JP4856560B2 - Speech synthesizer - Google Patents

Speech synthesizer Download PDF

Info

Publication number
JP4856560B2
JP4856560B2 JP2007021048A JP2007021048A JP4856560B2 JP 4856560 B2 JP4856560 B2 JP 4856560B2 JP 2007021048 A JP2007021048 A JP 2007021048A JP 2007021048 A JP2007021048 A JP 2007021048A JP 4856560 B2 JP4856560 B2 JP 4856560B2
Authority
JP
Japan
Prior art keywords
information
speech
synthesized speech
character string
accent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2007021048A
Other languages
Japanese (ja)
Other versions
JP2008185911A (en
Inventor
成一 天白
康雄 傍島
高明 森山
泰宏 藤井
睦明 三木
育子 八田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ARCADIA, INC.
Original Assignee
ARCADIA, INC.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ARCADIA, INC. filed Critical ARCADIA, INC.
Priority to JP2007021048A priority Critical patent/JP4856560B2/en
Publication of JP2008185911A publication Critical patent/JP2008185911A/en
Application granted granted Critical
Publication of JP4856560B2 publication Critical patent/JP4856560B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Machine Translation (AREA)

Description

本発明は、音声合成装置であって、特に、ユーザが音声合成に必要なパラメータの値を設定せずとも所望の合成音声を得ることができるものに関する。   The present invention relates to a speech synthesizer, and more particularly to a device capable of obtaining a desired synthesized speech without a user setting parameter values necessary for speech synthesis.

従来の音声合成装置を説明する。従来の音声合成装置の一つである音声合成装置100では、音声合成エンジンに適切なパラメータを与えて、所望の音声合成データを得る作業を容易に行うことができる。   A conventional speech synthesizer will be described. The speech synthesizer 100, which is one of the conventional speech synthesizers, can easily perform an operation of obtaining desired speech synthesis data by giving appropriate parameters to the speech synthesis engine.

音声合成装置100は、ユーザからキーボードを介して漢字仮名まじり文字列を獲得すると、獲得した漢字まじり文字列から音声合成に必要なパラメータの値を自動的に決定し、決定したパラメータの値に基づいて合成音声を生成する。ここで、パラメータには、アクセントの高低やアクセント位置などがある。   When the speech synthesizer 100 acquires a kanji kanji character string from the user via the keyboard, the speech synthesizer 100 automatically determines a parameter value necessary for speech synthesis from the acquired kanji magic character string, and based on the determined parameter value. To generate synthesized speech. Here, the parameters include the height of the accent and the accent position.

また、音声合成装置100では、生成した合成音声に対する修正が可能となっている。音声合成装置100は、生成した合成音声のパラメータをユーザが修正しやすいように、図16に示すように、現在のパラメータの設定値をディスプレイ上に視覚的に表示する。図16では、パラメータの一つであるアクセントの設定値がディスプレイ上に視覚的に表示されている。仮名文字列「あらしまちょーの」を構成する各仮名文字「あ」、「ら」、「し」、「ま」、「ちょ」「−」、「の」に対して与えられたアクセントに対応して、各仮名文字が上下位置に配置されている。この図では、仮名文字「あ」以外の仮名文字に対しては、仮名文字「あ」よりも相対的に高いアクセントが与えられている。   In the speech synthesizer 100, the generated synthesized speech can be corrected. The speech synthesizer 100 visually displays the current parameter setting values on the display as shown in FIG. 16 so that the user can easily modify the parameters of the generated synthesized speech. In FIG. 16, the setting value of the accent which is one of the parameters is visually displayed on the display. The accent given to each kana character "A", "RA", "SH", "MA", "CHO", "-", "NO" that composes the kana character string "ARASHIMA CHOO" Correspondingly, each kana character is arranged in the vertical position. In this figure, a kana character other than the kana character “a” is given a relatively higher accent than the kana character “a”.

ここで、仮名文字「ま」についてアクセントを低くしたければ、マウスを操作して、仮名文字枠72を下方向にドラッグする。これを受けて、音声合成装置100は、仮名文字「ま」のアクセントを低くするようにパラメータの値を変更する。そして、図17に示すように、音声合成装置100は、仮名文字「ま」のかな文字枠72を下方向に移動して表示する。このようにして、パラメータの一つであるアクセントの高低をユーザは容易に編集することができる。   Here, if the accent of the kana character “MA” is to be lowered, the kana character frame 72 is dragged downward by operating the mouse. In response to this, the speech synthesizer 100 changes the parameter value so as to lower the accent of the kana character “MA”. Then, as shown in FIG. 17, the speech synthesizer 100 moves the kana character “MA” kana character frame 72 downward and displays it. In this way, the user can easily edit the height of the accent, which is one of the parameters.

特開2004−246129JP 2004-246129 A

前述の音声合成装置100には、次のような問題点がある。音声合成装置100では、ユーザは、パラメータの値を変更することによって、合成音声を修正することができる。つまり、ユーザが適切なパラメータを与えれば、音声合成装置100は、ユーザが所望する合成音声を提供することができる。逆に言えば、ユーザが適切なパラメータの値を与えることができなければ、音声合成装置100は、ユーザが所望する合成音声を提供することはない。   The speech synthesizer 100 described above has the following problems. In the speech synthesizer 100, the user can correct the synthesized speech by changing parameter values. That is, if the user gives appropriate parameters, the speech synthesizer 100 can provide the synthesized speech desired by the user. In other words, if the user cannot give an appropriate parameter value, the speech synthesizer 100 does not provide the synthesized speech desired by the user.

そして、一般的に、ユーザは、自らが所望する合成音声の具体的イメージは持っていても、どのパラメータをどの程度の値に変更すれば所望する合成音声となるのかを把握していない場合が多い。つまり、ユーザはパラメータの値の設定変更を行っては、合成音声を確認するという作業を繰り返さなければならない、という問題が生ずる。   In general, the user may have a specific image of the desired synthesized speech, but may not know which parameter is changed to what value to obtain the desired synthesized speech. Many. That is, there arises a problem that the user has to repeat the operation of confirming the synthesized speech after changing the parameter value setting.

例えば、ユーザがキーボードを介して「中山」と入力すると、音声合成装置100は、「中山」を構成する仮名文字列「な」、「か」、「や」、「ま」に対して、パラメータの一つとしてアクセント「低」、「高」、「高」、「高」の値を自動的に決定し、「中山」の合成音声を生成する。この例において音声合成装置100が各仮名文字「な」、「か」、「や」、「ま」に対して与えたアクセント「低」、「高」、「高」、「高」の値は、一般的に人名の「中山」が有するアクセントである。   For example, when the user inputs “Nakayama” via the keyboard, the speech synthesizer 100 sets parameters for the kana character strings “NA”, “KA”, “YA”, “MA” constituting “NAKAYAMA”. As an example, the values of accents “low”, “high”, “high”, and “high” are automatically determined, and a synthesized speech of “Nakayama” is generated. In this example, the values of the accents “low”, “high”, “high”, “high” given to the kana characters “na”, “ka”, “ya”, “ma” by the speech synthesizer 100 are: Generally, it is an accent that the personal name “Nakayama” has.

ここで、ユーザは近畿のある地方における地名を想定して「中山」と入力していた場合を考える。この場合、各仮名文字「な」、「か」、「や」、「ま」に対してアクセント「低」、「高」、「低」、「低」の値が設定されていなければ、ユーザは所望する合成音声を得ることができない。つまり、ユーザは、各仮名文字「な」、「か」、「や」、「ま」に対するアクセントの値が「低」、「高」、「高」、「高」ではなく、「低」、「高」、「低」、「低」であることを認識した上で、アクセントの値を修正する必要がある。   Here, it is assumed that the user inputs “Nakayama” assuming a place name in a certain region in Kinki. In this case, if the kana characters “na”, “ka”, “ya”, “ma” have no accent “low”, “high”, “low”, “low” values, Cannot obtain the desired synthesized speech. In other words, the user can set the accent value for each of the kana characters “na”, “ka”, “ya”, “ma” to “low”, “high”, “high”, “high” instead of “low” It is necessary to correct the accent value after recognizing “high”, “low”, and “low”.

しかし、音声学の専門家でないユーザが、単語やフレーズといった文字列のアクセントの位置やアクセントの大きさを把握することは容易ではない。よって、ユーザは、アクセントの位置、値の設定変更を行っては、合成音声を確認するという作業を、自らが想定する合成音声が得られるまで繰り返さなければならない。   However, it is not easy for a user who is not a phonetic expert to grasp the position of accents and the size of accents of character strings such as words and phrases. Therefore, the user must change the setting of the accent position and value and repeat the operation of confirming the synthesized speech until the synthesized speech expected by the user is obtained.

そこで、本発明は、ユーザがパラメータの値を設定・変更せずとも所望の合成音声を容易に得ることができる音声合成装置の提供を目的とする。   Therefore, an object of the present invention is to provide a speech synthesizer that allows a user to easily obtain a desired synthesized speech without setting / changing parameter values.

本発明に関する課題を解決するための手段及び発明の効果を以下に示す。   Means for solving the problems relating to the present invention and effects of the present invention will be described below.

本発明に係る音声合成装置、音声合成プログラム、及び音声合成方法では、ある文字列を表す文字列情報を取得し、ある音声を音声情報として取得し、取得した音声情報から、当該音声情報が有するアクセントをアクセント情報として抽出し、前記アクセント情報及び前記文字列情報に基づいて、前記文字列に対応する合成音声であって、前記アクセントを有するものを生成する。   In the speech synthesizer, speech synthesis program, and speech synthesis method according to the present invention, character string information representing a certain character string is acquired, a certain voice is acquired as voice information, and the voice information has the acquired voice information. Accents are extracted as accent information, and based on the accent information and the character string information, synthesized speech corresponding to the character string and having the accent is generated.

これにより、ユーザが音声により入力したアクセントに基づいて、文字列に対応する合成音声を生成することができる。よって、ユーザは、自らが想定するアクセントを有する合成音声を容易に得ることができる。   Thereby, the synthetic | combination audio | voice corresponding to a character string can be produced | generated based on the accent which the user input with the audio | voice. Therefore, the user can easily obtain a synthesized speech having an accent assumed by the user.

本発明に係る音声合成装置又は音声合成プログラムでは、さらに、取得した音声情報の基本周波数の時間的変化を表す基本周波数関数を用いて、前記アクセント情報を抽出する。これにより、アクセントを容易に判断することができる。   In the speech synthesizer or speech synthesis program according to the present invention, the accent information is further extracted using a fundamental frequency function representing a temporal change in the fundamental frequency of the obtained speech information. Thereby, an accent can be determined easily.

本発明に係る音声合成装置又は音声合成プログラムでは、取得した文字列情報が表す文字列と前記音声情報とを対応付けて、当該文字列を構成する音節のうち、どの音節にアクセントが存在するのかを判断し、アクセントが存在すると判断した音節を前記アクセント情報として抽出し、前記文字列情報における文字列に対応した合成音声であって、アクセントが存在すると判断した音節にアクセントを有するものを生成する。これにより、アクセントが存在する音節を容易に特定することができる。   In the speech synthesizer or the speech synthesis program according to the present invention, the character string represented by the acquired character string information and the voice information are associated with each other, and in which syllable the syllable constituting the character string has an accent. Is extracted as the accent information, and a synthesized speech corresponding to the character string in the character string information having an accent in the syllable determined to have an accent is generated. . Thereby, the syllable in which an accent exists can be specified easily.

本発明に係る音声合成装置又は音声合成プログラムでは、生成した合成音声の特徴量を変更し、変更した特徴量を有する合成音声を生成し、前記特徴量を変更した合成音声及び当該変更をする前の合成音声とを、合成音声候補として表示手段に表示し、表示した合成音声候補は入力手段によって選択可能なように構成されており、前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を合成音声と決定する。   In the speech synthesizer or speech synthesis program according to the present invention, the feature amount of the generated synthesized speech is changed, a synthesized speech having the changed feature amount is generated, and the synthesized speech in which the feature amount is changed and before the change is made Are displayed on the display means as synthesized speech candidates, and the displayed synthesized speech candidates are selectable by the input means, and any one of the synthesized speech candidates displayed on the display means is selected. If it is determined that the synthesized speech candidate is synthesized speech, the synthesized speech candidate is determined to be synthesized speech.

これにより、複数の合成音声候補を提供することができる。よって、ユーザは、提供された合成音声候補から選択するという容易な操作で合成音声を得ることができる。   Thereby, a plurality of synthesized speech candidates can be provided. Therefore, the user can obtain synthesized speech by an easy operation of selecting from the provided synthesized speech candidates.

本発明に係る音声合成装置又は音声合成プログラムでは、前記特徴量は、音の高低若しくは速度のいずれか一方を少なくとも含む。これにより、音の高低又は/及び速度を変更した、合成音声候補を容易に得ることができる。   In the speech synthesizer or speech synthesis program according to the present invention, the feature amount includes at least one of a pitch and a speed of sound. This makes it possible to easily obtain a synthesized speech candidate in which the pitch or / or speed of the sound is changed.

本発明に係る音声合成装置又は音声合成プログラムでは、前記特徴量が、音の高低及び速度により構成されている場合、前記合成音声候補を音の高低及び速度を2軸とした平面上に配置する。   In the speech synthesizer or the speech synthesis program according to the present invention, when the feature amount is configured by the pitch and speed of the sound, the synthesized speech candidates are arranged on a plane with the pitch and speed of the sound as two axes. .

これにより、ユーザは、提供される合成音声候補の相関関係を容易に把握することができる。よって、ユーザは、容易に合成音声候補から所望のもの選択することができる。   Thereby, the user can grasp | ascertain easily the correlation of the synthetic speech candidate provided. Therefore, the user can easily select a desired one from the synthesized speech candidates.

本発明に係る音声合成装置又は音声合成プログラムでは、前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を再生し、再生した前記合成音声候補に対して合成音声情報として確定する確定情報を獲得すると、前記合成音声候補を合成音声と決定する。   In the speech synthesizer or the speech synthesis program according to the present invention, when it is determined that any of the synthesized speech candidates displayed on the display unit is selected, the synthesized speech candidate is reproduced and synthesized with the reproduced synthesized speech candidate. When the confirmed information to be confirmed as voice information is acquired, the synthesized speech candidate is determined as synthesized speech.

これにより、ユーザは、合成音声候補の再生音を確認した上で、合成音声候補の選択を行うことができる。   Thereby, the user can select the synthesized speech candidate after confirming the reproduced sound of the synthesized speech candidate.

ここで、請求項に記載されている要素と実施例における要素との対応関係を示す。音声合成装置は音声合成装置21に対応する。音声情報取得手段はCPU211、サウンド回路218、マイクロフォン218mに、アクセント情報抽出手段はCPU211及びメモリ212に、音声合成手段はCPU211及びメモリ212に、文字列情報取得手段はCPU211、メモリ212、キーボード214及びマウス215に、変更合成音声生成手段はCPU211及びメモリ212に、合成音声候補表示手段はCPU211及びメモリ212に、合成音声決定手段はCPU211及びメモリ212に、それぞれ該当する。   Here, the correspondence relationship between the elements described in the claims and the elements in the embodiment is shown. The speech synthesizer corresponds to the speech synthesizer 21. The voice information acquisition means is the CPU 211, the sound circuit 218, the microphone 218m, the accent information extraction means is the CPU 211 and the memory 212, the voice synthesis means is the CPU 211 and the memory 212, the character string information acquisition means is the CPU 211, the memory 212, the keyboard 214, and The modified synthesized speech generation means corresponds to the mouse 215, the CPU 211 and the memory 212, the synthesized speech candidate display means corresponds to the CPU 211 and the memory 212, and the synthesized speech determination means corresponds to the CPU 211 and the memory 212, respectively.

音声情報取得手段はステップS501、S503、及びS513の処理を、アクセント情報抽出手段はステップS515、S517、S801〜S815、S901〜S913の処理を、音声合成手段はステップS519、S1101〜S1105の処理を、文字列情報取得手段はステップS501、S503、及びS511の処理を、変更合成音声生成手段はステップS1001〜S1005、S1201〜S1205の処理を、合成音声候補表示手段はステップS1207の処理を、合成音声決定手段はステップS1209〜S1215の処理を、それぞれ実行する。   The voice information acquisition means performs the processes of steps S501, S503, and S513, the accent information extraction means performs the processes of steps S515, S517, S801 to S815, and S901 to S913, and the voice synthesis means performs the processes of steps S519, S1101 to S1105. The character string information acquisition means performs the processing of steps S501, S503, and S511, the modified synthesized speech generation means performs the processing of steps S1001 to S1005, S1201 to S1205, and the synthesized speech candidate display means performs the processing of step S1207. The determining means executes the processes of steps S1209 to S1215, respectively.

アクセント情報は、アクセント位置情報に対応する。   Accent information corresponds to accent position information.

「特徴量」とは、音声を特徴付ける情報をいい、音声の高・低、音声の速度の早い・遅い等を含む概念である。   The “feature amount” refers to information that characterizes the voice, and is a concept including high / low voice, fast / slow voice speed, and the like.

「音声」とは、直接的、間接的を問わず発せられる音をいい、音を発する主体は人間のみに限定されない概念である。また、アクセントを有するものであればよく、発せられた音声の意味内容が理解できないようなもの、例えばハミング等も含む概念である。   “Speech” refers to a sound that can be emitted directly or indirectly, and the subject that emits a sound is not limited to humans. Moreover, what is necessary is just a thing with an accent, and it is a concept including the thing which cannot understand the meaning content of the emitted voice, for example, humming etc.

本発明における音声合成装置の実施例を以下において説明する。   An embodiment of a speech synthesizer according to the present invention will be described below.

1. 概要
本発明に係る音声合成装置の概要を図1に基づいて説明する。
1. Overview An overview of a speech synthesizer according to the present invention will be described with reference to FIG.

1.ユーザは、音声合成装置に対して、ある文字列のテキストデータである文字列情報を与える。 1. The user gives character string information which is text data of a certain character string to the speech synthesizer.

2.ユーザは、自らが想定するアクセントで文字列を発声した音声情報を音声合成装置に与える。 2. The user gives the speech synthesizer speech information that utters a character string with an accent assumed by the user.

3.音声合成装置は、取得した音声情報からアクセントを抽出する。 3. The speech synthesizer extracts accents from the acquired speech information.

4.音声合成装置は、音声情報のアクセントに基づいて、文字列に対応する合成音声情報を生成する。 4). The speech synthesizer generates synthesized speech information corresponding to the character string based on the accent of the speech information.

これにより、ユーザが音声により入力したアクセントに基づいて、文字列に対応する合成音声を生成することができる。よって、ユーザは、自らが想定するアクセントを有する合成音声を容易に得ることができる。   Thereby, the synthetic | combination audio | voice corresponding to a character string can be produced | generated based on the accent which the user input with the audio | voice. Therefore, the user can easily obtain a synthesized speech having an accent assumed by the user.

2. 機能ブロック図
本発明に係る音声合成装置M1を図2に示す機能ブロック図に基づいて説明する。音声合成装置M1は、音声情報取得手段M11、アクセント情報抽出手段M13、音声合成手段M15、及び文字列情報取得手段M17を有している。
2. Functional Block Diagram A speech synthesizer M1 according to the present invention will be described based on the functional block diagram shown in FIG. The speech synthesizer M1 includes speech information acquisition means M11, accent information extraction means M13, speech synthesis means M15, and character string information acquisition means M17.

音声情報取得手段M11は、ある音声を音声情報として取得する。   The voice information acquisition unit M11 acquires a certain voice as voice information.

アクセント情報抽出手段M13は、取得した音声情報から、当該音声情報が有するアクセントをアクセント情報として抽出する。また、アクセント情報抽出手段M13は、取得した音声情報の基本周波数の時間的変化を表す基本周波数関数を用いて、前記アクセント情報を抽出する。さらに、アクセント情報抽出手段M13は、取得した文字列情報が表す文字列と前記音声情報とを対応付けて、当該文字列を構成する音節のうち、どの音節にアクセントが存在するのかを判断し、アクセントが存在すると判断した音節を前記アクセント情報として抽出する。   The accent information extraction unit M13 extracts the accent included in the audio information as accent information from the acquired audio information. Further, the accent information extracting unit M13 extracts the accent information using a fundamental frequency function that represents a temporal change in the fundamental frequency of the acquired voice information. Further, the accent information extraction unit M13 associates the character string represented by the acquired character string information with the voice information, determines which syllable of the syllable constituting the character string has an accent, A syllable that is determined to have an accent is extracted as the accent information.

音声合成手段M15は、前記アクセント情報及び前記文字列情報に基づいて、前記文字列に対応する合成音声であって、前記アクセントを有するものを生成する。また、音声合成手段M15は、前記文字列情報における文字列に対応した合成音声であって、アクセントが存在すると判断した音節にアクセントを有するものを生成する。   Based on the accent information and the character string information, the speech synthesizer M15 generates synthesized speech corresponding to the character string and having the accent. Further, the speech synthesizer M15 generates synthesized speech corresponding to the character string in the character string information and having an accent on a syllable that is determined to have an accent.

文字列情報取得手段M17は、ある文字列を表す文字列情報を取得する。   The character string information acquisition unit M17 acquires character string information representing a certain character string.

これにより、ユーザが音声により入力したアクセントに基づいて、文字列に対応する合成音声を生成することができる。よって、ユーザは、自らが想定するアクセントを有する合成音声を容易に得ることができる。また、アクセントを容易に判断することができる。さらに、アクセントが存在する音節を容易に特定することができる。   Thereby, the synthetic | combination audio | voice corresponding to a character string can be produced | generated based on the accent which the user input with the audio | voice. Therefore, the user can easily obtain a synthesized speech having an accent assumed by the user. Also, the accent can be easily determined. Furthermore, it is possible to easily identify a syllable in which an accent exists.

3. 音声合成装置21のハードウェア構成
本発明に係る音声合成装置である音声合成装置21のハードウェア構成を図3を用いて説明する。音声合成装置21は、CPU211、メモリ212、ハードディスク213、キーボード214、マウス215、ディスプレイ216、CD−ROMドライブ217、サウンド回路218、スピーカ218s、及びマイクロフォン218mを備えている。
3. Hardware Configuration of Speech Synthesizer 21 The hardware configuration of the speech synthesizer 21 that is a speech synthesizer according to the present invention will be described with reference to FIG. The speech synthesizer 21 includes a CPU 211, a memory 212, a hard disk 213, a keyboard 214, a mouse 215, a display 216, a CD-ROM drive 217, a sound circuit 218, a speaker 218s, and a microphone 218m.

CPU211は、ハードディスク213に記録されているオペレーティング・システム(OS)、音声合成プログラム等その他のアプリケーションに基づいた処理を行う。メモリ212は、CPU211に対して作業領域を提供する。ハードディスク213は、オペレーティング・システム(OS)、音声合成プログラム等その他のアプリケーション及び各種データを記録保持する。なお、ハードディスク213に記録されているデータについては後述する。   The CPU 211 performs processing based on other applications such as an operating system (OS) and a voice synthesis program recorded on the hard disk 213. The memory 212 provides a work area for the CPU 211. The hard disk 213 records and holds other applications such as an operating system (OS) and a speech synthesis program and various data. The data recorded on the hard disk 213 will be described later.

キーボード214、マウス215は、外部からの命令を受け付ける。ディスプレイ216は、ユーザーインターフェイス等の画像を表示する。CD−ROMドライブ217は、音声合成プログラムが記録されているCD−ROM210から音声合成プログラム及び他のCD−ROMからその他のアプリケーションのプログラムを読み取る等、CD−ROMからのデータの読み取りを行う。サウンド回路218は、与えられた音声合成データをアナログ波形に変換してスピーカ218sへ出力する。また、サウンド回路218は、マイクロフォン218mを介して取得したアナログ波形をデジタル波形に変換する。   The keyboard 214 and the mouse 215 accept external commands. The display 216 displays an image such as a user interface. The CD-ROM drive 217 reads data from a CD-ROM, such as reading a voice synthesis program from a CD-ROM 210 in which a voice synthesis program is recorded and a program of another application from another CD-ROM. The sound circuit 218 converts the given voice synthesis data into an analog waveform and outputs the analog waveform to the speaker 218s. The sound circuit 218 also converts the analog waveform acquired via the microphone 218m into a digital waveform.

4. データ
音声合成装置21がハードディスク213に記録する音節持続時間データベース(以下、音節持続時間DBとする。)について図4に基づいて説明する。音節持続時間DBは、音節と当該音節を発声したときの標準的な持続時間とを関連付けたデータベースである。
4. Data A syllable duration database (hereinafter referred to as syllable duration DB) recorded by the speech synthesizer 21 on the hard disk 213 will be described with reference to FIG. The syllable duration DB is a database that associates a syllable with a standard duration when the syllable is uttered.

音節持続時間DBは、[音節]列C401及び[持続時間]列C405を有している。[音節]列C401には、日本語において一般的に用いられている音節の種類が記述される。[持続時間]列C405には、[音節]列C401に記述された音節が標準的な速度で発声されたときの発声時間が持続時間として記述される。   The syllable duration DB has a [syllable] column C401 and a [duration] column C405. [Syllable] column C401 describes syllable types generally used in Japanese. In the [Duration] column C405, the utterance time when the syllable described in the [Syllable] column C401 is uttered at a standard speed is described as the duration.

5. 音声合成装置21の動作
音声合成装置21のCPU211の動作の概要を図5を用いて説明する。CPU211は、文字列情報若しくは音声情報を取得するための文字列・音声情報取得画面D1を表示する(S501)。
5. Operation of Speech Synthesizer 21 An outline of the operation of the CPU 211 of the speech synthesizer 21 will be described with reference to FIG. The CPU 211 displays a character string / voice information acquisition screen D1 for acquiring character string information or voice information (S501).

音声合成装置21のディスプレイ216に表示される文字列・音声情報取得画面D1の一例を図6に示す。文字列・音声情報取得画面D1は、文字列入力領域A601、音声情報取得開始ボタンB601を有している。文字列入力領域A601は、ユーザが音声合成しようとする仮名文字列を表す文字列情報をキーボード214等の入力手段を用いて入力するための領域である。音声情報取得開始ボタンB601は、ユーザが文字列に与えるアクセントを音声で入力しようとする際にマウス215等で選択するボタンである。   An example of the character string / voice information acquisition screen D1 displayed on the display 216 of the voice synthesizer 21 is shown in FIG. The character string / voice information acquisition screen D1 includes a character string input area A601 and a voice information acquisition start button B601. The character string input area A601 is an area for inputting character string information representing a kana character string to be synthesized by the user using an input unit such as the keyboard 214. The voice information acquisition start button B601 is a button for selecting with the mouse 215 or the like when the user wants to input the accent given to the character string by voice.

図5に戻って、CPU211は、音声情報取得開始ボタンB601(図6参照)が選択されたと判断すると(S503)、文字列・音声情報取得画面D1の文字列入力領域A601に入力された文字列を文字列情報として取得し、メモリ212へ記憶する(S511)。また、CPU211は、マイクロフォン218mを介して音声情報を取得する(S513)。ユーザは、マイクロフォンに向かって、文字列・音声情報取得画面D1の文字列入力領域A601に入力された文字列に対応する音声であって、自らが想定するアクセントを有する音声を入力する。CPU211は、音声情報を獲得したと判断すると、音節アライメント処理(S515)及びアクセント位置判断処理(S517)、及び音声合成処理を実行する(S519)を実行する。CPU211は、生成した合成音声情報をスピーカ218sを介して再生する(S521)。   Returning to FIG. 5, when the CPU 211 determines that the voice information acquisition start button B601 (see FIG. 6) has been selected (S503), the character string input in the character string input area A601 of the character string / voice information acquisition screen D1. Is acquired as character string information and stored in the memory 212 (S511). In addition, the CPU 211 acquires audio information via the microphone 218m (S513). The user inputs the voice corresponding to the character string input in the character string input area A601 of the character string / voice information acquisition screen D1 toward the microphone and having an accent assumed by the user. When the CPU 211 determines that voice information has been acquired, the CPU 211 executes syllable alignment processing (S515), accent position determination processing (S517), and voice synthesis processing (S519). The CPU 211 reproduces the generated synthesized voice information via the speaker 218s (S521).

以降において、音節アライメント処理(S515)、及びアクセント位置判断処理(S517)、及び音声合成処理(S519)を説明する。   Hereinafter, the syllable alignment process (S515), the accent position determination process (S517), and the speech synthesis process (S519) will be described.

5.1. 音節アライメント処理
CPU211が実行する音節アライメント処理(図5:S515参照)は、取得した音声情報のどの位置に文字列情報を構成する各仮名文字の音節区切りがあるのかを判断するために実行する処理である。CPU211が実行する音節アライメント処理を図7に示すフローチャートを用いて説明する。
5.1. Syllable alignment processing The syllable alignment processing (see FIG. 5: S515) executed by the CPU 211 is executed to determine at which position of the acquired speech information the syllable break of each kana character constituting the character string information is present. It is processing to do. The syllable alignment process executed by the CPU 211 will be described with reference to the flowchart shown in FIG.

CPU211は、ステップS511(図5参照)で取得した文字列情報を構成する仮名文字に対応する持続時間を音節持続時間DB(図4参照)の[持続時間]列C405から取得する(S801)。CPU211は、取得した[持続時間]列C405の値を合計した合計持続時間を算出する(S803)。CPU211は、文字列情報を構成する仮名文字について、算出した合計持続時間と各仮名文字の持続時間との比を算出する(S805)。   The CPU 211 obtains the duration corresponding to the kana characters constituting the character string information obtained in step S511 (see FIG. 5) from the [duration] column C405 of the syllable duration DB (see FIG. 4) (S801). The CPU 211 calculates a total duration obtained by summing up the values of the acquired [duration] column C405 (S803). The CPU 211 calculates the ratio between the calculated total duration and the duration of each kana character for the kana characters constituting the character string information (S805).

また、CPU211は、ステップS513(図5参照)で取得した音声情報の発声時間を計測する(S811)。CPU211は、ステップS805で算出した合計持続時間と各仮名文字の持続時間との比と、ステップS811で計測した発声時間とに基づいて、文字列情報を構成する仮名文字と音声情報との対応関係を判断し(S813)、文字−音声対応テーブルとしてメモリ212へ記憶する(S815)。   Further, the CPU 211 measures the utterance time of the audio information acquired in step S513 (see FIG. 5) (S811). Based on the ratio between the total duration calculated in step S805 and the duration of each kana character, and the utterance time measured in step S811, the CPU 211 correlates the kana characters constituting the character string information with the speech information. Is stored in the memory 212 as a character-speech correspondence table (S815).

ここで、文字−音声対応テーブルを図8を用いて説明する。文字−音声対応テーブルは、[文字]列C1401、[対応時間]列C1403を有している。[文字]列C1401には、文字列情報を構成する仮名文字が記述される。[対応時間]列C1403には、音声情報において、[文字]列C1401に記述された仮名文字に対応する時間が記述される。   Here, the character-speech correspondence table will be described with reference to FIG. The character-speech correspondence table has a [character] column C1401 and a [corresponding time] column C1403. [Character] column C1401 describes the kana characters constituting the character string information. The [corresponding time] column C1403 describes the time corresponding to the kana character described in the [character] column C1401 in the voice information.

例えば、文字列情報「なかやま」を構成する仮名文字「な」について、音声情報の0秒00から0秒30までが対応する場合、[文字]列C1401の「な」に対応する[対応時間]列C1403には、値「0’00”−0’30”」が記述される。   For example, when the kana character “NA” constituting the character string information “NAKAYAMA” corresponds to “0” to “0” 30 of the voice information, [corresponding time] corresponding to “NA” in the [character] column C1401 In a column C1403, a value “0′00” −0′30 ″ ”is described.

これにより、マイクロフォン218mから取得した音声情報のどの時間からどの時間までが文字列情報を構成する各仮名文字に対応するのか、という音声情報と文字列情報を構成する各仮名文字との対応関係を把握することが可能となる。   Thus, the correspondence between the voice information acquired from the microphone 218m and the time from which time corresponds to each kana character constituting the character string information and each kana character constituting the character string information. It becomes possible to grasp.

5.2. アクセント位置判断処理
CPU211が実行するアクセント位置判断処理(図5:S517参照)を図9に示すフローチャートを用いて説明する。CPU211は、ステップS513(図5参照)で取得した音声情報に対する基本周波数関数を算出する(S901)。なお、基本周波数関数における基本周波数の算出は、取得した音声情報の自己相関関数を算出し、相関値が一定のしきい値以上である周期を求めることによって行う。
5.2. Accent Position Determination Processing The accent position determination processing (see FIG. 5: S517) executed by the CPU 211 will be described with reference to the flowchart shown in FIG. The CPU 211 calculates a fundamental frequency function for the audio information acquired in step S513 (see FIG. 5) (S901). The calculation of the fundamental frequency in the fundamental frequency function is performed by calculating an autocorrelation function of the acquired voice information and obtaining a period in which the correlation value is equal to or greater than a certain threshold value.

CPU211は、算出した基本周波数関数の一次微分関数を算出する(S903)。そして、CPU211は、算出した基本周波数関数の一次微分関数の値が正から負に変わる位置にアクセント位置があると判断し(S905)、アクセント位置に対応する時間をアクセント位置情報としてメモリ212へ一時的に記憶する(S907)。CPU211は、メモリ212から文字−音声対応テーブルを取得し(S909)、アクセント位置情報の時間が文字列情報を構成する仮名文字のうちどの仮名文字に対応するのかを判断する(S911)。CPU211は、アクセント位置が存在する仮名文字をアクセント文字情報としてメモリ212へ一時的に記憶する(S913)。   The CPU 211 calculates a first derivative function of the calculated fundamental frequency function (S903). Then, the CPU 211 determines that there is an accent position at a position where the calculated first derivative function value of the fundamental frequency function changes from positive to negative (S905), and temporarily stores the time corresponding to the accent position as accent position information to the memory 212. (S907). The CPU 211 obtains a character-speech correspondence table from the memory 212 (S909), and determines which kana character corresponds to the time of the accent position information among the kana characters constituting the character string information (S911). The CPU 211 temporarily stores the kana character having the accent position in the memory 212 as accent character information (S913).

音節アライメント処理によって、音声情報と文字列情報を構成する仮名文字との対応付けが終了しており、どの時間からどの時間までの音声情報がどの仮名文字に対応しているのかを把握することが可能となっている。よって、アクセント位置情報に対応する時間がどの仮名文字に対応するのかも判断することができる。   The syllable alignment process has finished associating the speech information with the kana characters constituting the character string information, and can grasp from which time to which time the speech information corresponds to which kana character. It is possible. Therefore, it can be determined which kana character corresponds to the time corresponding to the accent position information.

5.3. 音声合成処理
CPU211が実行する音声合成処理(図5:S519参照)を図10に示すフローチャートを用いて説明する。CPU211は、ステップS511で取得した文字列情報をメモリ212から取得する(S1101)。また、CPU211は、アクセント位置判断処理(図5:S517参照)で得られたアクセント文字情報をメモリ212から取得する(S1103)。
5.3. Speech Synthesis Processing The speech synthesis processing (see FIG. 5: S519) executed by the CPU 211 will be described using the flowchart shown in FIG. The CPU 211 acquires the character string information acquired in step S511 from the memory 212 (S1101). Further, the CPU 211 acquires the accent character information obtained by the accent position determination process (see S517 in FIG. 5) from the memory 212 (S1103).

CPU211は、文字列情報及びアクセント文字情報に基づいて、合成音声情報を生成し(S1105)、合成音声情報としてメモリ212へ記憶する(S1107参照)。なお、合成音声の生成については、従来から一般的に用いられている音声合成技術を用いる。   The CPU 211 generates synthesized speech information based on the character string information and the accent character information (S1105), and stores the synthesized speech information in the memory 212 (see S1107). Note that, for the generation of synthesized speech, a speech synthesis technique that has been generally used is used.

このように、音声合成装置21は、合成音声を生成しようとする文字列に与えるアクセントについては、ユーザが発声した音声情報から取得する。つまり、ユーザは、仮名文字列に与えるアクセントを有する音声を、自らが発声することによって、音声合成装置21へ提供することができる。よって、ユーザは、自らが発声したアクセントを有する文字列の合成音声を容易に得ることができる。   As described above, the speech synthesizer 21 acquires the accent given to the character string for which the synthesized speech is to be generated from the speech information uttered by the user. That is, the user can provide the speech synthesizer 21 with the voice having the accent given to the kana character string by himself / herself. Therefore, the user can easily obtain a synthesized voice of a character string having an accent uttered by the user.

6. 具体例
これまで説明してきた音声合成装置21のCPU211の動作を具体的な例を示しながら説明する。
6. Specific Example The operation of the CPU 211 of the speech synthesizer 21 described so far will be described with a specific example.

ユーザは、文字列情報若しくは音声情報を取得するための文字列・音声情報取得画面D1を表示する(図5:S501参照)。音声合成装置21のディスプレイ216に表示される文字列・音声情報取得画面D1(図6参照)の文字列入力領域A601に、キーボード214を用いて、仮名文字列「なかやま」を入力し、音声情報取得開始ボタンB601をマウス215で選択したとする。なお、ユーザは、近畿のある地方における地名「中山」に対する合成音声を生成することを目的としているとする。   The user displays a character string / voice information acquisition screen D1 for acquiring character string information or voice information (see FIG. 5: S501). The kana character string “Nakayama” is input to the character string input area A601 of the character string / voice information acquisition screen D1 (see FIG. 6) displayed on the display 216 of the voice synthesizer 21 by using the keyboard 214, and the voice information is input. It is assumed that the acquisition start button B601 is selected with the mouse 215. It is assumed that the user aims to generate a synthesized voice for the place name “Nakayama” in a certain region in Kinki.

CPU211は、音声情報取得開始ボタンB601が選択されたと判断すると(図5:S503参照)、文字列入力領域A601に入力された仮名文字列「なかやま」を文字列情報として取得しメモリ212へ記憶する(図5:S511参照)。   When the CPU 211 determines that the voice information acquisition start button B601 has been selected (see FIG. 5: S503), the CPU 211 acquires the kana character string “Nakayama” input in the character string input area A601 as character string information and stores it in the memory 212. (See FIG. 5: S511).

また、CPU211は、マイクロフォン218mを介して音声情報を取得する(図5:S513参照)。ユーザは、マイクロフォンに向かって地名としての文字列「なかやま」(各仮名文字「な」、「か」、「や」、「ま」に対するアクセントが「低」、「高」、「低」、「低」)を発音し、音声情報として入力する。CPU211は、音声情報を獲得したと判断すると、取得した文字列情報「なかやま」を構成する各仮名文字「な」、「か」、「や」、「ま」に対応する持続時間を音節持続時間DBの[持続時間]列C405から取得する(図7:S801参照)。CPU211は、取得した[持続時間]列C405の値を合計した合計持続時間を算出する(図7:S803参照)。CPU211は、文字列情報を構成する仮名文字について、算出した合計持続時間と各仮名文字の持続時間との比を算出する(図7:S805参照)。   Further, the CPU 211 acquires audio information via the microphone 218m (see FIG. 5: S513). The user enters the character string “Nakayama” as a place name toward the microphone (accents for the kana characters “na”, “ka”, “ya”, “ma” are “low”, “high”, “low”, “ Pronounce "low") and input it as voice information. When the CPU 211 determines that the voice information has been acquired, the CPU 211 sets the duration corresponding to each kana character “NA”, “KA”, “YA”, “MA” constituting the acquired character string information “NAKAYAMA” as the syllable duration. Obtained from the [duration] column C405 of the DB (see FIG. 7: S801). The CPU 211 calculates a total duration obtained by summing up the values of the acquired [duration] column C405 (see FIG. 7: S803). The CPU 211 calculates a ratio between the calculated total duration and the duration of each kana character for the kana characters constituting the character string information (see FIG. 7: S805).

また、CPU211は、マイクロフォン218mから取得した音声情報の発音時間を計測する(図7:S811参照)。CPU211は、合計持続時間と各仮名文字の持続時間との比と、計測した発音時間とに基づいて、文字列情報を構成する各仮名文字と音声情報との対応関係を判断し(図7:S813参照)、文字−音声対応テーブル(図8参照)を生成しメモリ212へ記憶する(図7:S815参照)。   Further, the CPU 211 measures the sound generation time of the sound information acquired from the microphone 218m (see FIG. 7: S811). The CPU 211 determines the correspondence between each kana character constituting the character string information and the speech information based on the ratio between the total duration and the duration of each kana character and the measured pronunciation time (FIG. 7 :). A character-speech correspondence table (see FIG. 8) is generated and stored in the memory 212 (see FIG. 7: S815).

CPU211は、取得した音声情報に対する基本周波数関数を算出する(図9:S901参照)。CPU211は、算出した基本周波数関数の一次微分関数を算出し(図9:S903参照)、一次微分関数の値が正から負に変わる位置にアクセント位置があると判断する(図9:S905参照)。CPU211は、アクセント位置に対応する時間をアクセント位置情報としてメモリ212へ一時的に記憶する(図9:S907参照)。CPU211は、文字−音声対応テーブルを取得し(図9:S909参照)、アクセント位置情報の時間が文字列情報を構成する仮名文字「な」、「か」、「や」、「ま」のうちどの仮名文字に対応するのかを判断する(図9:S911参照)。CPU211は、アクセント位置が存在する仮名文字が仮名文字「か」であると判断すると、アクセント文字情報としてメモリ212へ一時的に記憶する(図9:S913参照)。   The CPU 211 calculates a fundamental frequency function for the acquired audio information (see FIG. 9: S901). The CPU 211 calculates a first derivative function of the calculated fundamental frequency function (see FIG. 9: S903), and determines that there is an accent position at a position where the value of the first derivative function changes from positive to negative (see FIG. 9: S905). . The CPU 211 temporarily stores the time corresponding to the accent position as accent position information in the memory 212 (see FIG. 9: S907). The CPU 211 obtains the character-speech correspondence table (see FIG. 9: S909), and the time of the accent position information includes the kana characters “NA”, “KA”, “YA”, “MA” that constitute the character string information. It is determined which kana character corresponds (see FIG. 9: S911). If the CPU 211 determines that the kana character having the accent position is the kana character “ka”, the CPU 211 temporarily stores it in the memory 212 as accent character information (see FIG. 9: S913).

そして、CPU211は、文字列情報「なかやま」をメモリ212から取得する(図10:S1101参照)。CPU211は、アクセント文字情報である仮名文字「か」をメモリ212から取得する(図10:S1103参照)。   Then, the CPU 211 acquires character string information “Nakayama” from the memory 212 (see FIG. 10: S1101). The CPU 211 acquires the kana character “ka”, which is accent character information, from the memory 212 (see FIG. 10: S1103).

CPU211は、文字列情報及びアクセント文字情報に基づいて、合成音声情報を生成し(図10:S1105参照)、合成音声情報としてメモリ212へ記憶する(図10:S1107参照)。   The CPU 211 generates synthesized speech information based on the character string information and accented character information (see FIG. 10: S1105), and stores the synthesized speech information in the memory 212 (see FIG. 10: S1107).

CPU211は、生成した合成音声情報をスピーカ218sを介して再生する(図5:S521参照)。   The CPU 211 reproduces the generated synthesized voice information via the speaker 218s (see S521 in FIG. 5).

これにより、ユーザは、自らが発声したアクセントを有する文字列「なかやま」の合成音声を容易に得ることができる。
Thereby, the user can easily obtain a synthesized voice of the character string “Nakayama” having an accent uttered by the user.

1. 概要
本発明に係る音声合成装置の実施例2の概要を説明する。前述の実施例1においては、音声合成装置21は、文字列に与えるアクセントを、当該アクセントを有する音声をユーザが自ら発声した音声情報から抽出することによって、当該アクセントを有する文字列の合成音声を生成した。これにより、ユーザは、自らが発声したアクセントを有する文字列の合成音声を容易に得ることができた。
1. Overview An overview of a second embodiment of the speech synthesizer according to the present invention will be described. In the first embodiment described above, the speech synthesizer 21 extracts synthesized speech of a character string having the accent by extracting the accent given to the character string from the speech information that the user has uttered. Generated. As a result, the user can easily obtain a synthesized voice of a character string having an accent uttered by the user.

その一方、音声合成装置21は、各音節の標準的な音の高さ、速さ等を有する音節音声データを用いて合成音声を生成していた。ユーザによっては、標準的な音の高さや速さではなく、「もう少し高い音色で」や「もう少し遅いスピードで」等の要求があることもある。   On the other hand, the speech synthesizer 21 generates synthesized speech using syllable speech data having the standard pitch and speed of each syllable. Depending on the user, there may be a request such as “with a slightly higher tone” or “with a slightly slower speed” instead of the standard pitch or speed.

本実施例における音声合成装置は、合成音声に対して変更を容易に加えたいユーザの要求を満たすために、合成音声に対して所定のパラメータを変更した合成音声を幾つか提供することによって、ユーザが、自らが望む合成音声を容易に取得できるようにするものである。   The speech synthesizer in this embodiment provides the user with some synthesized speech in which predetermined parameters are changed for the synthesized speech in order to satisfy the user's request to easily change the synthesized speech. However, it is possible to easily obtain the synthesized speech desired by the user.

なお、本実施例においては、実施例1と同様の構成・動作については、実施例1で与えた番号と同じ番号を与えている。   In the present embodiment, the same configurations and operations as those in the first embodiment are given the same numbers as those in the first embodiment.

2. 機能ブロック図
本発明に係る音声合成装置M51を図11に示す機能ブロック図に基づいて説明する。音声合成装置M51は、音声情報取得手段M11、アクセント情報抽出手段M13、音声合成手段M15、文字列情報取得手段M17、変更合成音声生成手段M21、合成音声候補表示手段M23、及び合成音声決定手段M25を有している。音声情報取得手段M11、アクセント情報抽出手段M13、音声合成手段M15、文字列情報取得手段M17については、実施例1と同様の構成であるため、以下での記載は省略する。
2. Functional Block Diagram A speech synthesizer M51 according to the present invention will be described based on the functional block diagram shown in FIG. The speech synthesizer M51 includes speech information acquisition means M11, accent information extraction means M13, speech synthesis means M15, character string information acquisition means M17, modified synthesized speech generation means M21, synthesized speech candidate display means M23, and synthesized speech determination means M25. have. Since the voice information acquisition unit M11, the accent information extraction unit M13, the voice synthesis unit M15, and the character string information acquisition unit M17 have the same configuration as that of the first embodiment, the description below is omitted.

変更合成音声生成手段M21は、生成した合成音声の特徴量を変更し、変更した特徴量を有する合成音声を生成する。   The modified synthesized speech generation means M21 changes the feature amount of the generated synthesized speech and generates synthesized speech having the changed feature amount.

合成音声候補表示手段M23は、前記特徴量を変更した合成音声及び当該変更をする前の合成音声とを、合成音声候補として表示手段に表示する。また、合成音声候補表示手段M23は、表示した合成音声候補は入力手段によって選択可能なように構成する。合成音声候補表示手段M23は、前記特徴量が、音の高低及び速度により構成されている場合、前記合成音声候補を音の高低及び速度を2軸とした平面上に配置する。   The synthesized speech candidate display means M23 displays the synthesized speech in which the feature amount is changed and the synthesized speech before the change is made as a synthesized speech candidate on the display means. The synthesized speech candidate display means M23 is configured so that the displayed synthesized speech candidates can be selected by the input means. The synthesized speech candidate display means M23 arranges the synthesized speech candidate on a plane with the pitch and speed of the sound as two axes when the feature amount is constituted by the pitch and speed of the sound.

合成音声決定手段M25は、前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を合成音声と決定する。合成音声決定手段M25は、さらに、前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を再生し、再生した前記合成音声候補に対して合成音声情報として確定する確定情報を獲得すると、前記合成音声候補を合成音声と決定する。   When the synthesized speech determining unit M25 determines that any of the synthesized speech candidates displayed on the display unit is selected, the synthesized speech determining unit M25 determines the synthesized speech candidate as a synthesized speech. When the synthesized speech determination unit M25 further determines that any of the synthesized speech candidates displayed on the display unit is selected, the synthesized speech candidate is reproduced and confirmed as synthesized speech information for the reproduced synthesized speech candidate. When the confirmation information to be acquired is acquired, the synthesized speech candidate is determined as a synthesized speech.

これにより、複数の合成音声候補を提供することができる。よって、ユーザは、提供された合成音声候補から選択するという容易な操作で合成音声を得ることができる。また、音の高低又は/及び速度を変更した、合成音声候補を容易に得ることができる。さらに、ユーザは、提供される合成音声候補の相関関係を容易に把握することができる。よって、ユーザは、容易に合成音声候補から所望のもの選択することができる。さらに、ユーザは、合成音声候補の再生音を確認した上で、合成音声候補の選択を行うことができる。   Thereby, a plurality of synthesized speech candidates can be provided. Therefore, the user can obtain synthesized speech by an easy operation of selecting from the provided synthesized speech candidates. In addition, synthesized speech candidates can be easily obtained in which the pitch or / and speed of the sound is changed. Furthermore, the user can easily grasp the correlation between the provided synthesized speech candidates. Therefore, the user can easily select a desired one from the synthesized speech candidates. Furthermore, the user can select a synthesized speech candidate after confirming the reproduced sound of the synthesized speech candidate.

3. 音声合成装置51のハードウェア構成
本発明に係る音声合成装置である音声合成装置51のハードウェア構成は、実施例1におけるハードウェア構成(図3参照)と同様である。
3. Hardware Configuration of Speech Synthesizer 51 The hardware configuration of the speech synthesizer 51, which is a speech synthesizer according to the present invention, is the same as the hardware configuration (see FIG. 3) in the first embodiment.

4. データ
本発明に係る音声合成装置である音声合成装置51のデータは、実施例1におけるデータ(図4参照)と同様である。
4. Data The data of the speech synthesizer 51 which is the speech synthesizer according to the present invention is the same as the data in the first embodiment (see FIG. 4).

5. 音声合成装置51の動作
音声合成装置51のCPU211の動作の概要を図12を用いて説明する。図12におけるステップS501〜S519及びS521の処理については、実施例1の音声合成装置21のCPU211の動作と同様である。従って、以下においては、ステップS551、S553の処理を説明する。
5. Operation of Speech Synthesizer 51 An overview of the operation of the CPU 211 of the speech synthesizer 51 will be described with reference to FIG. The processing in steps S501 to S519 and S521 in FIG. 12 is the same as the operation of the CPU 211 of the speech synthesizer 21 of the first embodiment. Therefore, in the following, the processing of steps S551 and S553 will be described.

また、CPU211は、ステップS519の音声合成処理が終了すると、高さ・速度抽出処理(S551)を実行する。CPU211は、高さ・速度抽出処理(S551)が終了すると、合成音声候補提供処理(S553)を実行する。   In addition, when the speech synthesis process in step S519 ends, the CPU 211 executes a height / speed extraction process (S551). When the height / speed extraction process (S551) ends, the CPU 211 executes a synthesized speech candidate provision process (S553).

以降において、高さ・速度抽出処理(S551)及び合成音声候補提供処理(S553)を説明する。   Hereinafter, the height / speed extraction process (S551) and the synthesized speech candidate providing process (S553) will be described.

5.1. 高さ・速度抽出処理
CPU211が実行する高さ・速度抽出処理(図12:S551参照)を図13に示すフローチャートを用いて説明する。CPU211は、ステップS513で取得した音声情報における音節特徴量の一つである音の高低を高さ情報として取得する(S1001)。さらに、CPU211は、ステップS513で取得した音声情報における音節特徴量の一つである音声情報の速さを速度情報として算出する(S1003)。CPU211、算出した高さ情報及び速度情報を、メモリ212へ一時的に記憶保持する(S1005)。なお、高さ情報、速度情報を取得する際には、音声情報の周波数成分における音響に関する情報(音響情報)、韻律に関する情報(韻律情報)等を用いればよい。
5.1. Height / Speed Extraction Processing The height / speed extraction processing (see FIG. 12: S551) executed by the CPU 211 will be described with reference to the flowchart shown in FIG. The CPU 211 acquires, as height information, the pitch of a sound that is one of the syllable feature amounts in the audio information acquired in step S513 (S1001). Further, the CPU 211 calculates the speed of the voice information, which is one of the syllable feature amounts in the voice information acquired in step S513, as speed information (S1003). The CPU 211 temporarily stores and holds the calculated height information and speed information in the memory 212 (S1005). In addition, when acquiring height information and speed information, information relating to sound (acoustic information), information relating to prosody (prosodic information), and the like in frequency components of speech information may be used.

5.2. 合成音声候補提供処理
CPU211が実行する合成音声候補提供処理(図12:S553参照)を図14に示すフローチャートを用いて説明する。CPU211は、高さ・速度抽出処理S551(図12参照)より抽出した速度情報及び高さ情報をメモリ212から取得する(S1201)。CPU211は、合成音声情報の速度情報及び高さ情報の値を変更し、変更した特徴量を有する合成音声情報を生成する(S1203)。具体的には、予め合成音声を特徴付けるパラメータを設定しておき、また、当該パラメータの値に基づいたコスト値を基準コスト値として算出しておく。一方、ステップS1203で合成した合成音声情報の前記パラメータに対応する値に基づいたコスト値を合成コスト値として算出する。そして、基準コスト値と合成コスト値とを比較して、所定の条件に合致する合成コスト値を有する合成音声情報を生成する。なお、CPU211は、できるかぎり、複数の合成音声情報を生成する。
5.2. Synthetic Speech Candidate Providing Processing The synthetic speech candidate providing processing (see FIG. 12: S553) executed by the CPU 211 will be described using the flowchart shown in FIG. The CPU 211 acquires the speed information and the height information extracted from the height / speed extraction process S551 (see FIG. 12) from the memory 212 (S1201). The CPU 211 changes the values of the speed information and the height information of the synthesized voice information, and generates synthesized voice information having the changed feature amount (S1203). Specifically, a parameter characterizing the synthesized speech is set in advance, and a cost value based on the value of the parameter is calculated as a reference cost value. On the other hand, a cost value based on a value corresponding to the parameter of the synthesized speech information synthesized in step S1203 is calculated as a synthesized cost value. Then, the reference cost value and the synthesis cost value are compared, and synthesized speech information having a synthesis cost value that meets a predetermined condition is generated. Note that the CPU 211 generates a plurality of synthesized speech information as much as possible.

CPU211は、ステップS1203で生成した合成音声情報にステップS1105(図10参照)で生成した合成音声情報を加えて、合成音声候補情報とする(S1204)。そして、CPU211は、合成音声候補情報のそれぞれの速度情報の値及び高さ情報の値に基づいて、速度及び音の高さを2軸とした合成音声選択図に、各合成音声候補情報を配置する(S1205)。CPU211は、生成した合成音声選択図をディスプレイ216に表示する(S1207)。   The CPU 211 adds the synthesized speech information generated in step S1105 (see FIG. 10) to the synthesized speech information generated in step S1203 to obtain synthesized speech candidate information (S1204). Then, the CPU 211 arranges each piece of synthesized speech candidate information in a synthesized speech selection diagram with two axes of speed and pitch based on the values of the speed information and the height information of the synthesized speech candidate information. (S1205). The CPU 211 displays the generated synthesized speech selection diagram on the display 216 (S1207).

ディスプレイ216に表示される合成音声選択図を図15に示す。合成音声選択図には、音の高さを表す縦軸、音の速さを表す横軸によって構成される平面図が表示される。速度情報の値及び高さ情報の値に基づいて合成音声候補情報が特定され、合成音声選択図の平面図上に表示される。なお、縦軸と横軸との交点(原点)には、ステップS1105(図10参照)で合成された合成音声情報が配置される。合成音声選択図上に表示されている合成音声候補情報は、ユーザがマウス215等を用いて選択できるように構成されている。   A synthesized speech selection diagram displayed on the display 216 is shown in FIG. In the synthesized speech selection diagram, a plan view constituted by a vertical axis representing the pitch of the sound and a horizontal axis representing the speed of the sound is displayed. Based on the speed information value and the height information value, the synthesized speech candidate information is specified and displayed on the plan view of the synthesized speech selection diagram. Note that the synthesized speech information synthesized in step S1105 (see FIG. 10) is arranged at the intersection (origin) of the vertical axis and the horizontal axis. The synthesized speech candidate information displayed on the synthesized speech selection diagram is configured so that the user can select it using the mouse 215 or the like.

図14に戻って、CPU211は、決定ボタンB1301(図15参照)が選択されたか否かを判断する(S1209)。CPU211は、決定ボタンB1301が選択されておらず、一の合成音声候補情報が選択されたと判断すると(S1211)、選択された合成音声候補情報に対する音声をサウンド回路218を介してスピーカ218sから出力する(S1213)。   Returning to FIG. 14, the CPU 211 determines whether or not the determination button B1301 (see FIG. 15) has been selected (S1209). If the CPU 211 determines that the decision button B1301 has not been selected and one synthesized speech candidate information has been selected (S1211), the CPU 211 outputs the sound corresponding to the selected synthesized speech candidate information from the speaker 218s via the sound circuit 218. (S1213).

CPU211は、決定ボタンB1301が選択されたと判断すると、その時点で選択されている合成音声候補情報を合成音声情報と判断して、ハードディスク213へ記録する(S1215)。
When determining that the decision button B1301 has been selected, the CPU 211 determines that the synthesized speech candidate information selected at that time is synthesized speech information, and records it in the hard disk 213 (S1215).

[その他の実施例]
(1)音節アライメント処理
前述の実施例1においては、取得した音声情報のどの位置に音節の区切りがあるのかを判断する音節アライメント処理において、音節配列を構成する音節の標準的な継続時間を加算し、音声情報の継続時間との相関関係から、アクセント位置を判断した。しかし、音声情報のどの位置に音節の区切りがあるのかを判断できるのであれば例示のものに限定されない。例えば、隠れマルコフモデルを用いる音声認識技術等を利用して、音声情報のどの位置に音節の区切りがあるのかを判断するようにしてもよい。
[Other Examples]
(1) Syllable alignment processing In the first embodiment described above, in the syllable alignment processing for determining at which position of the acquired speech information the syllable alignment is present, the standard duration of syllables constituting the syllable array is added. Then, the accent position was determined from the correlation with the duration of the voice information. However, the present invention is not limited to the illustrated example as long as it can be determined at which position in the voice information the syllable break is present. For example, the position of the syllable break may be determined at a position in the speech information by using a speech recognition technique using a hidden Markov model.

(2)音節持続時間DB
前述の実施例1においては、[音節]列及び[持続時間]列からなる単純な音節持続時間DBを用いて、文字列情報を構成する仮名文字に対応する持続時間を取得した。しかし、実際には同じ音節であっても、先行、後続する音節や当該音節の発話フレーズ内での位置、発声の強弱によって持続時間は変化する。そのため、それらの条件を含むより複雑なデータベースであっても良い。さらに、データベースから当該音節の持続時間を取得するために単純なテーブル検索を用いるのではなく、確率モデルや決定木などを用いても良い。
(2) Syllable duration DB
In the above-described first embodiment, the duration corresponding to the kana characters constituting the character string information is acquired using the simple syllable duration DB including the [syllable] column and the [duration] column. However, even for the same syllable, the duration changes depending on the preceding and succeeding syllables, the position of the syllable in the utterance phrase, and the strength of the utterance. Therefore, a more complicated database including those conditions may be used. Further, instead of using a simple table search to obtain the duration of the syllable from the database, a probability model, a decision tree, or the like may be used.

(3)音声情報
前述の実施例1においては、音声情報をサウンド回路218及びマイクロフォン218mにより取得するとしたが、音声情報を得られるものであれば例示のものに限定されない。例えば、CD−ROM等の記録媒体を介して音声情報を取得するようにしてもよい。また、通信回線を介して音声情報を取得するようにしてもよい。
(3) Audio information In the first embodiment, the audio information is acquired by the sound circuit 218 and the microphone 218m. However, the audio information is not limited to the example as long as the audio information can be obtained. For example, audio information may be acquired via a recording medium such as a CD-ROM. Moreover, you may make it acquire audio | voice information via a communication line.

(4)文字列情報
前述の実施例1においては、文字列情報として日本語の仮名文字を例示したが、文字列であれば例示のものに限定されない。例えば、英語等の外国語であってもよい。
(4) Character String Information In the first embodiment, Japanese kana characters are exemplified as the character string information. However, the character string information is not limited to the illustrated example as long as it is a character string. For example, a foreign language such as English may be used.

(5)特徴量
前述の実施例2においては、合成音声候補情報を生成するにあたって、音の高さ及び速度を特徴量としたが、合成音声候補情報を生成できるものであれば、例示のものに限定されない。例えば、明るい、暗い等の音声の主観的な特徴を表現する情報であってもよい。
(5) Feature Amount In the above-described second embodiment, the pitch and speed of the sound are used as the feature amount when generating the synthesized speech candidate information. However, as long as the synthesized speech candidate information can be generated, it is illustrative. It is not limited to. For example, it may be information that expresses subjective features of voice such as bright and dark.

(6)合成音声候補情報
前述の実施例2においては、合成音声候補情報として合成を生成するにあたり、音声情報及び合成音声情報の音の高さ及び速度の値をパラメータの値として算出した基準コスト値、合成コスト値を用いることとしたが、合成音声候補情報を生成できるものであれば、例示の方法に限定されない。
(6) Synthetic Speech Candidate Information In the above-described second embodiment, when generating a synthesis as the synthesized speech candidate information, the reference cost calculated using the sound pitch and speed values of the speech information and the synthesized speech information as parameter values Although the value and the synthesis cost value are used, the present invention is not limited to the illustrated method as long as the synthesized speech candidate information can be generated.

また、基準コスト値を算出するにあたり、音声情報から取得した音の高さ及び速度を用いたが、例示のものに限定されない。例えば、予め設定されたパラメータの値を用いて、基準コスト値を算出するようにしてもよい。この場合、音声情報から音の高さ及び速度を抽出せずともよい。   Moreover, in calculating the reference cost value, the pitch and speed of the sound acquired from the voice information are used, but the reference cost value is not limited to the example. For example, the reference cost value may be calculated using a preset parameter value. In this case, the pitch and speed of the sound need not be extracted from the sound information.

(7)候補の表示
前述の実施例2においては、音の高さ及び速度を特徴量として、音の高さ及び速度を2軸とした合成音声選択図を生成したが、2種類の特徴量に限定されない。例えば、3種類、4種類の特徴量を選択するようにしてもよい。
(7) Candidate display In the above-described second embodiment, the synthesized speech selection diagram having the pitch and the pitch of the sound as the feature amount and the sound pitch and the velocity as the two axes is generated. It is not limited to. For example, three types and four types of feature amounts may be selected.

また、合成音声選択図は、合成音声候補情報を選択できるものであれば、例示の2軸表示のものに限定されない。例えば、3軸、4軸表示等であってもよい。   Further, the synthesized speech selection diagram is not limited to the example of biaxial display as long as the synthesized speech candidate information can be selected. For example, 3-axis, 4-axis display, etc. may be used.

さらに、合成音声選択図の縦軸と横軸との交点(原点)には、ステップS1105(図10参照)で合成された合成音声情報が配置されるとしたが、ユーザからステップS513で取得した音声情報を原点に表示するようにしてもよい。   Furthermore, the synthesized speech information synthesized in step S1105 (see FIG. 10) is arranged at the intersection (origin) between the vertical axis and the horizontal axis of the synthesized speech selection diagram, but it was acquired from the user in step S513. Audio information may be displayed at the origin.

(8)フローチャートにおける処理の順番
前述の実施例1及び実施例2においては、図に示した各フローチャートに基づいて、各処理を実現するようにした。しかし、各処理を実現できるものであれば、各フローチャート内における処理の順番は例示のものに限定されない。
(8) Order of processing in flowchart In the first and second embodiments, each processing is realized based on each flowchart shown in the figure. However, as long as each process can be realized, the order of the processes in each flowchart is not limited to the example.

本発明における音声合成装置の概要を示した図である。It is the figure which showed the outline | summary of the speech synthesizer in this invention. 実施例1における音声合成装置の機能ブロック図を示した図である。It is the figure which showed the functional block diagram of the speech synthesizer in Example 1. FIG. 音声合成装置21のハードウェア構成を示した図である。2 is a diagram illustrating a hardware configuration of a speech synthesizer 21. FIG. 音節持続時間DBのデータ構造を示した図である。It is the figure which showed the data structure of syllable duration DB. 音声合成装置21の動作を示したフローチャートである。3 is a flowchart showing the operation of the speech synthesizer 21. 文字列・音声情報取得画面D1を示した図である。It is the figure which showed the character string and audio | voice information acquisition screen D1. 音節アライメント処理を表したフローチャートである。It is a flowchart showing a syllable alignment process. 文字−音声対応テーブルを示した図である。It is the figure which showed the character-speech correspondence table. アクセント位置判断処理を示したフローチャートである。It is the flowchart which showed the accent position judgment process. 音声合成処理を示したフローチャートである。It is the flowchart which showed the speech synthesis process. 実施例2における音声合成装置の機能ブロック図を示した図である。It is the figure which showed the functional block diagram of the speech synthesizer in Example 2. FIG. 音声合成装置51の動作を示したフローチャートである。5 is a flowchart showing the operation of the speech synthesizer 51. 高さ・速度抽出処理を示したフローチャートである。It is the flowchart which showed the height and speed extraction process. 合成音声候補提供処理を示したフローチャートである。It is the flowchart which showed the synthetic speech candidate provision process. 合成音声選択図を示した図である。It is the figure which showed the synthetic | combination audio | voice selection figure. 従来の音声合成装置を説明するための図である。It is a figure for demonstrating the conventional speech synthesizer. 従来の音声合成装置を説明するための図である。It is a figure for demonstrating the conventional speech synthesizer.

符号の説明Explanation of symbols

21・・・・・音声合成装置
51・・・・・音声合成装置
M11・・・・・音声情報取得手段
M13・・・・・アクセント情報抽出手段
M15・・・・・音声合成手段
M17・・・・・文字列情報取得手段
M21・・・・・変更合成音声生成手段
M23・・・・・合成音声候補表示手段
M25・・・・・合成音声決定手段
21... Synthesizer 51... Speech synthesizer M 11... Speech information acquisition means M 13... Accent information extraction means M 15. ... Character string information acquisition means M21... Changed synthesized speech generation means M23... Synthetic speech candidate display means M25.

Claims (6)

文字列に対応した合成音声を生成する音声合成装置であって、
前記音声合成装置は、
ある文字列を表す文字列情報を取得する文字列情報取得手段、
ある音声を音声情報として取得する音声情報取得手段、
取得した音声情報から、当該音声情報が有するアクセントをアクセント情報として抽出するアクセント情報抽出手段、
前記アクセント情報及び前記文字列情報に基づいて、前記文字列に対応する合成音声であって、前記アクセントを有するものを生成する音声合成手段、
音の高低情報及び速度情報により構成される合成音声の特徴量を変更し、変更した特徴量を有する少なくとも1つの合成音声を生成する変更合成音声生成手段、
前記特徴量を変更した合成音声と当該変更をする前の合成音声とを、前記特徴量に基づいて、合成音声候補として音の高低及び速度を2軸とした平面上に配置して表示手段に表示する合成音声候補表示手段、
前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を合成音声と決定する合成音声決定手段、
を有する音声合成装置。
A speech synthesizer that generates synthesized speech corresponding to a character string,
The speech synthesizer
Character string information acquisition means for acquiring character string information representing a certain character string;
Voice information acquisition means for acquiring a certain voice as voice information;
From the acquired voice information, an accent information extracting means for extracting the accent of the voice information as accent information,
Based on the accent information and the character string information, synthesized speech corresponding to the character string, the voice synthesizing means for generating the accented sound,
Changed synthesized speech generation means for changing the feature amount of the synthesized speech composed of sound level information and speed information and generating at least one synthesized speech having the changed feature amount;
The synthesized speech in which the feature amount is changed and the synthesized speech before the change are arranged on a plane with two pitches of sound pitch and speed as a synthesized speech candidate based on the feature amount and displayed on the display unit. Synthetic speech candidate display means for displaying,
When it is determined that any of the synthesized speech candidates displayed on the display unit is selected, a synthesized speech determination unit that determines the synthesized speech candidate as a synthesized speech;
A speech synthesizer.
文字列に対応した合成音声を生成する音声合成プログラムであって、
前記音声合成プログラムは、
コンピュータを、
ある文字列を表す文字列情報を取得する文字列情報取得手段、
ある音声を音声情報として取得する音声情報取得手段、
取得した音声情報から、当該音声情報が有するアクセントをアクセント情報として抽出するアクセント情報抽出手段、
前記アクセント情報及び前記文字列情報に基づいて、前記文字列に対応する合成音声であって、前記アクセントを有するものを生成する音声合成手段、
音の高低情報及び速度情報により構成される合成音声の特徴量を変更し、変更した特徴量を有する少なくとも1つの合成音声を生成する変更合成音声生成手段、
前記特徴量を変更した合成音声と当該変更をする前の合成音声とを、前記特徴量に基づいて、合成音声候補として音の高低及び速度を2軸とした平面上に配置して表示手段に表示する合成音声候補表示手段、
前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を合成音声と決定する合成音声決定手段、
として機能させる音声合成プログラム。
A speech synthesis program that generates synthesized speech corresponding to a character string,
The speech synthesis program is
Computer
Character string information acquisition means for acquiring character string information representing a certain character string;
Voice information acquisition means for acquiring a certain voice as voice information;
From the acquired voice information, an accent information extracting means for extracting the accent of the voice information as accent information,
Based on the accent information and the character string information, synthesized speech corresponding to the character string, the voice synthesizing means for generating the accented sound,
Changed synthesized speech generation means for changing the feature amount of the synthesized speech composed of sound level information and speed information and generating at least one synthesized speech having the changed feature amount;
The synthesized speech in which the feature amount is changed and the synthesized speech before the change are arranged on a plane with two pitches of sound pitch and speed as a synthesized speech candidate based on the feature amount and displayed on the display unit. Synthetic speech candidate display means for displaying,
When it is determined that any of the synthesized speech candidates displayed on the display unit is selected, a synthesized speech determination unit that determines the synthesized speech candidate as a synthesized speech;
Speech synthesis program to function as.
請求項1に係る音声合成装置又は請求項2に係る音声合成プログラムにおいて、
前記アクセント情報抽出手段は、さらに、
取得した音声情報の基本周波数の時間的変化を表す基本周波数関数を用いて、前記アクセント情報を抽出すること、
を特徴とするもの。
In the speech synthesis apparatus according to claim 1 or the speech synthesis program according to claim 2,
The accent information extracting means further includes:
Extracting the accent information using a fundamental frequency function representing a temporal change in the fundamental frequency of the acquired voice information;
It is characterized by.
請求項3に係る音声合成装置又は音声合成プログラムのいずれかにおいて、さらに、
前記アクセント情報抽出手段は、さらに、
取得した文字列情報が表す文字列と前記音声情報とを対応付けて、当該文字列を構成する音節のうち、どの音節にアクセントが存在するのかを判断し、アクセントが存在すると判断した音節を前記アクセント情報として抽出し、
前記音声合成手段は、さらに、
前記文字列情報における文字列に対応した合成音声であって、アクセントが存在すると判断した音節にアクセントを有するものを生成すること、
を特徴とするもの。
In any of the speech synthesizer or the speech synthesis program according to claim 3,
The accent information extracting means further includes:
By associating the character string represented by the acquired character string information with the speech information, it is determined which syllable has an accent among the syllables constituting the character string, and the syllable that the accent has been determined is Extract as accent information,
The speech synthesis means further includes:
Generating synthesized speech corresponding to a character string in the character string information, wherein the syllable is determined to have an accent,
It is characterized by.
請求項1〜請求項4に係る音声合成装置又は音声合成プログラムのいずれかにおいて、
前記合成音声決定手段は、さらに、
前記表示手段に表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を再生し、再生した前記合成音声候補に対して合成音声情報として確定する確定情報を獲得すると、前記合成音声候補を合成音声と決定すること、
を特徴とするもの。
In any one of the speech synthesizer or the speech synthesis program according to claims 1 to 4 ,
The synthesized speech determination means further includes:
When it is determined that one of the synthesized speech candidates displayed on the display means is selected, the synthesized speech candidate is reproduced, and when the confirmed information to be confirmed as synthesized speech information for the reproduced synthesized speech candidate is acquired, the synthesis is performed. Determining speech candidates as synthesized speech;
It is characterized by.
文字列に対応した合成音声をコンピュータを用いて生成する合成音声生成方法であって、
コンピュータが、ある文字列を表す文字列情報を取得し、
コンピュータが、ある音声を音声情報として取得し、
コンピュータが、取得した音声情報から、当該音声情報が有するアクセントをアクセント情報として抽出し、
コンピュータが、前記アクセント情報及び前記文字列情報に基づいて、前記文字列に対応する合成音声であって、前記アクセントを有するものを生成し、
コンピュータが、音の高低情報及び速度情報により構成される合成音声の特徴量を変更し、変更した特徴量を有する少なくとも1つの合成音声を生成し、
コンピュータが、前記特徴量を変更した合成音声と当該変更をする前の合成音声とを、前記特徴量に基づいて、合成音声候補として音の高低及び速度を2軸とした平面上に配置して表示し、
コンピュータが、表示した合成音声候補のいずれかが選択されたと判断すると、当該合成音声候補を合成音声と決定する合成音声生成方法。
A synthetic speech generation method for generating synthetic speech corresponding to a character string using a computer,
The computer obtains character string information representing a certain character string,
The computer acquires a certain voice as voice information,
The computer extracts the accent that the audio information has from the acquired audio information as accent information,
Based on the accent information and the character string information, the computer generates a synthesized speech corresponding to the character string and having the accent,
A computer changes a feature amount of the synthesized speech constituted by sound level information and speed information, and generates at least one synthesized speech having the changed feature amount;
The computer arranges the synthesized speech in which the feature amount is changed and the synthesized speech before the change is made on a plane having two axes of the pitch and speed of the sound as a synthesized speech candidate based on the feature amount. Display
When the computer determines that one of the displayed synthesized speech candidates is selected, the synthesized speech generation method determines the synthesized speech candidate as a synthesized speech .
JP2007021048A 2007-01-31 2007-01-31 Speech synthesizer Active JP4856560B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2007021048A JP4856560B2 (en) 2007-01-31 2007-01-31 Speech synthesizer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007021048A JP4856560B2 (en) 2007-01-31 2007-01-31 Speech synthesizer

Publications (2)

Publication Number Publication Date
JP2008185911A JP2008185911A (en) 2008-08-14
JP4856560B2 true JP4856560B2 (en) 2012-01-18

Family

ID=39728986

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007021048A Active JP4856560B2 (en) 2007-01-31 2007-01-31 Speech synthesizer

Country Status (1)

Country Link
JP (1) JP4856560B2 (en)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010048959A (en) * 2008-08-20 2010-03-04 Denso Corp Speech output system and onboard device
JP5166369B2 (en) * 2009-07-22 2013-03-21 株式会社東芝 Accent information extracting device, accent information extracting method, and accent information extracting program
JP5328703B2 (en) * 2010-03-23 2013-10-30 三菱電機株式会社 Prosody pattern generator
JP5754141B2 (en) * 2011-01-13 2015-07-29 富士通株式会社 Speech synthesis apparatus and speech synthesis program
JP6263868B2 (en) * 2013-06-17 2018-01-24 富士通株式会社 Audio processing apparatus, audio processing method, and audio processing program
JP2015132777A (en) * 2014-01-15 2015-07-23 富士通株式会社 Voice processing device, voice processing method, and voice processing program

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05100692A (en) * 1991-05-31 1993-04-23 Oki Electric Ind Co Ltd Voice synthesizer
JPH0756589A (en) * 1993-08-23 1995-03-03 Nippon Telegr & Teleph Corp <Ntt> Voice synthesis method
JPH11175082A (en) * 1997-12-10 1999-07-02 Toshiba Corp Voice interaction device and voice synthesizing method for voice interaction
JPH11259094A (en) * 1998-03-10 1999-09-24 Hitachi Ltd Regular speech synthesis device
JP4462658B2 (en) * 1998-06-08 2010-05-12 ブラザー工業株式会社 Speech synthesizer and storage medium
JP2000267687A (en) * 1999-03-19 2000-09-29 Mitsubishi Electric Corp Audio response apparatus
JP2002258885A (en) * 2001-02-27 2002-09-11 Sharp Corp Device for combining text voices, and program recording medium
JP2004246219A (en) * 2003-02-17 2004-09-02 Yokogawa Electric Corp Optical modulator
JP2005037423A (en) * 2003-07-15 2005-02-10 Alpine Electronics Inc Speech output device
JP2005241789A (en) * 2004-02-25 2005-09-08 Advanced Telecommunication Research Institute International Piece splicing type voice synthesizer, method, and method of creating voice piece data base
JP2006309162A (en) * 2005-03-29 2006-11-09 Toshiba Corp Pitch pattern generating method and apparatus, and program
WO2007010680A1 (en) * 2005-07-20 2007-01-25 Matsushita Electric Industrial Co., Ltd. Voice tone variation portion locating device

Also Published As

Publication number Publication date
JP2008185911A (en) 2008-08-14

Similar Documents

Publication Publication Date Title
US8219398B2 (en) Computerized speech synthesizer for synthesizing speech from text
US8504368B2 (en) Synthetic speech text-input device and program
JP2001034283A (en) Voice synthesizing method, voice synthesizer and computer readable medium recorded with voice synthesis program
JP4856560B2 (en) Speech synthesizer
US20100066742A1 (en) Stylized prosody for speech synthesis-based applications
JP2006227589A (en) Device and method for speech synthesis
US20090281808A1 (en) Voice data creation system, program, semiconductor integrated circuit device, and method for producing semiconductor integrated circuit device
KR20170057623A (en) An apparatus for the linguistically disabled to synthesize the pronunciation and the script of words of a plural of designated languages
JP6013104B2 (en) Speech synthesis method, apparatus, and program
JP4639932B2 (en) Speech synthesizer
JP5079718B2 (en) Foreign language learning support system and program
JP2007212884A (en) Speech synthesizer, speech synthesizing method, and computer program
JP6436806B2 (en) Speech synthesis data creation method and speech synthesis data creation device
JP2009133890A (en) Voice synthesizing device and method
JP4964695B2 (en) Speech synthesis apparatus, speech synthesis method, and program
JP2006349787A (en) Method and device for synthesizing voices
JP2009042509A (en) Accent information extractor and method thereof
JP5098932B2 (en) Lyric data display device, lyrics data display method, and lyrics data display program
JP6340839B2 (en) Speech synthesizer, synthesized speech editing method, and synthesized speech editing computer program
JP4622356B2 (en) Script generator for speech synthesis and script generation program for speech synthesis
JP6299141B2 (en) Musical sound information generating apparatus and musical sound information generating method
JP2005181998A (en) Speech synthesizer and speech synthesizing method
JP2011191528A (en) Rhythm creation device and rhythm creation method
JP2004258561A (en) Program and device for inputting data for singing synthesis
JP2011180368A (en) Synthesized voice correction device and synthesized voice correction method

Legal Events

Date Code Title Description
RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20080630

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100126

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20110805

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110916

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20111017

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20111028

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20141104

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

Ref document number: 4856560

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250