JPH01177097A - 音声合成方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 Ａ、産業上の利用分野 本発明は、音素データを使用して音声を合成する規則音
声合成方式に関する。

Ｂ、発明の概要 本発明は音節を構成する音素を基本単位として音声を合
成するものにおいて、前記各音素を立ち上がり、定常、
立ち下がりに区分し、これら各区分毎に断面積時定数、
継続時間、ピッチ、ピッチ時定数、エネルギー、エネル
ギー時定数、音源を定めて音素データを作成し、且つ前
記音節間に音節結合データを設けると共に、該結合デー
タの少なくとも破裂系の子音と摩擦系の子音とを夫々グ
ルーピングして各１つの子音に類して処理し音節結合デ
ータの量を削減したことを特徴としたものである。

Ｃ０従来の技術 人工的に音声を合成して出力する電子装置は、最近にな
って１ないし数チップの音声認識や音声合成のＬＳＩが
音声情報処理と半導体の大規模集積回路技術により低価
格で実現されるようになり、その使用目的、制約条件に
より種々の方式が提案されている。この音声合成には、
人間の発生した生の音声を録音しておき、これを適当に
結合して文章に編集する録音編集方式と、人間の声を直
接的には利用せず、人間の音声のパラメータだけを抽出
し、音声合成過程で、そのパラメータを制御して人工的
に音声信号を作り出す方法がある。

このパラメータ方式で良質な合成音が得られることで広
く利用されているパーコール（ＰＡＲＣＯＲ）方式があ
る。

音声を電子計算機で扱う場合、音声波形をある周期毎に
サンプリングして各サンプリング点での音声信号の値を
アナログ／ディジタル変換し、その値を０と１の符号で
表示して行われるが、アナログ信号に忠実な記録をする
には、ビット数を増やす必要があるが音声合成信号は大
変多くのメモリーを必要とする。

そこで、この情報量を極力少なくするために各種の高能
率な符号化法が研究開発されている。

その方法の１つとして、１つの音声信号の情報に対し、
最低限の１ビツトとした方式で、デルタ変調方式がある
。この方式は、１ビツトの使い方として、次にくる音声
信号値が現在の値より高いか低いかを判定して、高けれ
ば符号“ｌ”、低ければ符号“０”を与え音声信号の符
号化を行うもので、実際のシステム構成としては一定の
振幅ステップ量（デルタ）を定めておき、誤差が蓄積さ
れないように今までの符号化によって得られる音声の値
と、入力してくる音声信号との残差信号に対して、符号
化を行う。

このような構成を予測コード化といわれ、線形予測法（
何個か前のサンプル値から予測する）およびパーコール
方式（線形予測法の予測係数の代わりにパーコール係数
にといわれる偏自己相関関数を用いる）がある。

Ｄ６発明が解決しようとする問題点 前述のように予測コード化を用いたものは、音と音との
継ぎ目に相当する調音結合が難しいという問題がある。

例えば母音から子音を経て母音に至る発声において、母
音の定常から過渡を経て子音に至りまた母音の過渡を経
て母音の定常音に至る過程で母音と母音の継ぎ目の音が
跡切れ、人間が聞いたときに自然な感じを与えない。

また楽器音合成の場合は、音階の継ぎ目が重要であるが
合成手法が実際の楽器の音発生の原理と異なるため、や
はり自然な感じが無く、特に残響音において顕著にあら
れれる。これら両者において自然な音に近付けるために
は、例えば、人間の音声合成の場合には、種々の母音か
ら種々の子音あるいは母音に至る過程の入力音声信号か
ら作成した予測コードを用意する必要があるためこれを
構成するメモリや、演算器等の電子部品を多く必要とし
装置が高価になる等の問題がある。

Ｅ１問題点を解決するための手段 そこで、本願の発明者は人間の音の発生や楽器の楽音は
人間の口腔や音響管の長さや断面積等の形状変化によっ
て作り出されるので、これら音響管の音波の伝達を表す
進行波現象を音響管等価回路で解析し、音響管の断面積
がサージインピーダンスに反比例することに着目し、サ
ージインピーダンスを変化させることで断面積を模擬的
に変化させ、サージインピーダンスを連続的変化するこ
とで調音結合をスムーズに行うことができるようにして
人間の発声と同様な音の合成を容易となし音声の自然性
の向上を図るようにした音声合成方式を創案し、先に特
許出願した。（特願昭６２−９１７０５、以下、先願と
称す） この先願の発明を基に音節間の調音結合の際、日本語は
、すべての音節は最後に母音がつき、また音節の初めの
子音部の波形にもそれぞれ特色があることに着目し、本
発明は、これら特色の共通する破裂系音、摩擦系音、破
擦系音およびこれらに属さないその他に夫々グルービン
グし、これら各グループを１つの子音として結合データ
を作成し結合データ量を削減する。

Ｆ、実施例 まづ、本願の基礎となる先願の発明の詳細な説明する。

音声発生時の声道の断面積変化は、例えば「ア」の発生
の場合は、喉の奥が狭く口唇が開いた状態で肺から押し
出される呼気で声帯が呼気を断続的に開閉して声道（音
響管）の中で反射を繰り返して出てくる音波が「ア」の
音声波形となって出てくる。「イ」は喉の方が広く口唇
の先が狭いと「イ」の音声波形が出力される。

このように口の恰好で周波数が決まり、口の恰好を模擬
すれば「ア」なり「イ」が発声される。

口の恰好は音響管の断面積で模擬でき、また音響管の断
面積の変化は、サージアドミッタンスの変化で模擬でき
る。従ってサージアドミッタンスを変化すれば口の恰好
が模擬できる。サージアドミッタンスの変化は、電気回
路上極めて容易に可変できるので電気信号によって様々
な音声を合成することができる。第２図（ア）は断面積
Ａｒ、Ａｔ・・・Ａ、と異なる断面積をもった音響管を
接続して声道を模擬したものである。同図（イ）はその
音響インピーダンスを電気回路のＬＣ回路に置き換えた
もので、各音響管を１個のＬＣ線路とし、全体を集中線
路のｎ−１の電気回路としたものである。また第２図（
つ）は進行波等価モデル図で、各音響管の音響インピー
ダンスＺｌ、Ｚ２・・・Ｚｎは、音響管の断面積に反比
例（音響アドミッタンスは比例）し、音波の速度Ｃ゛と
空気密度ρに比例するので となる。なお、同図でＺ、は音源インピーダンス。

ＺＬは放射インピーダンスを示し、またブロック間の矢
印は、進行波と後進波を表している。

今「ア」という音声を発声させる場合は、口唇の先に相
当する音響管の断面積のところで「ア」の口の恰好を与
えて、インパルスＰを断続的に印加することで、「ア」
の音が得られ、また「ア」から「イ」の音を発声させる
場合は、口唇の先に相当する音響管の断面積を狭め「イ
」の口の恰好を与えることで「イ」が得られる。

インパルスＰが連続して断続的に与えられ、断面積全体
を「イ」の口の恰好に変化させる場合、声道は第２図に
示すｎ個の音響管によって模擬しているので、これらの
各断面積を「ア」から動かして口の恰好を「アーイ」と
連続的に変えることになる。この音響管の断面積を変え
るということは、サージインピーダンスを徐々に変える
ことによって行われる。

従って、断面積は連続的に変えられるので、定常状態の
「ア」、「イ」の音が得られることは勿論であるが、更
にインピーダンスは連続して可変できるので、その中間
の音、即ち音と音との間の音を得ることができる。従っ
て音の切れが無く人間の発音に近い調音結合がスムーズ
に行われる。

次に音波の伝搬速度を考えると、これは長さＱでＬＣを
持った電線路にインパルスを印加した時の過渡現象に似
ている。

即ち第３図に示すようにＬＣを有する線路を等価的に表
すと第４図のようになる。ここで両端部からみたサージ
インピーダンスＺ。ｌ＋　ｚｏｚは、ｚ、、＝Ｆ「７で
、Ｚｏｘ＝Ｆ丁７で　となる。

ここで相手から到達してきた進行波を等価的な電流源と
考えると、 となり電流は中間にｎ個の遅延回路ブロックＺがあれば
、ｎ時間後に出力される。即ち左側の回路で発生したも
のがτ時間後右側に到達したということになる。

となる。但し、ディジタル計算においては、電圧または
電流を細分割するのでＶ、、Ｖ、は計測時刻ｔにおける
電圧、τは経過時間を示している。

第４図では、Ｌ、Ｃ回路にインパルスを印加すれば、τ
時間後に出力管側に出る。そしてτ時間前到達されたも
のは相手にも到達しているということを等価的に表して
いる。線路の長さＣを１にするということは、遅延ブロ
ックｎを正規化して１にすることで計算し易くなる。Ｃ
を３ｃｍ＋こ刻む場合は遅延ブロックのｎを３ブロツク
にすればよい。

第２図（ア）を人間の声道は男性で約１７ｃｍなので、
ｌｃｘ刻みで１７本の音響管で模擬すれば、Ａ１から入
った波形は、半周期の電流をＩＯに分割しそのΔｔを１
０μｓｅｃとすれば、１７０μｓｅｅかかってＡｎ側か
ら出てくる。

したがって、音響管断面積Ａ１−八〇の断面積変化に対
応した演算処理を演算処理装置で行い、音響管Ａ、〜Ａ
、の個々の等価回路を流れる各部の電流値を計算するに
必要なＡ　Ｉ””’　Ａ　ｎに対応するインピーダンス
Ｚ１〜Ｚｒ、の値をテーブルとして有するメモリと、当
該等価回路の各部の電流値を演算する演算手段と、この
等価回路とは相隣接する等価回路の電流値を用いて電流
値を演算する演算手段とを備えて演算処理を行えば音声
信号が得られ、その出力をＤ／Ａ変換してスピーカに出
力すればスピーカより音声として出力される。

次に上記の音響管モデルを使用して文字入力信号から規
則によって音声を合成する実施例について説明する。

第５図は、本発明の一実施例を説明するためのブロック
説明図で、■は日本語処理部で、漢字かな混じりで書か
れた文章を入力として受けとり、これを辞書２と対応さ
せて文節１句１文の区切。

形態素分類の自然語解析を行い、更にアクセント処理を
行ってこれを表音変換してイントネーションをつけて文
章処理データを作る。３は音節処理部で、音節パラメー
タを有すし、文章処理されたデータの音節処理を行う。

音節パラメータは子音の１１０個〜１４０個（普通に話
せる言葉１１０個程度あればよい）の音節毎に音の高さ
（ピッチ）音の強さ（エネルギー）および継続時間を与
え、例えば「桜」の場合は第６図に示すようにＳＡ。

ＫＵ、ＲＡ各音節毎にピッチＰ、エネルギーＥ。

時間Ｔを正規化する。４は音素処理部で、パラメータ捕
間機能をもつ音素パラメータを有する。音素パラメータ
は各音素毎に音の立ち上がり部０１゜定常部０１．立ち
下がり部０．に区分を行い、各区分毎に音素（断面積）
時定数、継続時間、ピッチ。

ピッチ時定数、エネルギー、エネルギー時定数。

音源を正規化し、各区分毎のデータのブロックを形成す
る。前記の「桜」に例をとれば第７図に示すようにｒＳ
Ｊ、ｒＡＪ、ｒＫＪ、ｒＵＪ。

ｒＲＪ、ｒＡＪの各音素に区分の立ち上がり部０、であ
ればＤＯ，、Ｔ、、Ｐ、、ＤＰ、、Ｅ、、ＤＥ、。

Ｇ、のデータユニットを形成する。これらのデータユニ
ットは第１図の音響管モデルの断面積Ａ。

〜Ａｎの各断面積Ａ、・、〜Ａｎ−１に対応して設けら
れている。即ち音響管モデルの断面積Ａが１７ある場合
は各音節毎に６Ｘ１７＝１０２のデータユニットが用意
される。前記の各時定数は、前の区分の最終値から、当
該区分のそれぞれに対応する目標値への動き方を指定す
る。時間Ｔは継続時間で、この時間Ｔ内に上記の処理が
行われる。また音源Ｇ　＋、　Ｇ　ｔ、　Ｇ　３は子音
部分では各区分毎に時間Ｔに応じて変化するが、おおむ
ね３００パツ程度、母音部では５０パフ程度のパルス列
で音源を与える。６は音響管モデル部で音響管の断面積
の変化を模擬する制御を行い、その出力を音声合成波形
部７に入力し、音声合成波形部７でデジタル信号をアナ
ログ信号に変えてスピーカ８から音声として出力させる
。

実際に音声を合成する場合は、後続する子音によって母
音の波形が変わったり、また子音についても連続発声に
よって子音部が短くなったり、エネルギーが変わる。従
って合成音声の質を向上させるには音節と音節の調音結
合が極めて重要である。例えば第７図の「Ｓ」からｒＡ
Ｊに移るときは同−音節内あるから連続的に移れるが、
ｒＡＪからｒＫＪに移るときは音節のデータが切りかわ
るので、継ぎ目の音が跡切れ、自然な音がでない。

そこでこの音節間の調音結合を良くするため、前段の音
節の終わりの母音（Ｖ）と次の音節の頭の子音（Ｃ）と
続く母音（■）、いわゆるＶＣＶ結合のデータを作成し
て調音結合する方式やＣＶ結合方式が行われている。し
かしこれらの方式は、音節の数が極めて多くなり、記憶
すべきパラメータの量も増加する。即ちｖＣＶではＣＶ
、Ｖで１００個、ＶＣＶ、Ｎ０Ｖｔ？６１８個、ＶＶ、
ＮＶ。

ＶＮが５０個、合計７６８個の音節を必要とする。

（但しＮは撥音）またＣＶ結合でもＣＶは最低でｌｌＯ
個程度必要であり、これに更にＶＣを加えることになり
、結果的にＣＶＣ結合となるので約７００個程度の音節
が必要となる。

子音にはｒｓＡＪ行に代表される摩擦系のものが約３０
種、ｒＫＡＪ行に代表される破裂系のものが約４０種、
ｒｔｓＪ、ｒｄｚＪの類の破擦系のものが数種類あり、
これらの各県の子音にはそれぞれ特色がある。即ち破裂
系の音の波形は、最初何もなく途中に振動波形がでてこ
れに母音の周期的な波形が現れる。従って母音から子音
に移るときはエネルギーは０となる。また摩擦系の音は
、周期性（ピッチ）の無い不規則な成分が続いた後母音
の周期的な波形が現れる。従って母音と子音の接合部は
、常に母音と子音の波形が交わる。また破擦系の音は、
１旦０になり、０から始まる。

従って子音のデータが無くとも母音のデータに結合でき
る。

そこで本発明は、子音部を上記の３種類の系とこれに属
さないその他の４種類に大分類してグルーピングし夫々
のグループ１つのデータで代表させ、音節結合データの
削減を図ったものである。

第１図は、結合データの実施例で、現音節の母音部に続
く後続音節の子音グループを、破裂基音。

摩擦基音、破擦系音、その他の音の４種類の結合データ
を作る。モして各県の特色に合わせて断面積時定数Ｄｓ
、ピッチ時定数Ｄｐ、エネルギー時定数り、ｕ続時間Ｔ
を設定する。例えば母音から破裂基音に移す場合は、波
形が一旦０になるので、断面積、エネルギー、ピッチの
子音の先頭は０の目標値を与える。

以上のＶＣの調音は、第５図のパラメータ補間部５内で
行われる。

今、第７図のＳＡからＫＵに移る場合について説明する
と、電算機処理で常に次に来る音節がわかっているので
１、「Ｓ」からｒＡＪに移るときに、すでに次にｒＫＵ
Ｊの破裂音がくるのがわかっている。そこで「Ａ」の立
ち上がりＯｌ、定常０、を処理した後、立ち下がりＯ５
で破裂基音のデータを使用して音節間の調音結合が行わ
れる。

以上のように破裂基音、摩擦系音、破擦系音およびその
他の音の４グループに大分類し、その各グループ内の音
節をすべてまとまでｌ音節と同様に取り扱うようにした
ので、Ｃｖ結合の音節として各グループは撥音Ｘを含め
た母音６個だけのデータでよく、従って４グループ含め
て２４個の音節分のデータで足りる。即ち、従来ＶＣＶ
結合、又はＣＶＣ結合の場合は７００〜８００個の音節
を必要としたものが１／３０程度で足りこれらのデータ
を実行するためのパラメータのメモリーは極端に少なく
なる。

なお、第１図（ア）は、子音部を破裂系、摩擦系、破擦
系、およびこれらに含まれないその他の４種類にグルー
ピングした場合であるが、第１図（イ）のように破裂系
、摩擦系、その他、促音等共通できるグループ分けして
もよく、また破裂系と摩擦系で７０数種類の音節があり
、子音の約７０％を占めるので、この破裂系と摩擦系の
み、をグルーピングして、他はＣ■結合データを作って
も、データは若干増えるが本発明の目的は十分達成され
る。

Ｇ０発明の効果 以上のように、本発明は、音節の終わりの母音と、後続
の音節の初めの子音との調音結合データを、子音の少な
くとも破裂系と摩擦系とをグルーピングして、各グルー
プを１つの子音として取扱うデータを作成したので結合
データの量を非常に削減できる。

【図面の簡単な説明】

第１図は、本発明の実施例たる音節結合データの説明図
、第２図は、音響管の電気回路等価モデル図、第３図は
、音声伝搬を電気的に模擬した電気回路図、第４図は、
第３図の等価回路図、第５図は、本発明を説明するため
の文字入力信号から音声合成するブロック結線図、第６
図は音節パラメータ説明図、第７図は音素パラメータ説
明図を示す。 Ｄｓ・・・断面積時定数、Ｄｐ・・・ピッチ時定数、Ｄ
！・・・エネルギー時定数、Ｔ・・・継続時間、ｌ・・
・日本語処理部、２・・・辞書、３・・・音節処理部、
４・・・音素処理部、５・・・パラメータ補間部、６・
・・音響管モデル部、７・・・音声合成波形部、８・・
・スピーカ。 第５図 １　　　　　　　宮Ｐ含Ａｔｓ 第６図 第７図

Claims (1)

【特許請求の範囲】
1. 音節を構成する音素を基本単位として音声を合成するも
   のにおいて、前記各音素を立ち上がり、定常、立ち下が
   りに区分し、これら各区分毎に断面積時定数、継続時間
   、ピッチ、ピッチ時定数、エネルギー、エネルギー時定
   数、音源を定めて音素データを作成し、且つ前記音節間
   に音節結合データを設けると共に、該結合データの少な
   くとも破裂系と摩擦系の子音を夫々グルーピングして１
   つの子音に類して処理するようにしたことを特徴とした
   音声合成方式。