JP4208819B2 - 音声合成辞書登録方法および装置 - Google Patents

Description

本発明は、音声合成のための辞書登録方法に関わるものである。

従来より、入力されたテキストを解析し合成音声に変換するテキスト音声合成の技術が存在する。

テキスト音声合成の処理は、大まかに言語処理・音響処理の２段階に分けられる。まず、言語処理では、入力されたテキストを解析し、読みやアクセントといった発音情報が抽出される。このために、言語的な知識すなわち辞書や文法規則が用いられる。次に、音響処理において、前記発音情報に則した合成音声が生成される。

前記言語処理で用いられる辞書は各単語の発音を記録したものであり、各エントリには、入力テキストとのマッチングに用いられる表記、音韻情報に変換するために用いられる読み、および韻律情報に変換するためのアクセントが登録されている。さらに、実装の形態によっては、品詞等の付随的情報が辞書に含まれることもある。

ところで、上記のような辞書を用いた言語解析を行なう場合、辞書未登録語の問題が生じる。すなわち、任意のテキストを音声合成しようとした場合、辞書に無い語が現れ、正確な言語解析が行なわれないという問題がある。

これに対処するため、従来より、辞書にない語に関する情報をユーザが指示するための手段が用いられている。例えば、最初から用意されている辞書（基本語辞書）に加えてユーザ辞書を用いる方法がある。入力テキストがユーザの意図通りに読まれない場合、ユーザは該当箇所の表記を意図する読みと共にユーザ辞書に登録し、意図した合成音声を得るようにすることができる。

ユーザ辞書登録に関する先行技術として、例えば特許文献１がある。特許文献１では、見出し語に対する読みを入力し、その読みの文字列の中でアクセントの高い（低い）区間をポインティングデバイスなどで設定することにより、辞書登録を行なう。
特開平５−２８１９８６号公報

しかしながら、上記従来例には、以下の様な問題があった。

音声合成のユーザとして、必ずしも音声合成技術に習熟していない一般のユーザを想定した場合、アクセントを正確に指示（入力）することは容易ではない。これは、アクセントが１音（モーラ）毎の上下というよりも、語あるいは句全体におけるパターンとして知覚されることによる。例えば、音高が「低高低」と推移することは分かっても、何モーラ目で上がり、何モーラ目で下がるのかを正しく指示するのは容易ではない。特に、語中に促音や撥音がある場合、困難の度合いが増す。

前記課題を解決するために、本発明では、発音情報登録対象の第１の文字列を受信する第１受信工程と、前記第１の文字列に関連付けて登録するための発音情報を抽出する対象として指定された、漢字仮名混じり表記である第２の文字列を受信する第２受信工程と、前記第２の文字列を解析して前記第２の文字列に対応する発音情報を抽出する抽出工程と、前記第１の文字列と前記抽出工程で抽出した発音情報とを関連付けて登録する登録工程とを備える。

以上説明したように、本発明によれば、音声合成技術に習熟していない一般のユーザにとっても容易にアクセント等の発音情報を指示することが可能となる。

以下、図面を参照しながら本発明の好適な実施例を説明する。

図１は本発明の一実施例におけるハードウェア構成である。１は数値演算・制御等の処理を行なう中央処理装置であり本発明の手順に従って演算を行なう。２はユーザに対して音声を提示する音声出力装置である。３はユーザに対して情報を提示する出力装置である。出力装置の典型例として、液晶ディスプレイのような画像出力装置が考えられる。４はタッチパネルやキーボード・マウス・ボタン等の入力装置であり、ユーザが本装置に対して動作の指示を与えたり文字を入力するために用いられる。５はディスク装置や不揮発メモリ等の記憶装置であり、音声合成に使用される言語解析辞書５０１やユーザ辞書５０２、音響処理辞書５０３等が保持される。さらに、外部記憶装置５には、ＲＡＭ７に保持される各種情報のうち、恒久的に使用されるべき情報も保持される。また、外部記憶装置５は、ＣＤ−ＲＯＭやメモリカードといった可搬性のある記憶装置であっても良く、これによって利便性を高めることもできる。

６は読み取り専用のメモリであり、本発明を実現するためのプログラムコード６０１や図示しない固定的データ等が格納される。もっとも、本発明において、外部記憶装置５とＲＯＭ６の使用には任意性がある。例えば、プログラムコード６０１は、ＲＯＭ６ではなく外部記憶装置５にインストールされるものであっても良い。７はＲＡＭ等の一時情報を保持するメモリであり、表記バッファ７０１や発音バッファ７０２およびその他の一時的なデータや各種フラグ等が保持される。上記中央処理装置１〜ＲＡＭ７は、バスで接続されている。

以下、本発明における処理フローを図２に則して説明する。なお、本実施例はイベント駆動型の処理として説明する。

まず、ステップＳ１で、ユーザ辞書登録画面を出力装置３に表示する。ユーザ辞書登録画面の例を、図３に示す。次に、ステップＳ２で、ユーザ操作等のイベントを取得する。イベントが発生するまでは本ステップ中でイベント待ちの状態になる。

次に、ステップＳ３で、前記ステップＳ２で取得したイベントの種別に基づいて処理を分岐する。前記ステップＳ２で取得したイベントの種別が、「表記入力領域選択」（表記入力領域８０１がユーザによって選択されたことを示す）であれば、ステップＳ４に処理を移し、「発音入力領域選択」（発音入力領域８０２がユーザによって選択されたことを示す）であれば、ステップＳ５に処理を移し、「文字入力」（選択された領域に文字が入力されたことを示す）であれば、ステップＳ６に処理を移し、「音声確認ボタン押下」であれば、ステップＳ７に処理を移し、「設定ボタン押下」であれば、ステップＳ１０に処理を移し、「キャンセルボタン押下」であれば、ステップＳ１２に処理を移す。

ステップＳ４では、文字入力の対象となる対象バッファを、表記バッファ７０１に設定し、その後、ステップＳ２に処理を戻す。

ステップＳ５では、文字入力の対象となる対象バッファを、発音バッファ７０２に設定し、その後、ステップＳ２に処理を戻す。

ステップＳ６では、入力された文字列を対象バッファ（表記バッファ７０１もしくは発音バッファ７０２）に転記する。例えば、図４の状態では、発音入力領域８０２が選択されているので、入力された文字列「高梨」が発音バッファ７０２に転記される。その後、ステップＳ２に処理を戻す。

ステップＳ７では、発音バッファ７０２の内容を言語解析し、読みやアクセント等の音声合成に必要な情報を抽出する。この際、言語解析辞書５０１のみを用いる実装でも良いし、言語解析辞書５０１に加えてユーザ辞書５０２を用いる実装でも良い。

次に、ステップＳ８において、前記ステップＳ７の結果得られた情報に基づいて合成音声を生成する。

次に、ステップＳ９において、前記ステップＳ８で得られた合成音声を音声出力装置２に出力し、その後、ステップＳ２に処理を戻す。

ステップＳ１０では、発音バッファ７０２の内容を言語解析し、読みやアクセント等のユーザ辞書に登録する発音情報を抽出する。この際、言語解析辞書５０１のみを用いる実装でも良いし、言語解析辞書５０１に加えてユーザ辞書５０２を用いる実装でも良い（ステップＳ７に合わせる）。

次に、ステップＳ１１において、前記ステップＳ１０で抽出された発音情報を、表記バッファ７０１中の表記と合わせてユーザ辞書５０２に登録し、ステップＳ１２に処理を移す。

ステップＳ１２では、ユーザ辞書登録画面を非表示にし、ユーザ辞書登録の処理を終了する。

このような構成としたことで、表記入力領域に入力した文字列を音声合成するのに必要な情報（読みやアクセント等）を、該文字列と同じ発音となる文字列を指定することで設定できるようになり、音声合成技術に習熟していない一般のユーザにとっても容易にアクセント等の発音情報を指示することが可能となる。

前記実施例において、ユーザの入力した発音情報が全て仮名で構成されている場合、従来例によるアクセント入力に移行しても良い。

この場合の実施例を図５、６に則して説明する。

まず、図５の処理フローは、基本的には実施例１と同様である。１点異なるのは、ステップＳ１０の前に、ステップＳ１０１が加わっている点である。ステップＳ１０１では、発音バッファの内容が全て仮名であるか判定し、発音バッファの内容が全て仮名であれば処理をステップＳ２０１（図６）に移し、そうでなければステップＳ１０に移す。

ステップＳ２０１では、従来の技術に則したアクセント入力画面を表示する。アクセント入力画面の例を図７に示す。

次に、ステップＳ２０２で、従来の技術に則して発音バッファ７０２中の発音に対応するアクセントを取得する。

次に、ステップＳ２０３において、前記ステップＳ２０２で取得したアクセント情報を表記バッファ７０１中の表記および発音バッファ７０２中の発音（読み）と合わせてユーザ辞書５０２に登録する。

次に、ステップＳ２０４において、アクセント入力画面を非表示にし、ユーザ辞書登録の処理を終了する。

（その他の実施例）
前記実施例において、発音情報として読み・アクセントを挙げたが、これに限定されるものではない。例えば、本発明を英語等に適用した場合には、ストレスの位置が発音情報に含まれる。あるいは、隣接する単語によって発音が変形する現象における、変形の傾向等も発音情報に含まれる。

なお、本発明の目的は、前述した実施例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し、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出し実行することによっても、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、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だけでなく、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、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た後、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。

実施例１におけるハードウェア構成を示したブロック図である。 実施例１における処理フローを示すフローチャートである。 実施例１におけるユーザ辞書登録画面のイメージを示した図である。 実施例１における辞書登録例を示す図である。 実施例２における処理フローの一部を示すフローチャートである。 実施例２における処理フローの一部を示すフローチャートである。 実施例２における、従来例に基づいたアクセント入力画面のイメージを示した図である。

Claims (12)

1. 発音情報登録対象の第１の文字列を受信する第１受信工程と、
   前記第１の文字列に関連付けて登録するための発音情報を抽出する対象として指定された第２の文字列を受信する第２受信工程と、
   前記第２の文字列を解析して前記第２の文字列に対応する発音情報を抽出する抽出工程と、
   前記第１の文字列と前記抽出工程で抽出した発音情報とを関連付けて登録する登録工程とを備え、
   前記第２の文字列は漢字仮名混じり表記であることを特徴とする辞書登録方法。
2. 発音情報登録対象の第１の文字列を受信する第１受信工程と、
   前記第１の文字列に関連付けて登録するための発音情報を抽出する対象として指定された第２の文字列を受信する第２受信工程と、
   発音情報の記録された辞書を用いて前記第２の文字列を解析することによって前記第２の文字列に対応する発音情報を抽出する抽出工程と、
   前記第１の文字列と前記抽出工程で抽出した発音情報とを関連付けて登録する登録工程とを備えたことを特徴とする辞書登録方法。
3. 前記第２受信工程で受信した第２の文字列を音声合成する合成工程と、
   前記合成工程で合成した合成音声を出力する出力工程とを更に備えたことを特徴とする請求項１又は２に記載の辞書登録方法。
4. 前記第２受信工程で受信した第２の文字列が全て仮名で構成されているか判定する判定工程と、
   前記判定工程で全て仮名で構成されていると判定された場合に、前記第２の文字列に対応するアクセントを設定するための設定画面を表示するよう制御する表示制御工程とを更に備える請求項２に記載の辞書登録方法。
5. 前記第２の文字列は、前記第１の文字列と同じ発音となる文字列であることを特徴とする請求項１又は２に記載の辞書登録方法。
6. 請求項１乃至５のいずれかに記載の辞書登録方法をコンピュータに実行させるための制御プログラム。
7. 請求項６記載の制御プログラムを記憶したコンピュータ読み取り可能な記憶媒体。
8. 発音情報登録対象の第１の文字列を受信する第１受信手段と、
   前記第１の文字列に関連付けて登録するための発音情報を抽出する対象として指定された第２の文字列を受信する第２受信手段と、
   前記第２の文字列を解析して前記第２の文字列に対応する発音情報を抽出する抽出手段と、
   前記第１の文字列と前記抽出手段で抽出した発音情報とを関連付けて登録する登録手段とを備え、
   前記第２の文字列は漢字仮名混じり表記であることを特徴とする辞書登録装置。
9. 発音情報登録対象の第１の文字列を受信する第１受信手段と、
   前記第１の文字列に関連付けて登録するための発音情報を抽出する対象として指定された第２の文字列を受信する第２受信手段と、
   発音情報の記録された辞書を用いて前記第２の文字列を解析することによって前記第２の文字列に対応する発音情報を抽出する抽出手段と、
   前記第１の文字列と前記抽出手段で抽出した発音情報とを関連付けて登録する登録手段とを備えたことを特徴とする辞書登録装置。
10. 前記第２受信手段で受信した第２の文字列を音声合成する合成手段と、
    前記合成手段で合成した合成音声を出力する出力手段とを更に備えたことを特徴とする請求項８又は９に記載の辞書登録装置。
11. 前記第２受信手段で受信した第２の文字列が全て仮名で構成されているか判定する判定手段と、
    前記判定手段で全て仮名で構成されていると判定された場合に、前記第２の文字列に対応するアクセントを設定するための設定画面を表示するよう制御する表示制御手段とを更に備える請求項９に記載の辞書登録装置。
12. 前記第２の文字列は、前記第１の文字列と同じ発音となる文字列であることを特徴とする請求項８又は９に記載の辞書登録方法。

Images