当該除外語句の品詞およびアクセントに対応する文字の中から検索された文字の組の読みの組み合わせの各々の前記出現確率の積を算出し、当該積が最大の読みおよびアクセントの組み合わせを選択する
   請求項３に記載のシステム。
5. 前記予め入力されたテキスト中に出現する表記、読み、および、アクセントの組の出現頻度を求める頻度算出部を更に備え、
   前記格納部は、前記出現頻度が予め定められた基準よりも低い表記、読み、および、アクセントの組を、前記除外語句として含むテキストを前記第１コーパスとして格納している
   請求項２に記載のシステム。
6. 音声を認識することにより、表記を語句の区切り毎に記録したテキストを生成する音声認識部と、
   前記音声認識部が取得した音声に基づいて、当該テキスト中の各語句の読みを生成する読み生成部と、
   前記音声認識部が取得した音声に基づいて、当該テキスト中の各語句のアクセントを生成するアクセント生成部と、
   前記音声認識部により生成されたテキストを、前記読み生成部により生成された読み、および、前記アクセント生成部により生成されたアクセントに対応付けて記録することにより前記第１コーパスを生成する第１コーパス生成部と
   を更に備える請求項１に記載のシステム。
7. 前記第１コーパス中に出現する表記、読み、および、アクセントの組の出現頻度を求める頻度算出部を更に備え、
   前記第１コーパス生成部は、前記出現頻度が予め定められた基準よりも低い表記、読み、および、アクセントの組を、前記除外語句として前記第１コーパスに記録する
   請求項６に記載のシステム。
8. 各々の前記除外語句に含まれる各文字を、当該文字の読みに対応付けて記録する第２コーパスを生成する第２コーパス生成部を更に備える請求項７に記載のシステム。
9. テキストの読みおよびアクセントを出力するシステムとして、情報処理装置を機能させるプログラムであって、
   前記情報処理装置を、
   予め入力されたテキストの表記、読み、およびアクセントを、当該テキストに含まれる語句の区切り毎に記録した第１コーパスを格納している格納部と、
   読みおよびアクセントを出力する対象となる対象テキストを取得するテキスト取得部と、
   前記第１コーパス中で連続する表記の組の中から、前記対象テキストの表記と一致する表記の組を少なくとも１つ検索する検索部と、
   検索された当該表記の組に対応する読みおよびアクセントの組み合わせのうち、前記第１コーパス中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、前記対象テキストの読みおよびアクセントとして選択する選択部と
   して機能させるプログラム。
10. テキストの読みおよびアクセントを出力するシステムの制御方法であって、
    前記システムは、予め入力されたテキストの表記、読み、およびアクセントを、当該テキストに含まれる語句の区切り毎に記録した第１コーパスを格納している格納部を有し、
    読みおよびアクセントを出力する対象となる対象テキストを取得するテキスト取得段階と、
    前記第１コーパス中で連続する表記の組の中から、前記対象テキストの表記と一致する表記の組を少なくとも１つ検索する検索段階と、
    検索された当該表記の組に対応する読みおよびアクセントの組み合わせのうち、前記第１コーパス中に出現する出現確率が予め定められた基準確率よりも高い読みおよびアクセントの組み合わせを、前記対象テキストの読みおよびアクセントとして選択する選択段階と
    を備える制御方法。

Images