JP5166369B2 - アクセント情報抽出装置、アクセント情報抽出方法およびアクセント情報抽出プログラム - Google Patents

Description

本発明は、入力された音声と音声の各モーラに同期した時刻情報から、入力された音声のアクセント情報を抽出するアクセント情報抽出装置、アクセント情報抽出方法およびアクセント情報抽出プログラムに関する。

一般に、任意の文章（テキスト）から人工的に音声信号を作り出すテキスト音声合成装置が知られている。このテキスト音声合成装置は、内部に言語処理部を備えており、例えば日本語の漢字仮名混じり文から音声合成を行う場合であれば、単語単位の切り出し、読み付け（音韻系列の作成）、アクセントの付与などを行う。さらに、テキスト音声合成装置は、言語処理の解析結果に基づいて、声の高さの変化パターンであるＦ０変化パターンと各音韻の継続時間長である韻律情報を生成し、最終的にこの韻律情報と音韻系列に従って音声を合成する。しかしながら、ここで出力された合成音声がユーザーの所望している語句のアクセント型とは異なる場合がある。

日本語においてアクセントとは、各モーラにおいて定まっている高低情報の組み合わせであり、これらの組み合わせをアクセント型と言う。図１２は、音声が３モーラの場合における東京方言のアクセント型の種類を説明する図である。ここではＦ０変化パターンが模式化され、黒丸（●）または白丸（○）はそれぞれモーラを表している。３モーラの場合は、この４通りのアクセント型が存在する。また、アクセント位置は、Ｆ０変化パターンにおいて下降し始める位置にあるとされ、その位置にあるモーラをアクセント核という。図中の黒丸（●）はこのアクセント核を示している。例えば、図１２（ａ）は、アクセント核が１モーラ目にあるので１型となる。図１２（ｄ）の様に、アクセント核が存在しない場合は０型となる。また３型（図１２（ｃ））と０型（図１２（ｄ））は、４モーラ目の高低の配置によって区別される、つまり３モーラ目まででは、３型と０型を区別することは出来ない。

また、このアクセント型を正確に指定するために表音文字列が用いられている。表音文字列とは、前記言語処理部の解析結果にあたる音韻系列やアクセント位置などの情報を記号化して表したものであり、正しい表記文字列を入力することにより期待通りの合成音声を得ることが可能である。

このような表音文字列の仕様として、例えば非特許文献１に記載されている社団法人電子情報技術産業協会（ＪＥＩＴＡ）の規格がある。このような表音文字列を用いることで、例えば「ただしいようです」というテキストの代わりに、「タダシ’ー＿ヨ’ーデス」（正しいようです）あるいは「タ’ダシ＿イヨーデ’ス」（但し異様です）という表音文字列を入力することで、意図したままの音声合成結果を得ることができる。表音文字列上で、カタカナ表記は読みを、クォーテーションマーク「’」はアクセント位置を、アンダーバー「＿」はアクセント句の区切りを表している。

しかし、正確な表音文字列を入力するためには音声や言語に関する専門の知識を要するため、これらの知識を持ち合わせない一般者では扱うことが困難である。

そこで、一般者でもアクセント型を指定可能な手法として、ユーザーが発声した音声からアクセント型を検出する手法が知られている（例えば特許文献１、非特許文献２）。特許文献１では、入力された音声のＦ０変化パターンにおいてＦ０が低くなる直前の位置をアクセント核とすることによってアクセント型を導出している。

また、非特許文献２では、入力音声に対して、音声認識技術を用いてモーラ毎に切り出しすることで入力音声の各モーラのＦ０の代表値（代表Ｆ０値）を算出し、モーラの代表Ｆ０値と後方に隣接モーラの代表Ｆ０値との差分値が所定の閾値よりも小さく、かつ最も小さい負の値を取るモーラをアクセント核とすることによってアクセント型を導出している。

特開２００５-３７４２３号公報

ＪＥＩＴＡ ＩＴ-４００２ 日本語テキスト音声合成用記号 石井カルロス寿憲 他、"日本語単語のピッチアクセント型の発音学習システム"、日本音響学会春季講演論文集、ｐｐ２４５-２４６、Ｍａｒ. １９９９

しかしながら、上記従来技術においては、以下のような問題点があった。
（１）発声する速度や発声した各モーラの継続時間長について考慮されておらず、アクセント型を誤って判定してしまう。

入力音声から抽出された基本周波数の変化パターンであるＦ０変化パターンは、発声する速度や発声した各モーラの継続時間長に応じてその形状が変化するため、発声内容が同じであってもＦ０変化パターンの形状が同じであるとは限らない。従って、入力音声の始端時間と終端時間のみ与えられている特許文献１では、各モーラ境界の時刻情報がなければ十分な精度でアクセント型を判定することが困難である。さらに、特許文献１のアクセント核導出方法は、Ｆ０変化パターンにおいてＦ０が低くなる直前をアクセント核とする手法であるため、アクセント核が存在しないアクセント型０型の判定に関して考慮されていない。
（２）当該モーラと後方に隣接するモーラとのＦ０変化パターンにおける差分値が最も小さくなるモーラがアクセント核と一致しない場合に、アクセント型を誤って判定してしまう。

上述の通り、通常日本語のアクセント核はＦ０変化パターンにおいて下降する箇所にあるとされ、非特許文献２のアルゴリズムは日本語のアクセント型の特徴に基づいている。しかし、この特徴の限りではない例も存在する。図１３は、上記従来技術におけるアクセント型判定の成功例と失敗例を示す図である。ここでは、従来技術の動作の一連の流れが示されている。通常、図１３（ａ）の様に差分値が最も小さくなる（図中、斜線の白丸（○））モーラにアクセント核が存在する。しかし、図１３（ｂ）の様な反例も存在する。これはＦ０変化パターンの下降する位置つまりアクセント核と、差分値が最も小さくなるモーラとが一致しない場合に生じる。このような場合、従来技術ではアクセント型を誤判定してしまうといった問題があった。

そこで、本発明では、上記従来技術の問題を鑑み、各モーラの継続時間長や発声速度が一定でないといった個人間の違いが生じる場合や当該モーラと後方に隣接するモーラとのＦ０変化パターンにおける差分値が最小となるモーラがアクセント核とならない場合であっても、入力音声のアクセント型を正確に判定可能なアクセント情報抽出装置、アクセント情報抽出方法およびアクセント情報抽出プログラムを提供することを目的とする。

本発明に係るアクセント情報抽出装置は、入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出部と、前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力部と、前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンにおいてモーラ毎にモーラ代表値を求め、このモーラ代表値と後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出部と、前記算出されたモーラ変化量からアクセント型０型を判定する第１の閾値と、アクセント型０型以外を判定する第２の閾値とを記憶する閾値記憶部と、前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出部と、前記検出されたモーラ変化量である変化量最小値に基づいて、前記第１の閾値より大きい場合は０型と判定し、前記第１の閾値よりも小さい場合は、前記変化量最小値を持つモーラより前方のモーラのモーラ変化量を連続して探索し、前記モーラ変化量が前記所定の第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、アクセント型を判定するアクセント型判定部と、を有することを特徴とする。

本発明に係るアクセント情報抽出方法は、入力音声のアクセント型を判定するコンピュータにおけるアクセント情報抽出方法であって、前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出ステップと、前記入力音声の前記モーラ同期情報を入力するモーラ同期情報入力ステップと、前記Ｆ０変化パターンと前記モーラ同期情報とを用いて、モーラのＦ０変化パターンを基準とした後方に隣接するモーラのＦ０変化パターンとの変化量であるモーラ変化量を算出する変化量算出ステップと、前記算出されたモーラ変化量からアクセント型０型を判定するための第１の閾値と、アクセント型０型以外を判定するための第２の閾値とを記憶する閾値記憶ステップと、前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出ステップと、前記検出されたモーラ変化量である変化量最小値に基づいて、前記所定の第１の閾値より大きい場合は０型と判定し、前記所定の第１の閾値よりも小さい場合は前記変化量最小値を持つモーラより前方のモーラに係るモーラ変化量を連続して探索し、前記モーラ変化量が前記所定の第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、前記アクセント型を判定するアクセント型判定ステップと、を有することを特徴とする。

本発明に係るアクセント情報抽出プログラムは、入力音声のアクセント型を判定するコンピュータに、前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出プログラムと、前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力プログラムと、前記Ｆ０変化パターンと前記モーラ同期情報とを用いて、モーラのＦ０変化パターンを基準とした前方に隣接するモーラのＦ０変化パターンとの変化量であるモーラ変化量を算出する変化量算出プログラムと、前記算出されたモーラ変化量から前記アクセント型を判定するための所定の閾値を記憶する閾値記憶プログラムと、全ての前記モーラ変化量が前記閾値より大きい場合は０型と判定し、前記閾値より小さいモーラ変化量が存在する場合は前記モーラ変化量が前記閾値よりも小さいモーラのうち一番前方のモーラをアクセント核とすることによって、前記アクセント型を判定するアクセント型判定プログラムと、を実行させることを特徴とする。

本発明によれば、各モーラの継続時間長や発声速度が一定でないといった個人間の違いが生じる場合や当該モーラと後方に隣接するモーラとのＦ０変化パターンにおける差分値が最小値となるモーラがアクセント核とならない場合であっても、入力音声のアクセント型を正確に判定可能なアクセント情報抽出装置、アクセント情報抽出方法およびアクセント情報抽出プログラムが提供される。

本発明の実施形態１に係るアクセント情報抽出装置の構成例を示すブロック図。 図１に示すアクセント情報抽出装置のアクセント情報抽出方法を説明する図。 図１に示す変化量算出部におけるモーラ同期情報の修正手順を説明する図。 図１に示す変化量算出部における当該モーラ変化量Ｖ_ｎの算出手順を説明する図。 アクセント型０型における当該モーラ変化量Ｖ_ｎを説明する図。 第２の閾値Ｔ_２の導出手順を説明する図。 図１に示すアクセント型判定部のアクセント型判定処理の具体例を示すフローチャート。 本発明の実施形態２に係るアクセント情報抽出装置の構成例を示すブロック図。 図８に示すアクセント情報抽出装置のアクセント情報抽出方法を説明する図。 図８に示すアクセント型判定部のアクセント型判定処理の具体例を示すフローチャート。 本発明の実施形態１および２に係るアクセント情報抽出装置の相違を説明する図。 日本語における３モーラのアクセント型の種類を説明する図。 従来技術におけるアクセント型判定の成功例と失敗例を示す図。

以下、本発明の実施形態について図面を用いて詳細に説明する。
（実施形態１）
図１は、本発明の実施形態１に係るアクセント情報抽出装置の構成例を示すブロック図である。同図に示されるように、本実施形態に係るアクセント情報抽出装置は、Ｆ０抽出部１００、モーラ同期情報入力部１０１、変化量算出部１０２、変化量最小値検出部１０３、閾値記憶部１０４およびアクセント型判定部１０５を備え、入力された音声からアクセント核を検出することでアクセント型を判定する装置である。

Ｆ０抽出部１００は、マイクロホンなどの入力装置から入力された入力音声波形２００からＦ０変化パターン２０２を抽出するプログラムである。

モーラ同期情報入力部１０１は、入力音声の各モーラに同期した時刻情報であるモーラ同期情報２０１を入力するプログラムである。

変化量算出部１０２は、Ｆ０抽出部１００において抽出されたＦ０変化パターン２０２とモーラ同期情報入力部１０１より入力されたモーラ同期情報２０１を用いて、当該モーラのＦ０変化パターン２０２を基準として、モーラ毎に後方に隣接するモーラとの変化量である当該モーラ変化量を算出するプログラムである。

変化量最小値検出部１０３は、変化量算出部１０２において算出された当該モーラ変化量が最も小さい負の値を持つモーラを検出するプログラムである。

閾値記憶部１０４は、アクセント型０型を判定するための第１の閾値（以下、「閾値Ｔ１」という。）と、アクセント型０型以外を判定するための第２の閾値（以下、「閾値Ｔ２」という。）とを記憶する記憶装置である。尚、閾値Ｔ１と閾値Ｔ２はＴ１≧Ｔ２を満たす必要がある。

アクセント型判定部１０５は、変化量最小値検出部１０３において算出された変化量最小値に基づいて、閾値Ｔ１より大きい場合は０型と判定する。また、変化量最小値が閾値Ｔ１よりも小さい場合は、変化量最小値を持つ当該モーラより前方のモーラの当該モーラ変化量を連続して探索し、その当該モーラ変化量が閾値Ｔ２よりも小さく、かつ、最先のモーラをアクセント核とすることによってアクセント核を決定するプログラムである。

次に、アクセント情報抽出装置の動作について図１、図２に基づいて説明する。図２は、入力された音声からアクセント型を判定するまでの一連の動作を示している。ここでは、「引き算は（ひ／き／ざ／ん／は）」というフレーズに対してアクセント型を判定するために発声した例が示されている。この場合、「引き算は」は２モーラ目の「き」にアクセント核が来るため、アクセント型は２型となる。

以下、本実施形態の一連の動作を図２に基づいて説明する。
まず、音声を例えばマイクロホンの様なものを用いて入力する。入力音声波形２００（図２（ａ））からＦ０抽出部１００においてＦ０変化パターン２０２（図２（ｂ））を抽出する。次に、抽出されたＦ０変化パターン２０２に対して、入力音声の各モーラに同期したモーラ同期情報２０１をモーラ同期情報入力部１０１から取得し、変化量算出部１０２において、各モーラの当該モーラ変化量を算出する。ここで、当該モーラ変化量をＶ_ｎ（ｎ＝１…（Ｍ−１））、Ｍはモーラ数とする。例えば、ｎ＝１の時、当該モーラ変化量Ｖ_１は、当該モーラと後方に隣接するモーラとの変化量なので、１モーラ目と２モーラ目との変化量を示している。

変化量の算出方法としては、例えば当該モーラと後方に隣接するモーラとの傾き、上記従来技術の様に各モーラの代表Ｆ０を導出し、その代表Ｆ０間での差分が考えられる。例として図２（ｃ）は、後者の手法を示す。図中の黒丸（●）は、各モーラの代表Ｆ０を示している。変化量算出結果は、図２（ｄ）の様になる。そして、アクセント型を判定するための閾値を閾値記憶部１０４から取得し、アクセント型判定部１０５において、閾値Ｔ１、Ｔ２を用いて、変化量最小値（図２（ｈ））からアクセント型を判定する。ここで、変化量最小値をｍｉｎ（Ｖ_ｎ）＝Ｖ_Ｎとする。図２（ｄ）では、変化量最小値Ｖ_Ｎより前方のモーラ変化量Ｖ_ｎの内、第２の閾値Ｔ２より小さい一番前方にあるモーラの当該モーラ変化量Ｖ_ｎは図中斜線の白丸（○）となる。よって、アクセント核が２モーラ目にあると判定される。以上により、判定結果は「き」となり（図２（ｆ））、真のアクセント核（図２（ｇ））と一致することが確認出来る。またこの時ｎ＝２となり、アクセント核と一致していることから、アクセント型はｎ型であるとも言える。

以下、図１の各部における詳細な動作について示す。

Ｆ０抽出部１００では、入力された音声から声の高さを表す情報であるＦ０を抽出する。ここで、Ｆ０とは種々の表現方式を含み、例えば基本周波数、対数基本周波数が考えられる。そして、音声の入力手段としては例えばマイクロホンを使用するが、音声ファイルを入力しても良い。

モーラ同期情報入力部１０１では、各モーラに同期した時刻情報であるモーラ同期情報２０１が入力される。モーラ同期情報２０１は、各モーラの始端、終端、中心など、モーラ毎の継続時間を導出可能な時刻情報を指す。その取得手段として、例えばユーザーが、マウス、キーボートやマイクなどの入力手段を用いて任意または一定のタイミングでモーラ同期情報２０１を入力する場合と、種々の公知の音声認識技術を用いてモーラ同期情報２０１を取得する場合と、が考えられる。

変化量算出部１０２は、Ｆ０抽出部１００にて抽出されたＦ０変化パターン２０２とモーラ同期情報入力部１０１にて取得されたモーラ同期情報２０１を用いて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量である当該モーラ変化量をそれぞれ算出する。

上述したように、モーラ同期情報２０１の取得手段には、主に２つが考えられる。その内の一つは、ユーザーが、マウス、キーボードやマイクなどの入力手段を用いてモーラ同期情報２０１を入力する手法であるが、この場合、正確なモーラ同期情報２０１を取得することが難しく、誤差が生じてしまう。従って、誤差を修正する必要がある。その手法として例えば、取得されたモーラ同期情報２０１に対して所定の固定値を加算または減算する、所定の比率を乗じる、隣接する後方または前方とのモーラ同期情報２０１との外挿、内挿を用いる手法が用いられる。これら所定の固定値、比率、または外挿、内挿の割合は、例えば取得されたモーラ同期情報２０１と、参照データ（例えば音声波形を観察し、手動で判定したモーラ同期情報２０１）との差分値の統計的データによって決定することが出来る。

以下、所定の固定値、比率による修正手順の一例を図３に基づいて説明する。図３は、図１に示す変化量算出部１０２におけるモーラ同期情報２０１の修正手順を説明する図である。ここでは、入力音声波形２００とそれに対応するユーザーが入力したモーラ同期情報２０１が示されている。モーラ同期情報２０１の入力手段として発声に合わせてスペースキーを押す場合を例にとって以下に各モーラのモーラ継続時間導出の一例を説明する。まず、ユーザーは発声すると同時に、スペースキーを押下する。モーラ毎にスペースキーが押下された時刻（図３（ａ））を取得し、正確なモーラ始端時刻を算出するために、取得されたモーラ同期情報２０１は、隣接する後方のモーラ同期情報２０１との所定の割合で内挿を行うことで、修正する（図３（ｂ））。また、先頭モーラの始端時刻に対してはモーラ始端時刻、最終モーラのモーラ終端時刻に関しては最終モーラのモーラ始端時刻、それぞれ別の所定の固定値を加算することによって算出している。そして、モーラの始端時刻から隣接する後方モーラの始端時刻までを各モーラのモーラ継続時間３００（図３（ｃ））とする。

モーラ変化量Ｖ_ｎの変化量として、差分値、傾きが考えられる。傾きの算出方法として例えば、当該モーラと後方に隣接するモーラにわたる区間内のフレームの１次回帰直線が挙げられる。また、差分値の例としてはモーラ毎の代表Ｆ０値を算出し、当該モーラと、隣接する後方のモーラとの代表Ｆ０値の差分値が考えられる。代表Ｆ０値としては、当該モーラにおける区間内のフレームのＦ０値の平均、中央値の平均およびその周辺を使うことが考えられる。以下、変化量を差分値とした場合の変化量算出の一例を図４に基づいて説明する。図４は、図１に示す変化量算出部１０２における当該モーラ変化量Ｖ_ｎの算出手順を説明する図である。ここでは、Ｆ０抽出部１００から抽出されたＦ０変化パターン２０２と、モーラ同期情報入力部１０１より入力されたモーラ同期情報２０１とを用いて当該モーラ変化量Ｖ_ｎを算出する一連の動作が示されている。

まず、入力音声波形２００（図４（ａ））からＦ０抽出部１００を用いてＦ０変化パターン２０２（図４（ｂ））を抽出する。次に、上記各モーラの代表Ｆ０値算出手法の内、モーラ区間内のフレームのＦ０値の中央値およびその周辺の平均を用いて、Ｆ０変化パターン２０２からモーラ継続時間３００内の代表Ｆ０値（図４（ｃ））を算出する。そして、当該モーラの代表Ｆ０値と後方に隣接するモーラの代表Ｆ０値との差分値（図４（ｄ））を当該モーラ変化量Ｖ_ｎとする。図４（ｄ）にあるように、Ｖ_１は１モーラ目と２モーラ目のモーラ変化量を表しており、以下同様にＶ_２は２モーラ目と３モーラ目、Ｖ_３は３モーラ目と４モーラ目、Ｖ_４は４モーラ目と５モーラ目の当該モーラ変化量を表している。

閾値記憶部１０４では、閾値Ｔ１および閾値Ｔ２が記憶されている。閾値Ｔ１は、アクセント型０型とそれ以外のアクセント型を区別するための閾値である。アクセント型０型の特徴は、Ｆ０変化パターン２０２が平板であり、アクセント核が存在しない点である。よって、変化量最小値Ｖ_Ｎは他のアクセント型に比べ、大きい値を示すと考えられる。アクセント０型とその他アクセント型を区別するための閾値Ｔ１の導出方法の一例を図５に基づいて説明する。図５は、アクセント型０型における当該モーラ変化量Ｖ_ｎを説明する図である。図５（ａ）は、アクセント型０型（実線）と２型（破線）のＦ０変化パターン２０２を示している。そして、図５（ｂ）、（ｃ）はそれぞれ代表Ｆ０値、当該モーラ変化量Ｖ_ｎを示している。図５（ａ）からも分かるようにアクセント型０型のＦ０変化パターン２０２はなだらかに下降している。このなだらかな下降と、アクセント核による下降を判別する閾値がＴ１である。閾値Ｔ１は、図５（ｄ）の様にアクセント０型の変化量最小値データと、その他のアクセント型の変化量最小値データを収集する。次に収集された統計データから、アクセント型０型とその他のアクセント型を区別するために、それぞれのヒストグラムを観察することにより決定する。

図６は、第２の閾値Ｔ２の導出手順を説明する図である。上述のように、日本語のアクセント核は多くの場合、Ｆ０変化パターン２０２の下降し始めに存在する。しかし、図６の様に真のアクセント核（図６（ｅ））は２モーラ目であるが、変化量最小値Ｖ_Ｎ（図６（ｄ））を持つモーラ、つまりＮモーラ目であるため、５モーラ目となり（図６（ｆ））、必ずしも真のアクセント核（図６（ｅ））と変化量最小値Ｖ_Ｎを持つモーラ（図６（ｆ））とが一致するとは限らない。図６のような場合においてＦ０変化パターン２０２の下降始めを検出するために、変化量最小値Ｖ_Ｎより前方のモーラに対して当該モーラ変化量Ｖ_ｎを連続探索する。ここで、アクセント核の当該モーラ変化量Ｖ_ｎはＦ０変化パターン２０２が下降し始める直前の当該モーラ変化量Ｖ_ｎである平板参照データ（図６（ｇ））となり、アクセント核と変化量最小値Ｖ_Ｎを持つモーラとの間にあるモーラの当該モーラ変化量Ｖ_ｎはＦ０変化パターン２０２が下降している区間の当該モーラ変化量Ｖ_ｎである下降参照データ（図６（ｈ））となる。この平板参照データと下降参照データを統計データ、例えばヒストグラムを比較することによって、アクセント核を検出する当該モーラ変化量Ｖ_ｎに対する閾値（閾値Ｔ２）を作成できる。具体的には、アクセント型の判定誤差が最も少なくなる様に調整された、当該モーラ変化量Ｖ_ｎに対する変化量最小値Ｖ_Ｎの比率、または所定値が考えられる。よって、閾値Ｔ２は、Ｆ０変化パターン２０２がアクセント核となりうる程下降しているか否かを判定する閾値である。尚、上記の閾値Ｔ２作成方法ではアクセント核が既知である必要があるが、例えば、実際に音声を聞き、手動で割り付けることでアクセント核をつけたデータを用意することも出来る。

アクセント型判定部１０５は、各モーラの当該モーラ変化量Ｖ_ｎからアクセント核を導出することによりアクセント型を判定する。図７は、図１に示すアクセント型判定部１０５のアクセント型判定処理の具体例を示すフローチャートである。

まず、変化量算出部１０２によって、算出された当該モーラ変化量Ｖ_ｎの内、変化量最小値Ｖ_Ｎを求める（Ｓ７０１）。変化量最小値Ｖ_Ｎが閾値記憶部１０４に記憶されている閾値Ｔ１より大きい場合においては０型とする（Ｓ７０２）。小さい場合においては、Ｎ＞１であるか、さらにＶ_{（Ｎ−１）}が閾値Ｔ２より小さいかを調べる。大きい場合は、Ｎモーラ目にアクセント核があると判定し、アクセント型はＮ型となる（Ｓ７０３）。そして、小さい場合は前方のモーラの当該モーラ変化量を探索する（Ｓ７０４）。Ｎ＝１の場合は１型となり、これ以上は前方を検索することは出来ないため処理を終了する。

一般に、日本語のアクセント核は、Ｆ０変化パターン２０２の下降するモーラが存在することから変化量最小値Ｖ_Ｎを持つモーラがアクセント核となることが多い。しかし、本実施形態に係るアクセント情報抽出装置によれば、図６に示されるように真のアクセント核（図６（ｅ））と、変化量最小値Ｖ_Ｎを持つモーラ（図６（ｆ））が異なる場合においても、変化量最小値Ｖ_Ｎを持つモーラより前方の当該モーラ変化量に対して連続探索することで、真のアクセント核を検出し、正確にアクセント型を判定することが出来る。すなわち、音声の専門的な知識を持たない一般者でも望んでいるアクセント型を正確、かつ、容易に指定することが出来るため、所望の合成音声も出力可能となる。

（実施形態２）
次に、本発明の実施形態２に係るアクセント情報抽出装置を図面に基づいて説明する。図８は、本実施形態に係るアクセント情報抽出装置の構成例を示すブロック図である。基本的な構成は実施形態１とほぼ同様であるが、図１と比して変化量最小値検出部１０３が省略されている。また、図１と共通する符号は同一の機能を表すものとし、ここでは実施形態１との相違点に着目して説明する。

本実施形態のアクセント情報抽出の一連の流れを図９に基づいて説明する。まず、Ｆ０抽出部１００に入力音声波形２００（図９（ａ））のＦ０変化パターン２０２を抽出（図９（ｂ））し、次にモーラ同期情報入力部１０１を用いて、当該モーラ変化量Ｖ_ｎ（図９（ｃ））を算出する。そして、当該モーラ変化量Ｖ_ｎを所定の閾値（閾値Ｔ）を用いて先頭から判定していき、最初に閾値Ｔより小さくなった当該モーラ変化量Ｖ_ｎを持つモーラに隣接する前方のモーラ、つまりＮモーラ目をアクセント核とする（図９（ｄ））ことでアクセント型を判定する。

本実施形態における閾値記憶部１０４は、閾値Ｔを記憶している。閾値Ｔは、実施形態１における閾値Ｔ２の場合と同様にＦ０変化パターン２０２がアクセント核となりうる程に下降しているか否かを判定する閾値である。よって、閾値Ｔ２と同様の導出方法で作成可能である。

本実施形態のアクセント型判定部１０５のフローチャートを図１０に示す。まずｎ＝１とし（Ｓ１００１）、当該モーラ変化量Ｖ_ｎを導出する（Ｓ１００２）。次にモーラ変化量Ｖ_ｎに対して閾値Ｔと比較して、小さい場合はｎモーラ目をアクセント核とする、つまりアクセント型をｎ型と判定する（Ｓ１００３）。そして、後方のモーラの対しても同様の処理をする（Ｓ１００４）。全てのモーラが閾値Ｔより大きい場合、つまりｎ＝Ｍ（Ｍはモーラ数）となる時、アクセント核がないと判定し、アクセント０型とする（Ｓ１００５）。

このように、本実施形態によれば、従来技術では誤検出が発生していた例えば図６に見られるように真のアクセント核（図６（ｅ））と、変化量最小値Ｖ_Ｎを持つモーラ（図６（ｆ））が異なる場合において、適切な閾値Ｔを用いることで、正確にアクセント型を判定することが出来る。

また、当該モーラ変化量Ｖ_ｎを求めるだけでよいため、実施形態１より簡易にアクセント型を判定出来る。しかし、図１１の様な例も考えられる。図１１では、発声内容「む／ず／か／し／い（難しい）」に対し、真のアクセント核は「し」（図１１（ｇ））にある。第２の実施形態では閾値Ｔより小さくなった一番先頭の当該モーラ変化量Ｖ_ｎをアクセント核とするため、「ず」がアクセント核と判定される（図１１（ｆ２））。しかし、第１の実施形態では、変化量最小値Ｖ_Ｎより前方の当該モーラ変化量を探索していき、閾値Ｔ２よりも小さくなった場合に限り一番前方の当該モーラ変化量Ｖ_ｎを持つモーラをアクセント核とする。今回の例では、変化量最小値Ｖ_Ｎの１つ前方の当該モーラ変化量Ｖ_３は閾値Ｔ２よりも大きいため、前方への探索を終了し、変化量最小値Ｖ_Ｎを持つモーラがアクセント核となる。従って、アクセント核は「し」と判定される（図１１（ｆ１））。しかし、図１１の様な例は稀であるため、実施形態１の場合と比較して、本実施形態に係るアクセント情報抽出装置は、判定精度が大きく劣化しない範囲においては処理量を軽減することが出来るという利点がある。

尚、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。また、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。例えば、実施形態１では、２種類の閾値（閾値Ｔ１、Ｔ２）が存在したが、閾値Ｔ１と閾値Ｔ２はＴ１≧Ｔ２を満たすのであれば、これらは一方の閾値で置き換えても問題はない。

１…アクセント情報抽出装置
１００…Ｆ０抽出部
１０１…モーラ同期情報入力部
１０２…変化量算出部
１０３…変化量最小値検出部
１０４…閾値記憶部
１０５…アクセント型判定部
２００…入力音声波形
２０１…モーラ同期情報
２０２…Ｆ０変化パターン

Claims (6)

1. 入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出部と、
   前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力部と、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出部と、
   前記算出されたモーラ変化量からアクセント型０型を判定する第１の閾値と、アクセント型０型以外を判定する第２の閾値とを記憶する閾値記憶部と、
   前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出部と、
   前記検出されたモーラ変化量である変化量最小値について、前記第１の閾値より大きい場合は０型と判定し、前記第１の閾値よりも小さい場合は、前記変化量最小値を持つモーラより前方のモーラに係るモーラ変化量を連続して探索し、前記モーラ変化量が前記第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、アクセント型を判定するアクセント型判定部と、
   を有することを特徴とするアクセント情報抽出装置。
2. 入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出部と、
   前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力部と、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出部と、
   前記算出されたモーラ変化量からアクセント型を判定するための所定の閾値を記憶する閾値記憶部と、
   全ての前記モーラ変化量が前記閾値より大きい場合は０型と判定し、前記閾値より小さいモーラ変化量が存在する場合は前記モーラ変化量が前記閾値よりも小さいモーラのうち一番前方のモーラをアクセント核とすることによって、アクセント型を判定するアクセント型判定部と、
   を有することを特徴とするアクセント情報抽出装置。
3. 入力音声のアクセント型を判定するコンピュータにおけるアクセント情報抽出方法であって、
   前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出ステップと、
   前記入力音声の前記モーラ同期情報を入力するモーラ同期情報入力ステップと、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出ステップと、
   前記算出されたモーラ変化量からアクセント型０型を判定するための第１の閾値と、アクセント型０型以外を判定するための第２の閾値とを記憶する閾値記憶ステップと、
   前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出ステップと、
   前記検出されたモーラ変化量である変化量最小値について、前記第１の閾値より大きい場合は０型と判定し、前記第１の閾値よりも小さい場合は前記変化量最小値を持つモーラより前方のモーラに係るモーラ変化量を連続して探索し、前記モーラ変化量が前記第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、前記アクセント型を判定するアクセント型判定ステップと、
   を有することを特徴とするアクセント情報抽出方法。
4. 入力音声のアクセント型を判定するコンピュータにおけるアクセント情報抽出方法であって、
   前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出ステップと、
   前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力ステップと、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出ステップと、
   アクセント型０型を判定する第１の閾値と、アクセント型０型以外を判定する第２の閾値とを記憶する閾値記憶ステップと、
   前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出ステップと、
   前記検出されたモーラ変化量である変化量最小値について、前記第１の閾値より大きい場合は０型と判定し、前記第１の閾値よりも小さい場合は、前記変化量最小値を持つモーラより前方のモーラに係るモーラ変化量を連続して探索し、前記モーラ変化量が前記第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、前記アクセント型を判定するアクセント型判定ステップと、
   を有することを特徴とするアクセント情報抽出方法。
5. 入力音声のアクセント型を判定するコンピュータに、
   前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出プログラムと、
   前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力プログラムと、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出プログラムと、
   アクセント型０型を判定する第１の閾値と、アクセント型０型以外を判定する第２の閾値とを記憶する閾値記憶プログラムと、
   前記モーラ変化量が最も小さい負の値を持つモーラを検出する変化量最小値検出プログラムと、
   前記検出されたモーラ変化量である変化量最小値について、前記第１の閾値より大きい場合は０型と判定し、前記第１の閾値よりも小さい場合は、前記変化量最小値を持つモーラより前方のモーラに係るモーラ変化量を連続して探索し、前記モーラ変化量が前記第２の閾値よりも小さい一番前方のモーラをアクセント核とすることによって、前記アクセント型を判定するアクセント型判定プログラムと、
   を実行させることを特徴とするアクセント情報抽出プログラム。
6. 入力音声のアクセント型を判定するコンピュータに、
   前記入力音声から基本周波数の変化パターンであるＦ０変化パターンを抽出するＦ０抽出プログラムと、
   前記入力音声の各モーラに同期した時刻情報であるモーラ同期情報を入力するモーラ同期情報入力プログラムと、
   前記Ｆ０変化パターンおよび前記モーラ同期情報に基づいて、Ｆ０変化パターンのモーラ毎にモーラ代表値を求め、このモーラ代表値を基準とした後方に隣接するモーラのモーラ代表値との変化量であるモーラ変化量をそれぞれ算出する変化量算出プログラムと、
   前記算出されたモーラ変化量から前記アクセント型を判定するための所定の閾値を記憶する閾値記憶プログラムと、
   全ての前記モーラ変化量が前記閾値より大きい場合は０型と判定し、前記閾値より小さいモーラ変化量が存在する場合は前記モーラ変化量が前記閾値よりも小さいモーラのうち一番前方のモーラをアクセント核とすることによって、アクセント型を判定するアクセント型判定プログラムと、
   を実行させることを特徴とするアクセント情報抽出プログラム。

Images