JPH02293900A - 音声合成装置 - 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】 産業上の利用分野 本発明は、音声合成装置に関するものである。

従来の技術 従来の音声合成装置としては、例えば、古井：ディジタ
ル音声処理ｐ．１４１１ｉ　（東海大学出版会１９８５
）に示されている。第８図はこの従来の音声合成装置の
構成を示すブロック図である。１は文字列入力端で漢字
かな混じり分が入力される。２はテキスト解析部で、入
力された漢字かな混じり文は辞書３を用いて単語に分割
され、各々の読みφアクセント型●品詞等が付与される
。４は韻律制御部で、各単語●付属語のアクセント型か
ら文節のアクセント型の決定、ポーズ位置や文全体のイ
ントネーシ２ン等の決定を規則により行う。５は音韻制
御部で、テキスト解析部２で得られた読みに対し、母音
の無声化や鼻音化処理、仮名表記と発声表記の異なる場
合等の処理（「私は」の「は」は「わ」と発声される）
を行い、音声表記を得る。

６は合成パラメータ作成部で、韻律情報や音声表記情報
から合成に必要な合成パラメータ列を得る。

合成パラメータとは、音の高さを決める基本周波数、音
声の大きさを決める振幅、声道の状態を決める声道記述
パラメータ（ＰＡＲＣＯＲ係数やホルマント周波数など
）、声帯の状態を決める有声／無声判定フラグ等があり
、パラメータテーブル７に格納されている。ここでは、
従来例●実施例ともに、直●並列型ホルマント合成器を
用いる。

直●並列型ホルマント合成器については、例えばアレン
　エト　アル著　　フロム　テキスト　トウー　スヒ゜
−チ：　号゛　エムアイ　トークシステム（ケンフ゜リ
フシ゜　ユニハ゜−シティ　フ゜レス　１９８７）（Ａ
４１ｅｎ　　ｅｔ　　ａｌ著　Ｆｒｏｍ　Ｔｅｘｔ　ｔ
ｏ　Ｓｐｅｅｃｈ：　Ｔｈｅ　ＭＩＴａｌｋ　ｓｙｓｔ
ｅｍ第１２章（　Ｃａｍｂｒｉｄｇｅ　Ｕｎｌｖｅｒｃ
ｌｔｙ　Ｐｒｅｓｓ　１９８７　））に解説されている
。９はパラメータ補間部で、パラメータテーブル７で得
られた各音素毎のパラメータを補間して一定時間毎の合
成パラメータ列を得る。１０は音声合成部で、パラメー
タ補間部９で得られた合成パラメータ列から実際の音声
を合成し、合成音声出力端１１に音声波形を得る。実際
にこの合成装置をシステムに組み込んで利用する際には
、合成音声出力端をアンプに接続し、必要に応じてスピ
ーカ等を利用する。

合成出力レベルは、このアンプを利用して設定される。

発明が解決しようとする課題 しかし、駅構内など周囲雑音のかなり高い場所でこのよ
うな合成装置を利用する場合、ボリューム（出力音声波
形の振幅）をあげて利用する。合成装置が発声速度可変
の場合には、発声速度を変化させる場合もある。しかし
ボリュームや発声速度を独立に調節するだけでは、雑音
の中で明瞭度の高い、聞きやすい音声を提供することが
できない。実際、人間が雑音の高い場所で話をする場合
には、音程（基本周波数）や発声速度や振幅を関連的に
調節している。

本発明は、かかる従来技術の課題に鑑みてなされたもの
で、周囲雑音のレベルを設定する手段を有して、周囲雑
音レベルに応じて音程（基本周波数）や発声速度、振幅
等の合成パラメータを総合的に制御することにより、周
囲雑音の高いところでも明瞭度の高い、聞きやすい合成
音を発生できる音声合成装置を提供することを目的とし
ている。

課題を解決するための手段 本発明は、文字列もしくは記号列（以後テキストという
）を入力するテキスト入力手段と、前記入力手段からテ
キストを解析するテキスト解析手段と、前記テキスト解
析手段で得られた解析結果に樅って合成パラメータを作
成する合成パラメータ作成手段と、前記合成パラメータ
から音声を合成する音声合成手段と、周囲雑音レベルを
設定する周囲雑音レベル設定手段を有し、前記周囲雑音
レベル設定手段で得られた周囲雑音レベルに応じて、前
記合成パラメータを制御することを特徴とする音声合成
装置である。

作用 本発明は前記した構成により、周囲雑音レベルに応じて
音程（基本周波数）や発声速度、振幅等の合成パラメー
タを制御し、周囲雑音の高いところでも明瞭度の高い、
間きやすい合成音を提供する。

実施例 以下に、本発明の実施例について図面を参照しながら説
明する。

実施例１ 第１図は請求項１記載の発明に関する実施例の音声合成
装置の構成を示すブロック図である。なお、従来例であ
る第８図と共通する要素には同一番号を付けている。１
２は周囲雑音レベル設定端で、周囲雑音レベルをつまみ
を用いて設定する。

本例ではレベル１からレベル５の５段階の調節が可能で
あるとする。１３は雑音レベル読み取り部で、つまみの
設定値を読み取り、その値をパラメータ修正部８に渡す
。２は文字列入力端で漢字かな混じり分が入力される。

３はテキスト解析部で、入力された漢字かな混じり文は
辞書３を用いて単語●付属語に分割され、各々の読み●
アクセント型●品詞等が付与される。４は韻律制御部で
、各車語−付属語のアクセント型から文節のアクセント
型の決定、ポーズ位置や文全体のイントネーション等の
決定を規則により行う。５は音韻制御部で、テキスト解
析部で得られた読みに対し、母音の無声化や鼻音化処理
、仮名表記と発声表記の異なる場合等の処理を行い、音
声表記を得る。６は合成パラメータ作成部で、韻律情報
や音声表記情報から合成に必要な合成パラメータ列を得
る。合成パラメータは、パラメータテーブル７に格納さ
れている。８はパラメータ修正部で合成パラメータ作成
部６で得られたパラメータ値を、雑音レベルに従って変
更する。９はパラメータ補間部でパラメータ修正部８で
得られた各音素毎のパラメータを補間して一定時間毎の
合成パラメータ列を得る。１０は音声合成部で、パラメ
ータ補間部９で得られた合成パラメータ列から実際の音
声を合成し、合成音声出力端１１に音声波形を得る。

次に各処理の詳細について更に具体的実例を用いて説明
する。　『これこそ音声合成です。」という文章が入力
された場合について考える。テキスト解析ｉｌ（２によ
り入力文章は以下のように分割され、アクセントや読み
の情報を得る。

（入力文章）「これこそ音声合成です。」（単語分割）
　これ／こそ／音声／合成／です。

（読み）　　　　　　　　コレ　　　　コソ　　　オン
七−　　コ゜−ｔ−　　テ゜ス（アクセント）ＯＤ１０
ｂ （品詞）　　　代名　副助　名　　名　　助動ここて、
　「こそ」　「です」に対して与えられているアクセン
ト型Ｄやｂは、ＮＨＫアクセント辞典●解説付録（日本
放送出版会　１９８５年）に記載されているもので、自
立語と結合して文節を構成する際の結合アクセント型を
示したものである。

また、各単語のアクセント型は、アクセントのある音節
位置を示したものである・。

次に韻律処理部４で、ポーズ位置や文節のアクセント型
、文全体のイントネーションを決定する。

また音響処理部６で実際の音声表記を得る。以上で得ら
れた韻律情報●音韻情報に従ってパラメータ作成部６で
実際の合成パラメータを得る。本実施例では、合成素片
単位として音素（Ｃ，Ｖ）を、声道の特徴記述パラメー
タとしてホルマント周波数を用いる。すなわち以下に示
す各素片毎にホルマント周波数、バンド幅、基本周波数
、振幅、継続時間長等の各パラメータが、パラメータ●
テーブル７を参照して作成される。各音素毎の継続時間
長、基本周波数、振幅のパラメータ値の一部を次表に示
す。

表 （音素表記）ｋｏｒｅｋｏｓｏ（ホ゜−ス゛）ｏ　　ｎ
　　ｓ　　ｅ：　　ｇ　　ｏ　　ｓ　　ｅ：　　ｄ　　
ｅ　　ｓ　　ｕパラメータ修正部９では、雑音レベルに
従ってパラメータ値を変更する。基本周波数ＦＯ１　継
続時間長ｄｕｒｓ　　振幅をａｍｐとし、雑音レベルＮ
（Ｎ＝１、２、３、４、５）とした時の、パラメータ修
正規則を以下に示す。

基本周波数：　　　　ＦＯ＋４末Ｎ　　　　（　Ｉｌｚ
　）継続時間長：子音ｄｕｒ本（１＋０．０３零Ｎ　）
　（ｍｓｅｃ）母音ｄｕｒ末（１＋　０．０５１Ｎ　）
　（ｍｓｅｃ）振幅二　　　　　　ａｍｐ＊（１＋０　
．０５末Ｎ　）この規則では、例えばＮ＝２の場合、基
本周波数は８Ｈｚ高く、子音時間長拳母音時間長は各々
６％●１０％長くなり、振幅は１．１倍になる。これに
より、周囲雑音レベルが高い時には、ゆっくり大きめに
かつ音程も高めの合成音が作成されることになる。パラ
メータ補間部１０では、こうして得られた各音素のパラ
メータ値を補間し、１０ｍｓｅｃ毎のパラメータ列を得
、音声合成部１１でホルマント型の合成器を用いて合成
する。

なお、実施例において合成単位は音素（Ｃ，　　Ｖ）ホ
ルマント合成方式を用いたが、これに限定されるもので
はない。また、雑音レベルにより制御されるパラメータ
を振幅●継続時間長●基本周波数としたが、これは本発
明を何等拘束するものではない。

以上のように本実施例によれば、雑音レベルに応じて、
振幅φ基本周波数拳発声速度等を制御することにより、
雑音中でも明瞭度の高い合成音声を提供することが出来
る。

実施例２ 第２図は、請求項２記載の発明に関する実施例の音声合
成装置のブロック図を示したものである。

本発明は、周囲雑音を自動的に検知して雑音レベルに応
じてパラメータ値を修正することにより、雑音中でも明
瞭度の高い合成音声を提供することを目的としている。

実施例２は、実施例１の雑音レベル設定端１２と雑音レ
ベル読み取り部１３に代えて、雑音取り込み端１４と雑
音レベル設定部１５がら構成されるものである。雑音取
り込み端１４はマイク等により、音声出力されていない
ときの周囲雑音の取り込みを行う。雑音レベル設定部の
詳細構成を第３図に示す。１５，は、Ａ／Ｄ変換器で、
雑音取り込み端１４から入力された雑音をサンプリング
周波数１２ｋＨｚでＡ／Ｄ変換され、ＲＭＳ計算部１５
ｂで一定時間ごとのＲＭＳを計算する。本実施例では、
合成テキスト入力前５００ｍｓｅｃ分の雑音データもし
くは合成音声出力間の無音部の雑音データを雑音レベル
設定に用いる。雑音レベル決定部では、得られたＲＭＳ
値より雑音レベルＮを決定する。式を以下に示す。

Ｎ＝ＲＭＳ／１０ その他の機能は、実施例１と同様である。

以上のように本実施例によれば、雑音レベルを自動的に
モニタしながら、雑音レベルに応じて、振幅●基本周波
数●発声速度等を制御することにより、雑音中でも明瞭
度の高い合成音声を提供することが出来る。

実施例３ 第４図は、請求項３記載の発明に関する実施例の音声合
成装置のブロック図を示したものである。

本発明は、周囲雑音を自動的に検知して雑音レベルに応
じてパラメータ値を修正し、さらに合成音声の高域成分
を強調することにより、雑音中でも明瞭度の高い合成音
声を提供することを目的としている。雑音中では、一次
差分等を用いて高域を強調すれば明瞭性が上がることは
知られている。

しかし、高域を強調しすぎると、合成品質の自然性は悪
《なる。本発明は、雑音レベルにより高域強調の割合を
制御し、自然性の劣下を最小限に抑えることを目的とす
る。

実施例３は、実施例２に加えてさらに高域強調のための
一次差分係数を求める差分係数計算部１６と合成波形に
一次差分処理を行う合成波形一次差分処理部１７から構
成される。合成音をｘ　（ｎ）、高域強調合成音をｙ　
（ｎ）とするとき、ｙ（ｎ）は、下記の式で求められる
。

ｙ（ｎ）＝ｘ　（ｎ）−ａ＊ｘ　（ｎ−１）ａ：係数 ｎ：サンプル番号 ａは、高域強調の割合に関する係数で、雑音レベルＮか
ら下記の式で与える事とする。

ａ＝　０．２５　＋０．１５　＊　Ｎ その他の機能は実施例２と同様である。

以上のように本実施例によれば、雑音レベルを自動的に
モニタしながら、雑音レベルに応じて、振幅●基本周波
数拳発声速度等を制御し、さらに雑音レベルに応じて合
成音声の高域を強調することにより、雑音中でも自然性
を損なう事なく明瞭度の高い合成音声を提供することが
出来る。

なお、本実施例では、差分処理部を音声合成部の後段に
構成したが、音声合成部内に構成することも可能である
。

実施例４ 第５図は、請求項４記載の発明に関する実施例の音声合
成装置のブロック図を示したものである。

雑音の種類によってはある周波数帯にエネルギーが集中
する場合がある（ディスクの振動騒音など）。本発明は
、周囲雑音の特性を解析して、その時の雑音周波数特性
にあった処理を行うことにより准音中でも明瞭度の高い
合成音声を提供することを目的としている。

実施例４は、実施例２に加えて周囲雑音の周波数特性を
得る周囲雑音特性解析部１８と、周囲雑音の周波数特性
にあったフィルタを設計するフィルタ係数計算部１９と
、合成波形に対しフィルタリング処理を行うフィルタ２
０から構成される。

フィルタの設計法やフィルタリングの方法については、
　　例えば、　　工一・ウ゛イ・オフヘ゜ンハイム、　
アール・タ゜フ゜リュ・シャフｙ−（Ａ．Ｊ．Ｏｐｐｅ
ｎｈｅｌｍ，　Ｒ．Ｗ．Ｓｃｈａｆｅｒ）著　伊達玄訳
ディジタル信号処理（コロナ社　１９７８年）等に解説
されている。周囲雑音解析部では、ＦＦＴもしくはフィ
ルタバンク等を利用して、周囲雑音の周波数特性を求め
る。その他の機能は、実施例２と同様である。

以上のように、本実施例によれば、雑音レベルを自動的
にモニタするだけでなく、雑音の周波数特性を求め、周
囲雑音の特性にあった処理を施すことにより、雑音中で
も明瞭度の高い合成音を提供することが出来る。

実施例５ 第６図は、請求項５記載の発明に関する実施例の音声合
成装置のブロック図を示したものである。

実施例１〜実施例４では、周囲雑音のモニタは合成音声
出力中には行わなかったが、本発明は、合成音声出力中
にでも周囲雑音のモニタを行い、周囲雑音レベルにきめ
細かに対応して雑音中でも明瞭度の高い合成音声を提供
することを目的としている。

実施例５は、実施例２の雑音レベル設定部１５に代えて
、信号を取り込むＡ／Ｄ２１と、さらに合成音声信号を
一定時間遅延させて保持する遅延部２３と取り込んだ信
号と音声信号を比較し音声信号分を除去する比較部２２
と、音声信号が除去された雑音信号を用いて雑音レベル
を決定する雑音レベル決定部２４から構成される。Ａ／
Ｄ２１は、合成音声出力時は合成音声と周囲雑音の両信
号を取り込み、合成出力のないときは、周囲雑音信号を
取り込む。遅延部２３では、取り込んだ信号から合成音
声分を除去するために、合成音声を一定時間遅延させて
保持する。この遅延時間はスビーカとマイク（信号取り
込み端）の位置関係によって決定される。比較部２２で
、取り込んだ信号から合成音声分を除去した後、雑音レ
ベルを決定する。その他の機能は実施例２と同様である
。

以上のように、本実施例によれば、音声出力中でも雑音
レベルを自動的にモニタしてパラメータを制御すること
により、音声出力の途中で雑音が入り始めたような場合
でも即座に対応し、明瞭度の高い合成音を提供すること
が出来る。

実施例６ 第７図は、請求項６記載の発明に関する実施例の音声合
成装置のブロック図を示したものである。

雑音には、例えば鉄道駅構内のように電車の発着の時の
み雑音レベルが大きくなるなど、非定常発生するものが
数多くある。合成出方中に雑音が発生した場合、雑音に
よって合成音声が間こえなくなる場合がある。本発明は
、合成音出力中の信号をモニタし雑音レベルが高いとき
には、自動的に再度合成出力を行い、雑音によって損な
われた情報を回復する事を目的とする。本実施例では、
雑音レベルによるパラメータの修正は行っていない。

実施例６は、実施例５の雑音レベル決定部２４に代えて
、雑音レベル評価部２５から構成される。

雑音レベル評価部では、音声信号と雑音レベルの評価を
行い、雑音レベルがある決められた閾値を越えたときに
は再度合成指令を出す。本実施例では、再出力指令をテ
キスト解析部に対して行い、全ての処理を再度行うもの
としたが、適当なところにバッファを設け中間処理結果
を保持し、再出力の際は途中から処理を行うようにする
ことも可能である。

以上のように、本実施例によれば、音声出力中に雑音が
発生して情報伝達が阻害された場合でも、自動的に検出
して再出力を行うことにより雑音によって損なわれた情
報を回復することが出来る。

発明の効果 以上説明したように、本発明によれば、音声合成装置に
環境雑音レベルを入力する手段を付加し、雑音レベルに
応じて振幅や発声速度、基本周波数を総合的に制御する
ことにより、雑音中でも明瞭度の高い聞きやすい合成音
声を提供することができ、その実用的価値には大なるも
のがある。

【図面の簡単な説明】

第１図は本発明における実施例１の音声合成装置のブロ
ック図、第２図は本発明における実施例２の音声合成装
置のブロック図、第３図は同実施例の雑音レベル設定部
の構成を示したブロック図、第４図は本発明における実
施例３の音声合成装置のブロック図、第５図は本発明に
おける実施例４の音声合成装置のブロック図、第６図は
本発明における実施例５の音声合成装置のブロック図、
第７図は本発明における実施例６の音声合成装置のブロ
ソク図、第８図は従来例の音声合成装置のブロック図で
ある。 １●●●文字列入力端、２●●●テキスト解析部、３●
●●辞書、４拳舎●韻律処理部、５●●●音韻処理部、
６●●●合成パラメータ作成部、７●●●パラメータテ
ーブル、８拳●●パラメータ修正部、９●●●パラメー
タ補間部、　１０ＩΦ●音声合成部、１１●●●合成音
声出力端、１２●●●周囲雑音レベル設定端、１３●●
●雑音レベル読み取り部、１４●●●雑音取り込み端、
１５●●●雑音レベル設定端、１５．●働●Ａ／Ｄ１１
５ｂ●●●ＲＭＳ計算部、１５。●●●雑音レベル決定
部、１６●●●差分係数計算部、１７●Φ●合成波形差
分処理部、１８●●●雑音特性解析部、１９●●●フィ
ルタ係数計算部、２０●拳●フィルタ、２１●●●Ａ／
Ｄ１　２２−●●比較部、２３●●●遅延部、２４●●
●雑音レベル決定部、２５−●拳雑音レベル評価部。 代理人の氏名　弁理士　粟野重孝　はか１名第３図 ｌ４　・一帷奮敢ツ込Ｊ１−冷

Claims (6)

【特許請求の範囲】
1. （１）文字列もしくは記号列（以後テキストという）を
   入力するテキスト入力手段と、前記入力手段から入力さ
   れたテキストを解析するテキスト解析手段と、前記テキ
   スト解析手段で得られた解析結果に従って合成パラメー
   タを作成する合成パラメータ作成手段と、前記合成パラ
   メータから音声を合成する音声合成手段と、周囲雑音レ
   ベルを設定する周囲雑音レベル設定手段を有し、前記周
   囲雑音レベル設定手段で得られた周囲雑音レベルに応じ
   て、前記合成パラメータを制御することを特徴とする音
   声合成装置。
2. （２）周囲雑音レベル設定手段は、少なくとも周囲雑音
   取り込み手段と周囲雑音レベル検出手段を備え、周囲雑
   音レベルの設定を自動的に行なうことを特徴とする請求
   項１記載の音声合成装置。
3. （３）周囲雑音レベル設定手段に加えて、合成音声の高
   域成分を強調するための一次差分処理手段を有し、周囲
   雑音レベルに応じて一次差分係数を制御することを特徴
   とする請求項２記載の音声合成装置。
4. （４）周囲雑音レベル設定手段に加えて、取り込んだ雑
   音の周波数特性を解析する雑音特性解析手段と、前記雑
   音特性解析手段で得られた周囲雑音の周波数特性から決
   定される周波数特性をもつフィルタを設計するフィルタ
   係数計算手段と、前記フィルタ係数計算手段で得られた
   係数を用いて、出力音声をフィルタリングするフィルタ
   を有することを特徴とする請求項２記載の音声合成装置
   。
5. （５）周囲雑音レベル設定手段に加えて、音声合成手段
   の出力である音声信号を一定時間遅延させる遅延手段と
   、取り込んだ信号と前記遅延手段により遅延された音声
   信号の比較を行なう比較手段と、前記比較手段で比較さ
   れた結果に従って雑音レベルを決定する雑音レベル決定
   手段を有することを特徴とする請求項２記載の音声合成
   装置。
6. （６）雑音レベルがある閾値以上の際は、再度合成出力
   処理を更に行うことを特徴とする請求項５記載の音声合
   成装置。