JP3481497B2

JP3481497B2 - 綴り言葉に対する複数発音を生成し評価する判断ツリーを利用する方法及び装置

Info

Publication number: JP3481497B2
Application number: JP12171099A
Authority: JP
Inventors: ローランド・クーン; ジャン−クロード・ジュンカ; マッテオ・コントリーニ
Original assignee: Panasonic Corp; Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Corp; Panasonic Holdings Corp
Priority date: 1998-04-29
Filing date: 1999-04-28
Publication date: 2003-12-22
Anticipated expiration: 2019-04-28
Also published as: CN1233803A; DE69915162D1; JPH11344990A; EP0953970B1; TW422967B; KR19990083555A; CN1118770C; ATE261171T1; EP0953970A2; KR100509797B1; EP0953970A3

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、概略言語処理に係
るものである。本発明は、特に、綴り言葉の発音を生成
するシステムに係るものである。本発明は、音声認識、
音声合成及び辞書編集を含む、様々な適用において、利
用し得る。

【０００２】

【発明の背景】発音を伴う綴り言葉は、言語処理の分野
の様々な場面で発生する。音声認識においては、利用前
に、辞書の各用語を音声に転換して認識部を学習（教
育）しなければならない。伝統的に、音声への転換は、
対象である特定言語の音声発音の微細な差異に長けた辞
書編集者により、手作業で生成されている。辞書の各々
の言葉に対して質のよい音声に転換することは、時間の
かかることでありしかも多大なスキルを要することであ
る。言葉の文字綴りを基礎にして言葉を音声に転換し得
る信頼に足るシステムがもしあれば、この労力と特殊な
専門技術の大半は、不要になり得る。そのようなシステ
ムであれば、現存する辞書に目下見当たらない、例えば
地理上の位置と名字のような、言葉を認識し得るよう
に、現行の認識システムを拡張し得る。

【０００３】綴り言葉は、音声合成分野でもしばしば登
場する。今日の音声合成器は、デジタル状にサンプルさ
れた音素を辞書から検索しこれら音素を繋げて文章を形
成することにより、テキストを音声に変換する。

【０００４】上記の例が示すように、言語処理の音声認
識分野と音声合成分野の両方は、綴り言葉から正確な発
音を生成し得ると、利益を得るものである。しかしなが
ら、このテクノロジーに対する必要性は、言語処理分野
に限定されない。辞書編集者は、今日、主要な世界的言
語の多くに対しかなり大規模で正確な発音辞書を完成さ
せている。しかしながら、質のよい音声表記のない地域
的言語がなお何百と残っている。質のよい音声表記を作
成する作業はこれまでは大半が手作業であったため、表
記しようとしても地域的言語が表記されるには年月がか
かるものである。表記の正確さを評価するためのコンピ
ュータに適合したよい技術があるならば、表記処理は大
きく増進しうる。そのような評価システムは、表記プロ
トタイプ内の発音が不確かである見出し項目を識別する
現存する言語表記集成を用いる。これにより、質の高い
表記を生成するスピードが大きく増進する。

【０００５】これまで綴り言葉から発音表記への変換の
試みの多くは、文字そのもののみをあてにしていた。こ
れらの技術は多くの問題を有する。例えば、文字のみか
ら発音を生成する生成部は、Ｂｉｂｌｅと言う単語を適
切に発音するのが非常に困難である。文字のみのシーケ
ンスを基礎にすると、文字のみからの発音生成システム
は、読みを習う多くの小学１年生のように、その単語を
“ビブル（Ｂｉｂ−ｌ）”と発音しがちである。従来シ
ステムにおける欠点は、多くの言語の発音規則が強要す
る固有のあいまいさにある。例えば、英語には、数百に
のぼる様々な発音規則があり、逐語単位を基礎にして問
題にアプローチすることには困難がありコンピュータを
利用するとコストがかかることになってしまう。

【０００６】

【発明の概要】本発明は、問題を異なる角度から眺め
る。本発明は、文字シーケンス判断形成ルールと音素シ
ーケンス判断形成ルールの両方を含む、特別に構築され
た混合判断ツリーを利用する。特に、混合判断ツリー
は、ツリーの内部ノードに配置された一連のイエス・ノ
ー質問を含む。これらの質問には、綴り言葉シーケンス
内の文字やその近接文字に関するものが含まれているこ
ともあり、言葉シーケンス内の音素やその近接音素に関
するものが含まれていることもある。内部ノードは最終
的には、文字シーケンスにより定義される単語を発音す
る際に、所与の文字の音声発音が適切である傾向が最も
あるあたりの確率データを含むリーフ・ノードに繋が
る。

【０００７】本発明の発音生成部は、種々の発音の候補
にスコアを付すためにこの混合判断ツリーを利用し、該
ツリーに所与の綴り言葉に対して最も良い発音として最
も相応しい候補を選ばせる。最も良い発音の生成は、文
字のみのツリーが複数の発音候補を生成する第１のステ
ージにて利用される、２つのステージのプロセスである
のが好ましい。それからこれら候補は、最も良い候補を
選択する第２のステージの混合判断ツリーを用いて、ス
コアが付される。

【０００８】混合判断ツリーは、２つのステージの発音
生成部内で、利点をもって利用されるが、混合ツリー
は、文字のみの第１のステージの処理を必要としない問
題を解決する場合に有益である。例えば、混合判断ツリ
ーは、言語学者が手作業技術を用いて生成する発音にス
コアを付するのに利用し得る。

【０００９】本発明のより完全な理解のために、発明の
目的、利点、参照物が、以下の明細書と添付の図面にお
いて、示されてもよい。

【００１０】

【発明の実施の形態】本発明の原理を説明するため、図
１の例示の実施形態は、綴られた文字から発音への生成
部を示す。以下においてより十分に説明するが、本発明
の混合判断ツリーは、ここで示される発音生成部だけで
はなく、種々の異なるアプリケーションにて利用するこ
とができる。発音生成部は混合判断ツリー構造に関する
多くの形態と利点を強調するものなので、説明のために
選ばれた。

【００１１】発音生成部は、２つのステージを使用す
る。第１のステージは文字のみの判断ツリー１０のセッ
トを使用し、第２のステージは混合判断ツリー１２のセ
ットを使用する。文字「Ｂ−Ｉ−Ｂ−Ｌ−Ｅ」のシーケ
ンスのような、入力シーケンス１４は、動的プログラミ
ング音素シーケンス生成部１６に与えられる。シーケン
ス生成部は文字のみのツリー１０を用いて発音リスト１
８を生成し、綴り言葉の入力シーケンスに係る可能性あ
る発音の候補を示す。

【００１２】シーケンス生成部はシーケンスの中の各々
の文字を順次調べ、その文字に関係する判断ツリーを利
用して、文字のみのツリーの中に含まれる可能性あるデ
ータを基礎にしてその文字に対する音素発音を選択す
る。

【００１３】文字のみの判断ツリーのセットが、アルフ
ァベットの中の個々の文字に対する判断ツリーを含むの
が好ましい。図２は、文字Ｅに対する文字のみの判断ツ
リーの例を示す。判断ツリーは、（図中に長円形で示さ
れる）複数の内部ノードと（図中に矩形で示される）複
数のリーフノードを含む。個々の内部ノードには、イエ
ス・ノー質問が配置されている。イエス・ノー質問は、
イエスかノーで答えられる質問である。文字のみのツリ
ーでは、これらの質問は、入力シーケンス中の、所与の
文字（このケースでは文字Ｅ）と、所与の文字の近接の
文字とに対して向けられている。図２では、関連する質
問に対する答えがイエスかノーかによって、個々の内部
ノードは左か右かに枝分かれる。

【００１４】図２では、省略は以下のように用いられ
る。“＋１”や“−１”のような質問中の数字は、現在
文字に対するスペル中の相対的位置を示す。例えば、
“＋１Ｌ＝＝‘Ｒ’？”とは、“（現ケースでは文字Ｅ
である）現在文字の後の文字はＲか？”ということであ
る。省略形ＣＯＮＳとＶＯＷは、文字の種類、即ち子音
と母音を表す。近接文字の欠如即ちヌル文字（ｎｕｌｌ
ｌｅｔｔｅｒ）は、シンボル“−”で示され、該シン
ボルは文字と対応する音素発音とを配列する際にはフィ
ラ（つなぎ）やプレースホルダとして用いられる。シン
ボル＃は、単語の境界を示す。

【００１５】リーフノードには、可能性ある音素発音
を、特定の音素が所与の文字の適切な発音を示す確率を
表す数値と、関連付ける確率データが配置されている。
例えば、“ｉｙ＝０．５１”という表記は、“このリー
フの音素‘ｉｙ’の確率は、０．５１である”というこ
とである。空の音素、即ち無音は、シンボル‘−’によ
って表されている。

【００１６】（図１の）シーケンス生成部１６は、この
ように、リスト１８に蓄える１つ又はそれ以上の仮想発
音を構成するため、文字のみの判断ツリーを利用する。
個々の発音は、判断ツリー１０を利用して選択された個
別の音素の確率のスコアを結合させて得られた数値スコ
アと関連付けられるのが、好ましい。単語の発音は、可
能性ある結合のマトリックスを構築し、ｎ個の最も相応
しい候補を選択する動的プログラミングを利用すること
により、スコアが付され得る。また一方、ｎ個の最も相
応しい候補は、以下のように、最初に最も相応しい単語
の候補を識別しそれから反復置換を通じて追加候補を生
成することにより、選択し得る。

【００１７】最も高い確率のスコアを持つ発音は、（リ
ーフノードを調査することにより識別される）最高スコ
ア音素の各々のスコアを掛け合わせ、さらにこの選択を
最高確率候補又は第１単語候補として用いることによ
り、最初に選ばれる。追加の（ｎ個の最も相応しい）候
補は、リーフノード中の音素データを再び調査し、先に
選択されておらず、最初に選択された音素と最も差のな
い音素を、識別することにより、選ばれる。そしてこの
最小限差異音素は、最初に選択された音素に取って代わ
り、それにより２番目に数値の高い候補を生成する。上
記処理は、ｎ個の最も相応しい候補の所定の数が選ばれ
るまで、反復して繰り返してもよい。リスト１８は、ス
コアの降ベキ順に分類されており、従って文字のみの分
析により最も数値が高いと判定された発音がリストの最
初に現れる。

【００１８】上記のように、文字のみの分析では、貧弱
な結果しか得られないことがしばしばである。これは、
文字のみの分析では、後続の文字により何の音素が生成
されるかを個々の文字において決定する方法がないから
である。このように、文字のみの分析は、自然な音声で
は実際に生じない、高いスコアの付された発音を生成す
ることがある。例えば、固有名詞のＡｃｈｉｌｌｅｓ
は、両方のｌを音声表記するａｈ−ｋ−ｉｈ−ｌ−ｌ−
ｉｙ−ｚの発音である、という結果になる傾向がある。
自然な音声では、２番目のｌは実際には発音せず、ａｈ
−ｋ−ｉｈ−ｌ−ｉｙ−ｚとなる。文字のみのツリーを
利用するシーケンス生成部には、自然な音声では決して
生じない単語の発音をふるいにかけるメカニズムがな
い。

【００１９】発音システムの第２ステージは、上記の問
題に取り組むものである。混合ツリースコア評価部２０
は混合判断ツリー１２のセットを利用し、リスト１８の
各々の発音の存続可能性を査定する。スコア評価部は、
シーケンス生成部１６により個々の文字に割り当てられ
た音素と共に、入力シーケンスの中の各々の文字を順次
調査することにより、機能する。

【００２０】文字のみのツリーのセットと同様に、混合
ツリーのセットにはアルファベットの個々の文字に対す
る混合ツリーが備わる。例としての混合ツリーが図３に
示されている。文字のみのツリーと同様に、混合ツリー
には内部ノードとリーフノードが備わる。図３におい
て、内部ノードは長円形で示されリーフノードは矩形で
示される。内部ノードにはそれぞれイエス・ノー質問が
配置され、リーフノードにはそれぞれ、確率データが配
置されている。混合ツリーのツリー構造は、文字のみの
ツリーのツリー構造と類似するが、１つの重要な差異が
ある。混合ツリーの内部ノードは２つの異なる種類の質
問を含むことができる。内部ノードはシーケンス中の所
与の文字について及び近接の文字についての質問を含む
か、またはその文字と関連する音素について及びそのシ
ーケンスに対応する近接の音素についての質問を含む
か、することができる。判断ツリーはこのように、混合
した種類の質問を含むという点で、混合されているもの
である。

【００２１】図３で用いられる省略は、いくつか付加さ
れる省略（形）はあるが、図２で用いられるものと同様
である。シンボルＬは、文字とその近接文字についての
質問を表す。シンボルＰは、音素とその近接音素につい
ての質問を表す。例えば、“＋１Ｌ＝＝‘Ｄ’？”とい
う質問は、“＋１の位置の文字は‘Ｄ’か？”というこ
とである。省略ＣＯＮＳとＳＹＬは音素の種類で、即ち
子音と音節である。例えば、“＋１Ｐ＝＝ＣＯＮＳ？”
という質問は、“＋１の位置の音素は子音か？”という
ことである。リーフノードの数字は、文字のみのツリー
の場合のように、音素の確率を与える。

【００２２】混合ツリースコア評価部は混合ツリーの質
問を基礎にして及び混合ツリーのリーフノード内の確率
データを利用して、リスト１８内の発音の各々について
再スコアする。発音リストは、リスト２２として個々の
スコアと関連させて蓄えてもよい。リスト２２は、第１
にリストされた発音が最も高いスコアを備えたものとな
るように降ベキ順に分類してもよい。

【００２３】多くの例において、リスト２２で最も高い
スコア位置を占める発音は、リスト１８で最も高いスコ
ア位置を占める発音とは異なるものである。これは、混
合ツリースコア評価部は、自己一貫性のある音素シーケ
ンスを含まない発音か、さもなくば自然な音声では発生
しない発音を表す発音を、混合ツリー１２を利用してふ
るいにかけるために生じる。

【００２４】選択部モジュール２４は、１つ又はそれ以
上のリストの発音を引き出すために、リスト２２にアク
セスしてもよい。典型的には、選択部２４は最も高いス
コアの発音を引き出しこれを出力発音２６として与え
る。

【００２５】上記のように、図１に示された発音生成部
は、本発明の混合ツリーを利用した１つの可能な実施形
態を表すに過ぎない。別の実施形態として示すように、
動的プログラミング音素シーケンス生成部１６と、それ
に係る文字のみの判断ツリー１０は、所与の綴り単語シ
ーケンスに対する１つの又はそれ以上の発音がすでに利
用しうるようなアプリケーションにおいては、無しで済
まし得る。この状況は、先行して形成された発音辞書が
利用し得る場合に、生じ得る。そのようなケースでは、
混合ツリースコア評価部２０は、発音辞書内の見出し項
目にスコアを付し、低スコアである見出し項目を識別
し、よって構築中の辞書内の疑わしい発音にフラグを付
すために、関連する混合ツリー１２と共に利用されても
よい。そのようなシステムは、例えば、辞書編集者の作
成のためのツールに組み入れてもよい。

【００２６】出力発音、即ちリスト２２から選択された
発音は、音声認識のアプリケーションや音声合成のアプ
リケーションの両方のための発音辞書を形成するため
に、用いることができる。音声認識関連では、発音辞書
は、認識部語彙目録内にまだ見当たらない単語に対する
発音を供給することにより、認識部トレーニングフェー
ズの間に用いることができる。合成関連では、発音辞書
は、連結された再生に対する音素音を生成するのに、用
いることができる。システムは、例えば、イーメール・
リーダ、または他のテキストから音声へ変換するアプリ
ケーションの、特色を増大させるのに、用いることがで
きる。

【００２７】本発明の混合ツリースコアリングシステム
は、ただ１つの又はリストでの、可能性ある発音が求め
られる、いろいろなアプリケーションで用いることがで
きる。例えば、動的なオンライン辞書では、ユーザは単
語をタイプすると、システムが確率の順で可能性ある発
音のリストを与えてくれる。スコアリングシステムは、
言語習得システムのためのユーザ・フィードバック・ツ
ールとしても、利用することができる。音声認識能力を
備えた言語習得システムは、綴り言葉をディスプレイし
新しい言語のその言葉を発音する際の話者の試みを分析
するのに、利用することができる。そうすると、システ
ムはユーザの発音がその言葉に対しどれだけ相応しいか
又は相応しくないかをユーザに伝えることになる。

【００２８】《判断ツリーの生成》文字のみのツリーと
混合ツリーの生成システムが、図４に示される。判断ツ
リー生成システムの中心は、ツリー生成部４０である。
ツリー生成部は、システム開発者により供給される所定
のトレーニングデータのセット４２に、作用するツリー
生成アルゴリズムを利用する。典型的には、トレーニン
グデータは、周知の固有の単語発音に対応する、配列さ
れた文字と音素の対を含む。トレーニングデータは、図
５に示される配列処理を通じて生成し得る。図５は、例
としての単語ＢＩＢＬＥに施される配列処理を示す。綴
り言葉４４とその発音４６は、綴り言葉の文字と、対応
する発音の音素とを配列する、動的プログラミング配列
モジュール４８に与えられる。示された例において最後
のＥは発音しない。文字音素対はそれからデータ４２と
して蓄えられる。

【００２９】図４に戻ると、ツリー生成部は、３つの付
加的要素と関連して機能する：可能性あるイエス・ノー
質問のセット５０と、個々のノードに対し最も相応しい
質問を選択するための、又はノードがリーフノードであ
るべきか否かを決定するためのルールのセット５２と、
オーバートレーニングを避けるための剪定方法５３であ
る。

【００３０】可能性あるイエス・ノー質問のセットは、
文字のみのツリーか又は混合ツリーか、何れが開発され
るかに依存するが、文字質問５４と音素質問５６を含み
得る。文字のみのツリーを開発するならば、文字質問５
４が利用され、混合ツリーを開発するならば、文字質問
５４と音素質問５６の両方が利用される。

【００３１】目下の好ましい実施形態の個々のノードに
配置する最もよい質問を選択するためのルールは、ジー
ニ（Ｇｉｎｉ）基準に従うように設計される。他の分割
基準も代わりに用いることができる。分割基準に係るよ
り多くの情報のために、ブライマン、フライドマンその
他（Ｂｒｅｉｍａｎ，Ｆｒｅｉｄｍａｎｅｔａｌ）
による“分類及び回帰ツリー（Ｃｌａｓｓｉｆｉｃａｔ
ｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅ
ｓ）”を参照してもよい。本質的には、ジーニ（Ｇｉｎ
ｉ）基準は、可能性あるイエス・ノー質問のセット５０
から質問を選択するためと、ノードがいつリーフノード
であるか決定する停止ルールを利用するためとに、用い
られる。ジーニ（Ｇｉｎｉ）基準は“不純度（ｉｍｐｕ
ｒｉｔｙ）”と呼ばれる概念を利用する。不純度は、常
に、非負数である。あらゆる可能なカテゴリを等しい割
合で含むノードには最大限の不純度が備わり、可能なカ
テゴリのただ１つだけを含むノードにはゼロの不純度
（最小限可能値）が備わるというように、不純度はノー
ドに適用される。上記状況を満足する機能は幾つかあ
る。これらはノード内部の個々のカテゴリのカウントに
依拠する。ジーニ（Ｇｉｎｉ）不純度は以下のように定
義される。Ｃが、データ項目が属し得るクラスのセット
であり、かつＴが現在ツリーノードであるならば、ｆ
（１｜Ｔ）は、ノードＴ内の、クラス１に属するトレー
ニングデータ項目の割合であり、ｆ（２｜Ｔ）は、クラ
ス２に属する項目の割合であると、仮定する。そうする
と、

【数１】となる。

【００３２】例を用いて説明すると、システムは文字
“Ｅ”のツリーを形成していると仮定する。該ツリーの
所与のノードＴにおいて、例えばシステムは、“Ｅ”を
単語中でいかに発音するかについての１０例を備えてい
る。これらの例の５つにおいては、“Ｅ”は“ｉｙ”
（“ｃｈｅｅｚｅ”の“ｅｅ”の音）と発音される。例
の３つにおいては、“Ｅ”は“ｅｈ”（“ｂｅｄ”の
“ｅ”の音）と発音される。そして残りの２例では、
“Ｅ”は“−”（即ち、“ｍａｐｌｅ”の“ｅ”のよう
に無音）である。

【００３３】システムは、１０例に適用可能な、可能性
ある２つのイエス・ノー質問、Ｑ₁とＱ₂を考察している
と仮定する。Ｑ₁に対し“イエス”と答える項目は、
“ｉｙ”の４例と“−”の１例を含む（他の５項目はＱ
₁に対し“ノー”と答える。）。Ｑ₂に対し“イエス”と
答える項目は、“ｉｙ”の３例と“ｅｈ”の３例を含む
（他の４項目はＱ₂に対し“ノー”と答える。）。図７
はこれら２ケースを図式的に比較する。

【００３４】ジーニ（Ｇｉｎｉ）基準は、システムがこ
のノードに対し、どの質問、Ｑ₁とＱ₂のどちらを選ぶべ
きかに答える。適切な質問を選択するジーニ（Ｇｉｎ
ｉ）基準とは、親ノードから子ノードに進む際に不純度
の低下が最大になるような質問を見出すことである。こ
の不純度低下ΔＴは、ΔＩ＝ｉ（Ｔ）−Ｐ_yes ^*ｉ（ｙｅ
ｓ）−Ｐ_no ^*ｉ（ｎｏ）と定義される。ここで、Ｐ
_yesは、“イエス”子ノードへ進む項目の比率であり、
Ｐ_noは、“ノー”子ノードへ進む項目の比率である。

【００３５】ジーニ（Ｇｉｎｉ）基準を上記例に適用す
る。

【数２】Ｑ₁に対するΔＩは従って、

【数３】ｉ（Ｔ）−Ｐ_yes（Ｑ₁）＝１−０．８²−０．
２²＝０．３２ｉ（Ｔ）−Ｐ_no（Ｑ₁）＝１−０．２²−０．６²＝０．
５６から、

【数４】ΔＩ（Ｑ₁）＝０．６２−０．５^*０．３２−
０．５^*０．５６＝０．１８である。Ｑ₂に対しては、

【数５】ｉ（ｙｅｓ，Ｑ₂）＝１−０．５²−０．５²＝０．５ｉ（ｎｏ，Ｑ₂）＝（同上）＝０．５から、

【数６】ΔＩ（Ｑ₂）＝０．６−（０．６）^*（０．５）
−（０．４）^*（０．５）＝０．１２である。

【００３６】このケースでは、Ｑ₁が不純度において最
も大きな低下を与える。よってＱ₂ではなくＱ₁が選ばれ
る。

【００３７】ルールセット５２は、あるノードに対し最
も相応しい質問は、親ノードから子ノードへ進む際に最
も大きな不純度低下を生じさせる質問であると、宣言す
る。

【００３８】ツリー生成部は、セット５０から選ばれた
イエス・ノー質問の判断ツリーを生成するルール５２を
適用する。生成部は最適サイズのツリーが生成されるま
でツリーを生成し続ける。ルール５２は、ツリーが所定
の大きさにまで生成すればツリーの生成を終らせる停止
ルールセットを含んでいる。好適な実施形態では、ツリ
ーは最終的に求められるよりも、大きいサイズにまで成
長する。すると剪定方法５３が、ツリーを望ましい大き
さにまで切り戻すために、利用される。剪定方法は、上
記のリファレンスに記されているブライマン・テクニッ
ク（Ｂｒｅｉｍａｎｔｅｃｈｎｉｑｕｅ）を実行す
る。

【００３９】このように、ツリー生成部は、可能性ある
イエス・ノー質問のセット５０が文字のみの質問のみを
含むのか、音素質問と組み合わさっているのかにより決
定されるのだが、６０に概略示される文字のみのツリー
のセットを生成するか、または７０に概略示される混合
ツリーのセットを生成する。トレーニング・データの集
積４２は、上記のように、文字音素の対を含む。文字の
みのツリーを生成する際には、これらの対のうち文字部
分のみが、内部ノードの配置において用いられる。逆
に、混合ツリーを生成する際には、トレーニングデータ
対の文字と音素の両方の要素が、内部ノードを配置する
ために用いられる。両方の例において、それら対のうち
の音素部分は、リーフ・ノードを配置するために用いら
れる。リーフ・ノード内の音素データに関連する確率デ
ータは、トレーニング・データ集積全体において所与の
音素が所与の文字と配列することの発生の回数をカウン
トすることにより生成される。

【００４０】上記方法により生成される、文字から発音
を判断するツリーは、種々の異なる言語処理アプリケー
ションにおいて利用するため、メモリに蓄えることがで
きる。これらのアプリケーションは数も多く変化に富む
が、これらのツリーの性能と長所をよりよく強調するた
めに、次にいくつかの例を示す。

【００４１】図６は、綴り言葉の文字シーケンスから発
音を生成するために、文字のみのツリーと混合ツリーの
両方を利用する様子を示す。図示された実施形態は文字
のみのツリー要素と混合ツリー要素を共に利用するが、
他のアプリケーションでは一方の要素のみを用い他の要
素を用いないこともある。図示された実施形態では、文
字のみのツリーのセットは８０のメモリに蓄えられ混合
ツリーは８２のメモリに蓄えられる。多くのアプリケー
ションでは、アルファベットの個々の文字に対し１つの
ツリーがある。動的プログラミングシーケンス生成部８
４は、文字のみのツリー８０を基礎にして８８に発音を
生成するために、入力シーケンス８６を受けて稼動す
る。本質的に、入力シーケンスの個々の文字は、個別に
考察されるのであり、適切な文字のみのツリーが、該文
字に対し最も相応しい発音を選択するために用いられ
る。前に説明したように、文字のみのツリーはシーケン
ス中の所与の文字と近接の文字とに関する一連のイエス
・ノー質問を行う。シーケンス中の全ての文字について
考察した後、結果としての発音は、シーケンス生成部に
より選択された音素を結びつけることにより生成され
る。

【００４２】発音を改良するためには、混合ツリーセッ
ト８２を用いることができる。文字のみのツリーは文字
に関する質問のみを行うが、混合ツリーは文字に関する
質問と音素に関する質問も行うことができる。スコアラ
９０は、シーケンス生成部８４の出力から音素情報を受
け取り得る。この点については、シーケンス生成部８４
は、文字のみのツリー８０を利用して、複数の異なる発
音を生成することができ、それらの個々の確率スコアを
基礎にしてそれらの発音を分類することができる。この
分類された発音リストは、スコアラ９０によるアクセス
に対して、９２に蓄えることができる。

【００４３】スコアラ９０は、シーケンス生成部８４に
供給されるのと同じ入力シーケンスを入力として受け取
る。スコアラ９０は、文字シーケンスに対し混合ツリー
８２の質問を適用し、質問の際にはストア９２からのデ
ータを利用して音素の質問に応答する。９４における結
果出力は、典型的には、８８にて与えられる出力より
も、よりよい発音である。この理由は、混合ツリーは自
然な音声において生じることのない発音を、濾過する傾
向があるからである。例えば、固有名詞のＡｃｈｉｌｌ
ｅｓは、両方のｌを音声表記するａｈ−ｋ−ｉｈ−ｌ−
ｌ−ｉｙ−ｚの発音である、という結果になる傾向があ
る。自然な音声では、２番目のｌは実際には発音せず、
ａｈ−ｋ−ｉｈ−ｌ−ｉｙ−ｚとなる。

【００４４】スコアラ生成部９０は、９６においてｎ個
の可能性ある発音の分類リストを生成してもよい。個々
の発音に関連するスコアは、発音中の個々の音素に割り
当てられた個別の確率スコアの合成数を表す。これらス
コアは、それ自身、疑わしい発音を識別する必要がある
アプリケーションで用いることができる。例えば、辞書
編集者のチームにより供給された音声転写であれば、混
合ツリーを用いて疑わしい発音を素早く識別してチェッ
クすることができる。

【００４５】《文字音声発音生成部》本発明の原理を示
すために、図８の例示形態は、２つのステージからなる
綴り文字発音生成部を示す。より十分に以下に説明する
が、本発明の混合判断ツリーアプローチは、ここで示さ
れる発音生成部だけではなく種々の異なるアプリケーシ
ョンにおいて利用することができる。２つのステージか
らなる発音生成部は混合判断ツリー構造の多くの形態と
利点を強調するので、例示のために選ばれた。

【００４６】２つのステージからなる発音生成部は、文
字・シンタックス・コンテクスト・ダイアレクト（方
言）判断ツリー１１０のセットを利用するのが望ましい
第１のステージ１１６と、入力シーケンス１１４を音素
レベルで調査する音素混合判断ツリー１１２のセットを
利用する第２のステージ１２０とを含む。文字・シンタ
ックス・コンテクスト・ダイアレクト判断ツリーは、綴
り言葉シーケンスでの文字とその直近の文字を含む質問
（即ち、文字関連質問）を調査する。調査される他の質
問は、特定単語に先行する或いは後続する単語は何か
（即ち、コンテクスト関連質問）、ということである。
調査されるさらに他の質問は、単語が文の内部において
音声の何の部分を備えるかと、他の単語が文内で何のシ
ンタックスを備えるか（即ち、シンタックス関連質
問）、ということである。調査されるそのさらなる他の
質問は、何のダイアレクト（方言）が話されるのが好ま
しいかということである。ユーザはダイアレクト選択デ
バイス１５０によりどのダイアレクトが話されるかを選
択するのが好ましい。

【００４７】本発明の別の実施形態は、文字関連質問
と、言語レベル特性（即ち、シンタックス関連質問か又
はコンテクスト関連質問）のうち少なくとも１つのもの
とを利用することを含む。例えば、１つの実施形態は、
第１のステージに対し文字シンタックス判断ツリーのセ
ットを利用する。別の１つの実施形態は、入力シーケン
スのシンタックスを調査しない文字・コンテクスト・ダ
イアレクト判断ツリーのセットを利用する。

【００４８】本発明は一文中に発生する単語に限定され
るのではなく、断片的な文章やフレーズのような、シン
タックスを示す他の言語学上の構造をも含むということ
を、理解すべきである。

【００４９】一文の文字シーケンスのような、入力シー
ケンス１１４は、テキストベース発音生成部１１６に与
えられる。例えば、入力シーケンス１１４は次のような
文でよい。“Ｄｉｄｙｏｕｋｎｏｗｗｈｏｒｅ
ａｄｔｈｅａｕｔｏｂｉｏｇｒａｐｈｙ？”

【００５０】シンタックスデータ１１５はテキストベー
ス発音生成部１１６への入力である。この入力は、テキ
ストベース発音生成部１１６が文字・シンタックス・コ
ンテクスト・ダイアレクト判断ツリー１１０中に適切に
流す情報を与える。シンタックスデータ１１５は、入力
シーケンス１１４において個々の単語が言語の何の要素
を備えるか、を扱う。例えば、上記入力シーケンス例の
“ｒｅａｄ”という単語は、シンタックス・タガ・ソフ
トウエア・モジュール１２９により（名詞や形容詞では
なく）動詞の標識が付される。シンタックス・タガ・ソ
フトウエア・テクノロジは、プロジェクト“Ｘｔａｇ”
を遂行中のペンシルバニア大学（Ｕｎｖｅｒｓｉｔｙ
Ｐｅｎｎｓｙｌｖａｎｉａ）のような機関から入手可能
である。さらに、次のリファレンスはシンタックス・タ
ガ・ソフトウエア・テクノロジを論じる。ジョージフ
ォスタ（ＧｅｏｒｇｅＦｏｓｔｅｒ）、“統計学的辞
書編集あいまい性除去（ＳｔａｔｉｓｔｉｃａｌＬｅ
ｘｉｃａｌＤｉｓａｍｂｉｇｕａｔｉｏｎ）”、コン
ピュータサイエンスにおける修士論文（Ｍａｓｔｅｒ
ＴｈｅｓｉｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃ
ｅ）、カナダ・モントリオール・マックギル大学（Ｍｃ
ＧｉｌｌＵｎｉｖｅｒｓｉｔｙ，Ｍｏｎｔｒａｌ，Ｃ
ａｎａｄａ）、１９９１年１１月１１日（Ｎｏｖｅｍｂ
ｅｒ１１，１９９１）。

【００５１】テキストベース発音生成部１１６は、発音
リスト１１８を生成するために判断ツリー１１０を利用
し、綴り言葉入力シーケンスの可能性ある発音候補を提
示する。リスト１１８の個々の発音（例えば、発音Ａ）
は、個々の単語に如何にストレスを付すかを含んだ入力
シーケンス１１４の発音を示すのが、好ましい。さら
に、好ましい実施形態では、個々の単語の話される速度
が決定される。

【００５２】文章速度計算部ソフトウエアモジュール１
５２は、個々の単語をどのくらい速く話すべきかを決定
するために、テキストベース発音生成部１１６により利
用される。例えば、文章速度計算部１５２は、文章のコ
ンテクスト（文脈）を調査し、文中の特定の単語が通常
より速く話されるべきか遅く話されるべきかを決定す
る。例えば、文末に感嘆符が付してある文は、感嘆文の
インパクトをよりよく伝えるために、文末より前にある
予め決められた数の単語には通常より短い期間を備える
べきであることを、示唆する速度データを生成する。

【００５３】テキストベース発音生成部１１６は、シー
ケンス中の個々の文字や単語を、その文字又は単語のシ
ンタックス（又は単語のコンテクスト）に関連する判断
ツリーを利用し、判断ツリーに含まれる確率データを基
礎にしてその文字に対する音素発音を選択して、順々に
調査する。判断ツリー１１０のセットは、アルファベッ
トの個々の文字と関連する言語のシンタックスとに対す
る判断ツリーを、含むのが好ましい。

【００５４】図９は、“ＲＥＡＤ”という単語の中の文
字“Ｅ”に対し適用できる文字・シンタックス・コンテ
クスト・ダイアレクト判断ツリー１４０の例を示す。判
断ツリーは（図中に長円形として示される）複数の内部
ノードと（図中に矩形として示される）複数のリーフ・
ノードを含む。各々の内部ノードにはイエスノー質問が
配置されている。イエスノー質問は、イエス又はノーで
答えられる質問である。文字・シンタックス・コンテク
スト・ダイアレクト判断ツリー１４０において、これら
の質問は以下のものに向けられたものである。入力シー
ケンス中の所与の文字（例えば、個の場合では文字
“Ｅ”）とその近接の文字、又は、文中の単語のシンタ
ックス（例えば、名詞、動詞、他）、又は、文のコンテ
クストとダイアレクト、である。図９においては、関連
する質問に対する答えがイエスかノーかによって個々の
内部ノードは左か右かに枝分かれる。

【００５５】第１の内部ノードは、話される方言（ダイ
アレクト）について問い合わせることが好ましい。内部
ノード１３８はそのような問い合わせを表している。南
部方言（ダイアレクト）が話されるのならば、リーフ・
ノードにて南部ダイアレクトについてより特徴的な音素
値を最終的に生成する南部ダイアレクト判断ツリー１３
９にデータが通される。

【００５６】図９で用いられている省略は以下の通りで
ある。“＋１”や“−１”のような質問中の数字は、現
在文字に対する相対的な綴り中の位置である。シンボル
Ｌは文字とその近接の文字に関する質問であることを示
す。例えば、“−１Ｌ＝＝‘Ｒ’ｏｒ‘Ｌ’？”という
質問は、（‘Ｅ’である）現在文字の前の文字は‘Ｒ’
か又は‘Ｌ’か、ということである。‘ＣＯＮＳ’と
‘ＶＯＷ’という省略は、文字のクラスつまり子音と母
音である。シンボル‘＃’は単語の境界を示す。‘ｔａ
ｇ（ｉ）’という用語は、ｉ位置の単語のシンタックス
標識に関する質問であることを示し、ここでｉ＝０なら
ば現在単語、ｉ＝−１ならば直前の単語、ｉ＝＋１なら
ば直後の単語、等々である。よって、“ｔａｇ（０）＝
＝ＰＲＥＳ？”は、“現在単語は、現在形動詞か？”と
いうことである。

【００５７】リーフ・ノードは、可能性ある音素発音
を、特定の音素が所与の文字の適正な発音を表す確率を
意味する数値と関連づける、確率データが配置される。
無音素、即ち無音は、シンボル‘−’により表される。

【００５８】例えば、現在形動詞“ＲＥＡＤ”と“ＬＥ
ＡＤ”の中の“Ｅ”は、判断ツリーによりリーフ・ノー
ド１４２において１．０の確率で適切な発音が割り当て
られる。“ｒｅａｄ”の過去形（例えば、“Ｗｈｏｒ
ｅａｄａｂｏｏｋ”）の“Ｅ”は、リーフ・ノード
１４４において０．９の確率で“ｅｈ”の発音が割り当
てられる。

【００５９】（図８の）判断ツリー１１０は、コンテク
スト（文脈）関連の質問を含むのが好ましい。例えば、
内部ノードのコンテクスト（文脈）関連の質問は、“ｙ
ｏｕ”という単語の前に“ｄｉｄ”という単語があるか
どうかを調査することがある。そのようなコンテクスト
（文脈）では、“ｙｏｕ”の“ｙ”は、典型的には、口
語的音声では“ｊａ”と発音される。

【００６０】本発明は、韻律表示データも生成し、文を
話す際のストレス、ピッチ、抑音又はポーズの相を伝え
る。シンタックス関連の質問は、音素がどのようにスト
レスされ又はピッチを与えられ又は抑音されされるか、
を決定する手助けになる。例えば、（図９の）内部ノー
ド１４１は、文の最初の単語が例文“ｗｈｏｒｅａｄ
ａｂｏｏｋ？”の“ｗｈｏ”のような疑問代名詞か
どうかを、問い合わせる。この例では、この例の最初の
単語が疑問代名詞であるから、音素ストレスを伴うリー
フ・ノード１４４が選択される。リーフ・ノード１４６
は音素にストレスが付されない他のオプションを示す。

【００６１】別の例として、疑問文において、文の最後
の単語の最後の音節の音素に、文の疑問相をより自然に
伝えるように、ピッチマークを付する。さらに別の例で
は、文を話すときの自然なポーズを適応し得る本発明を
含む。本発明は、コンマやピリオドのような、中断に関
する質問を与えることにより、そのようなポーズの詳細
を含む。

【００６２】（図８）テキストベース発音生成部１１６
はこのように、リスト１１８に蓄えられる１つ又はそれ
以上の発音の仮説を構築するために、判断ツリー１１０
を利用する。個々の発音は、判断ツリー１１０を利用し
て選択した個別の音素の確率スコアを結合して得られる
数値スコアと関連付けるのが、好ましい。単語発音は、
可能性ある結合のマトリックスを構築しｎ個の最も相応
しい候補を選択する動的プログラミングを用いることに
より、スコアが与えられ得る。

【００６３】また一方で、ｎ個の最も相応しい候補は、
以下のような、最初最も相応しい言葉の候補を識別し次
に反復置換を通じて追加候補を生成する、置換テクニッ
クを利用して選ばれ得る。最も高い確率スコアを備えた
発音が、（リーフ・ノードを調査することにより識別さ
れる）最も高いスコアの音素のそれぞれのスコアを掛け
合わせ、そしてこの選択を最も相応しい候補即ち第一の
言葉の候補として利用することにより、最初に選ばれ
る。追加の（ｎ個の最も相応しい）候補は、リーフノー
ド中の音素データを再び調査し、先に選択された音素で
はなく、最初に選択された音素と最も差のない音素を、
識別することにより、選ばれる。そしてこの最小限差異
音素は、最初に選択された音素に取って代わり、それに
より２番目に数値の高い候補を生成する。上記処理は、
ｎ個の最も相応しい候補の所定の数が選ばれるまで、反
復して繰り返してもよい。リスト１１８は、スコアの降
ベキ順に分類されてもよく、従って文字のみの分析によ
り最も相応しいと判定された発音がリストの最初に現れ
る。

【００６４】判断ツリー１１０では、ある程度成功した
結果しか得られないことがしばしばである。これは、こ
れらの判断ツリーでは、後続の文字により何の音素が生
成されるかを個々の文字において決定する方法がないか
らである。このように、判断ツリー１１０は、自然な音
声では実際に生じない、高いスコアの付された発音を生
成することがある。例えば、固有名詞のＡｃｈｉｌｌｅ
ｓは、両方のｌを音声表記するａｈ−ｋ−ｉｈ−ｌ−ｌ
−ｉｙ−ｚの発音である、という結果になる傾向があ
る。自然な音声では、２番目のｌは実際には発音せず、
ａｈ−ｋ−ｉｈ−ｌ−ｉｙ−ｚとなる。判断ツリー１１
０を利用する発音生成部には、自然な音声では決して生
じない単語の発音をふるいにかけるメカニズムがない。

【００６５】発音システム１０８の第２のステージ１２
０は、上記の問題に取り組むものである。音素混合ツリ
ースコア評価部１２０は音素混合判断ツリー１１２のセ
ットを利用し、リスト１１８の各々の発音の存続可能性
を査定する。スコア評価部１２０は、テキストベース発
音生成部１１６により個々の文字に割り当てられた音素
と共に、入力シーケンス１１４の中の各々の文字を順次
調査することにより、機能する。

【００６６】音素混合ツリースコア評価部１２０は、音
素混合ツリーの質問１１２を基礎にして及び混合ツリー
のリーフノード内の確率データを利用して、リスト１１
８内の発音の各々について再スコアする。発音リスト
は、リスト１２２として個々のスコアと関連させて蓄え
てもよい。リスト１２２は、第１にリストされた発音が
最も高いスコアを備えたものとなるように降ベキ順に分
類してもよい。

【００６７】多くの例において、リスト１２２で最も高
いスコア位置を占める発音は、リスト１１８で最も高い
スコア位置を占める発音とは異なるものである。これ
は、音素混合ツリースコア評価部１２０は、自己一貫性
のある音素シーケンスを含まない発音か、さもなくば自
然な音声では発生しない発音を表す発音を、音素混合ツ
リー１１２を利用してふるいにかけるために生じる。

【００６８】好ましい実施形態では、音素混合ツリース
コア評価部１２０は、リスト１２２中の発音に対する速
度データを決定するために、文章速度計算部１５２を利
用する。さらに、評価部１２０は、ダイアレクト（方
言）に関する質問を調査させ、かつ前述のアプローチと
同様な方法でリーフノードにてストレスや他の韻律局面
を質問により決定させる、音素混合ツリーを利用する。

【００６９】選択部モジュール１２４は、リスト１２２
中の１つ又はそれ以上の発音を引き出すために、リスト
１２２にアクセスしてもよい。典型的には、選択部１２
４は最も高いスコアの発音を引き出しこれを出力発音１
２６に与える。

【００７０】上記のように、図８に示された発音生成部
は、本発明の混合ツリーアプローチを利用した１つの可
能な実施形態を表すに過ぎない。別の実施形態におい
て、出力発音、即ちリスト１２２から選択される発音
は、音声認識のアプリケーションや音声合成のアプリケ
ーションの両方のための発音辞書を形成するために、用
いることができる。音声認識関連では、発音辞書は、認
識部語彙目録内にまだ見当たらない単語に対する発音を
供給することにより、認識部トレーニングフェーズの間
に用いることができる。合成関連では、発音辞書は、連
結された再生に対する音素音を生成するのに、用いるこ
とができる。システムは、例えば、イーメール・リー
ダ、または他のテキストから音声へ変換するアプリケー
ションの、特色を増大させるために、用いることができ
る。

【００７１】本発明の混合ツリースコアリングシステム
（即ち、文字、シンタックス、コンテクスト及び音素）
は、ただ１つの又はリストでの、可能性ある発音が求め
られる、いろいろなアプリケーションで用いることがで
きる。例えば、動的なオンライン言語習得システムで
は、ユーザは文をタイプすると、システムが、確率の順
で、その文に対する可能性ある発音のリストを与えてく
れる。スコアリングシステムは、言語習得システムのた
めのユーザ・フィードバック・ツールとしても、利用す
ることができる。音声認識能力を備えた言語習得システ
ムは、綴り文をディスプレイし新しい言語のその文を発
音する際の話者の試みを分析するのに、利用することが
できる。システムはユーザの発音がその文に対しどれだ
け相応しいか又は相応しくないかをユーザに示すことに
なる。

【００７２】本発明は現存の適切な形態にて記述された
が、混合ツリー発音システムに対しては多数の適用例が
あることが理解されるものである。従って、本発明は、
添付の請求項が示す発明の精神から離れることなく、一
定の修正や変更は可能である。

【図面の簡単な説明】

【図１】本発明の要素とステップを示す、ブロック図
である。

【図２】文字のみのツリーを示すツリー図である。

【図３】本発明に係る混合ツリーを示すツリー図であ
る。

【図４】本発明に係る混合ツリーを生成するための現
存の好ましいシステムを示すブロック図である。

【図５】配列プロセスを通じてトレーニングデータを
生成する方法を示すフローチャートである。

【図６】例示の発音生成部内の判断ツリーの利用を示
すブロック図である。

【図７】ノードを配置する際にどの質問を用いるべき
かを査定するジーニ（Ｇｉｎｉ）基準の適用を示す。

【図８】本発明に係る文字から音声への発音生成部の
ブロック図である。

【図９】文字・シンタックス・コンテクスト・ダイア
レクト混合判断ツリーを示すツリー図である。

【符号の説明】

１０・・・文字のみの判断ツリー１２・・・混合判断ツリー１４・・・入力シーケンス１６・・・動的プログラミング音素シーケンス生成部１８・・・発音リスト２０・・・混合ツリースコア評価部２４・・・選択部モジュール４０・・・ツリー生成部４２・・・トレーニングデータ集積４８・・・動的プログラミング配列モジュール５０・・・イエス・ノー質問セット５２・・・ルールセット５３・・・剪定方法８０・・・文字のみのツリーのメモリ８２・・・混合ツリーセットのメモリ８４・・・動的プログラミングシーケンス生成部８６・・・入力シーケンス９０・・・スコアラ生成部１１０・・・文字・シンタックス・コンテクスト・ダイ
アレクト判断ツリー１１２・・・音素混合判断ツリー１１４・・・入力シーケンス１１５・・・シンタックスデータ１１６・・・テキストベース発音生成部１２０・・・音素混合ツリースコア評価部１２４・・・選択部モジュール１２９・・・シンタックス・タガ・ソフトウエア・モジ
ュール１３８・・・内部ノード１４０・・・文字・シンタックス・コンテクスト・ダイ
アレクト判断ツリー１４１・・・内部ノード１４４・・・リーフ・ノード１５０・・・ダイアレクト選択デバイス１５２・・・文章速度計算部ソフトウエアモジュール

フロントページの続き (72)発明者マッテオ・コントリーニアメリカ合衆国93109カリフォルニア州サンタ・バーバラ、クリフ・ドライブ 821番、ナンバー・ビー−１ (56)参考文献特開平９−44191（ＪＰ，Ａ) ＯｖｅＡｎｄｅｒｓｅｎｅｔａｌ，ＣｏｍｐａｒｉｓｏｎｏｆＴｗｏＴｒｅｅ−ＳｔｒｕｃｔｕｒｅｄＡｐｐｒｏａｃｈｅｓｆｏｒＧｒａｐｈｅｍｅｔｏＰｈｏｎｅｍｅＣｏｎｖｅｒｓｉｏｎ，ＰＲＯＣＥＥＤＩＮＧＳＩＣＳＬＰ，1996年10月，ｖｏｌ．３，1700−1703 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 13/08

Claims

(57)【特許請求の範囲】

【請求項１】予め決められたアルファベットから選択
された入力文字シーケンスに対する少なくとも１つの音
声発音を生成する装置であって、上記アルファベットに対応する複数の文字のみの判断ツ
リーを蓄えるメモリと、所与のシーケンスの所与の文字及びその近接の文字に関
するイエス・ノー質問を表す内部ノードを備える上記文
字のみの判断ツリーと、上記アルファベットに対応する複数の混合判断ツリーを
さらに蓄える上記メモリと、上記所与のシーケンスの所与の文字及びその近接の文字
に関するイエス・ノー質問を表す第１の複数の内部ノー
ドと、上記所与のシーケンスの音素及びその近接の音素
に関するイエス・ノー質問を表す第２の複数の内部ノー
ドとを備える、上記混合判断ツリーと、上記所与の文字を複数の音素発音と関連付ける確率デー
タを示すリーフ・ノードを、さらに備える、上記文字の
みの判断ツリー及び上記混合判断ツリーと、上記文字のみの判断ツリーに結合され、入力文字シーケ
ンスを処理し該入力文字シーケンスに対応する音声発音
の第１のセットを生成する、音素シーケンス生成部と、上記混合判断ツリーに結合され、上記第１のセットを処
理し、上記入力シーケンスの少なくとも１つの音声音素
を示すスコア付き音声音素の第２のセットを生成する、
スコア評価部と、を備えることを特徴とする音声発音生
成装置。
【請求項２】上記第２のセットが上記確率データから
導かれた関連スコアをそれぞれ備える複数の発音を備
え、さらに本体が、上記第２のセットを受け入れて上記
関連スコアを基礎にして上記第２のセットから１つの発
音を選択するように操作し得る発音選択部を備える、請
求項１の装置。
【請求項３】上記音素シーケンス生成部が、所与の入
力シーケンスに対応して予め決められた数の異なる発音
を生成する、請求項１の装置。
【請求項４】上記音素シーケンス生成部が所与の入力
シーケンスに対応して予め決められた数の異なる発音を
生成し、上記確率データに従ってｎ個の最も相応しい発
音を示す、請求項１の装置。
【請求項５】上記スコア評価部が上記混合判断ツリー
を基礎にして上記ｎ個の最も相応しい発音に対し再スコ
アを付する、請求項４の装置。
【請求項６】上記シーケンス生成部が、種々の発音を
示すマトリックスであって、可能性ある音素の組み合わ
せに関するマトリックスを構築する、請求項１の装置。
【請求項７】シーケンス生成部が動的プログラミング
を用いて上記マトリックスからｎ個の最も相応しい音素
の組み合わせを選択する、請求項６の装置。
【請求項８】シーケンス生成部が反復置換により上記
マトリックスからｎ個の最も相応しい音素の組み合わせ
を選択する、請求項６の装置。
【請求項９】認識部トレーニングのために利用される
発音辞書を備える音声認識システムをさらに備え、上記
第２のセットの少なくとも一部分が言葉の綴りを基礎に
して言葉の発音を供給するために上記辞書を配置する、
請求項１の装置。
【請求項１０】言葉の綴りを基礎にして言葉の可聴合
成発音を生成するため、上記第２のセットの少なくとも
一部を受け入れる音声システムをさらに備える、請求項
１の装置。
【請求項１１】上記音声合成システムがイーメール・
リーダの中に組み込まれている、請求項１０の装置。
【請求項１２】上記音声合成システムが、可能性ある
発音が確率順に並ぶリストを与えるため、辞書の中に組
み込まれている、請求項１０の装置。
【請求項１３】綴り言葉をディスプレイし、上記文字
のみの判断ツリーと上記混合判断ツリーとのうちの少な
くとも１つを利用してその言葉を発音する際の話者の試
みを分析し、話者の発音がその言葉に対しどれだけ相応
しいかを話者に示す言語習得システムを、さらに含む、
請求項１の装置。
【請求項１４】綴りから発音へのデータを処理する方
法であって、入力シーケンス内の文字と近傍文字に対するその文字の
関係とに関するイエス・ノー質問の第１のセットを与え
るステップと、入力シーケンス内の音素と近傍音素に対するその音素の
関係とに関するイエス・ノー質問の第２のセットを与え
るステップと、各々が、アルファベットから選択された文字シーケンス
と音素シーケンスとを含む対の、複数の異なるセットを
示すトレーニングデータの集成を与えるステップと、上記第１のセットと第２のセットと上記トレーニングデ
ータを利用して、各々が複数の内部ノードと複数のリー
フ・ノードを備える判断ツリーを上記アルファベットの
少なくとも一部分に対して生成するステップと、上記内部ノードに上記第１と第２のセットから選択され
た質問を配置するステップと、上記リーフ・ノードに、上記アルファベットの上記部分
を上記トレーニングデータを基礎にして複数の音素発音
と関連付ける確率データを、配置するステップと、を備
えることを特徴とする、方法。
【請求項１５】トレーニングデータの上記集積を、配
列された文字シーケンス音素シーケンスの対として与え
るステップを、さらに含む、請求項１４の方法。
【請求項１６】トレーニングデータの集成を与える上
記ステップが、上記文字シーケンスにより形成される言葉の発音を表す
音素シーケンスを含む複数の入力シーケンスを与えるス
テップと、上記音素のうちから選択されたものを上記文字のうちか
ら選択されたものと配列し配列文字音素対を定義するス
テップとを、さらに含む、請求項１４の方法。
【請求項１７】入力文字列に少なくとも１つの関連す
る音素発音を供給し、上記判断ツリーを用いて上記確率
データを基礎にして上記発音にスコアを付するステップ
を、さらに含む、請求項１４の方法。
【請求項１８】入力文字列に複数の関連する音素発音
を供給し、上記判断ツリーを用いて上記確率データを基
礎にして上記複数の発音から１つを選択するステップ
を、さらに含む、請求項１４の方法。
【請求項１９】単語を示す入力文字列に複数の関連す
る音素発音を供給し、上記判断ツリーを用いて上記確率
データを基礎にして上記単語の音声転写を生成するステ
ップを、さらに含む、請求項１４の方法。
【請求項２０】上記音声転写を用いて音声認識部に関
連する辞書を配置するステップを、さらに含む、請求項
１９の方法。
【請求項２１】単語を表す入力文字列に複数の関連す
る音素発音を供給し、上記判断ツリーを用いて数値スコ
アを上記複数発音のそれぞれ１つずつに割り当てるステ
ップを、さらに含む、請求項１４の方法。
【請求項２２】予め決められたアルファベットから選
択され、予め決められたシンタックスに堅固に固守する
言葉を形成する、入力文字シーケンスに対する、少なく
とも１つの音声発音を生成する装置であって、上記入力シーケンス内の上記言葉のシンタックスを示す
シンタックスデータを受け取る、入力デバイスと、上記入力シーケンスの予め決められた特性を示す質問を
備える複数のテキストベース判断ツリーを蓄える、コン
ピュータ記憶デバイスと、上記入力シーケンスに関する文字関連質問を含み、さら
に、シンタックス関連質問、コンテクスト関連質問、ダ
イアレクト関連質問若しくはそれらの組合せから構成さ
れるグループから選択された特性をも含む、上記の予め
決められた特性と、上記入力シーケンスの予め決められた特性に関する質問
を表す内部ノードを備える上記テキストベース判断ツリ
ーと、上記文字の各々を複数の音素発音と関連付ける確率デー
タを示すリーフ・ノードをさらに備える上記テキストベ
ース判断ツリーと、上記入力文字シーケンスを処理するために上記テキスト
ベース判断ツリーと接続され、上記テキストベース判断
ツリーを基礎にして上記入力文字シーケンスに対応する
音声発音の第１のセットを生成する、テキストベース発
音生成部と、を備えることを特徴とする音声発音生成装
置。
【請求項２３】上記第１のセットを処理するために上
記テキストベース発音生成部と接続され、上記入力シー
ケンスの少なくとも１つの音声発音を示すスコア付き音
声発音の第２のセットを生成する、音素混合ツリースコ
ア評価部を、さらに含む、請求項２２の装置。