JP5029167B2 - 音声読み上げのための装置、プログラム及び方法 - Google Patents

Description

本発明は、文書等の表音文字を含む文字データを音声に変換して出力する音声読み上げのための装置、プログラム及び方法に関し、音素長を読み上げ速度に応じて制御し、特に、高速読み上げ等、読み上げ速度に応じて特定の音素長等を伸縮させる音声読み上げのための装置、プログラム及び方法に関する。

表音文字を含む文字データを解析し、その文字データから音声合成法により音声合成を行い、文字データを音声として出力する所謂音声読み上げの技術が知られている。携帯電話機等の携帯端末装置にあっては、メール等の自由文章を読み上げる音声合成機能が普及し始めている。また、パーソナルコンピュータ（ＰＣ）にあっては、スクリーンリーダと呼ばれるソフトウェアが普及し始めている。文章の内容を音声により理解する場合には、聴覚に作用する母音、子音、ポーズ等を表す音素の長さが認識性を高める上で重要なファクターとなる。

このような音声読み上げに関し、特許文献１には、発話速度情報が予め定められた値未満のときは、発話速度をその情報に基づいて標準より速くするため、モーラ長を最小限に設定し、発話速度情報に応じた短いフレーム周期を設定し、発話速度情報が予め定められた値以上のときは、発話速度をその情報に基づいて標準より遅くするため、発話速度情報に応じた長いモーラ長を設定し、フレーム周期を最大値に設定する音声合成が開示されている。
特開平６−１４９２８３号公報（要約及び図１等）

ところで、読み上げ速度（話速）を設定可能にした場合、話速に反比例して各音素長が設定されるものとする。例えば、話速を２倍の速さとすれば、その音素長は１／２となり、話速を１／２に遅くすれば、音素長は２倍となる。このように話速と音素長との関係を単純な関係に設定し、即ち、話速と音素長とを単純に反比例とすれば、通常の話速では自然な場合（聴き取り易い場合）であっても、高速読みや低速読みの場合には、聞き取り難く、違和感があり、認識性を低下させる場合がある。

斯かる要求や課題について、特許文献１にはその開示や示唆はなく、それを解決する構成等についての開示や示唆はない。

そこで、本発明の目的は、文字データの音声読み上げに関し、音素長の調整によって音声読み上げの認識性を高めることにある。

斯かる目的は、文字データのポーズ直後の音素又はその他の音素等に対する認識性が読み上げ速度に応じて影響を受けるとの知見に基づくものである。

斯かる目的を具体的に述べれば、文字データの音声読み上げに関し、聴感上、読み上げられる音声の聞き取り易さを向上させることにある。

上記目的を達成するため、本発明は、文字データを音声に変換して読み上げる装置、プログラム及び方法に関し、文字データからポーズの存在を認識し、ポーズ直後の前記音素が持つ音素長を制御する。この音素長の制御は例えば、読み上げ速度に応じて実行し、前記読み上げ速度が高速の場合にはポーズ直後の音素が持つ音素長を伸長させ、また、特定の音素についてはその音素が持つ音素長を短縮させ又は基準速度と同一の音素長にする構成である。斯かる構成により、聴感上、読み上げられる音声の聞き取り易さが向上し、音声読み上げの認識性を高めている。

そこで、上記目的を達成するため、本発明の第１の側面は、文字データを音声に変換して読み上げる音声読み上げ装置であって、前記文字データから音素の種類を判定する音素判定部と、音素の読み上げ速度を判定する速度判定部と、音素に読み上げ速度に応じた音素長を設定し、前記読み上げ速度の判定結果が高速の場合には、前記音素判定結果が前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する音素長調整部とを備える構成である。

斯かる構成によれば、文字データ、表音文字列から音素の種類を判別し、読み上げ速度に応じた音素長を設定するとともに、ポーズ直後の音素の音素長をポーズ直後の音素以外の音素の音素長よりも長く伸長するするので、読み上げ速度が高速になっても、聞き取り難さがなく、また、音切れ等の違和感を生じさせることがなく、音声の認識性が高められる。

上記目的を達成するためには、上記音声読み上げ装置において、好ましくは、呼気段落の長さを演算する呼気段落演算部を備え、前記音素長調整部は、前記音素長の調整分を前記呼気段落演算部の演算結果に基づき、前記呼気段落の各音素長を比例配分して増減させる構成としてもよい。斯かる構成によれば、音素長の調整分を呼気段落を単位に他の音素長の調整で増減して補完するので、読み上げ時間の間延びを防止できる。

上記目的を達成するためには、上記音声読み上げ装置において、好ましくは、読み上げ文章の長さを演算する文章演算部を備え、前記音素長調整部は、前記音素長の調整分を前記文章演算部の演算結果に基づき、前記文章の各音素長を比例配分して増減させる構成としてもよい。斯かる構成によれば、音素長の調整分を文章を単位に他の音素長の調整で増減して補完するので、読み上げ時間の間延びや再生時間の延びを防止できる。

上記目的を達成するためには、上記音声読み上げ装置において、好ましくは、前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じた長さより短縮する構成としてもよい。斯かる構成によれば、ポーズが存在するための間延び感を抑制でき、再生時間が延びることを防止できる。

上記目的を達成するためには、上記音声読み上げ装置において、好ましくは、前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除する構成としてもよい。斯かる構成によれば、ポーズの削除により、聞き取り易さを損なうことなく、再生時間の短縮を図ることができる。

上記目的を達成するためには、上記音声読み上げ装置において、好ましくは、前記音素長調整部は、前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する構成としてもよい。斯かる構成によれば、音素長の伸長に対応してポーズ長を含む他の音素長を短縮するので、聞き取り易さを損なうことなく、再生時間の短縮を図ることができる。

上記目的を達成するため、本発明の第２の側面は、文字データを音声に変換して読み上げる手順をコンピュータに実行させる音声読み上げプログラムであって、前記文字データから音素の種類を判定する手順と、音素の読み上げ速度を判定する手順と、音素に読み上げ速度に応じた音素長を設定する手順と、読み上げ速度が高速である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する手順とを前記コンピュータに実行させる構成である。斯かる構成によれば、第１の側面で述べた通り、上記目的を達成することができる。

上記目的を達成するため、本発明の第３の側面は、文字データを音声に変換して読み上げる音声読み上げ方法であって、前記文字データから音素の種類を判定する工程と、音素の読み上げ速度を判定する工程と、音素に読み上げ速度に応じた音素長を設定する工程と、読み上げ速度が高速である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する工程とを備える構成である。斯かる構成によれば、第１の側面で述べた通り、上記目的を達成することができる。
また、上記目的を達成するため、本発明の本発明の第４の側面は、文字データを音声に変換して読み上げる音声読み上げ装置であって、前記文字データから音素の種類を判定する音素判定部と、音素の読み上げ速度を判定する速度判定部と、音素に読み上げに応じた音素長を設定し、前記読み上げ速度の判定結果が標準的な話速よりも速い速度の場合には、前記音素判定結果が前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する音素長調整部とを備える構成である。斯かる構成によれば、第１の側面で述べた通り、上記目的を達成することができる。
また、上記目的を達成するため、本発明の本発明の第５の側面は、文字データを音声に変換して読み上げる手順をコンピュータに実行させる音声読み上げプログラムであって、前記文字データから音素の種類を判定する手順と、音素の読み上げ速度を判定する手順と、音素に読み上げ速度に応じた音素長を設定する手順と、読み上げ速度が標準的な話速よりも速い速度である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する手順とを前記コンピュータに実行させる構成である。斯かる構成によれば、第１の側面で述べた通り、上記目的を達成することができる。

本発明によれば、次のような効果が得られる。

(1) 文字データを音声に変換して読み上げる音素について、ポーズ直後の話頭の音素長を伸長させるので、聞き取り易くでき、認識性を高めることができる。

(2) 話頭の音素長を伸長すれば、一定比率で音素長を削減する場合に比較して聞き取り易くできる。

(3) 摩擦音の音素長を伸長すれば、聞き取り易くでき、認識性を高めることができる。

(4) 特定の音素長を伸長した場合、その音素長の伸長に対し、その伸長分に応じて他の音素の音素長を短縮すれば、読み上げ速度を高速化しても、聞き取り易さが損なわれることがなく、再生時間も短縮できる。

(5) 特定の音素長を伸長した場合、その音素長の伸長に対し、その伸長分に応じて一部又は全部のポーズ長を短縮し、又は、削除すれば、読み上げ速度を高速化しても、聞き取り易さが損なわれることがなく、再生時間も短縮できる。

そして、本発明の他の目的、特徴及び利点は、添付図面及び各実施の形態を参照することにより、一層明確になるであろう。

〔第１の実施の形態〕

本発明の第１の実施の形態について、図１及び図２を参照する。図１は、音声読み上げ装置の構成例を示すブロック図、図２は、音声読み上げ装置の音素長制御部の構成例を示すブロック図である。

この音声読み上げ装置２は、本発明の音声読み上げのための装置、プログラム及び方法の構成例であって、コンピュータで構成され、例えば、テキスト文章（日本語では漢字かな混じり文）等、文字データを音声に変換して読み上げる音声合成装置で構成され、文字データ中のポーズ直後の音素が持つ音素長を話速（読み上げ速度）に応じて制御することにより、文字データから得た出力音声の聞き易さを高め、合成音声（読み上げ出力）の認識性を向上させたものである。ここで、文字データは音声読み上げの対象であって、表音文字、その文字列、ポーズを含むデータであり、表音文字又はその表音文字列は、音声合成で使用する韻律記号付き発音記号からなる中間言語であって、韻律記号付きの発音記号（読み仮名）である。文字データに含まれるポーズは、音声に変換されない区間等の無音区間であって、ポーズ直後の音素が持つ音素長の制御情報としては破裂音の直前の休止期間や促音は除かれる。例えば、「卒業して、信用金庫に・・・」（ローマ字表記：ｓｏ ｔｓｕｇｙｏｕｓｈｉ ｔｅ、 ｓｈｉｎｙｏｕ ｋｉｎ ｋｏｎｉ・・・）といった日本語文章では、「卒業して」と、「信用金庫」との間に、無音区間となる句点「、」が存在し、これがポーズの一例である。また、このポーズと呼気段落との関係について、呼気段落は人間が一息に発声する単位であり、この呼気段落の前後の息継ぎには既述のポーズが入ることになる。

斯かる機能を実現するため、この音声読み上げ装置２では、図１に示すように、言語処理部４と、単語辞書６と、パラメータ生成部８と、ピッチ切出し・重合せ部１０と、波形辞書１２とが備えられている。

言語処理部４は、漢字かな混じり文を入力して、単語辞書６を参照して単語を解析し、読み、アクセント、イントネーションを決定し、表音文字列（中間言語）を出力する言語処理手段である。また、単語辞書６には、単語の種類（品詞等）と読みや、アクセントの位置等が格納されている。

アクセントと、イントネーションとは、物理的にはピッチ周波数の時間的変化パターンと密接に関係している。具体的には、アクセント位置でピッチ周波数は高くなり、イントネーションが上がると、ピッチ周波数が高くなる。そこで、言語処理部４では、入力テキストでの句読点や、単語解析によって抽出された文節に基づいて、既述の呼気段落に分割する。

パラメータ生成部８は、音素継続時間、ポーズ継続時間やピッチ周波数パターンの設定を行うパラメータ生成手段である。このパラメータ生成部８では、話速に応じて音素長の制御を行っている。

このパラメータ生成部８には、音素長設定部１４と、音素長テーブル１６と、音素長制御部１８と、ピッチパターン生成部２０とが備えられている。

言語処理部４で生成された表音文字列の段階において、どの音素を音声合成するかが決定される。音素長設定部１４では、各音素についての音素長設定手段であって、標準的な話速における音素長が設定される。音素長テーブル１６は、当該音素と前後の音素に応じた標準的な話速における音素長を格納する手段である。そこで、音素長の設定例としては、当該音素と前後の音素に応じた標準的な話速における音素長（データベースから抽出した値）を音素長テーブル１６に格納しておき、この値を参照して音素長が設定される。この音素長は、他のパラメータ要素を以て修正する構成としてもよい。

音素長制御部１８は、音素長設定部１４で設定された標準的な話速での音素長を話速に応じて制御する音素長制御手段である。話速は、図示しない読み上げ速度（ユーザ設定等）の調整手段等から制御情報として音素長制御部１８に加えられる。

音素長制御部１８には、図２に示すように、音素長調整部２４と、話速判定部２６と、音素判定部２８とが含まれる。音素長調整部２４は、話速判定部２６及び音素判定部２８の各判定出力を受け、音素の長さやポーズの長さを調整する。話速判定部２６は、入力された話速を判定し、その話速が標準速度、高速又は低速の何れであるかを判定し、その判定出力を音素長調整部２４に加える。この場合、話速判定部２６の出力する判定出力には、標準速度、高速又は低速を表す出力、その話速レベルを表す出力が含まれる。また、音素判定部２８は、音素長設定部１４（図１）で設定された音素長を持つ音素やポーズ等を判定し、その判定出力を音素長調整部２４に加える。

そこで、このような音素長制御部１８によれば、例えば、標準的な話速に対する所定の話速に反比例した音素長とし、具体的な数値を例示すれば、標準的な話速を毎秒７モーラを目安とした場合、毎秒１４モーラの話速が設定されていれば、各音素長を半分にし、毎秒６モーラの話速が設定されていれば、７／６の音素長とする。ここで、モーラとは、拍を表し、概ね仮名書きしたときの一文字相当の単位であって、拗音（小さい「ゃ」「ゅ」「ょ」）「きゃ」等は１モーラである。日本語の場合、一文字のモーラが類似の長さを持つ言語である。

ピッチパターン生成部２０は、表音文字列でのアクセント情報等を加味して、各音素でのピッチ周期を設定するパターン生成手段である。

ピッチ切出し・重合せ部１０は例えば、ＰＳＯＬＡ法（Pitch-Synchronous Overlap- add：波形の加算重畳によるピッチ変換方法）を使用するピッチ切出し・重合せ手段である。また、波形辞書１２には音声波形と、どの部分がどの音素かを示す音素ラベル、有声音についてピッチ周期を示すピッチマークが格納されている。そこで、ピッチ切出し・重合せ部１０では、パラメータ生成部８で生成されたパラメータを元に波形辞書１２から２周期分の音声波形を切り出し、窓関数（例えばハニング窓）を掛け、必要に応じて振幅調整のゲインを掛ける処理を実行し、波形辞書１２でのピッチ周波数と所望のピッチ周波数が違えばピッチ変換し、切り出された波形をオーバーラップさせて加算することにより、合成音声信号が出力される。

この音声読み上げ装置のハードウェアについて、図３、図４及び図５を参照する。図３は、音声読み上げ装置を搭載した携帯端末装置の一例を示すブロック図、図４は、携帯端末装置の構成例を示す図、図５は、画面表示例を示す図である。

この携帯端末装置２００は、既述の音声読み上げ装置２が適用された一例であって、斯かる構成に本発明の音声読み上げのための装置、方法又はプログラムが限定されるものではない。この携帯端末装置２００では、通信機能や、メール文等のテキスト文章（日本語では漢字かな混じり文）等、文字データを音声に変換して出力する機能を有する。そこで、この携帯端末装置２００には、図３に示すように、プロセッサ２０２と、記憶部２０４と、無線部２０６と、入力部２０８と、表示部２１０と、音声入力部２１２と、音声出力部２１４とが備えられている。

プロセッサ２０２は、電話通信や、音声合成等の音声読み上げの実行、その他の制御を行う制御手段であって、ＣＰＵ（Central Processing Unit ）又はＭＰＵ（Micro Processor Unit）で構成され、記憶部２０４にあるＯＳ（Operating System）やアプリケーションプログラムを実行する。このアプリケーションプログラムには音声読み上げの処理手順を実行するプログラム等が含まれる。

記憶部２０４はプロセッサ２０２で実行されるプログラムや、その実行に用いる各種データを格納するとともに、処理エリアを形成する記録媒体であって、プログラム記憶部２１６、データ記憶部２１８、ＲＡＭ（Random-Access Memory）２２０で構成されている。プログラム記憶部２１６にはＯＳやアプリケーションプログラムが格納され、データ記憶部２１８には単語辞書６、波形辞書１２及び音素長テーブル１６（図１）が形成され、既述のデータが格納されている。ＲＡＭ２２０は、ワークエリアを構成する。

無線部２０６は基地局と無線によって音声信号電波やパケット信号電波等の送受信を行うための無線通信手段であって、プロセッサ２０２によって制御される。

入力部２０８はユーザの操作により制御データや表示部２１０に展開されるダイアログに対する応答を入力するための手段であって、キーボードやタッチパネル等で構成される。

表示部２１０はプロセッサ２０２によって制御され、文字や図形等を表示する表示手段であって、例えば、ＬＣＤ（Liquid Crystal Display）素子で構成される。この表示部２１０には音声読み上げのテキスト文章等が表示される。

音声入力部２１２はプロセッサ２０２で制御される音声入力手段であって、マイクロフォン２２２を備える。入力音声はマイクロフォン２２２で音声信号に変換され、その音声信号がディジタル信号に変換されてプロセッサ２０２に取り込まれる。

音声出力部２１４はプロセッサ２０２で制御される音声出力手段であって、音声変換手段としてレシーバ２２４と、スピーカ２２６Ｒ、２２６Ｌとを備えている。音声読み上げの合成音声は、これらレシーバ２２４、スピーカ２２６Ｒ、２２６Ｌから再生される。

この携帯端末装置２００において、既述の音声読み上げ装置２は例えば、プロセッサ２０２、記憶部２０４、表示部２１０、音声出力部２１４等で構成される。

そして、この携帯端末装置２００は、図４に示すように、一例として筐体２２８に第１の筐体部２３０と、第２の筐体部２３２とが含まれ、これら筐体部２３０、２３２はヒンジ部２３４で連結して折畳み可能に構成され、筐体部２３０には入力部２０８、マイクロフォン２２２が配置され、筐体部２３２には表示部２１０、レシーバ２２４、スピーカ２２６Ｒ、２２６Ｌが設置されている。入力部２０８には文字等の入力に用いる複数の記号キー２３６、カーソルキー２３８、決定キー２４０等が配置されている。

そこで、この携帯端末装置２００による音声読み上げでは、メール文や小説文等の各種のテキスト文が対象となり、表示部２１０の画面上に展開される文章等が音声合成されてレシーバ２２４やスピーカ２２６Ｒ、２２６Ｌから再生される。その場合、図５に示すように、表示部２１０に展開されたメール文表示画面２４２にはメール文が表示され、このメール文が音声として出力される。この例では、メール文表示画面２４２に「山梨県の 高校を 卒業して、信用金庫に 入って ４年目 です。」と表示されており、これが音声として再生される。

次に、音素長の制御について、図６を参照する。図６は、第１の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのためのプログラム又は方法の一例であって、第１の実施の形態では、高速読み上げの際にポーズの直後の音素即ち、話頭か否かを判断し、話頭の音素であれば、その音素長を制御する手順又は工程として話頭の音素を伸長させる手順又は工程を含んでいる。この処理手順は、音声読み上げ装置２（図１）の音素長制御部１８（図２）で実行される。この実施の形態では、話頭（呼気段落単位での先頭音素）は、話速に応じての修正後、音素長を他の音素長の例えば、１．５〔倍〕にすることで、聞き取り易さを高めている。

そこで、この処理手順は、図６に示すように、言語処理（ステップＳ１０１）、音素長設定処理（ステップＳ１０２）を実行する。言語処理（ステップＳ１０１）は、言語処理部４において実行され、入力データから表音文字列を生成し、この段階でどの音素を音声合成するかが決定される。次に、音素長設定処理（ステップＳ１０２）は、音素長設定部１４において実行され、各音素について、標準的な話速における音素長が設定される。この場合、音素長は、当該音素と前後の音素に応じた標準的な話速における音素長が音素長テーブル１６を参照して設定される。

このような音素長の設定処理の後、呼気段落内の音素についての処理として、音素番号ｎを初期化（ｎ＝１）し（ステップＳ１０３）、話速に応じた音素長の制御を行う（ステップＳ１０４〜Ｓ１１０）。この音素長の制御は呼気段落を単位として実行され、ステップＳ１０５〜Ｓ１０９が呼気段落の音素処理のループである。この音素長の制御には、制御対象である音素の判定処理、その判定結果に対応した音素長の調整処理が含まれる。

音素長制御部１８では、入力された話速情報が認識に基づき、その話速に応じて音素長が制御され、この場合、固定倍の音素長が設定され（ステップＳ１０４）、設定された話速が高速読み、かつ先頭音素（ｎ＝＝１）であるか否かが判定される（ステップＳ１０５）。即ち、この判定処理では、ポーズ直後（話頭）の音素が持つ音素長が調整対象として特定されることになる。

話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ１０５のＹｅｓ）、その音素長が所定倍として例えば、１．５〔倍〕に設定、即ち、調整され（ステップＳ１０６）、また、話速が高速読みかつ先頭音素（ｎ＝＝１）でなければ（ステップＳ１０５のＮｏ）、その音素長を調整しない。このような調整又は無調整の後、音素番号ｎの更新（ｎ＝ｎ＋１）を行い（ステップＳ１０７）、呼気段落内の音素は終了したか、即ち、呼気段落内の音素番号ｎが音素数ｎに到達したか否かが判定され（ステップＳ１０８）、呼気段落内の全ての音素についての処理が実行される。

呼気段落内の音素の処理が行われ、呼気段落の終端のポーズに到達した場合には、そのポーズ長を話速に応じて固定倍とし（ステップＳ１０９）、終了判定が行われる（ステップＳ１１０）。この終了判定では、入力データの全データの処理が完了したか否かが判定され（ステップＳ１１０）、全てのデータの処理が完了するまで、ステップＳ１０３からステップＳ１１０の処理が繰り返される。この終了判定の後、音声合成が実行され（ステップＳ１１１）、音声が出力される。

このように、呼気段落単位での先頭音素が話速に応じて修正され、高速読み上げの際にポーズ直後の音素の音素長を既述のように、その一例として１．５〔倍〕に調整することにより、高速読み上げによる不明瞭感が解消されて聞き取り易くなり、音声に変換された読み上げ文の認識性を向上させることができる。

〔第２の実施の形態〕

次に、第２の実施の形態について、図７を参照する。図７は、第２の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この第２の実施の形態では、第１の実施の形態の音素長の調整に加え、音素が摩擦音であるか否かの判定を行い、高速読み上げの際に、判定された摩擦音の音素長の調整として音素長を伸長させ、音声読み上げのトータル再生時間を極端に延長させることなく、聞き取り易さを高めている。

この第２の実施の形態では、音素長を伸張すべき音素を特定するため、音素判定部２８（図２）において、摩擦音であるか否かを判定し、その判定に基づき、摩擦音の音素長の伸長処理を実行している。

そこで、この処理手順では、図７に示すように、言語処理（ステップＳ２０１）、音素長設定処理（ステップＳ２０２）を実行する。これら言語処理（ステップＳ２０１）及び音素長設定処理（ステップＳ２０２）の後、呼気段落内の音素の処理として、音素番号ｎを初期化（ｎ＝１）し（ステップＳ２０３）、話速に応じた音素長の制御を行う（ステップＳ２０４〜Ｓ２１４）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態と同様である。

音素長制御部１８では、入力された話速情報の認識に基づき、その話速に応じて音素長が制御され、この場合、固定倍の音素長が設定され（ステップＳ２０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かが判定される（ステップＳ２０５）。即ち、この判定処理では、ポーズ直後（話頭）の音素が持つ音素長が調整対象として特定されることになる。

話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ２０５のＹｅｓ）、音素が摩擦音か否かが判定され（ステップＳ２０６）、話速が高速読みかつ先頭音素（ｎ＝＝１）かつ摩擦音であれば（ステップＳ２０６のＹｅｓ）、その音素長が所定倍即ち、α倍として例えば、α＝１．７〔倍〕に設定ないし調整され（ステップＳ２０７）、また、先頭音素（ｎ＝＝１）でも摩擦音でもなければ（ステップＳ２０８のＮｏ）、その音素長の調整はない。即ち、この場合、ステップＳ２０４で固定倍とされたそのままの状態が維持される。

高速読みかつ先頭音素の場合には（ステップＳ２０６のＮｏ）、その音素長が所定倍即ち、β倍として例えば、β＝１．５〔倍〕に設定ないし調整され（ステップＳ２０９）、高速読みかつ摩擦音の場合には（ステップＳ２０８のＹｅｓ）、その音素長が所定倍即ち、γ倍として例えば、γ＝１．４〔倍〕に設定ないし調整される（ステップＳ２１０）。

従って、高速読みかつ先頭音素かつ摩擦音の場合、高速読みかつ先頭音素の場合、高速読みかつ摩擦音の場合、先頭音素でも摩擦音でもない場合について、音素長の調整又は無調整は次の表１の通りとなる。

そして、このような処理の後、音素番号ｎの更新（ｎ＝ｎ＋１）を行い（ステップＳ２１１）、呼気段落内の音素は終了したか否かが判定され（ステップＳ２１２）、呼気段落内の全ての音素についての処理が実行される。

呼気段落の音素の処理が行われ、呼気段落の終端のポーズに到達した場合には、そのポーズ長を話速に応じて固定倍とし（ステップＳ２１３）、終了判定が行われる（ステップＳ２１４）。全てのデータの処理が完了するまで、ステップＳ２０３からステップＳ２１４の処理が繰り返される。この終了判定の後、音声合成が実行され（ステップＳ２１５）、音声が出力される。

このように、呼気段落単位での先頭音素及び摩擦音が話速に応じて修正され、ポーズ直後の音素の音素長や摩擦音の音素長の場合、又は何れでもない場合には、既述のように、音素長の伸長を異ならせた設定とするので、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第３の実施の形態〕

次に、第３の実施の形態について、図８を参照する。図８は、第３の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この第３の実施の形態では、第１の実施の形態の音素長の調整に加え、即ち、その音素長の伸長に対し、その他の音素の音素長を短縮することにより、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高めている。この実施の形態では、その他の音素として、母音の音素長を短縮している。

この第３の実施の形態では、音素長を調整すべき音素を特定するため、音素判定部２８（図２）において、音素が母音であるか否かを判定し、その判定に基づき、母音の音素長に対する短縮処理を実行している。

そこで、この処理手順では、図８に示すように、言語処理（ステップＳ３０１）、音素長設定処理（ステップＳ３０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ３０３）、話速に応じた音素長の制御を行う（ステップＳ３０４〜Ｓ３１２）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態と同様である。

音素長制御部１８では、入力された話速情報が認識に基づき、その話速に応じて音素長が制御され、この場合、固定倍の音素長が設定され（ステップＳ３０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かが判定される（ステップＳ３０５）。即ち、この判定処理では、ポーズ直後（話頭）の音素が持つ音素長が調整対象として特定されることになる。

話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ３０５のＹｅｓ）、その音素長が所定倍として例えば、１．５〔倍〕に設定、即ち、調整され（ステップＳ３０６）、また、話速が高速読みかつ先頭音素（ｎ＝＝１）でなければ（ステップＳ３０５のＮｏ）、その音素長を調整しない。

このような処理の後、高速読みかつ音素が母音であるか否かが判定され（ステップＳ３０７）、話速が高速読みかつ母音であれば（ステップＳ３０７のＹｅｓ）、その音素長が所定倍として例えば、０．９〔倍〕に設定、即ち、調整され（ステップＳ３０８）、また、母音でなければ（ステップＳ３０７のＮｏ）、その音素長を調整しない。

そして、このような調整又は無調整の後、音素番号ｎの更新（ｎ＝ｎ＋１）を行い（ステップＳ３０９）、呼気段落内の音素は終了したか否かが判定され（ステップＳ３１０）、呼気段落内の全ての音素についての処理が実行された後、呼気段落の終端のポーズに到達した場合には、そのポーズ長を話速に応じて固定倍とし（ステップＳ３１１）、終了判定が行われる（ステップＳ３１２）。全てのデータの処理が完了するまで、ステップＳ３０３からステップＳ３１２の処理が繰り返される。この終了判定の後、音声合成が実行され（ステップＳ３１３）、音声が出力される。

このように、呼気段落単位での先頭音素及び母音が話速に応じて修正され、ポーズ直後の音素の音素長を既述のように、その一例として１．５〔倍〕にするのに対し、母音の音素長を既述のように短縮、その一例として０．９〔倍〕に調整することにより、音素長の伸長時間が母音の音素長の短縮によって補完されるので、音声出力の全再生時間の伸長を来すことなく、概ね全体の長さを同一に保ちつつ、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第４の実施の形態〕

次に、第４の実施の形態について、図９及び図１０を参照する。図９は、第４の実施の形態に係る音素長制御部を示すブロック図、図１０は、第４の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。図９において、図２と同一部分には同一符号を付してある。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この第４の実施の形態では、第１の実施の形態の音素長の調整に加え、即ち、その音素長の伸長に対し、話頭音素の音素長の伸長分を呼気段落内の音素に比例配分して短縮することにより、呼気段落の長さを保ちつつ、即ち、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高める。

この第４の実施の形態では、音声読み上げ装置２（図１）の音素長制御部１８（図２）に関し、図９に示すように、呼気段落長演算部３０が設置され、この呼気段落長演算部３０は、音素長調整部２４の出力から呼気段落の全体の長さを演算する。その演算結果は制御情報として音素長調整部２４に加えられ、音素長調整部２４は、特定の音素の音素長、この場合、先頭音素の音素長の伸長分を呼気段落内の全音素に比例配分して全音素の各音素長を短縮し、呼気段落の読み上げ時間の長さが所定の長さになるように制御する機能を備えている。

そこで、この処理手順では、図１０に示すように、言語処理（ステップＳ４０１）、音素長設定処理（ステップＳ４０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ４０３）、話速に応じた音素長の制御を行う（ステップＳ４０４〜Ｓ４１２）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態と同様である。

音素長制御部１８では、入力された話速情報が認識に基づき、その話速に応じて音素長が制御され、この場合、固定倍の音素長が設定され（ステップＳ４０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かが判定される（ステップＳ４０５）。即ち、この判定処理では、ポーズ直後（話頭）の音素が持つ音素長が調整対象として特定されることになる。

話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ４０５のＹｅｓ）、その音素長が所定倍として例えば、１．５〔倍〕に設定、即ち、調整され（ステップＳ４０６）、また、話速が高速読みかつ先頭音素（ｎ＝＝１）でなければ（ステップＳ４０５のＮｏ）、その音素長を調整しない。

このような調整又は無調整の後、音素番号ｎの更新（ｎ＝ｎ＋１）を行い（ステップＳ４０７）、呼気段落内の音素は終了したか否かが判定され（ステップＳ４０８）、呼気段落内の全ての音素についての処理が実行された後、呼気段落の終端のポーズに到達した場合には、そのポーズ長を話速に応じて固定倍とする（ステップＳ４０９）。

この設定の後、呼気段落全体の長さを計算し（ステップＳ４１０）、呼気段落の長さが所定の長さ例えば、音素長を伸長しない場合の長さと同等又は同等程度の長さになるように全音素の音素長を比例配分して調整し（ステップＳ４１１）、終了判定が行われる（ステップＳ４１２）。全てのデータの処理が完了するまで、ステップＳ４０３からステップＳ４１２の処理が繰り返される。この終了判定の後、音声合成が実行され（ステップＳ４１３）、音声が出力される。

このように、呼気段落単位での先頭音素が話速に応じて修正され、ポーズ直後の音素の音素長を既述のように、その一例として１．５〔倍〕にするのに対し、話頭音素の音素長の伸長分を呼気段落内の音素に比例配分して短縮することにより、呼気段落の長さが保たれるとともに、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第５の実施の形態〕

次に、第５の実施の形態について、図１１及び図１２を参照する。図１１は、第５の実施の形態に係る音素長制御部を示すブロック図、図１２は、第５の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。図１１において、図２と同一部分には同一符号を付してある。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この第５の実施の形態では、第１の実施の形態の音素長の調整に加え、即ち、その音素長の伸長に対し、話頭音素の音素長の伸長分を文章全体の音素に比例配分して短くすることで、文章全体の長さを保ちつつ、即ち、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高めている。

この第５の実施の形態では、音声読み上げ装置２（図１）の音素長制御部１８（図２）に関し、図１１に示すように、文章全体長演算部３２が設置され、この文章全体長演算部３２は、音素長調整部２４の出力から文章全体の長さを演算する。その演算結果は制御情報として音素長調整部２４に加えられ、音素長調整部２４は、特定の音素の音素長、この場合、先頭音素の音素長の伸長分を文章全体の全音素に比例配分して全音素の各音素長を短縮し、文章の読み上げ時間の長さが所定の長さになるように制御する機能を備えている。

そこで、この処理手順では、図１２に示すように、言語処理（ステップＳ５０１）、音素長設定処理（ステップＳ５０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ５０３）、話速に応じた音素長の制御を行う（ステップＳ５０３〜Ｓ５１２）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態と同様である。

音素長制御部１８では、入力された話速情報が認識に基づき、その話速に応じて音素長が制御され、この場合、固定倍の音素長が設定され（ステップＳ５０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かが判定される（ステップＳ５０５）。即ち、この判定処理では、ポーズ直後（話頭）の音素が持つ音素長が調整対象として特定されることになる。

話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ５０５のＹｅｓ）、その音素長が所定倍として例えば、１．５〔倍〕に設定、即ち、調整され（ステップＳ５０６）、また、話速が高速読みかつ先頭音素（ｎ＝＝１）でなければ（ステップＳ５０５のＮｏ）、その音素長を調整しない。

このような調整又は無調整の後、音素番号ｎの更新（ｎ＝ｎ＋１）を行い（ステップＳ５０７）、呼気段落内の音素は終了したか否かが判定され（ステップＳ５０８）、呼気段落内の全ての音素についての処理が実行された後、呼気段落の終端のポーズに到達した場合には、そのポーズ長を話速に応じて固定倍とし（ステップＳ５０９）、終了判定が行われる（ステップＳ５１０）。全てのデータの処理が完了するまで、ステップＳ５０３からステップＳ５１０の処理が繰り返される。

全データの処理が終了した後、文章全体の長さを計算し（ステップＳ５１１）、文章全体の長さ、即ち、読み上げ時間が所定の長さ例えば、音素長を伸長しない場合の長さと同等又は同等程度の長さになるように文章全体の全音素の音素長を比例配分して調整し（ステップＳ５１２）、この処理の終了後、音声合成が実行され（ステップＳ５１３）、音声が出力される。

このように、呼気段落単位での先頭音素が話速に応じて修正され、ポーズ直後の音素の音素長を既述のように、その一例として１．５〔倍〕にするのに対し、話頭音素の音素長の伸長分を文章全体の全音素に比例配分して短縮することにより、全文章の読み上げの長さが保たれるとともに、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第６の実施の形態〕

次に、第６の実施の形態について、図１３を参照する。図１３は、第６の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この第６の実施の形態では、第２の実施の形態（図７）の音素長の調整と、第３の実施の形態（図８）の音素長の調整とを併用することにより、その話頭の音素、摩擦音の音素長の伸長に対し、その他の音素の音素長として例えば、母音の音素長を短縮しており、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高めている。

そこで、この処理手順では、図１３に示すように、言語処理（ステップＳ６０１）、音素長設定処理（ステップＳ６０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ６０３）、話速に応じた音素長の制御を行う（ステップＳ６０３〜Ｓ６１６）。この音素長の制御が呼気段落を単位とするのは第２の実施の形態（図７）と同様である。

この第６の実施の形態においても、話速に応じた固定倍の音素長の設定（ステップＳ６０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かの判定を行い（ステップＳ６０５）、話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ６０５のＹｅｓ）、音素が摩擦音か否かの判定（ステップＳ６０６）、話速が高速読みかつ先頭音素（ｎ＝＝１）かつ摩擦音であれば（ステップＳ６０６のＹｅｓ）、その音素長が所定倍即ち、α倍として例えば、α＝１．７〔倍〕に設定ないし調整（ステップＳ６０７）、また、先頭音素（ｎ＝＝１）でも摩擦音でもなければ（ステップＳ６０８のＮｏ）、その音素長の調整はない。即ち、この場合、ステップＳ６０４で固定倍とされたそのままの状態が維持される。

高速読みかつ先頭音素の場合には（ステップＳ６０６のＮｏ）、その音素長が所定倍即ち、β倍として例えば、β＝１．５〔倍〕に設定ないし調整され（ステップＳ６０９）、高速読みかつ摩擦音の場合には（ステップＳ６０８のＹｅｓ）、その音素長が所定倍即ち、γ倍として例えば、γ＝１．４〔倍〕に設定ないし調整される（ステップＳ６１０）。

従って、高速読みかつ先頭音素かつ摩擦音の場合、高速読みかつ先頭音素の場合、高速読みかつ摩擦音の場合、先頭音素でも摩擦音でもない場合について、音素長の調整又は無調整は既述の表１の通りとなる。

このような処理の後、高速読みかつ音素が母音であるか否かが判定される（ステップＳ６１１）、話速が高速読みかつ母音であれば（ステップＳ６１１のＹｅｓ）、その音素長が所定倍として例えば、０．９〔倍〕に設定、即ち、調整され（ステップＳ６１２）、また、母音でなければ（ステップＳ６１１のＮｏ）、その音素長を調整しない。

そして、既述の通り、音素番号ｎの更新（ｎ＝ｎ＋１）（ステップＳ６１３）、呼気段落内の音素の終了判定（ステップＳ６１４）、呼気段落の終端のポーズに到達した場合のポーズ長を話速に応じた固定倍の設定（ステップＳ６１５）、終了判定（ステップＳ６１６）、音声合成（ステップＳ６１７）が実行される。

このように、呼気段落単位での先頭音素及び摩擦音が話速に応じて修正され、ポーズ直後の音素の音素長や摩擦音の音素長の場合、又は何れでもない場合には、既述のように、音素長の伸長を異ならせた設定とし、母音の場合にはその音素長を既述のように短縮することにより、ポーズ後の音素及び摩擦音の音素長の伸長時間が母音の音素長の短縮分だけ補完されるので、音声出力の全再生時間の伸長を来すことなく、概ね全体の長さを同一に保ちつつ、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第７の実施の形態〕

次に、第７の実施の形態について、図１４を参照する。図１４は、第７の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この実施の形態では、第２の実施の形態（図７）の音素長の調整に加え、即ち、その話頭の音素、摩擦音の音素長の伸長に対し、当該音素長を長めに確保した音素長分、ポーズ等、他の音素長を確保しない又は短縮する構成として、話頭及び摩擦音の音素長の伸長分を呼気段落内の音素に比例配分して短縮することにより、呼気段落の長さを保ちつつ、即ち、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高めている。

この第７の実施の形態では、第４の実施の形態と同様に（図９）、音素長制御部１８の音素長調整部２４に呼気段落長演算部３０を設置して音素長調整部２４の出力から呼気段落の全体の長さを演算し、その演算結果は制御情報として音素長調整部２４に加える。音素長調整部２４は、特定の音素の音素長、この場合、先頭音素及び摩擦音の音素長の伸長分を呼気段落内の全音素に比例配分して全音素の各音素長を短縮し、呼気段落の読み上げ時間の長さが所定の長さになるように制御する機能を備えている。

そこで、この処理手順では、図１４に示すように、言語処理（ステップＳ７０１）、音素長設定処理（ステップＳ７０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ７０３）、話速に応じた音素長の制御を行う（ステップＳ７０３〜Ｓ７１６）。この音素長の制御が呼気段落を単位とするのは第２の実施の形態（図７）と同様である。

この第７の実施の形態においても、話速に応じた固定倍の音素長の設定（ステップＳ７０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かの判定を行い（ステップＳ７０５）、話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ７０５のＹｅｓ）、音素が摩擦音か否かの判定（ステップＳ７０６）、話速が高速読みかつ先頭音素（ｎ＝＝１）かつ摩擦音であれば（ステップＳ７０６のＹｅｓ）、その音素長が所定倍即ち、α倍として例えば、α＝１．７〔倍〕に設定ないし調整（ステップＳ７０７）、また、先頭音素（ｎ＝＝１）でも摩擦音でもなければ（ステップＳ７０８のＮｏ）、その音素長の調整はない。即ち、この場合、ステップＳ７０４で固定倍とされたそのままの状態が維持される。

高速読みかつ先頭音素の場合には（ステップＳ７０６のＮｏ）、その音素長が所定倍即ち、β倍として例えば、β＝１．５〔倍〕に設定ないし調整され（ステップＳ７０９）、高速読みかつ摩擦音の場合には（ステップＳ７０８のＹｅｓ）、その音素長が所定倍即ち、γ倍として例えば、γ＝１．４〔倍〕に設定ないし調整される（ステップＳ７１０）。

従って、高速読みかつ先頭音素かつ摩擦音の場合、高速読みかつ先頭音素の場合、高速読みかつ摩擦音の場合、先頭音素でも摩擦音でもない場合について、音素長の調整又は無調整は既述の表１の通りとなる。

このような処理の後、音素番号ｎの更新（ｎ＝ｎ＋１）（ステップＳ７１１）、呼気段落内の音素の終了判定（ステップＳ７１２）、呼気段落の終端のポーズに到達した場合のポーズ長を話速に応じた固定倍の設定（ステップＳ７１３）の後、呼気段落全体の長さを計算し（ステップＳ７１４）、呼気段落の長さが所定の長さ例えば、音素長を伸長しない場合の長さと同等又は同等程度の長さになるように全音素の音素長を比例配分して調整し（ステップＳ７１５）、終了判定が行われる（ステップＳ７１６）。全てのデータの処理が完了するまで、ステップＳ７０３からステップＳ７１６の処理が繰り返される。この終了判定の後、音声合成が実行され（ステップＳ７１７）、音声が出力される。

このように、呼気段落単位での先頭音素及び摩擦音が話速に応じて修正され、ポーズ直後の音素の音素長や摩擦音の音素長の場合、又は何れでもない場合には、既述のように、音素長の伸長を異ならせた設定とし、これら音素の音素長の伸長分を呼気段落内の音素に比例配分して短縮することにより、呼気段落の長さが保たれるとともに、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第８の実施の形態〕

次に、第８の実施の形態について、図１５を参照する。図１５は、第８の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）を用いて実行されるが、この実施の形態では、第２の実施の形態（図７）の音素長の調整に加え、即ち、その話頭の音素、摩擦音の音素の音素長の伸長に対し、その伸長分を文章全体の音素に比例配分で短くすることで、文章全体の長さを保ちつつ、即ち、読み上げ文の音声変換時間を伸長させることなく、聞き取り易さを高めている。

この第８の実施の形態では、第５の実施の形態と同様に（図１１）、音声読み上げ装置２（図１）の音素長制御部１８に文章全体長演算部３２が併設され、この文章全体長演算部３２は、音素長調整部２４の出力から文章全体の長さを演算し、その演算結果が制御情報として音素長調整部２４に加えられる。音素長調整部２４は、特定の音素の音素長、この場合、先頭音素及び摩擦音の音素長の伸長分を文章全体の全音素に比例配分して全音素の各音素長を短縮し、文章の読み上げ時間の長さが所定の長さになるように制御する機能を備えている。

そこで、この処理手順では、図１５に示すように、言語処理（ステップＳ８０１）、音素長設定処理（ステップＳ８０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ８０３）、話速に応じた音素長の制御を行う（ステップＳ８０３〜Ｓ８１６）。この音素長の制御が呼気段落を単位とするのは第２の実施の形態（図７）と同様である。

この第８の実施の形態においても、話速に応じた固定倍の音素長の設定（ステップＳ８０４）、高速読みかつ先頭音素（ｎ＝＝１）であるか否かの判定を行い（ステップＳ８０５）、話速が高速読みかつ先頭音素（ｎ＝＝１）であれば（ステップＳ８０５のＹｅｓ）、音素が摩擦音か否かの判定（ステップＳ８０６）、話速が高速読みかつ先頭音素（ｎ＝＝１）かつ摩擦音であれば（ステップＳ８０６のＹｅｓ）、その音素長が所定倍即ち、α倍即ち、として例えば、α＝１．７〔倍〕に設定（ステップＳ８０７）、また、先頭音素（ｎ＝＝１）でも摩擦音でもなければ（ステップＳ８０８のＮｏ）、その音素長の調整はない。即ち、この場合、ステップＳ８０４で固定倍とされたそのままの状態が維持される。

高速読みかつ先頭音素の場合には（ステップＳ８０６のＮｏ）、その音素長が所定倍即ち、β倍として例えば、β＝１．５〔倍〕に設定され（ステップＳ８０９）、高速読みかつ摩擦音の場合には（ステップＳ８０８のＹｅｓ）、その音素長が所定倍即ち、γ倍として例えば、γ＝１．４〔倍〕に設定される（ステップＳ８１０）。

従って、高速読みかつ先頭音素かつ摩擦音の場合、高速読みかつ先頭音素の場合、高速読みかつ摩擦音の場合、先頭音素でも摩擦音でもない場合について、音素長の調整又は無調整は既述の表１の通りとなる。

このような処理の後、音素番号ｎの更新（ｎ＝ｎ＋１）（ステップＳ８１１）、呼気段落内の音素の終了判定（ステップＳ８１２）、呼気段落の終端のポーズに到達した場合のポーズ長を話速に応じた固定倍の設定（ステップＳ８１３）、終了判定（ステップＳ８１４）を行う。

全データの処理が終了した後、文章全体の長さを計算し（ステップＳ８１５）、文章全体の長さ、即ち、読み上げ時間が所定の長さ例えば、音素長を伸長しない場合の長さと同等又は同等程度の長さになるように文章全体の全音素の音素長を比例配分して調整し（ステップＳ８１６）、この処理の終了後、音声合成が実行され（ステップＳ８１７）、音声が出力される。

このように、呼気段落単位での先頭音素及び摩擦音が話速に応じて修正され、ポーズ直後の音素の音素長や摩擦音の音素長の場合、又は何れでもない場合には、既述のように、音素長の伸長を異ならせた設定とし、これら音素長の伸長分を全文章の全音素に比例配分して短縮することにより、全文章の読み上げの長さが保たれるとともに、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第９の実施の形態〕

次に、第９の実施の形態について、図１６を参照する。図１６は、第９の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。

この処理手順は、音声読み上げのプログラム又は方法の一例であって、既述の音声読み上げ装置２（図１）及び音素長制御部１８（図２）を用いて実行されるが、この実施の形態では、高速読みの場合にポーズの長さを短縮することにより、聞き取り易さは同等であって、読み上げ時間の長さを短縮したものである。話速を例えば、３倍速とすれば、話速の反比例によってポーズ長をその半分にすれば、標準話速に対してのポーズ長は６分の１となり、ポーズ長の短縮によって読み上げ時間の長さを短くできる。

そこで、この処理手順では、図１６に示すように、言語処理（ステップＳ９０１）、音素長設定処理（ステップＳ９０２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ９０３）、話速に応じた音素長の制御を行う（ステップＳ９０３〜Ｓ９１０）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態（図５）と同様である。

この第９の実施の形態においても、話速に応じた固定倍の音素長の設定（ステップＳ９０４）、音素番号ｎの更新（ｎ＝ｎ＋１）（ステップＳ９０５）、呼気段落内の音素の終了判定（ステップＳ９０６）を行う。

この場合、高速読みか否かの判定を行い（ステップＳ９０７）、高速読みであれば（ステップＳ９０７のＹｅｓ）、終端のポーズ長を話速に応じた固定倍に対する所定の倍率としての例えば、２分の１に設定する（ステップＳ９０８）。

高速読みでなければ（ステップＳ９０７のＮｏ）、呼気段落の終端のポーズに到達した場合のポーズ長を話速に応じた固定倍に設定し（ステップＳ９０９）、全データが終了したか否かの終了判定を行い（ステップＳ９１０）、全データの終了後、音声合成が実行され（ステップＳ９１１）、音声が出力される。

このように、高速読みの場合に、呼気段落の終端のポーズ長を短縮することにより、全文章の読み上げの長さが保たれるとともに、合成音声の聞き取り易さが高められ、音声に変換された読み上げ文の認識性が改善される。

〔第１０の実施の形態〕

次に、第１０の実施の形態について、図１７及び図１８を参照する。図１７は、第１０の実施の形態に係る音声読み上げ装置のパラメータ生成部の構成例を示すブロック図、図１８は、第１０の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。図１７において、図１と同一部分には同一符号を付してある。

この第１０の実施の形態では、パラメータ生成部８に区切り変更部３４が音素長設定部１４の前段に設置されており、この区切り変更部３４では、言語処理部４（図１）で生成された表音文字列の呼気段落の区切りのポーズ長が変更される構成である。このような区切り変更部３４を備えたことにより、各音素長を確保した状況で、読み上げを行う文章の全体の再生時間を短縮することができる。

この場合、言語処理結果の表音文字列を、
「ヤマナシ' ケンノ コーコーオ ソツギョーシテ、シンヨーキ' ンコニ ハ＊イッテ・ヨネンメ' デス。」
とすれば、この表音文字列に対し、区切り変更部３４では、呼気段落区切りの長さの段階を１段階短くする。具体的には、ポーズ長が小の中点「・」はアクセント区切りの空白（ポーズはない）にし、ポーズ長が中の読点「、」はポーズ長が小の中点「・」にし、ポーズ長が大の句点「。」はポーズ長が中の読点「、」にする。

即ち、表音文字列は、
「ヤマナシ' ケンノ コーコーオ ソツギョーシテ・シンヨーキ' ンコニ ハ＊イッテ ヨネンメ' デス、」
に変更され、読み上げ文の全体の再生時間を削減できる。

そこで、この処理手順では、図１８に示すように、言語処理（ステップＳ１００１）、音素長設定処理（ステップＳ１００２）、呼気段落内の音素の処理として、音素番号ｎの初期化（ｎ＝１）（ステップＳ１００３）、話速に応じた音素長の制御を行う（ステップＳ１００３〜Ｓ１０１４）。この音素長の制御が呼気段落を単位とするのは第１の実施の形態（図６）と同様である。

この第１０の実施の形態では、話速に応じた固定倍の音素長を設定し（ステップＳ１００４）、この音素長の設定の後、文字が句点「。」であるか否かを判定し（ステップＳ１００５）、句点「。」であれば、当該文字を読点「、」に置き換え（ステップＳ１００６）、ステップＳ１０１１に移行する。

また、文字が句点「。」でなければ（ステップＳ１００５のＮｏ）、文字が読点「、」であるか否かを判定し（ステップＳ１００７）、読点「、」であれば、当該文字を中点「・」に置き換え（ステップＳ１００８）、ステップＳ１０１１に移行する。

また、読点「、」でなければ（ステップＳ１００７のＮｏ）、文字が中点「・」であるか否かを判定し（ステップＳ１００９）、中点「・」であれば、当該文字を空白「 」に置き換え（ステップＳ１０１０）、ステップＳ１０１１に移行する。

このような処理の後、ステップＳ１０１１では、音素音素番号ｎの更新（ｎ＝ｎ＋１）を行い、呼気段落内の音素の終了判定（ステップＳ１０１２）、呼気段落の終端のポーズに到達した場合のポーズ長を話速に応じた固定倍の設定（ステップＳ１０１３）を行い、終了判定（ステップＳ１０１４）を行う。この処理の終了後、音声合成が実行され（ステップＳ１０１５）、音声が出力される。

この処理手順によれば、呼気段落区切りを示す文字を置換することで、区切り長さの段階を１段階だけ短くする。具体的には、
・ ポーズ長が小の中点「・」（例えば、標準話速で０．１秒）はアクセント区切りの空白（ポーズはない）に、
・ ポーズ長が中の読点「、」（例えば、標準話速で０．３秒）はポーズ長小の中点「・」に、
・ ポーズ長が大の句点「。」（例えば、標準話速で０．８秒）はポーズ長中の読点「、」にする。即ち、表音文字列は、
「ヤマナシ' ケンノ コーコーオ ソツギョーシテ・シンヨーキ' ンコニ ハ＊イッテ ヨネンメ' デス、」
となり、このような変更により、全体の再生時間を削減できる。

従って、呼気段落単位での各音素長を確保した状況で、読み上げを行う文章の全体の再生時間を短縮することができる。

〔その他の実施の形態〕

(1) 音素長制御部１８に入力する話速情報について、図１９を参照する。図１９は、話速調整部を備えるパラメータ生成部を示すブロック図である。上記実施の形態では、音素長制御部１８に話速情報を入力しているが、図１９に示すように、外部から話速を調整可能な話速調整部２２をパラメータ生成部８に設置し、外部から任意の話速設定を可能な構成としてもよい。

(2) 上記実施の形態では、ポーズ直後の音素長を伸長する場合について説明したが、本発明は、短縮する場合にも適用することができる。

(3) 第１の実施の形態に携帯端末装置２００（図３、図４）を例示したが、本発明は、携帯情報端末機（ＰＤＡ：Personal Digital Assistant）や、パーソナルコンピュータ等、コンピュータを搭載して音声を出力する電子機器や、電子機器ユニットを搭載する各種機器に適用できるものであり、本発明は、上記実施の形態に限定されるものではない。

(4) 上記実施の形態において、読み上げ速度が高速である場合、文字データ中の一部又は全部のポーズを削除する構成としてもよく、ポーズの削除により、聞き取り易さを損なうことなく、再生時間の短縮を図ることができる。

(5) 読み上げ速度が低速の場合にはポーズ直後の音素が持つ音素長を短縮させ又は基準速度と同一の音素長にする構成としてもよい。

(6) 上記第６の実施の形態（図１３）では、読み上げ速度が高速である場合、先頭音素の音素長や摩擦音の伸長に対し、他の音素として母音の音素長を短縮しているが、特定のポーズや音素長の伸長に対応し、他の音素長を短縮する構成としてもよく、斯かる構成とすれば、同様に、読み上げ時間の伸長を抑制できる。

(7) 上記第１０の実施の形態（図１８）では、呼気段落を単位とする処理を示しているが、呼気段落以外の文章単位でもよく、特定の文章の段落内処理であってもよい。

(8) 上記第２、第６、第７、第８の実施の形態では、特定の音素として摩擦音を例示し、その音素長を伸長させているが、摩擦音の伸長を省略してもよいし、摩擦音に代え、他の音素長であってもよい。

〔実施例１〕

実施例１について、図２０及び図２１を参照する。図２０は、図６のフローチャートに対応する比較例であるフローチャート、図２１は、言語処理結果を示す図である。

この音声読み上げ装置２（図１）では、話速に応じて各音素の音素長を同様に伸長する場合には、図２０に示すフローチャートの処理となる。この場合、図６に示すフローチャートと同一ステップには同一符号を付し、ポーズ後の話頭の音素長を調整しない場合の処理を示している。即ち、図２０のフローチャートは、図６のフローチャートからステップＳ１０５、Ｓ１０６の処理がない場合であって、高速読み上げで先頭音素についての音素長を伸長しない場合の処理であり、高速読み上げに反比例して音素長を固定倍している。

このような処理において、入力テキストの文例が例えば、
「山梨県の高校を卒業して、信用金庫に入って４年目です。」（図５）
であるとすれば、その単語解析結果は図２１に示すように、入力テキスト、品詞、表音文字列で表すことができる。

この文例の「山梨県の高校を卒業して、信用金庫に入って４年目です。」において、「山梨」は名詞であり、その表音文字列は「ヤマナシ’」となり、「県」は名詞であり、その表音文字列は「ケン」となり、「の」は助詞であり、その表音文字列は「ノ」となり、この「の」の後部分はアクセント句境界で空白となり、「高校」は名詞であり、その表音文字列は「コーコー」となり、「を」は助詞であり、その表音文字列は「オ」となり、その後の部分はアクセント句境界で空白となり、「卒業し」は動詞（連用形）であり、その表音文字列は「ソツギョーシ」となり、「て」は助詞であり、その表音文字列は「テ」となり、「、」は呼気段落境界（ポーズ長は中）であり、その表音文字列は「、」となり、「信用」は名詞であり、その表音文字列は「シンヨー」となり、「金庫」は名詞であり、その表音文字列は「キ’ンコ」となり、「に」は助詞であり、その表音文字列は「ニ」となり、その後の部分はアクセント句境界で空白となり、「入っ」は動詞（連用形、促音便）であり、その表音文字列は「ハ＊イッ」となり、「て」は助詞であり、その表音文字列は「テ」となり、その後の部分は呼気段落境界（ポーズ長は小）となり、その表音文字列は「・」となり、「４」は数詞であり、その表音文字列は「ヨ」となり、「年」は助数詞であり、その表音文字列は「ネン」となり、「目」は助数詞の後置詞であり、その表音文字列は「メ’」となり、「です」は助動詞であり、その表音文字列は「デス」となり、「。」は呼気段落境界（ポーズ長は大）であり、その表音文字列は「。」となる。従って、上記文例の表音文字列は、
「ヤマナシ’ケンノ コーコーオ ソツギョーシテ、シンヨーキ’ンコニ ハ＊イッテ・ヨネンメ’デス。」
となる。

この表音文字列中の「シンヨー」の部分の音素長作成と話速による音素長の修正について、図２２を参照する。図２２は、この場合の音素長の生成例を示す図である。

この例では、概ね毎秒７モーラを１倍速として、３倍速（目安として毎秒２１モーラ）を生成する場合では、１倍速での音素長を音素長テーブル１６（図１）から読み出し、話速に反比例して音素長を修正している。この修正の後、アクセント等の情報を基にピッチパターンが生成され、音声波形が合成される。

これに対し、第１の実施の形態（図６）の処理結果について、図２３を参照する。図２３は、第１の実施の形態（図６）の音素長生成例を示す図である。

この場合、３倍速での音素長を生成する場合には、ポーズ後の話頭である「ｓｈ」の音素長が単純な反比例での長さの１．５〔倍〕に設定される。この結果、図２３に示すように、１倍速での音素長が１１７〔ｍｓ〕であるのに対し、３倍速での音素長は５９〔ｍｓ〕となっている。これらの音素長を他の音素「Ｉ」、「Ｎ」、「ｙ」、「Ｏ」、「Ｏ」と比較すると、１倍速の音素「ｓｈ」の音素長１１７〔ｍｓ〕は、他の音素「Ｉ」＝６０〔ｍｓ〕、「Ｎ」＝６０〔ｍｓ〕、「ｙ」＝６５〔ｍｓ〕、「Ｏ」＝８０〔ｍｓ〕、「Ｏ」＝１０５〔ｍｓ〕であって、顕著な差異がないのに対し、３倍速の音素「ｓｈ」の音素長５９〔ｍｓ〕は、他の音素「Ｉ」＝２０〔ｍｓ〕、「Ｎ」＝２０〔ｍｓ〕、「ｙ」＝２２〔ｍｓ〕、「Ｏ」＝２７〔ｍｓ〕、「Ｏ」＝３５〔ｍｓ〕であり、顕著な差異が生じている。この結果、聴感上の聞き取り易さを向上させることができ、認識性が高められる。

これらの処理結果である音声合成波形について、図２４を参照する。図２４において、Ａは、通常速度で「卒業して、信用金庫に」と読み上げた場合の音声合成波形であり、図２０に示すフローチャートの処理を以て読み上げられた場合である。また、図２４のＢは、同じ読み上げ文章を、一律、高速読み上げした場合の波形であって、同様に、図２０に示すフローチャートの処理を以て読み上げられた場合である。即ち、ポーズ直後の話頭の音素長を伸長しない場合である。また、図２４のＣは、高速読み上げにおいて、第１の実施の形態（図６に示すフローチャート）の処理を適用した場合であり、話頭の音素長が伸長された場合の音声合成波形である。図２４のＡ、Ｂ、Ｃにおいて、図２４のＡの読み上げ時間をＴｏとすれば、図２４のＢ、Ｃの読み上げ時間は、３倍の話速を設定しているので、Ｔｏ／３に短縮されたものをほぼ同一の尺度で記載している。

図２４のＡの破線包囲部ａはポーズ直後の話頭の音素であり、図２４のＢの破線包囲部ｂは同様の音素を示しているが、ｂの音素長が話速が３倍になっている分だけ縮んでいることが理解できよう。このような読み上げ音を聞いた場合、音切れのように感じられ、話頭が聞き取りづらくなることが確認された。これに対し、図２４のＣの破線包囲部ｃは、３倍の話速に対し、話頭の音素の音素長を伸長させているため、話速を高めて読み上げ音を聞いた場合にも、音切れが発生することがなく、聞き取り易さが高められる。

〔実施例２〕

実施例２の処理結果を示す波形について、図２５及び図２６を参照する。図２５は比較例である音声合成波形を示す図、図２６は、実施例２に係る音声合成波形を示す図である。図２５において、Ａは、標準速度の場合の波形であり、Ｂは、高速読み上げの場合の波形である。Ａの標準速度の読み上げに対し、Ｂの高速読み上げの場合には、ｄのポーズ直後の音素長が話速比例通り短縮し、この例では、１５〔ｍｓｅｃ〕に短縮される。

これに対し、図２６において、Ａは、第１の実施の形態（図６のフローチャート）の処理の標準速度の場合の波形、Ｂは、高速読み上げに対応してポーズ直後の話頭の音素長を伸長した場合の波形である。

図２５のＢのｄと図２６のＢのｅとを対比すれば、ポーズ直後の話頭の音素が持つ音素長を話速比例よりも伸長（確保）する場合、即ち、この例（図２６のＢのｅ）では、３５〔ｍｓｅｃ〕に伸長するので、音素長は２．３倍程度に伸長されるので、音切れが発生することがなく、聞き取り易さが高められる。

〔実施例３〕

実施例３の処理結果を示す波形について、図２７及び図２８を参照する。図２７は比較例である音声合成波形を示す図、図２８は、実施例３に係る音声合成波形を示す図である。実施例１、２が日本語であるのに対し、実施例３は英語文「ｈａ ｐｐｙ， ｓｈｏ ｃｋ， ｓｈｏｏ ｔ」を読み上げた場合である。

図２７において、Ａは、標準速度の場合の波形であり、Ｂは、高速読み上げの場合の波形である。Ａの標準速度の読み上げに対し、Ｂの高速読み上げの場合には、ｆ、ｇのポーズ直後の音素長が話速比例通り短縮し、この例では、ｆの箇所で１９〔ｍｓｅｃ〕、ｇの箇所で１４〔ｍｓｅｃ〕に短縮される。

これに対し、図２８において、Ａは、第１の実施の形態（図６のフローチャート）の処理の標準速度の場合の波形、Ｂは、高速読み上げに対応してポーズ直後の話頭の音素長を伸長した場合の波形である。

図２７のＢのｆ、ｇと図２８のＢのｈ、ｉとを対比すれば、ポーズ直後の話頭の音素が持つ音素長を話速比例よりも伸長（確保）する場合、即ち、この例（図２８のＢのｈ、ｉ）では、ｈが２７〔ｍｓｅｃ〕、ｉが２５〔ｍｓｅｃ〕に伸長するので、音素長は２倍程度に伸長されるので、音切れが発生することがなく、聞き取り易さが高められる。

〔実施例４〕

実施例４の処理結果を示す波形について、図２９及び図３０を参照する。図２９は比較例である音声合成波形を示す図、図３０は、実施例４に係る音声合成波形を示す図である。図２９において、Ａは、標準速度の場合の波形であり、Ｂは、高速読み上げの場合の波形である。Ａの標準速度の読み上げの場合のポーズ区間ｊは、Ｂの高速読み上げの場合には、ポーズ区間ｋに変化し、ポーズ区間の長さが話速に応じて短縮されている。

これに対し、図３０において、Ａは、第９の実施の形態（図１６のフローチャート）の処理の標準速度の場合の波形であり、ｌはその場合のポーズ区間、Ｂは、高速読み上げに対応してポーズ長を話速による短縮よりも更に短縮した場合の波形であり、ｍがその場合のポーズ区間である。

図２９のＢのポーズ区間ｋと図３０のＢのポーズ区間ｍとを対比すれば、ポーズ区間が話速比例のポーズ区間よりも短縮され、音切れを発生させることなく、即ち、聞き取り易さを損なうことなく、読み上げ時間の短縮が図られる。

〔実施例５〕

実施例５の処理結果を示す波形について、図３１を参照する。実施例１、２、４が日本語であるのに対し、実施例５は実施例３と同様に、英語文「ｈａ ｐｐｙ ｓｈｏ ｃｋ ｓｈｏｏ ｔ」を読み上げた場合である。

図３１において、Ａは、第９の実施の形態（図１６のフローチャート）の処理の標準速度の場合の波形であり、ｎ、ｏはその場合のポーズ区間、Ｂは、高速読み上げに対応してポーズを話速による短縮よりも更に短縮した場合の波形であり、ｐ、ｑがその場合のポーズ区間である。

図３１のＡのポーズ区間ｎ、ｏとＢのポーズ区間ｐ、ｑとを対比すれば、ポーズ区間が話速比例のポーズ区間よりも短縮され、音切れを発生させることなく、即ち、聞き取り易さを損なうことなく、読み上げ時間の短縮が図られる。

次に、以上述べた本発明の実施の形態から抽出される技術的思想を請求項の記載形式に準じて付記として列挙する。本発明に係る技術的思想は上位概念から下位概念まで、様々なレベルやバリエーションにより把握できるものであり、以下の付記に本発明が限定されるものではない。

（付記１） 文字データを音声に変換して読み上げる音声読み上げ装置であって、
前記文字データから音素の種類を判定する音素判定部と、
音素に読み上げ速度に応じた音素長を設定し、音素が前記文字データのポーズ直後の音素である場合に前記音素判定部の判定結果に基づき、ポーズ直後の前記音素の音素長を調整する音素長調整部と、
を備えることを特徴とする音声読み上げ装置。

（付記２） 付記１の音声読み上げ装置において、
音素の読み上げ速度を判定する速度判定部を備え、前記音素長調整部は、前記読み上げ速度の判定結果に基づき、前記読み上げ速度が高速の場合にはポーズ直後の音素が持つ音素長を伸長させることを特徴とする音声読み上げ装置。
斯かる構成によれば、ポーズ直後の音素長を伸長させるので、既述したように、読み上げ速度が高速になっても、聞き取り難さがなく、また、音切れ等の違和感を生じさせることがなく、音声の認識性が高められる。

（付記３） 付記１の音声読み上げ装置において、
前記音素が摩擦音である場合に、前記音素長調整部は、前記音素判定部の判定結果に基づいて前記摩擦音の音素を伸長させることを特徴とする音声読み上げ装置。
斯かる構成によれば、表音文字列から摩擦音を選択し、その摩擦音の音素長を伸長させるので、聞き取り難さがなく、また、音切れ等の違和感を生じさせることがなく、音声の認識性が高められる。

（付記４） 付記１の音声読み上げ装置において、
呼気段落の長さを演算する呼気段落演算部を備え、前記音素長調整部は、前記音素長の調整分を前記呼気段落演算部の演算結果に基づき、前記呼気段落の各音素長を比例配分して増減させることを特徴とする音声読み上げ装置。

（付記５） 付記１の音声読み上げ装置において、
読み上げ文章の長さを演算する文章演算部を備え、前記音素長調整部は、前記音素長の調整分を前記文章演算部の演算結果に基づき、前記文章の各音素長を比例配分して増減させることを特徴とする音声読み上げ装置。

（付記６） 付記１の音声読み上げ装置において、
前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じた長さより短縮することを特徴とする音声読み上げ装置。

（付記７） 付記１の音声読み上げ装置において、
前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除することを特徴とする音声読み上げ装置。

（付記８） 付記２の音声読み上げ装置において、
前記音素長調整部は、前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮することを特徴とする音声読み上げ装置。他の音素長は、母音、子音、促音等の音素長である。

（付記９） 付記３の音声読み上げ装置において、
前記音素長調整部は、前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮することを特徴とする音声読み上げ装置。他の音素長は、母音、子音、促音等の音素長である。

（付記１０） 文字データを音声に変換して読み上げる手順をコンピュータに実行させる音声読み上げプログラムであって、
前記文字データから音素の種類を判定する手順と、
音素に読み上げ速度に応じた音素長を設定する手順と、
音素が前記文字データのポーズ直後の音素である場合に前記判定の結果に基づき、ポーズ直後の前記音素の音素長を調整する手順と、
を前記コンピュータに実行させることを特徴とする音声読み上げプログラム。

（付記１１） 付記１０の音声読み上げプログラムにおいて、
音素の読み上げ速度を判定する手順と、
前記読み上げ速度の判定結果に基づき、前記読み上げ速度が高速の場合にはポーズ直後の音素が持つ音素長を伸長させる手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１２） 付記１０の音声読み上げプログラムにおいて、
前記音素が摩擦音であるか否かを判定する手順と、
前記判定の結果に基づき、前記摩擦音の音素を伸長させる手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１３） 付記１０の音声読み上げプログラムにおいて、
呼気段落の長さを演算する手順と、
前記音素長の調整分を前記演算の結果に基づき、前記呼気段落の各音素長を比例配分して増減させる手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１４） 付記１０の音声読み上げプログラムにおいて、
読み上げ文章の長さを演算する手順と、
前記音素長の調整分を前記演算の結果に基づき、前記文章の各音素長を比例配分して増減させる手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１５） 付記１０の音声読み上げプログラムにおいて、
読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じた長さより短縮する手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１６） 付記１０の音声読み上げプログラムにおいて、
読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除する手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１７） 付記１１の音声読み上げプログラムにおいて、
前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１８） 付記１２の音声読み上げプログラムにおいて、
前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する手順と、
を含むことを特徴とする音声読み上げプログラム。

（付記１９） 文字データを音声に変換して読み上げる音声読み上げ方法であって、
前記文字データから音素の種類を判定する工程と、
音素に読み上げ速度に応じた音素長を設定する工程と、
音素が前記文字データのポーズ直後の音素である場合に前記判定の結果に基づき、ポーズ直後の前記音素の音素長を調整する工程と、
を備えることを特徴とする音声読み上げ方法。

（付記２０） 付記１９の音声読み上げ方法において、
音素の読み上げ速度を判定する工程と、
前記読み上げ速度の判定結果に基づき、前記読み上げ速度が高速の場合にはポーズ直後の音素が持つ音素長を伸長させる工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２１） 付記１９の音声読み上げ方法において、
前記音素が摩擦音であるか否かを判定する工程と、
前記判定の結果に基づき、前記摩擦音の音素を伸長させる工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２２） 付記１９の音声読み上げ方法において、
呼気段落の長さを演算する工程と、
前記音素長の調整分を前記演算の結果に基づき、前記呼気段落の各音素長を比例配分して増減させる工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２３） 付記１９の音声読み上げ方法において、
読み上げ文章の長さを演算する工程と、
前記音素長の調整分を前記演算の結果に基づき、前記文章の各音素長を比例配分して増減させる工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２４） 付記１９の音声読み上げ方法において、
読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じた長さより短縮する工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２５） 付記１９の音声読み上げ方法において、
読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除する工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２６） 付記２０の音声読み上げ方法において、
前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２７） 付記２１の音声読み上げ方法において、
前記音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する工程と、
を含むことを特徴とする音声読み上げ方法。

（付記２８） 文字データを音声に変換して読み上げる音声読み上げ装置であって、
読み上げ速度を判定する読み上げ速度判定部と、
前記読み上げ判定部の判定に基づき、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じて調整する調整部と、
を備えることを特徴とする音声読み上げ装置。

（付記２９） 文字データを音声に変換して読み上げる音声読み上げ装置であって、
読み上げ速度を判定する読み上げ速度判定部と、
前記読み上げ判定部の判定に基づき、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除する調整部と、
を備えることを特徴とする音声読み上げ装置。

（付記３０） 文字データを音声に変換して読み上げる音声読み上げ装置であって、
文字データから音素の種類を判定する音素判定部と、
前記音素判定部の判定に基づき、特定の音素の音素長を伸長させ、この音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮する音素長調整部と、
を備えることを特徴とする音声読み上げ装置。

以上説明したように、本発明の最も好ましい実施の形態等について説明したが、本発明は、上記記載に限定されるものではなく、特許請求の範囲に記載され、又は明細書に開示された発明の要旨に基づき、当業者において様々な変形や変更が可能であることは勿論であり、斯かる変形や変更が、本発明の範囲に含まれることは言うまでもない。

本発明は、文字データを音声に変換して読み上げる装置、プログラム及び方法に関し、文字データからポーズの存在を認識し、ポーズ直後の音素又は他の音素の音素長やポーズ長を制御し、読み上げ速度を高速化しても、合成音声の聞き取り易さを高めることができ、認識性の向上が図られるので、音声合成等の処理に有用である。

第１の実施の形態に係る音声読み上げ装置の構成例を示すブロック図である。 音声読み上げ装置の音素長制御部の構成例を示すブロック図である。 音声読み上げ装置を搭載した携帯端末装置の一例を示すブロック図である。 携帯端末装置の構成例を示す図である。 画面表示例を示す図である。 第１の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第２の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第３の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第４の実施の形態に係る音素長制御部を示すブロック図である。 第４の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第５の実施の形態に係る音素長制御部を示すブロック図である。 第５の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第６の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第７の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第８の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第９の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 第１０の実施の形態に係る音声読み上げ装置のパラメータ生成部の構成例を示すブロック図である。 第１０の実施の形態に係る音素長制御の処理手順の一例を示すフローチャートである。 話速調整部を備えるパラメータ生成部を示すブロック図である。 音素長制御の処理手順の一例を示すフローチャートである。 言語処理結果を示す図である。 音素長の生成例を示す図である。 音素長の生成例を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。 音声合成波形を示す図である。

符号の説明

２ 音声読み上げ装置
２４ 音素長調整部
２６ 話速判定部
２８ 音素判定部
３０ 呼気段落長演算部
３２ 文章全体長演算部
３４ 区切り変更部
２００ 携帯端末装置

Claims (10)

1. 文字データを音声に変換して読み上げる音声読み上げ装置であって、
   前記文字データから音素の種類を判定する音素判定部と、
   音素の読み上げ速度を判定する速度判定部と、
   音素に読み上げ速度に応じた音素長を設定し、前記読み上げ速度の判定結果が高速の場合には、前記音素判定結果が前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する音素長調整部と、
   を備えることを特徴とする音声読み上げ装置。
2. 呼気段落の長さを演算する呼気段落演算部を備え、前記音素長調整部は、音素長の調整分を前記呼気段落演算部の演算結果に基づき、前記呼気段落の各音素長を比例配分して増減させることを特徴とする請求項１の音声読み上げ装置。
3. 読み上げ文章の長さを演算する文章演算部を備え、前記音素長調整部は、音素長の調整分を前記文章演算部の演算結果に基づき、前記文章の各音素長を比例配分して増減させることを特徴とする請求項１または２の音声読み上げ装置。
4. 前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズが持つポーズ長を前記読み上げ速度に応じた長さより短縮することを特徴とする請求項１ないし３の音声読み上げ装置。
5. 前記音素長調整部は、読み上げ速度が高速の場合、前記文字データ中の一部又は全部のポーズを削除することを特徴とする請求項１ないし４の音声読み上げ装置。
6. 前記音素長調整部は、音素長の伸長に対応し、ポーズ長を含む他の音素長を短縮することを特徴とする請求項１ないし５の音声読み上げ装置。
7. 文字データを音声に変換して読み上げる手順をコンピュータに実行させる音声読み上げプログラムであって、
   前記文字データから音素の種類を判定する手順と、
   音素の読み上げ速度を判定する手順と、
   音素に読み上げ速度に応じた音素長を設定する手順と、
   読み上げ速度が高速である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する手順と、
   を前記コンピュータに実行させることを特徴とする音声読み上げプログラム。
8. 文字データを音声に変換して読み上げる音声読み上げ方法であって、
   前記文字データから音素の種類を判定する工程と、
   音素の読み上げ速度を判定する工程と、
   音素に読み上げ速度に応じた音素長を設定する工程と、
   読み上げ速度が高速である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する工程と、
   を備えることを特徴とする音声読み上げ方法。
9. 文字データを音声に変換して読み上げる音声読み上げ装置であって、
   前記文字データから音素の種類を判定する音素判定部と、
   音素の読み上げ速度を判定する速度判定部と、
   音素に読み上げに応じた音素長を設定し、前記読み上げ速度の判定結果が標準的な話速よりも速い速度の場合には、前記音素判定結果が前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する音素長調整部と、
   を備えることを特徴とする音声読み上げ装置。
10. 文字データを音声に変換して読み上げる手順をコンピュータに実行させる音声読み上げプログラムであって、
    前記文字データから音素の種類を判定する手順と、
    音素の読み上げ速度を判定する手順と、
    音素に読み上げ速度に応じた音素長を設定する手順と、
    読み上げ速度が標準的な話速よりも速い速度である場合に、前記文字データのポーズ直後の音素について前記ポーズ直後の音素以外の音素よりも音素長を長く伸長する手順と、
    を前記コンピュータに実行させることを特徴とする音声読み上げプログラム。

Images