JP6506438B1 - 音声合成装置 - Google Patents

Abstract

【課題】所望の文章を所望のスピードや所望の声の高さで再生させることができる音声合成装置を提供する。
【解決手段】所定のテキストを、所定のスピードと所定の音の高さで音声を合成して出力する音声合成部と、音声合成部に入力するテキストを格納するテキストメモリと、音声合成部で合成する読み上げスピードを格納する読み上げスピードメモリと、音声合成部で合成する声の高さを格納する声の高さメモリとを有し、音声合成部は、テキストメモリに格納されたテキストを、読み上げスピードメモリに格納された読み上げスピードと、声の高さメモリに格納された声の高さで音声合成して出力する。
【選択図】図５

Description

本発明は音声合成装置に関する。

従来の音声再生装置として、外国語に関する外国語音声情報として単語とその単語の使用例としての例文がそれぞれ再生単位とする状態で記憶されている音声情報記憶手段と、音声情報記憶手段に記憶されている外国語音声情報の再生速度を変更可能に再生単位ごとに再生する再生処理部と、再生処理部により再生される外国語音声情報をリピート再生するリピート制御部とを有し、リピート制御部は、再生単位が例文である場合には、さらに、再生単位の外国語音声情報を複数のステージとしてリピート再生を行い、標準速度で再生するステージの後、ステージごとにリピート回数、再生速度の設定を設定可能に再生処理部の再生処理を行うものが知られている（特許文献１参照）。

特開２０１７−０４５０５２号公報

しかしながら、従来の音声再生装置は、利用者が所望の文章を所望のスピードや所望の声の高さで再生させることができなかった。

本発明の目的は、利用者が所望の文章を所望のスピードや所望の声の高さで再生させることができる音声合成装置を提供することにある。

本発明に係る音声合成装置は、所定のテキストを、所定のスピードと所定の音の高さで音声を合成して出力する音声合成部と、前記音声合成部に入力するテキストを格納するテキストメモリと、前記音声合成部で合成する読み上げスピードを格納する読み上げスピードメモリと、前記音声合成部で合成する声の高さを格納する声の高さメモリと、前記音声合成部に入力する前記テキストが表示されたテキストボタンと、前記読み上げスピード及び前記声の高さを設定するコントロールボタンとを表示画面に表示する表示部とを有し、前記音声合成部は、前記テキストメモリに格納されたテキストを、前記読み上げスピードメモリに格納された読み上げスピードと、前記声の高さメモリに格納された声の高さで音声合成して出力し、前記テキストボタンの表示位置が前記表示画面内で変更されても、前記コントロールボタンの表示位置は前記表示画面内の所定位置に固定されており、前記テキストボタンを含むページ外に移動した場合には前記読み上げスピードメモリ及び前記声の高さメモリの値がリセットされ、前記ページ内の前記テキストボタンを表示している限り前記読み上げスピードメモリ及び前記声の高さメモリの値が維持されることを特徴とする。

以上の通り、本発明によれば、所定のテキストを、所定のスピードと所定の音の高さで音声を合成して出力する音声合成部と、音声合成部に入力するテキストを格納するテキストメモリと、音声合成部で合成する読み上げスピードを格納する読み上げスピードメモリと、音声合成部で合成する声の高さを格納する声の高さメモリとを有し、音声合成部は、テキストメモリに格納されたテキストを、読み上げスピードメモリに格納された読み上げスピードと、声の高さメモリに格納された声の高さで音声合成して出力するようにしたので、所望の文章を所望のスピードや所望の声の高さで再生させることができる。

図１は本発明の一実施形態による音声合成装置に関連する書籍を示す図（その１）である。 図２は本発明の一実施形態による音声合成装置に関連する書籍を示す図（その２）である。 図３は本発明の一実施形態による音声合成装置の操作画面であるＷＥＢサイトを示す図（その１）である。 図４は本発明の一実施形態による音声合成装置の操作画面であるＷＥＢサイトを示す図（その２）である。 図５は本発明の一実施形態による音声合成装置を示すブロック図である。 図６は本発明の一実施形態による音声合成装置の処理方法を示すフローチャート（その１）である。 図７は本発明の一実施形態による音声合成装置の処理方法を示すフローチャート（その２）である。 図８は本発明の一実施形態による音声合成装置の処理方法を示すフローチャート（その３）である。 図９は本発明の一実施形態による音声合成装置の処理方法を示すフローチャート（その４）である。

［一実施形態］
本発明の一実施形態による音声合成装置について図１乃至図９を用いて説明する。

（英会話書籍）
本発明の一実施形態による音声合成装置は、英会話書籍の付録として提供するものである。図１及び図２に本実施形態の音声合成装置に関連する英会話書籍の要部を示す。

英会話書籍の表紙（図１（ａ））には、書籍名「くるくるＣＯＮＶＥＲＳＡＴＩＯＮ」がデザイン文字と共に記載され、更に、発行者「ＳＨＩＮＢＩＹＯ ＣＯ．，ＬＴＤ」が記載されている。

英会話書籍の目次（図１（ｂ））には、この書籍の目次が記載されている。この英会話書籍には、美容師のための英会話例が施術別に記載されていることがわかる。

英会話書籍の内容（図１（ｃ）、図２（ａ）、図２（ｂ））には、接客基本編の英会話例が記載されている。図２（ａ）には「こんにちは（もしもし）、ＳＨＩＮＢＩＹＯです。」の英会話例や、「いつ、何時がご希望ですか？」の英会話例が記載され、図２（ｂ）には「ご指名はありますか？」の英会話例や、「指名料は○○円です。」の英会話例が記載されている。

英会話書籍の８３頁対向（目次の８４頁）（図２（ｃ））には、この書籍の付録としての「Communication Tools」について記載されている。「Communication Tools」のひとつとして「リスニングツール」が紹介されている。「弊社ＷＥＢサイトにて、本書籍に掲載したフレーズの音声を聞く事ができます。」と記載され、ＷＥＢサイトにアクセスするためのＱＲコード（登録商標）が印刷されている。また、ＰＣでアクセスする人のために、ＷＥＢサイトのＵＲＬ「https://www.shinbiyo.com/books/other/kurukuruc/listen/」が記載されている。

（ＷＥＢサイト）
本発明の一実施形態による音声合成装置の操作画面であるＷＥＢサイトを図３及び図４に示す。

図３（ａ）は、本実施形態の音声合成装置の操作画面へのログイン画面である。操作者は、ログイン画面の文字入力窓ＩＷにパスワードを入力する。

ログイン画面の文字入力窓ＩＷに予め定められたパスワードが入力されると、英会話書籍の内容と同等な施術別の英会話例が表示された最初の英会話表示画面（図３（ｂ））となる。

図３（ｂ）の英会話表示画面では「くるくるconversation リスニングツール」と表示されている。更に、その下には施術別の英会話例の目次として「接客基本編」「カット編」「仕上げ編」「カラー編」「パーマ編」「ストレートパーマ編」「ヘッドスパ編」と記載されている。上記の各目次をクリックすると、クリックした施術別の英会話例が記載されたページにジャンプする。

施術別の英会話例の目次の次には、最初の接客基本編の英会話例が表示される。英会話教材のページ数「Ｐ．４」と共に、英会話例が表示される。

日本語文として「こんにちは、ＳＨＩＮＢＩＹＯです。」が表示され、その日本語に対応する英語文「Hello, this is Shinbiyo. How may I help you?」と、そのカタカナ読み「ハロー ディス イズ ＳＨＩＮＢＩＹＯ ハウ メイ アイ ヘルプ ユー？」が表示される。

英語文「Hello, this is Shinbiyo. How may I help you?」は、クリック可能な英文ボタンＴＢ１内に表示されている。

操作者が、英文ボタンＴＢ１をクリックすると、英文ボタンＴＢ１内に表示された英語文「Hello, this is Shinbiyo. How may I help you?」が音声出力される。

図３（ｂ）の英会話表示画面の右上の所定位置には、読み上げスピードと声の高さを設定するためのコントロールボタンＣＢが表示されている。

「voice speed（読み上げのスピード）」なる記載の下には、「slow <<」ボタン、「reset」ボタン、「>> fast」ボタンが表示されている。

「voice pitch（声の高さ）」なる記載の下には、「low <<」ボタン、「reset」ボタン、「>> high」ボタンが表示されている。

操作者が、コントロールボタンＣＢ内のボタンをクリックすると、読み上げスピードと声の高さを設定することができる。

操作者が、「voice speed（読み上げのスピード）」の「reset」ボタンをクリックすると、読み上げスピードが標準値に設定される。

操作者が、「voice speed（読み上げのスピード）」の「slow <<」ボタンをクリックすると、読み上げスピードがより遅い値に設定される。

操作者が、「voice speed（読み上げのスピード）」の「>> fast」ボタンをクリックすると、読み上げスピードがより速い値に設定される。

操作者が、「voice pitch（声の高さ）」の「reset」ボタンをクリックすると、声の高さが標準値に設定される。

操作者が、「voice pitch（声の高さ）」の「low <<」ボタンをクリックすると、声の高さがより低い値に設定される。

操作者が、「voice pitch（声の高さ）」の「>> high」ボタンをクリックすると、声の高さがより高い値に設定される。

図３（ｂ）の英会話表示画面を下方向にスクロールすると、図４（ａ）の画面が表示される。図４（ａ）の英会話表示画面では、図３（ｂ）の英会話表示画面の英会話例及び英文ボタンＴＢ１に続く、英会話教材のページ数「Ｐ．４」の英会話例及び英文ボタンＴＢ２と、ページ数「Ｐ．５」の英会話例及び英文ボタンＴＢ３が表示される。

図４（ａ）の英会話表示画面を更に下方向にスクロールすると、図４（ｂ）の画面が表示される。図４（ｂ）の英会話表示画面では、図４（ａ）の英会話表示画面に続く、英会話教材のページ数「Ｐ．５」の英会話例及び英文ボタンＴＢ４と、ページ数「Ｐ．６」の英会話例及び英文ボタンＴＢ５が表示される。更に下方向にスクロールすると、それ以降の英会話例及び英文ボタンが順次表示される。

図４（ａ）、（ｂ）の英会話表示画面にも、読み上げスピードと声の高さを設定するためのコントロールボタンＣＢが表示される。そのコントロールボタンＣＢの表示位置は、図３（ｂ）と同じ画面右上の所定位置である。英会話表示画面がスクロールされて、表示される英会話例が変更されても、読み上げスピードと声の高さを設定するためのコントロールボタンＣＢは常に同じ画面右上の所定位置である。これにより操作者は、表示内容が変更されても画面内の表示位置が変らないコントロールボタンＣＢを容易に操作することができる。

本実施形態では、図３（ｂ）から図４（ａ）、図４（ａ）から図４（ｂ）のように、英会話表示画面がスクロールされても、読み上げスピードと声の高さを設定するためのコントロールボタンＣＢがクリックされない限り、読み上げスピードと声の高さの設定値は維持される。

また、本実施形態では、施術別の英会話例を含む全ての英会話例がひとつのページ内に構成されている。そのため、図３（ｂ）に示す施術別の英会話例の目次をクリックして、クリックした施術別の英会話例が記載されたページにジャンプしても、読み上げスピードと声の高さを設定するためのコントロールボタンＣＢがクリックされない限り、読み上げスピードと声の高さの設定値は維持される。

これにより、操作者の自分に適した読み上げスピードと声の高さで英会話例を続けて聞くことができる。

本実施形態における英会話例を表示するページと全く別のページ、例えば、書籍紹介ページ等にジャンプした場合には、この操作者による英会話例の利用が終了したと判断し、読み上げスピードと声の高さの設定値をリセットして標準値（１．０）とする。

これにより、新たな利用者が英会話例を表示しようとするとき等に、それ以前の利用者の設定に惑わされることなく自分に適した読み上げスピードと声の高さに自由に設定することができる。

（音声合成装置）
本発明の一実施形態による音声合成装置のブロック図を図５に示す。

本実施形態の音声合成装置は、音声データをウェブアプリに組み入れることを可能にするＷｅｂ Ｓｐｅｅｃｈ ＡＰＩを含むプログラムにより実現する。コンピュータを、本実施形態の音声合成装置として機能させるためのプログラムである。このプログラムは、コンピュータ読み取り可能な記録媒体に記録される。

Ｗｅｂ Ｓｐｅｅｃｈ ＡＰＩ（https://developer.mozilla.org/ja/docs/Web/API/Web_Speech_API）は、２つの部分から成り立っている。音声合成（Text-to-Speech）と音声認識（Asynchronous Speech Recognition）である。本実施形態では、音声合成（Text-to-Speech）を用いる。

図５に示すように、音声合成装置１０には、音声合成ＡＰＩ１２が設けられている。操作者が英文ボタン１４をクリックすると、英文ボタン１４に示された英文が英文テキストメモリ１６に格納される。

読み上げのスピードと声の高さとを設定するためのコントロールボタン２０が設けられている。

コントロールボタン２０には、読み上げのスピードを設定するために、slowボタン２２、resetボタン２３、fastボタン２４が設けられている。声の高さを設定するために、lowボタン２６、resetボタン２７、highボタン２８が設けられている。

操作者がコントロールボタン２０を操作することにより、読み上げスピードの値と声の高さの値が設定される。

コントロールボタン２０で設定された読み上げスピードの値は、読み上げスピードメモリ３０に格納される。コントロールボタン２０で設定された声の高さの値は、声の高さメモリ３２に格納される。

音声合成ＡＰＩ１２は、英文テキストメモリ１６に格納された英文を、読み上げスピードメモリ３０に格納された読み上げスピードと、声の高さメモリ３２に格納された声の高さとで音声出力部３４から合成音声を出力する。

（読み上げスピードの設定）
本発明の一実施形態による音声合成装置における読み上げスピードの設定方法のフローチャートを図６に示す。

まず、読み上げスピードのresetボタン２３が押されたか否かを判断する（ステップＳ１０）。読み上げスピードのresetボタン２３が押されたと判断されると、読み上げスピードの値として１．０を読み上げスピードメモリ３０に格納し（ステップＳ１１）、最初のステップＳ１０に処理が移行する。読み上げスピードのresetボタン２３が押されていないと判断されると、ステップＳ１２に処理が移行する。

次に、読み上げスピードのslowボタン２２が押されたか否かを判断する（ステップＳ１２）。読み上げスピードのslowボタン２２が押されたと判断されると、読み上げスピードメモリ３０に格納されている読み上げスピードの値を０．１減算し（ステップＳ１３）、最初のステップＳ１０に処理が移行する。読み上げスピードメモリ３０に格納されている読み上げスピードの値が下限値（０．１）の場合には、それ以上減算されない。読み上げスピードのslowボタン２２が押されていないと判断されると、ステップＳ１４に処理が移行する。

次に、読み上げスピードのfastボタン２４が押されたか否かを判断する（ステップＳ１４）。読み上げスピードのfastボタン２４が押されたと判断されると、読み上げスピードメモリ３０に格納されている読み上げスピードの値を０．１加算する（ステップＳ１５）。読み上げスピードメモリ３０に格納されている読み上げスピードの値が上限値（１０．０）の場合には、それ以上加算されない。読み上げスピードのfastボタン２４が押されていないと判断されると、最初のステップＳ１０に処理が移行する。

（声の高さの設定）
本発明の一実施形態による音声合成装置における声の高さの設定方法のフローチャートを図７に示す。

まず、声の高さのresetボタン２７が押されたか否かを判断する（ステップＳ２０）。声の高さのresetボタン２７が押されたと判断されると、声の高さの値として１．０を声の高さメモリ３２に格納し（ステップＳ２１）、最初のステップＳ２０に処理が移行する。声の高さのresetボタン２７が押されていないと判断されると、ステップＳ２２に処理が移行する。

次に、声の高さのlowボタン２６が押されたか否かを判断する（ステップＳ２２）。声の高さのlowボタン２６が押されたと判断されると、声の高さメモリ３２に格納されている声の高さの値を０．１減算し（ステップＳ２３）、最初のステップＳ２０に処理が移行する。声の高さのlowボタン２６が押されていないと判断されると、ステップＳ２４に処理が移行する。声の高さメモリ３２に格納されている声の高さの値が下限値（０．０）の場合には、それ以上減算されない。声の高さのlowボタン２６が押されていないと判断されると、ステップＳ２４に処理が移行する。

次に、声の高さのhighボタン２８が押されたか否かを判断する（ステップＳ２４）。声の高さのhighボタン２８が押されたと判断されると、声の高さメモリ３２に格納されている声の高さの値を０．１加算する（ステップＳ２５）。声の高さメモリ３２に格納されている声の高さの値が上限値（２．０）の場合には、それ以上加算されない。声の高さのhighボタン２８が押されていないと判断されると、最初のステップＳ２０に処理が移行する。

（表示画面スクロール時とページジャンプ時の設定値制御）
本発明の一実施形態による音声合成装置では、英会話表示画面がスクロールされても読み上げスピードと声の高さの設定値は維持される。また、施術別の英会話例の目次をクリックして、クリックした施術別の英会話例が記載されたページにジャンプし、英会話表示画面がスクロールされても読み上げスピードと声の高さの設定値は維持される。一方、英会話例を表示するページと全く別のページにジャンプした場合には、この操作者による英会話例の利用が終了したと判断し、読み上げスピードと声の高さの設定値をリセットする。

本発明の一実施形態による音声合成装置における英会話表示画面のスクロール時のフローチャートを図８に示す。

操作者の操作により英会話表示画面がスクロールされると、コントロールボタン２０の最上部のＹ座標を取得する（ステップＳ３０）。Ｙ座標とは、全ての英会話例を含む縦長のひとつのページにおける縦方向の座標値である。

次に、スクロール後の表示画面の最上部のＹ座標がコントロールボタンの最上部のＹ座標と一致するか否かを判断する（ステップＳ３１）。

スクロール後の表示画面の最上部のＹ座標がコントロールボタンの最上部のＹ座標と一致していなければ、表示画面の最上部のＹ座標をコントロールボタンの最上部のＹ座標と一致させて（ステップＳ３２）スクロール時の処理を終了する。

スクロール後の表示画面の最上部のＹ座標がコントロールボタンの最上部のＹ座標と一致していれば、そのまま、スクロール時の処理を終了する。

本発明の一実施形態による音声合成装置におけるページジャンプ時のフローチャートを図９に示す。

例えば、操作者の操作によりリンクがクリックされる（ステップＳ４０）と、そのリンクによるジャンプ先が本実施形態の英会話例を含む同じページ内であるか否かを判断する（ステップＳ４１）。

ジャンプ先が同じページ内である場合には、英文テキストメモリ１６、読み上げスピードメモリ３０、声の高さメモリ３２等のメモリの記憶内容を保持したままジャンプして（ステップＳ４２）、ジャンプ時の処理を終了する。

ジャンプ先が英会話例を含む同じページ外の別のページである場合には、英文テキストメモリ１６、読み上げスピードメモリ３０、声の高さメモリ３２等のメモリの記憶内容をリセットして（ステップＳ４３）、指定された別のページにジャンプして（ステップＳ４４）、ジャンプ時の処理を終了する。

［変形実施形態］
上記実施形態に限らず種々の変形が可能である。

例えば、上記実施形態では、英会話書籍における英会話例の音声出力に本発明を適用したが、これに限らない。中国語会話等の他の言語の会話例の音声出力に本発明を適用してもよいし、本の朗読等の文章の音声出力に本発明を適用してもよい。

１０…音声合成装置
１２…音声合成ＡＰＩ
１４…英文ボタン
１６…英文テキストメモリ
２０…コントロールボタン
２２…slowボタン
２３…resetボタン
２４…fastボタン
２６…lowボタン
２７…resetボタン
２８…highボタン
３０…読み上げスピードメモリ
３２…声の高さメモリ
３４…音声出力部
ＩＷ…文字入力窓
ＴＢ１〜ＴＢ５…英文ボタン
ＣＢ…コントロールボタン

Claims (2)

1. 所定のテキストを、所定のスピードと所定の音の高さで音声を合成して出力する音声合成部と、
   前記音声合成部に入力するテキストを格納するテキストメモリと、
   前記音声合成部で合成する読み上げスピードを格納する読み上げスピードメモリと、
   前記音声合成部で合成する声の高さを格納する声の高さメモリと、
   前記音声合成部に入力する前記テキストが表示されたテキストボタンと、前記読み上げスピード及び前記声の高さを設定するコントロールボタンとを表示画面に表示する表示部とを有し、
   前記音声合成部は、前記テキストメモリに格納されたテキストを、前記読み上げスピードメモリに格納された読み上げスピードと、前記声の高さメモリに格納された声の高さで音声合成して出力し、
   前記テキストボタンの表示位置が前記表示画面内で変更されても、前記コントロールボタンの表示位置は前記表示画面内の所定位置に固定されており、
   前記テキストボタンを含むページ外に移動した場合には前記読み上げスピードメモリ及び前記声の高さメモリの値がリセットされ、前記ページ内の前記テキストボタンを表示している限り前記読み上げスピードメモリ及び前記声の高さメモリの値が維持される
   ことを特徴とする音声合成装置。
2. コンピュータを、請求項１記載の音声合成装置として機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。