JP2008152013A - 音声合成装置および音声合成方法 - Google Patents

Abstract

【課題】 アルファベット、記号及び数字等で構成される文字列を読み上げる際に、視覚障害者が確実に発声内容を理解することと発声内容に対する了解性を向上させることの二点を両立させることが可能な音声合成装置を提供する。
【解決手段】 未知語はアルファベット読みを音声合成して出力し、登録語は辞書に基づく読みとアルファベット読みの両方の読みを順次音声合成して出力する。
【選択図】 図２

Description

本発明は、アルファベット、数字および記号等を含む文字列の読み上げ方法に関する。

アルファベット、数字及び記号等を含む文字列を音声合成で読み上げる場合、辞書に登録されている単語は登録されている読みで読み上げ、辞書に登録されていない場合はアルファベットや記号を一文字ずつ読み上げる方法が一般的である（特許文献１を参照）。以下、このような読み上げ方法を「アルファベット読み」と呼ぶ。

特許文献２には、連続するアルファベット、数字及び記号等を含む文字列を形態素解析し、解析結果の中に未知語が存在しない場合は解析で付与した読みを用いて読み上げ、１つでも未知語が存在する場合は前記文字列を全てアルファベット読みで音声合成する方法について記載されている。
特開２００２−２３７８２号公報 特開昭６３−２３１６１７号公報

しかしながら、特に視覚障害者がメールアドレスやＵＲＬなどを確認する場合を想定すると、特許文献１では解析ミスで生じる読み誤りのため内容が理解できない場合がある。また特許文献２でも同様にアルファベット読みされない場合には解析ミスで生じる読み誤りのため内容が理解できない可能性が残る。一方、特許文献２で未知語が検出された場合のようにすべてアルファベット読みだけで処理を行うと発声内容に対する了解性が低下するという問題もある。

本発明は上記の課題に鑑みてなされたものであり、アルファベット、記号及び数字等を含む文字列を読み上げる際に、発声内容の理解を助けることと発声内容に対する了解性を向上させることの二点を両立させることが可能な音声合成装置を提供する。

上記の目的を達成するための本発明による音声合成装置は、少なくともアルファベットを含む文字列を読み上げる音声合成装置であって、少なくとも単語の表記とその読みが登録されている辞書を用いて、入力された文字列に含まれる、該辞書に登録されている単語に対して辞書に基づく読みとアルファベット読みを付与し、該辞書に登録されていない単語である未知語に対してアルファベット読みを付与する解析手段と、前記解析手段で得られた解析結果に基づいてアルファベット読みだけを行うのか、辞書に基づく読みとアルファベット読みの両方を音声出力するのかを単語ごとに設定する設定手段と、前記設定手段による設定と前記解析結果に基づいて合成音声を生成する合成手段とを備えることを特徴とする。

本発明によれば、未知語であるか登録語であるかにかかわらずアルファベット読みが行われることにより内容の理解を助けることができ、また登録語の場合は辞書に基づく読みも音声出力されるため了解性が向上する。

以下、添付図面を参照して本発明に係る実施の形態を詳細に説明する。ただし、この実施の形態に記載されている構成要素はあくまでも例示であり、本発明の範囲をそれらのみに限定する趣旨のものではない。

＜第１実施形態＞
図１は、第１実施形態における音声合成装置のハードウエア構成を示すブロック図である。

図１において、１０１は制御メモリであり、本実施形態の音声合成の手順や必要な固定的データが格納される。１０２は中央処理装置であり、数値演算／制御等の処理を行う。１０３はメモリであり、一時的なデータが格納される。１０４は外部記憶装置である。１０５は入力装置であり、ユーザが本装置に対してデータを入力したり、動作を指示したりするのに用いられる。１０６は出力装置であり、中央処理装置１０２の制御下でユーザに対して各種の情報を提示する。１０７は音声出力装置であり、音声を出力する。１０８はバスであり、各装置間のデータのやり取りはこのバスを通じて行われる。

図２は、第１実施形態における音声合成装置のモジュール構成を示すブロック図である。

図２において、文字列保持部２０１は、アルファベット、記号及び数字等で構成される文字列を保持する。これらの文字列はユーザが入力装置１０５を介して入力したものでもよいし、他のアプリケーションなどから受け取ったものでもよい。解析処理部２０２は、解析辞書２０３を用いて文字列保持部２０１が保持する文字列に対して形態素解析を行い、辞書に基づく読みとアルファベット読みを付与する。解析辞書２０３は少なくとも単語の表記と単語の読みを持つ解析用の辞書である。解析結果保持部２０４は解析処理部２０２による解析結果を保持する。読み方設定部２０５は、解析の結果として得られた単語に対してその読み方（アルファベット読みか、アルファベット読みと辞書に基づく読みの両方か）を決定する。読み方保持部２０６は、読み方設定部２０５が設定する各単語の読み方を保持する。音響処理部２０７は、解析結果保持部２０４が保持する解析結果と読み方保持部２０６が保持する読み方に基づいて、合成音声を生成する。合成音声保持部２０８は音響処理部２０７が生成した合成音声を保持する。音声出力処理部２０９は、合成音声保持部２０８が保持する合成音声を音声出力装置１０７に出力する。

図３は第１実施形態における音声合成装置の処理の流れを示すフローチャートである。該フローチャートを実現するためのプログラムは、制御メモリ１０１、メモリ１０３や外部記憶装置１０４に記憶され、中央処理装置１０２の制御のもと実行される。

なお、事前にアルファベット、記号及び数字等で構成される文字列が入力され、文字列保持部２０１に保持されているものとする。

ステップＳ３０１では、解析処理部２０２が解析辞書２０３を用いて文字列保持部２０１に保持されているアルファベット、記号及び数字等で構成される文字列に対して形態素解析を行い、品詞の同定および読み付けを行う。読み付けに関しては、辞書に登録されている単語の読みに基づいて付与される読みと、アルファベットや記号ひとつずつに対して付与するアルファベット読みの２種類の読みを付与する。解析処理部２０２は解析結果を解析結果保持部２０４に保持して、ステップＳ３０２に移る。

ステップＳ３０２では、読み方設定部２０５が、解析結果に基づいて読み方の設定を行う。ここでいう読み方の設定とは、（Ａ）アルファベット読みだけを行う、（Ｂ）アルファベット読みと辞書に基づく読みの両方を読み上げる、のいずれか一方を設定することである。本実施形態における読み方設定部２０５は、以下のルールに従って（Ａ）、（Ｂ）どちらかを選択するものとする。

単語が辞書に登録されていない場合、つまり品詞が未知語の場合、（Ａ）を設定する。

アルファベット読みと辞書に基づく読みが同じ場合、（Ａ）を設定する。
それ以外の場合、（Ｂ）を設定する。

読み方設定部２０５は、上記のルールに従って各単語の読み方を設定し、読み方保持部２０６に保持して、ステップＳ３０３に移る。

ステップＳ３０３では、音響処理部２０７が、解析結果保持部２０２が保持する解析結果と読み方保持部２０６が保持する読み方に基づいて、合成音声を生成する。読み方として（Ａ）が設定されている単語に関しては、アルファベット読みだけを音声に変換する。一方、読み方として（Ｂ）が設定されている単語に関しては、辞書に基づく読みを音声に変換した後、アルファベット読みを音声に変換する。生成した音声を合成音声保持部２０８に保持して、ステップＳ３０４に移る。

ステップＳ３０４では、音声出力処理部２０９が、合成音声保持部２０８に保持された合成音声を音声出力装置１０７に出力して、処理を終了する。

図４は、本実施形態で説明した処理の過程について具体例を用いて模式的に表した図である。

入力文字列としてｏｋｕ＠ｓａｍｐｌｅ．ｃｏｍというメールアドレスの場合を例に説明する。入力文字列に対して解析処理部２０２が形態素解析を行い、単語の同定、および各単語の品詞、辞書に基づく読み、アクセント読みを解析結果として得る。ただし、辞書に登録されていない単語、すなわち未知語に関しては、辞書に基づく読みは付与されない。（ステップＳ３０１）
次に、読み方設定部２０５が前記ルールに従って、辞書に基づく読みとアルファベットに基づく読みのオン・オフを決定する。単語「ｏｋｕ」は未知語であるため、前記ルールよりアルファベット読みだけがオンとなる。単語「＠」、「．」は登録語であるが辞書に基づく読みとアルファベットに基づく読みが同じであるため、アルファベット読みだけがオンとなる。単語「ｓａｍｐｌｅ」、「ｃｏｍ」は登録語であり、辞書に基づく読みとアルファベットに基づく読みが異なるため、両方ともオンになる。（ステップＳ３０２）
音響処理部２０７は、解析結果および読み方に基づいて、単語「ｏｋｕ」は「オーケーユー」、単語「＠」は「アットマーク」、単語「ｓａｍｐｌｅ」は「サンプル エスエーエムピーエルイー」、単語「．」は「ドット」、単語「ｃｏｍ」は「コム シーオーエム」と読み上げるように合成音声を生成する。

なお、太線で囲んだ部分が辞書に基づく読みに関する部分を示している。

＜第２実施形態＞
第１実施形態では、単語の品詞が未知語か否かによって読み方を決定する場合について説明したが、これに限定されるものではなく、単語の品詞の種類によって読み方を決定する場合もよいものとする。例えば、メールアドレス中には動詞、助動詞、機能語などが出現することはまれであると考えられるため、単語の品詞が動詞などの場合は、たとえ登録語であっても辞書に基づく読みをオンにしない場合もよいものとする。

図５は、本実施形態における処理の過程について具体例を用いて模式的に表した図である。入力文字列としてｔａｋｅｄａ＠ｓａｍｐｌｅ．ｃｏｍというメールアドレスが保持されているものとする。
「ｔａｋｅｄａ」は日本人の人名「武田」である。

解析の結果、単語「ｔａｋｅ」には辞書に基づく読みとして「テイク」が付与される。しかし品詞が動詞であるため、読み方設定の際に辞書に基づく読みがオフとなり、最終的に、「ティーエーケーイー」「ディーエー」「アットマーク」・・・となる。

図５において、太線で囲んだ部分は、品詞が動詞であるために辞書に基づく読みの合成を抑制する場合を示している。さらに、点線で囲んだ部分は、読み方の設定結果およびそれによって合成される内容との関連を示している。

＜第３実施形態＞
第１実施形態では、単語ごとに読み方を設定する場合について説明したが、これに限定されるものではなく、ひとつまたは複数の単語をまとめて読み方を設定する場合についてもよいものとする。例えば、メールアドレスやＵＲＬなどの場合について言えば、特定の記号「＠」や「．」が分割記号として使われることが一般的である。これら分割記号のような境界情報を処理の単位として合成音声を生成する場合について説明する。

図６は、本実施形態における処理の過程について具体例を用いて模式的に表した図である。

本実施形態では単語「ｔａｋｅ」も単独の単語としては辞書に基づく読みがオンになる場合を仮定している。

第１実施形態では、単語ごとに合成音声を生成するため、図６に示す文字列が入力された場合、「テイク」「ティーエーケーイー」「ミー」「エムイー」「アットマーク」・・・という合成内容になる。一方、本実施形態では、分割記号までの単語をまとめ上げることにより、「テイクミー」「ティーエーケーイー エムイー」「アットマーク」・・・となり、前者に比べて了解性が確保される。

なお、言うまでもないことであるが、本実施形態で行うまとめ上げ処理は、解析処理部２０２で行ってもよいし、読み方設定部２０５で行ってもよいし、また、音響処理部２０７で行ってもよいし、さらには、独立したまとめ上げ処理部を設けてもよいものである。

図６において、太線はまとめ上げの対象となる単語「ｔａｋｅ」と「ｍｅ」がまとめ上げられる様子を示している。また、点線部分は、まとめ上げの結果および合成内容との関連を示している。

＜第４実施形態＞
第３実施形態では、分割記号単位にまとめ上げを行う場合について説明したが、これに限定されるものではなく、入力文字列全体に対してまとめ上げを行う場合もよいものとする。図４で用いた文字列を例に挙げると、本実施形態の合成内容は次のようになる。
「オーケーユー」「アットマーク」「サンプル」「ドット」「コム」
「オーケーユー」「アットマーク」「エスエーエムピーエルイー」「ドット」「シーオーエヌ」
本実施形態では、まず辞書に基づく読みを優先的に利用した読み方（上記１行目）で合成し、続いてアルファベット読みによる読み方（上記２行目）の順で合成する。

このような順序で読み方の制御を行うことにより、まず全体の概略を把握した後、個別の綴りを確認することが可能となるため、文字列の内容をより理解しやすくなる。

＜第５実施形態＞
第１実施形態では入力文字列をすべて読み上げる場合について説明したが、これに限定されるものではなく、選択的に読み上げる場合もよいものとする。例えば、メールのアドレス帳に自社社員のメールアドレスが多く含まれる場合などは、記号「＠」以降のドメインを表す部分や会社名を表す部分は読み上げない場合もよいものとする。さらには、上記のようにアドレスの部分のうち内容が容易に類推できる部分や他のメールアドレスの中に同じ部分が多く含まれる部分に関しては単語に基づく読みだけをオンにすることもよいものとする。

＜第６実施形態＞
辞書に基づく読みとアルファベット読みを順次読み上げる際に、それらに異なる音色を割当てて読み上げてもよいものとする。具体的には、話者、ピッチ、スピード、パワー、スペクトルなどの音声特徴パラメータを辞書に基づく読みとアルファベット読みで使い分けることが有効である。

これにより、現在読み上げている内容が、辞書に基づく読みなのか、アルファベット読みなのかを容易に把握することが可能である。

＜第７実施形態＞
また、辞書に基づく読みとアルファベット読みとの間に適切な長さ（例えば１００ミリ秒程度）のポーズを挿入することも内容の了解性を向上する手段として有効である。

＜第８実施形態＞
第１実施形態では、両方の読み方を合成する際に、辞書に基づく読みを先に読み、アルファベット読みを後に読む場合について説明したが、これに限定されるものではなく、アルファベット読みを先に出力してもよいものとする。さらには、同時にでもよいものとする。

＜第９実施形態＞
第１実施形態において、さらに繰り返し設定部を設ける場合もよいものとする。繰り返し設定部に繰り返して読み上げることが設定されている場合は、第１実施形態に示したとおりに読み上げ、繰り返して読み上げることが設定されていない場合は、アルファベット読みのみを合成することもよいものとする。また、繰り返し読み上げることが設定されていない場合は、辞書に基づく読みのみを合成してもよいものとする。

本実施形態で示したように繰り返し設定部を設けることにより、内容を把握できた場合はあえて繰り返すことなく処理を終了することによって、効率的に文字列を把握することが可能となる。

＜第１０実施形態＞
第１実施形態乃至第９実施形態に示した読み方や読み上げ順序をユーザが設定するための読み上げモード設定部を設ける場合も有効である。
図７は、設定の種類の具体例を示した表である。

＜その他の実施形態＞
第１実施形態ではアルファベットと記号および数字で構成される文字列の例としてメールアドレスの場合について説明したが、これに限定されるものではなく、ＵＲＬや住所、コンピュータのファイルパス名など任意の文字列でよいものである。

なお、本発明の目的は次のようにしても達成される。即ち、前述した実施形態の機能を実現するソフトウェアのプログラムコードを記録した記憶媒体を、システムあるいは装置に供給する。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出し実行する。このようにしても目的が達成されることは言うまでもない。

この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。

プログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどを用いることができる。

また、本発明に係る実施の形態は、コンピュータが読出したプログラムコードを実行することにより、前述した実施形態の機能が実現される場合に限られない。例えば、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。

さらに、本発明に係る実施形態の機能は次のようにしても実現される。即ち、記憶媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれる。そして、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行う。この処理により前述した実施形態の機能が実現されることは言うまでもない。

第１実施形態における音声合成装置のハードウエア構成を示すブロック図である。 第１実施形態における音声合成装置のモジュール構成を示すブロック図である。 第１実施形態における音声合成装置の処理の流れを示すフローチャートである。 第１実施形態における処理の過程について具体例を用いて模式的に示した図である。 第２実施形態における処理の過程について具体例を用いて模式的に示した図である。 第３実施形態における処理の過程について具体例を用いて模式的に示した図である。 第１０実施形態における設定モードとその設定値の具体例を示した表である。

符号の説明

２０１ 文字列保持部
２０２ 解析処理部
２０３ 解析辞書
２０４ 解析結果保持部
２０５ 読み方設定部
２０６ 読み方保持部
２０７ 音響処理部
２０８ 合成音声保持部
２０９ 音声出力処理部

Claims (14)

1. 少なくともアルファベットを含む文字列を読み上げる音声合成装置において、
   少なくとも単語の表記とその読みが登録されている辞書を用いて、入力された文字列に含まれる、該辞書に登録されている単語に対して辞書に基づく読みとアルファベット読みを付与し、該辞書に登録されていない単語である未知語に対してアルファベット読みを付与する解析手段と、
   前記解析手段で得られた解析結果に基づいてアルファベット読みだけを行うのか、前記辞書に基づく読みとアルファベット読みの両方を音声出力するのかを単語ごとに設定する設定手段と、
   前記設定手段による設定と前記解析結果に基づいて合成音声を生成する合成手段とを備えることを特徴とする音声合成装置。
2. 前記設定手段は、前記単語が前記辞書に登録されている場合は辞書に基づく読みとアルファベット読みの両方を音声出力するように設定し、前記単語が辞書に登録されていない場合はアルファベット読みだけを行うように設定すること特徴とする請求項１記載の音声合成装置。
3. 前記設定手段は、前記解析手段の解析結果として得られる単語の品詞の種類に応じて、付与された読みとアルファベット読みの両方を音声出力するか、アルファベット読みだけを行うかを設定することを特徴とする請求項１記載の音声合成装置。
4. 前記合成手段は、辞書に基づく読みとアルファベット読みの両方を音声出力する場合に、アルファベット読みに続いて辞書に基づく読みを用いて合成音声を生成する、またはその逆順で生成する、ことを特徴とする請求項１記載の音声合成装置。
5. 前記合成手段は、アルファベット読みの場合と辞書に基づく読みを合成する場合とで合成音声の音色を変えることを特徴とする請求項１記載の音声合成装置。
6. 前記合成手段は、アルファベット読みと辞書に基づく読みを合成する間にポーズを挿入することを特徴とする請求項１記載の音声合成装置。
7. 前記文字列全体を読み上げ単位とみなして解析結果をまとめ上げる手段をさらに備え、
   前記合成手段は、入力文字列全体をアルファベット読みで音声合成した後、未知語の場合はアルファベット読み、登録語は解析手段によって付与された読みを用いて合成音声を生成する、またはその逆順で生成する、ことを特徴とする請求項１記載の音声合成装置。
8. 未知語と登録語の境界を示す境界情報に基づいて読み上げ単位をまとめ上げる手段をさらに備え、
   前記合成手段は、まとめ上げた単位ごとに合成音声を生成することを特徴とする請求項１記載の音声合成装置。
9. 前記合成手段は、辞書に基づく読みがアルファベット読みで生成される読みと同じ場合に辞書に基づく読みの合成を抑制する、または、アルファベット読みを抑制することを特徴とする請求項１記載の音声合成装置。
10. 前記入力された文字列の中から読み上げる個所と読み上げない個所を判別する判別手段を更に備え、
    前記合成手段は、前記判別手段により得られる判別結果に基づいて合成音声を生成することを特徴とする請求項１記載の音声合成装置。
11. 再読み上げを設定する再読み上げ設定手段を更に備え、
    前記合成手段は、一度目は辞書に基づく読みの合成を行い、二度目は前記入力手段により再読み上げが設定されている場合にのみ、アルファベット読みを行うことを特徴とする請求項１記載の音声合成装置。
12. 少なくともアルファベットを含む文字列を読み上げる音声合成方法において、
    少なくとも単語の表記とその読みが登録されている辞書を用いて、入力された前記文字列に含まれる、該辞書に登録されている単語に対して辞書に基づく読みとアルファベット読みを付与し、該辞書に登録されていない単語である未知語に対してアルファベット読みを付与する解析工程と、
    前記解析工程で得られた解析結果に基づいてアルファベット読みだけを行うのか、辞書に基づく読みとアルファベット読みの両方を音声出力するのかを単語ごとに設定する設定工程と、
    前記設定工程による設定と前記解析結果に基づいて合成音声を生成する合成工程とを備えることを特徴とする音声合成方法。
13. 請求項１２記載の音声合成方法をコンピュータに実現させるためのプログラム。
14. 請求項１３に記載のプログラムを格納したコンピュータ読取可能な記憶媒体。

Images