JP2008046373A - 音声多重トラックコンテンツ作成装置及び音声多重トラックコンテンツ作成プログラム - Google Patents

Abstract

【課題】複数系統の音声が異なるトラックに記録され、各トラックには夫々識別番号が付与され、各トラックは夫々識別番号が付与された複数のセグメントに分割され、且つ各セグメントに音声メッセージが記録されるように音声多重トラックコンテンツを作成する際、時間や人手をかけずに音声多重トラックコンテンツを作成可能な装置及びプログラムを提供する。
【解決手段】異なるトラックの同一のセグメントに記録されるべき音声メッセージに対応するテキストメッセージが同じ行に収まるよう構成されたテキストデータを読み込み、このテキストデータの各行を順次読み出して音声合成によってこのテキストメッセージに対応する音声メッセージデータを作成し、各音声メッセージデータにトラック及びセグメントの識別番号に対応する識別情報を付与し、この識別情報に基づいて複数の音声メッセージデータを一つの音声多重トラックコンテンツにまとめる構成とした。
【選択図】 図５

Description

本発明は、例えば語学学習に使用される音声多重トラックコンテンツを作成する音声多重トラックコンテンツ作成装置及び音声多重トラックコンテンツ作成プログラムに関する。

近年、語学学習用の音声多重トラックコンテンツが利用されつつある。この音声多重トラックコンテンツは、複数のトラックを有し、夫々のトラックには音声が記録されている。例えばトラック１にはある英語メッセージを発音した音声データ、トラック２にはトラック１と同一内容の英語メッセージをよりゆっくり且つはっきりと発音した音声データ、トラック３にはこの英語メッセージと同一内容の日本語メッセージを発音したものが収録される。また、各トラックは複数のセグメントに分割されており、夫々のセグメントには識別番号が振られている。コンテンツの利用者は任意のトラックの任意の識別番号のセグメントを再生し、聞き取ることができる。また、異なるトラックの同一の識別番号を有するセグメントの内容は互いに関連している。すなわち、トラック１のセグメント１が「Ｈｅｌｌｏ」という音声であれば、トラック２のセグメント１は「Ｈｅｌｌｏ」というメッセージをゆっくりと発音した音声であり、トラック３のセグメント１はこのメッセージに対応する日本語である「こんにちは」という音声である。このように、コンテンツの利用者は、再生するセグメントの番号を変えずにトラック番号のみを変えることによって、同一内容のメッセージを英語、ゆっくりと話される英語、日本語とで聴き比べることができ、効果的な語学学習が可能である。

従来は、このようなコンテンツを作成する際、例えば特許文献１のように、各セグメントの音声を録音した音声データファイルをトラック数×セグメント数だけ用意し、これを一つの多重コンテンツデータファイルにまとめ上げるという作業を行っていた。
特許第３６２０７８７号

上記のように、従来はセグメント毎に音声を録音して音声データファイルを作成する必要があった。このため、録音に時間がかかっていた。また、音声データファイルの各々に対して「どのトラックのどのセグメントに収納されるデータであるか」という情報を、音声録音時に音声データファイルに付加する（例えばファイル名にトラック番号とセグメント番号を含める）必要がある。この情報を付加する作業は、手動で行われるものである為、作業ミスなどによって誤った情報が音声データファイルに付加された場合、誤ったコンテンツデータが生成されてしまう可能性がある。また、音声データファイルに正しい情報が付加されているかどうかは、音声データファイルを再生して確認する必要があり、この結果、コンテンツデータの作成により多くの時間や労力を必要としていた。

本発明は上記の問題を解決する為になされたものであり、多くの時間や労力をかけずに音声多重トラックコンテンツを作成する装置及びプログラムを提供するものである。

上記の目的を達成する為、本発明の音声多重トラックコンテンツ装置は、異なるトラックの同一識別番号のセグメントに記録されるべき音声メッセージに対応するテキストメッセージが同じ行に収まるように構成されたテキストデータを読み込むテキストデータ入力手段と、テキストデータの各行を順次読み出し、各行に含まれるテキストメッセージを抽出するデータ抽出手段と、音声合成によってこのテキストメッセージに対応する音声メッセージデータを作成するとともに、各音声メッセージデータにトラック及びセグメントの識別番号に対応する識別情報を付与する音声合成手段と、識別情報に基づいて複数の音声メッセージデータを一つの音声多重トラックコンテンツにまとめる、コンテンツ生成手段と、を有する。

従って、本発明によれば、異なるトラックの同一識別番号のセグメントが同じ行に収まったテキストデータを用意すれば、あとはほとんど人手を煩わせることなく半自動的に音声多重トラックコンテンツを生成することができる。ここで、あるテキストメッセージが記録されている行の行番号はそのテキストメッセージに対応する音声メッセージデータのセグメント番号と一対一の関係で対応している。従って、本発明によれば音声メッセージデータへのセグメントの識別番号の付与を自動的に行うことができる。

また、好ましくは、テキストデータの各行において、テキストメッセージ同士は互いにカンマなどの特定の制御文字によって区切られており、この制御文字を抽出することによって、テキストデータがどの識別番号を有するトラックに対応したものであるかを判別する。この構成によれば、音声メッセージデータへのトラックの識別番号の付与をも自動的に行うことができる。

また、各トラックの発音方法を設定する発音方法設定手段をさらに有し、音声合成手段は発音方法設定手段にて設定された発音方法に基づいて音声合成を行う構成としてもよい。従って、テキストメッセージの読み上げ速度などの発音方法を発音方法設定手段にて予め設定しておけば、後の作業を自動化することができる。

以上のように、本発明によれば、多くの時間や労力をかけずに音声多重トラックコンテンツを作成することが可能となる。

以下、本発明の実施の形態につき、図面を用いて説明する。まず、本実施形態の音声多重トラックコンテンツの概要につき説明する。

本実施形態の音声多重トラックコンテンツを利用した英語学習システムの概要を図１に示す。本実施形態の英語学習システムにおいては、利用者Ｈはコンテンツ再生装置１００を使用して英語のヒアリングの学習を行う。

図１に示されているように、コンテンツ再生装置１００は、装置を操作する為の操作パネル１０２と、音声を出力する為のスピーカ１０４と、音声多重トラックコンテンツが格納されているストレージデバイス（フラッシュメモリを用いた記憶手段など）を有する。なお、本実施形態のコンテンツ再生装置１００は、スピーカを備えた卓上型の装置として示されているが、スピーカの代わりにヘッドホンを用いる可搬型の装置であっても良い。

本実施形態の音声多重トラックコンテンツのメモリマップを図２に示す。音声多重トラックコンテンツの先頭は固定長のヘッダであり、このヘッダに続いて、各セグメントの音声データが記録されるようになっている。すなわち、セグメントは音声データの単位である。音声多重トラックコンテンツのヘッダには、このコンテンツのトラック数、各トラックのセグメント数、各セグメントの先頭アドレスが記載されており、利用者Ｈ（図１）が操作パネル１０２を操作して再生したいコンテンツのトラック番号とセグメント番号を入力すると、コンテンツ再生装置はこのヘッダに含まれる情報からそのトラック番号、セグメント番号を有するセグメントの先頭アドレスを判断し、そのアドレスから音声データの再生を行う。かくして、利用者Ｈはコンテンツに含まれる所望の音声を聴くことができる。

また、本実施形態においては、同一セグメント番号のセグメントの音声データがトラック順に並べられるように配置されている。すなわち、トラック数がＭ、各トラックのセグメント数をＮとすると、先頭（ヘッダの直後）には、トラック１−セグメント１のデータが配置され、その後にはトラック２−セグメント１のデータ、トラック３−セグメント１のデータ、・・・・、トラックＭ−セグメント１のデータが配置される。さらにその後には、セグメント２、３、・・、Ｎのデータが同様の順で並べられる。

異なるトラック番号を有し、且つ同一のセグメント番号を有する複数のデータは、互いに関連づけられたものとなっている。例えば、トラック１に含まれるデータは英語のメッセージを発音したものであり、トラック１と同一のセグメント番号を有するトラック２のセグメントに含まれるデータは対応するトラック１のメッセージをゆっくりと発音したものであり、トラック１と同一のセグメント番号を有するトラック３のセグメントに含まれるデータは対応するトラック１のメッセージの意味や聴き取りのポイントなどを説明する為の日本語の音声メッセージである。

従って、利用者Ｈは、トラック１のあるセグメントに含まれる英語のメッセージを聴いてリスニングのトレーニングを行うことができる。さらに、トラック２の対応するセグメントに含まれるゆっくりと発音された聴き取りやすい英語メッセージを聴き、また、トラック３の対応するセグメントに含まれる解説を聴いて、そのメッセージを聴き取るためのポイントを学習することができる。

以上説明した音声多重トラックコンテンツの作成手順につき、以下説明する。本実施形態においては、以下に説明するコンテンツ作成装置を用いてコンテンツを作成する。図３は、コンテンツ作成装置のブロック図である。

コンテンツ作成装置１は、音声合成手段１２と、リムーバルドライブ１４と、データ入力手段１６と、データ処理手段１８と、モニタ２０とを有する。本実施形態においては、コンテンツ作成者が用意したテキストデータをコンテンツ作成装置１に入力し、このテキストデータを用いて音声合成手段１２が音声データを生成し、さらにデータ処理手段１８が複数の音声データを音声多重トラックコンテンツの形式（図２）にまとめ上げることによってコンテンツを作成するものである。

リムーバルドライブ１４は、例えば光磁気ディスクドライブであり、リムーバルドライブ１４に使用されるリムーバルメディア（例えば光磁気ディスク）は入力されるテキストデータ及び生成される音声多重トラックコンテンツを充分に保存できるだけの容量を有している。

データ入力手段１６は、マウスやキーボードのような入力手段である。コンテンツ作成者は、モニタに表示されている表示内容（後述）を確認しながらデータ入力手段１６を操作して、リムーバルドライブ１４を介してテキストデータを読み出す、音声合成を開始する、音声合成手段１２に与える読み上げ速度パラメータ（後述）を設定する、得られた音声多重トラックコンテンツをリムーバルドライブ１４に保存する、といったことを実施することができる。

なお、リムーバルドライブ１４、音声合成手段１２、データ処理手段１８の制御や、モニタ２０に表示される表示内容の設定、データ入力手段１６の入力内容の取得などの処理はコンテンツ作成装置１に内蔵されているコントローラ１１によって行われる。より具体的には、コントローラ１１はＣＰＵ、メモリ、ストレージデバイスなどを備えたユニットであり、コントローラ１１による各種処理、制御は、コントローラ１１のＣＰＵがストレージデバイスからプログラムを読み込んでメモリに展開し、さらにこのプログラムを実行することによってなされる。

このコンテンツ作成手段を用いた、音声多重トラックコンテンツ作成装置につき、以下説明する。音声多重トラックコンテンツの作成に当たって、まず、各トラックの各セグメントに格納される音声データに対応するテキストファイルを用意する必要がある。このテキストは、全てのトラック、セグメントの音声データに対応するテキストが１つのファイルに収められたテキストファイルである。このテキストファイルの一例を図４に示す。

図４に示されているように、テキストファイルは一行に複数の語がカンマ区切りで記録されている、所謂ＣＶＳ形式のファイルである。テキストファイルの一行には、あるセグメント番号を有するセグメントの音声に対応したテキストがトラック番号順にカンマ区切りで並べられている。例えば、図４の例では一行目が「Ｇｏｏｄ ｍｏｒｎｉｎｇ，Ｇｏｏｄ ｍｏｒｎｉｎｇ，おはようございます」となっているが、これは、第１及び第２トラックの第１セグメントには「Ｇｏｏｄ ｍｏｒｎｉｎｇ」という語を発音したものが収録され、第３トラックの第１セグメントには「おはようございます」という語を発音したものが収録されることを意図するものである。すなわち、このテキストファイルにおいては、ある語が記録されている行の行番は、その語に対応する音声が収録されるセグメントのセグメント番号と同一である。また、「テキストファイルのある語の前にあるカンマの数＋１」は、その語に対応する音声が収録されるセグメントのトラック番号と同一である。従って、ある語の音声データを取得する際、その音声データが収録されるべきトラック番号及びセグメント番号をコントローラ１１は把握している。よって、音声合成を行ったり、複数の音声データをまとめて音声多重トラックコンテンツを作成したりする時に、コンテンツ作成者は音声データがどこのトラックのどのセグメントに収録されるべきか、といったことを意識する必要はない。

コンテンツ作成者はこのような形式のテキストファイルを（ＰＣなどを使用して）作成し、次いでこれをリムーバルメディアに記憶する。さらに、リムーバルドライブ１４を介してこのリムーバルメディアに記憶されたテキストファイルをコンテンツ作成装置１に読み込ませる。

テキストファイルがコンテンツ作成装置１に読み込まれた後の処理につき、以下説明する。図５は、テキストファイルがコンテンツ作成装置１に読み込まれた後にコントローラ１１によって実行されるルーチンのフローチャートである。テキストファイルが読み込まれると、まず、コントローラ１１はテキストファイルの文法をチェックする（Ｓ１）。すなわち、各行に含まれるカンマの数が同じであるかどうかの確認が行われる。文法エラーが特に見つからなければ（Ｓ１：ＹＥＳ）、ステップＳ２に進む。まだ文法エラーがみつかった場合は（Ｓ１：ＮＯ）、エラーメッセージをモニタ２０に表示させ（Ｓ１１）、本ルーチンを終了させる。

ステップＳ２では、速度調整ルーチンが実行される。このルーチンにおいては、モニタ２０に図６のような速度調整画面が表示され、コンテンツ作成者は、トラックごとの読み上げ速度をデータ入力手段１６を操作して入力・調整することができる。この処理によって、後述の音声合成ルーチンにおける、読み上げ速度が設定される。本実施形態においては、ルーラー状のスライダＭ１、Ｍ２、Ｍ３がトラックごとに用意され、これらのスライダのそれぞれに設けられたノブＡ１、Ａ２、Ａ３の位置をデータ入力手段１６を操作して移動させることによって、速度の調整を行う。次いで、データ入力手段１６の操作によって、速度調整の完了を意図する情報が入力される（例えば、マウスの操作によって画面上に表示された所定のボタンにマウスポインタを重ね、次いでマウスのボタンをクリックする）と、ステップＳ３に進む。

ステップＳ３では、テキストファイルの一行を先頭から読み出す。本ルーチン開始後にこのステップＳ３が最初に実行されたのであれば、第１行目が読み出される。次いで、ステップＳ４が実行される。

ステップＳ４では、ステップＳ４で読み出された行をカンマで分割し、各トラックのテキストを抽出する。次いで抽出されたテキスト毎に、ステップＳ２で設定された読み上げ速度で音声合成を行って音声データを作成する。さらに、この音声データ毎にトラック番号、セグメント番号といったメタデータを付与した音声データファイルを生成し、これを装置内のメモリに保存する。次いで、ステップＳ５に進む。

ステップＳ５では、ステップＳ３で読み出された行がテキストファイルの最後の行であるかどうかの確認が行われる。最後の行でない、すなわちまだ音声データに変換すべきテキストが残っているのであれば（Ｓ５：ＮＯ）ステップＳ３に戻って次の行の読み込みを行う。ステップＳ３で読み出された行がテキストファイルの最後の行であるならば（Ｓ５：ＹＥＳ）、これ以上作成すべき音声データは無いということであるので、ステップＳ６に進む。

ステップＳ６では、コントローラ１１はデータ処理手段１８を制御して、ステップＳ４で作成したトラック数×セグメント数分の音声データファイルを図２のフォーマットに基づいて結合する。さらに、コントローラ１１はデータ処理手段１８を制御して、音声データファイルに含まれるメタデータなどを用いてヘッダを作成し、これを結合したデータに追加する。かくして音声多重トラックコンテンツファイルが生成される。次いで、ステップＳ７に進む。

ステップＳ７では、コントローラ１１はリムーバルドライブ１４を制御して、ステップＳ６で作成した音声多重トラックコンテンツファイルをリムーバルメディアに保存する。次いで、本ルーチンを終了させる。

以上のように、本実施形態によれば、コンテンツ作成者が所定の形式のテキストデータを用意してこれをコンテンツ作成装置に読み込ませ、次いで各トラックの読み上げ速度を設定した後は、自動的に音声多重トラックコンテンツが生成される。

本発明の実施の形態の音声多重トラックコンテンツを利用した英語学習システムの概要を示したものである。 本発明の実施の形態の音声多重トラックコンテンツのメモリマップである。 本発明の実施の形態のコンテンツ作成装置のブロック図である。 本発明の実施の形態において、入力ファイルとして使用されるＣＶＳ形式のテキストファイルの一例である。 本発明の実施の形態において、テキストファイルがコンテンツ作成装置に読み込まれた後の処理を示すフローチャートである。 本発明の実施の形態においてコンテンツ作成装置のモニタに表示される速度調整画面である。

符号の説明

１ コンテンツ作成装置
１１ コントローラ
１２ 音声合成手段
１４ リムーバルドライブ
１６ データ入力手段
１８ データ処理手段
２０ モニタ
１００ コンテンツ再生装置

Claims (14)

1. 複数系統の音声が異なるトラックに記録され、各トラックは夫々識別番号が付与された複数のセグメントに分割され、あるトラックのセグメントの識別番号は異なるトラックのセグメントにも割り当てられるよう構成され、且つ各セグメントに音声メッセージが記録されるように音声多重トラックコンテンツを作成する装置であって、
   異なるトラックの同一識別番号のセグメントに記録されるべき音声メッセージに対応するテキストメッセージが同じ行に収まるように構成されたテキストデータを読み込むテキストデータ入力手段と、
   読み込まれたテキストデータの各行を順次読み出し、各行に含まれるテキストメッセージを抽出するデータ抽出手段と、
   音声合成によってこのテキストメッセージに対応する音声メッセージデータを作成するとともに、各音声メッセージデータにトラック及びセグメントの識別番号に対応する識別情報を付与する音声合成手段と、
   該識別情報に基づいて複数の該音声メッセージデータを一つの音声多重トラックコンテンツにまとめる、コンテンツ生成手段と、
   を有する音声多重トラックコンテンツ作成装置。
2. 該テキストデータの各行において、テキストメッセージ同士は互いに特定の制御文字によって区切られており、
   前記データ抽出手段は、該制御文字を抽出することによって、該テキストデータがどの識別番号を有するトラックに対応したものであるかを判別し、
   前記音声合成手段は該識別番号を対応する音声メッセージデータに付与する、
   ことを特徴とする請求項１に記載の音声多重トラックコンテンツ作成装置。
3. 該制御文字はカンマである、ことを特徴とする請求項２に記載の音声多重トラックコンテンツ作成装置。
4. 各トラックの発音方法を設定する、発音方法設定手段をさらに有し、
   前記音声合成手段は、前記発音方法設定手段にて設定された発音方法に基づいて音声合成を行う、
   ことを特徴とする請求項１から３のいずれかに記載の音声多重トラックコンテンツ作成装置。
5. 該発音方法は、該テキストメッセージの読み上げ速度である、ことを特徴とする請求項４に記載の音声多重トラックコンテンツ作成装置。
6. 複数のトラックをそれぞれ複数のセグメントに分割し、セグメント毎に所定の音声メッセージを記録した音声多重トラックコンテンツを作成する装置であって、
   互いに関連づけられたセグメントの各々に記録される音声メッセージに対応した文字列を、関連づけられた状態で保持する文字列保持手段と、
   文字列保持手段が保持する、各セグメントに対応した文字列を音声メッセージデータに変換する変換手段と、
   変換された各音声メッセージデータに、トラック情報およびセグメント情報を示す識別情報を付与する識別情報付与手段と、
   該識別情報に基づいて、複数の音声メッセージデータを一つの音声多重トラックコンテンツに合成するコンテンツ生成手段と、
   を有する音声多重トラックコンテンツ作成装置。
7. 各トラックのセグメントには夫々識別番号が付与されており、あるトラックのセグメントの識別番号は異なるトラックのセグメントにも割り当てられるよう構成され、
   複数のトラック間において、同一の識別番号が付与されたセグメントが互いに関連づけられていることを特徴とする、請求項６に記載の音声多重トラックコンテンツ作成装置。
8. 複数系統の音声が異なるトラックに記録されており、各トラックは夫々識別番号が付与された複数のセグメントに分割されており、あるトラックのセグメントの識別番号は異なるトラックのセグメントにも割り当てられるよう構成され、各セグメントに音声メッセージが記録されるようになっている音声多重トラックコンテンツを作成するプログラムであって、
   異なるトラックの同一識別番号のセグメントに記録されるべき音声メッセージに対応するテキストメッセージが同じ行に収まるように構成されたテキストデータを読み込むテキストデータ入力手順と、
   読み込まれたテキストデータの各行を順次読み出し、各行に含まれるテキストメッセージを抽出するデータ抽出手順と、
   音声合成によってこのテキストメッセージに対応する音声メッセージデータを作成するとともに、各音声メッセージデータにトラック及びセグメントの識別番号に対応する識別情報を付与する音声合成手順と、
   該識別情報に基づいて複数の該音声メッセージデータを一つの音声多重トラックコンテンツにまとめる、コンテンツ生成手順と、
   を実行させるための音声多重トラックコンテンツ作成プログラム。
9. 該テキストデータの各行において、テキストメッセージ同士は互いに特定の制御文字によって区切られており、
   前記データ抽出手順は、該制御文字を抽出することによって、該テキストデータがどの識別番号を有するトラックに対応したものであるかを判別し、
   前記音声合成手順は該識別番号を対応する音声メッセージデータに付与するものである、
   ことを特徴とする請求項８に記載の音声多重トラックコンテンツ作成プログラム。
10. 該制御文字はカンマである、ことを特徴とする請求項９に記載の音声多重トラックコンテンツ作成プログラム。
11. 前記プログラムは、各トラックの発音方法を設定する、発音方法設定手順をさらに実行させ、
    前記音声合成手順は、前記発音方法設定手順にて設定された発音方法に基づいて音声合成を行う、
    ことを特徴とする請求項８から１０のいずれかに記載の音声多重トラックコンテンツ作成プログラム。
12. 該発音方法は、該テキストメッセージの読み上げ速度である、ことを特徴とする請求項１１に記載の音声多重トラックコンテンツ作成プログラム。
13. 複数のトラックをそれぞれ複数のセグメントに分割し、セグメント毎に所定の音声メッセージを記録した音声多重トラックコンテンツを作成するプログラムであって、
    互いに関連づけられたセグメントの各々に記録される音声メッセージに対応した文字列を、関連づけられた状態で保持する文字列保持手順と、
    文字列保持手段が保持する、各セグメントに対応した文字列を音声メッセージデータに変換する変換手順と、
    変換された各音声メッセージデータに、トラック情報およびセグメント情報を示す識別情報を付与する識別情報付与手順と、
    該識別情報に基づいて、複数の音声メッセージデータを一つの音声多重トラックコンテンツに合成するコンテンツ生成手順と、
    を実行させるための音声多重トラックコンテンツ作成プログラム。
14. 各トラックのセグメントには夫々識別番号が付与されており、あるトラックのセグメントの識別番号は異なるトラックのセグメントにも割り当てられるよう構成され、
    複数のトラック間において、同一の識別番号が付与されたセグメントが互いに関連づけられていることを特徴とする、請求項１３に記載の音声多重トラックコンテンツ作成プログラム。

Images