JPH0229798A - 音声出力装置 - 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】 〔概　　　要〕 音声出力の高速化及び音声出力形式の多様化を図った音
声出力装置に関し、 音声出力の高速化を容易な操作で可能にすると共に、音
声出力形式の柔軟性を増すことを目的とし、 外部装置と入出力を行うためのインターフェースと、該
インターフェースを介して入力するデータが文字列であ
るか中間結果であるかを判別するデータ判別手段と、該
データ判別手段から加わる文字列を音声情報を表わす中
間結果に変換する中間結果変換手段と、該中間結果変換
手段または前記データ判別手段から加わる中間結果に基
づいて音声を合成する音声合成手段と、を有し、前記中
間結果変換手段は前記中間結果を前記インターフェース
を介して外部装置に出力するように構成する。

〔産業上の利用分野〕

本発明は文章等の文字列または発音・韻律記号の列を入
力して音声に変換する音声出力装置に関し、更に詳しく
は音声出力の高速化及び音声出力形式の多様化を図った
音声出力装置に関する。

〔従来の技術〕

第７図、第８図に従来の音声出力装置のシステム構成図
を示す。この従来の音声出力装置においては、第７図で
はキーボード等から成る入力装置６１から文章（文字列
）、また第８図では直接発音記号（例えば日本語の場合
にはかな文字、英語の場合には音素）と韻律記号（アク
セント位置、ポーズ位置、ポーズ長等の韻律を表現する
記号）の列を直接入力することにより、音声が出力され
るようになっている。

第７図では利用者が入力装置６１から文章（文字列）を
入力すると、入力文章は入力制御部６２を介して言語処
理部６３に送られ、言語処理部６３により文章の解析が
行われる。そして、統語・意味・談話解析等により文章
に対応する発音・韻律記号列が作成されて音響処理部６
４に出力される。音響処理部６４は、入力される発音・
韻律記号列を基に所定の合成単位と規律により音声合成
のための音響パラメータを作成し、図示していない内蔵
の音声合成器により音声波形を合成する。

生成された音声波形はスピーカ６５を介して放音される
。

また、第８図では入力装置６１から直接発音・韻律記号
を入力した場合には、その入力した発音・韻律記号に応
じて音響処理部６４により音響パラメータが作成される
音声波形が合成される。

〔発明が解決しようとする課題〕

上述したように、文章を文字列で入力する場合には言語
処理部６３により統語・意味・談話等の解析が行われる
ため、解析処理時間が長（なり、音声出力の指定を行っ
てから実際に音声が出力されるまでに時間がかかりすぎ
ていた。また、文の長さ・構造等により、解析時間が異
ってくるため、音声が出力されるまでの応答時間が文に
よってまちまちになるなど不自然であった。

さらに、日本語においては、「五月」等のように「ゴガ
ツ」、「サツキ」と複数の読み方がある漢字が使用され
るが、文の構造解析だけでは正しい読み方を設定するこ
とは難しく、間違った読み方がなされてしまうなどの問
題があった。

また、音声出力を高速化するためには第８図のように直
接、発音・韻律記号列を入力すればよいが、発音・韻律
記号列の入力には発音・韻律記号に関する予備知識が必
要となり、初心者にとっては容易ではなくまた、熟練者
にとっても入力作業は煩わしく時間のかかるものであっ
た。

本発明は、音声出力の高速化を容易な操作で可能にする
と共に、文字列の複数の発音のうち所望の発音で発声可
能とすることにより、音声出力形式の柔軟性を増すこと
を目的とする。

〔課題を解決するための手段〕

第１図は本発明の原理図である。

インターフェース１を介して、パーソナルコンビエータ
、ワークステーション等の上位装置（ホストコンピュー
タ）から文章の文字列、または発音・韻律記号列、音響
パラメータ（スペクトルパラメータ、ピッチパラメータ
、音響パラメータ等から成る）等の音声情報を表わす中
間結果がデータ判別手段２に入力される。この中間結果
は文字列を音声に変換する途上に生じる音声情報である
。

データ判別手段２は、入力データの先頭に付加されたコ
ードの値によりまたはデータを構成するコードの種別等
（例えば１バイトコードかまたは２バイトコードか）に
より、入力されるデータが文字列であるか中間結果であ
るかを判別する。そして、文字列が入力されれば、その
文字列を中間結果作成手段３に出力し、中間結果が入力
されれば、その中間結果を音声合成手段４に出力する。

中間結果変換手段３は、入力される文字列に対して構造
解析等を行い、入力文字列を対応する発音・韻律記号列
等の中間結果に変換して、音声合成手段４に出力する。

音声合成手段４は、データ判別手段２または中間結果変
換手段３から入力する中間結果に基づいて音声を合成す
る。

一方、インターフェース１を介して上位装置から中間結
果の読み出し要求があった場合には、中間結果変換手段
３は作成した中間結果をインターフェース１を介して上
位装置に送信する。

また、表示手段５は中間結果変換手段３によって作成さ
れた中間結果を表示する。

さらに、中間結果修正手段６は例えば表示手段５に表示
されている中間結果変換手段３によって作成された中間
結果の修正を行う手段であり、例えばエディタ等から成
る。

また、これらの表示や中間結果の修正は上位装置側で行
っても良く、この場合インターフェース部を通じて中間
結果の送受信が行われる。

〔作　　　用〕

本発明では上位装置からの指示により上位装置から入力
される文字列を発音・韻律記号等の中間結果に変換して
上位装置に戻す。

したがって、上位装置ではさまざまな文章を中間結果の
形で蓄積することができる。このため、中間結果を作成
することなく、蓄積されている中間結果を本発明の音声
出力装置に出力することにより高速に音声出力がなされ
る。このことは特に、同一の文章をリピート出力する場
合、効果的である。

また、表示手段５を設けた場合、入力された文字列に対
応する中間結果が表示手段５に表示されるので、表示さ
れるさまざまな文章の中間結果を観察することにより中
間結果の形式を学習することができる。このため、利用
者が容易に自分で中間結果の形式で所望の音声を作成で
きるようになる。この表示手段５は上位装置のものを利
用しても良い。

さらに、中間結果修正手段６を設けた場合、中間結果変
換手段３により作成された中間結果を自由に修正できる
ので、文章の一部が所望していた読みと異っていた場合
、中間結果の一部を修正して、その修正した中間結果を
再度音声合成手段４に出力することにより、所望の正し
い音声出力を得ることが可能となる。

この中間結果修正手段６は上位装置のエディタなどを使
用しても良い。

〔実　　施　　例〕

以下、図面を参照しながら本発明の実施例について説明
する。

第２図は本発明の第１実施例である日本語の音声出力を
行う音声出力装置のシステム構成図である。

同図において、インタフェース部１１はパーソナル・コ
ンピュータやワークステーション等の上位装置との入出
力インターフェースであり、図示していない上位装置か
ら送信されるデータを受信して入力制御部１２に出力す
ると共に、言語処理部１３から加わる中間結果を上位装
置に送信する。

入力制御部１２は、入力データが文字列であるか、また
は中間結果である発音・韻律記号列であるかを判別し、
文字列であれば入力データを言語処理部１３へ、発音・
韻律記号列であれば入力データを音響処理部１４へ出力
する。

言語処理部１３は、文字列に対し構文・意味解析等を行
い、文字列に対応する発音・韻律記号列を作成し音響処
理部１４へ出力する。また、上位装置から発音・韻律記
号列の読み出し要求があった場合には、言語処理部１３
は、作成した発音・韻律記号列をインターフェース部１
１を介して上位装置に出力する。韻律記号は、文節のア
クセント位置、文と文の間の発音休止時間長であるポー
ズ長等を示す記号である。尚、言語処理部１３の詳細な
回路構成は後述する。

音響処理部１４は、発音・韻律記号列に基づいて予め定
められている合成単位と規則により音声合成のための音
響パラメータを作成し、内蔵している音声合成器により
音声波形を合成する。音響処理部１４によって合成され
た音声波形はスピーカ１５を介して放音される。

第３図は、言語処理部１３の一構成例を示すブロック図
である。前処理部２１は、日本語の入力文字列を句読点
「、」、「、」により区分する。

単語同定部２２は、日本語の各単語を格納している単語
辞書２３を検索して、文章を単語単位に分割する。単語
辞書２３内には、単語の品詞、発音記号、アクセントの
位置を表す情報などが格納されており、各単語に関する
品詞情報、発音記号、アクセント位置情報なども読みだ
される。構文解析部は、単語の品詞情報を基に、文章を
文節単位に分割するとともに、文節関係などの構文情報
を作成する。

発音解析部２５は、前後の単語の発音記号を考慮して、
発音記号の修正を行ったり、固有名詞や数詞などの単語
辞書に登録されていない単語に対して発音記号を設定す
る。

また、韻律解析部２６は、構文解析部２４によって作成
された構文情報を基にイントネーションや、ポーズ長を
求め、また複合語や付属語が続いた語のアクセント位置
を予め定められた規則に基づいて求め、韻律記号の修正
、生成を行う。

以上のようにして言語処理部１３により、日本語の文字
列に対応する発音・韻律記号列が作成される。

次に、第４図は音響処理部１４の一構成例を示す図であ
る。

時間長設定部３１は、日本語の各発音記号の発音時間長
が格納されているテーブルを有しており、発音・韻律記
号の列を入力すると、このテーブルを参照しながら音声
の各合成単位に対して発音時間長を設定する。

音声ファイル３２は、各合成単位毎にＰＡＲＣＯＲ係数
から成るスペクトルパラメータと音の強さを指示する音
源パラメータ等を格納しているファイルであり、例えば
ＲＯＭ　（リード・オンリ・メモリ）等の半導体メモリ
またはフロッピィディスクやハードディスク等の外部記
憶装置内に作成される。

スペクトルパラメータ生成部３３は、音声ファイル３２
を参照して、合成単位毎のスペクトルパラメータを設定
する。また、音源パラメータ生成部３４は、音声ファイ
ル３２を参照して、合成単位毎に音源パラメータを設定
する。

さらに、ピッチパラメータ生成部３５は基本的なイント
ネーションパターンを記憶しており、韻律記号で指示さ
れているアクセント位置に基づいて各合成単位毎のピッ
チパラメータ（基本周波数を示すパラメータ）を生成す
る。

上記スペクトルパラメータ、ピッチパラメータ、音源パ
ラメータは、ピッチパラメータ生成部３５から時系列順
にＰＡＲＣＯＲ型の波形合成器から成る波形合成部３６
に出力される。波形合成部３６は、入力される音響パラ
メータ（スペクトルパラメータ、ピッチパラメータ、音
源パラメータ）に基づいて音声波形を合成する。

次に、以上のように構成された上記第１実施例の動作を
第５図のフローチャートを参照しながら説明する。

上位装置からインタフェース部１１を介してデータが送
られてくると（ＳＡＩ）、入力制御部１２はそのデータ
が日本語の文字列、または中間結果（発音・韻律記号列
）のいづれであるかを判別する（ＳＡ２）。

上位装置は、中間結果を送信する場合、データの先頭に
音声情報であることを示す所定のコードを付けて送信す
る。したがって、入力制御部は入力データの先頭が前記
所定コードであるか否かを判別して、送信されたデータ
が中間結果（発音・韻律記号列）であるか否かを判別す
る。

尚、日本語の文字列は漢字かな混じり文の２バイトコー
ド、中間結果（発音・韻律記号列）は英数字による１バ
イトコードで表現するようにして、コードの違いにより
判別するようにしてもよい。

入力制御部１２は、文字列であると判別すれば受信デー
タを言語処理部１３に出力する。

言語処理部１３は、入力する文字列を単語同定、構造解
析等により中間結果（発音・韻律記号列）に変換する（
ＳＡ３）。

ところで、利用者は上位装置からコマンド人力等を行い
、音声出力の有無、文字列の変換結果（すなわち発音・
韻律記号列）を上位装置に送信するか否かを指示するこ
とができる。

これらの指示情報は、言語処理部１３内の特に図示して
いないフラグに格納される。

言語処理部１３は、発音・韻律記号列を作成すると（Ｓ
Ａ３）　、次に前記フラグを参照して音声出力の指示が
なされているかを判別しく５Ａ４）、音声出力の指示が
なされていれば、作成した発音・韻律記号列を音響処理
部１４に出力する（ＳＡ５）。

音響処理部１４は、入力される発音・韻律記号列に基づ
いて音声を合成し、その音声はスピーカ１５を介して放
音される（ＳＡ５）。

次に、言語処理部１３は前記フラグを参照して上位装置
に対し作成した発音・韻律記号列を出力する旨の指示が
なされているを判別しく５Ａ６）、指示されていれば発
音・韻律記号列をインターフェース部１１を介して上位
装置に送信する（ＳＡ７）。

一方、上記ＳＡ２で、入力制御部１２は受信したデータ
が中間結果であると判別すると、その中間結果を音響処
理部１４に出力する（ＳＡ５）。

以後、前記ＳＡ５〜ＳＡＴにより中間結果に対応する音
声出力が行われる。

具体例により、第１実施例の動作をさらに詳しく説明す
る。

例えば、上位装置から「音声認識機能を持つ、・・・」
という日本語の文字列が送信されてくると、入力制御部
１２は文字列であると判別し、上記文字列を言語処理部
１３に出力する。言語処理部１３は、入力する文字列を
ｒＯＮｓＥ−ＮＩＮＳＲＩＫＩＫＩＮＯ−０／Ａ９　Ｍ
ＯＴＳＵ／Ａｌ／ＢＩＪという発音・ａ律記号列に変換
する（ＳＡ３）。尚、「−」は長音を示す発音記号であ
り、ｒ／Ａ　Ｉ　Ｊ、ｒ／Ａ　９　Ｊはアクセント位置
を示す韻律記号、ｒ／ＢＩＪはポーズ長を示す韻律記号
である。ｒ／Ａ　９　Ｊは、文節の９文字目にアクセン
トがあることを示し、ｒ／Ａ　Ｉ　Ｊは文節の１文字目
にアクセントがあることを示す。

したがって、ｒＯＮｓＥ−ＮＩＮＳＨ［ＫＩＫＩＮＯ−
ＯＪの文節内ではｒＫＩＪにアクセントがあり、ｒＭＯ
ＴｓＵＪの文節内ではｒＭＯＪにアクセントがある。

そして、音声出力の指示がなされていた場合、ｒＯＮｓ
Ｅ−ＮＩＮＳＲＩＫＩＫＩＮＯ−０／Ａ９　ＭＯＴＳＵ
／＾１／ＢＩ　Ｊの発音・韻律記号列に基づいて音響処
理部１４により「オンセー　ニンシキ　キノーオ　モツ
」という音声が発音される（ＳＡ５）。

また、中間結果を上位装置に出力する旨の指示がなされ
ていた場合には、言語処理部１３からインターフェース
部１１を介して上位装置にｒＯＮｓｔ！−ＮＩＮＳＨに
ＩＫＩＮＯ−０／＾９　ＭＯＴＳＵ／ＡＩ／Ｂｌ・・・
」という中間結果が送信される。

上位装置では、この中間結果を蓄積し、次に再び「音声
認識機能を持つ・・・」という文章を音声出力させたい
場合には、上記中間結果を音声出力装置に対して再度送
信する。

音声出力装置に送信された中間結果は、入力制御部１２
により中間結果であると判別され（ＳＡ２）、入力制御
部１２から音響処理部１４に出力される。そして、音声
出力の指示がなされていた場合には音響処理部１４によ
り［オンセー　ニンシキ　キノーオ　モツ］という音声
が合成され、スピーカ１５を介して放音される。

このように、中間結果が入力された場合には言語処理部
１３による文字から発音・韻律記号列への変換が行われ
ず、直接音響処理部１４により音声合成が行われるので
、音声出力が高速に行われる。

したがって、音声出力を繰り返し行う文章は中間結果の
形式で記憶しておくようにすれば、便利である。

次に、第６図は第２実施例のシステム構成図である。入
力装置４１は、音声出力を行う文章の文字列もしくは発
音・韻律記号列、または各種コマンド等を入力するため
のキーボード等から成る入力装置である。入力装置４１
から入力されたデータは入力制御装置４２に送られる。

入力制御装置４２は、マイクロプロセッサ等から成り、
図示してはいないがエディターやその他の各種プログラ
ムが格納されているＲＯＭ　（リード・オンリ・メモリ
）、各種データを記憶するＲＡＭ（ランダム・アクセス
・メモリ）等を有しており、ＲＯＭに格納されているプ
ログラムを実行して入力データの判別やデータの編集等
の各種処理を行う。そして、入力４１から入力されたデ
ータが文字列であった場合にはその文字列を言語処理部
４３に出力する。また、発音・韻律記号列であった場合
には、その発音・韻律記号列を音響処理部４４に出力す
る。

言語処理部４３、音響処理部４４及びスピーカ４５は前
述した第２図に示す同一名称のブロックと同様であり、
詳しい説明は省略する。

言語処理部４３によって作成された発音・韻律記号列は
音響処理部４４または表示制御部４６に出力される。

表示制御部４６は、入力する発音・韻律記号列をＣＲＴ
　（Ｃａｔｈｏｄｅ　Ｒａｙ　Ｔｕｂｅ）等から成る表
示装置４７に表示させる制御装置である。

次に、以上のように構成された第２実施例の動作を説明
する。

文章の入力方法には、文字列による入力と、発音・韻律
記号列による入力の２つの入力モードがあり、入力装置
４１からコマンド入力を行うことにより上記２つの入力
モードのうちいづれかを指定する。すなわち、文字列入
力モードにおいて文字列による入力が、発音・韻律記号
列入力モードにおいて発音・韻律記号列による入力が可
能である。

したがって文章人力を行う前にまず入力装置４１から入
力モード設定のコマンド入力を行い所望の入力モードを
指定する。

上記入力モード設定コマンドを入力装置４１から入力す
ると、その入力モード設定コマンドは入力制御装置４２
に送られ、入力制御装置４２は上記入力モード設定コマ
ンドにより指示されたモードを内蔵ＲＡＭ内に設けられ
たモード記憶フラグに記憶する。

上述のようにして文字列入力モードを設定した後、入力
装置４１から任意の日本語の文字列を入力すると、その
入力文字列は入力装置４１がら入力制御装置４２に送ら
れる。入力制御装置４２は、入力装置４１からデータが
送られてくるとモード記憶フラグを参照して現在文字列
入力モードが選択されていると判別し、入力文字列を言
語処理部４３に出力する。そして、言語処理部４３によ
り入力文字列が日本語の発音・韻律記号列に変換され音
響処理部４１に出力される。そして、音響処理部４４に
より音声合成が行われ、スピーカ４５を介して放音され
る。

また、言語処理部４３は、変換した発音・韻律記号列を
表示制御部４６にも出力する。表示制御部４２は入力さ
れる発音・韻律記号列を画面表示させるための表示制御
信号を生成して表示装置４７に加え、表示装置４７に発
音・韻律記号列を表示させる。

このように、文字列を入力すると、文字列で表現された
文章が音声出力されると共に、文字列に対応する発音・
韻律記号列が表示装置４７に表示される。したがって、
さまざまな日本語の文字列を入力しながら、表示される
発音・韻律記号列を見て発音・韻律記号の形式を学習す
ることが可能となる。

また、利用者は、表示装置４７に表示されている発音・
韻律記号列を入力制御装置４２に内蔵されているエディ
タ（データ編集用のプログラム）を起動させることによ
り修正することが可能である。

入力装置４１から、エディタを起動するコマンドを入力
すると、入力制御装置４２内に内蔵されているエディタ
が起動され、表示装置４７に表示されている発音・韻律
記号列を画面を見ながら修正することができる。また、
エディタを用いて利用者が所望の発音・韻律記号列を独
自に作成することもできる。エディタにより、修正・作
成等を行った発音・韻律記号列は、入力装置４１から音
声出力指示のコマンドを入力することにより、入力制御
装置４２から音響処理部４４に送られ、音響処理部４４
により対応する音声波形が生成され、スピーカ４５から
放音される。

一方、発音・韻律記号列入力モードにおいては、入力装
置４１から直接発音・韻律記号列を入力して、音声出力
を行う。

入力装置４１から発音・韻律記号列を入力すると、その
記号列は入力制御装置４２に送られる。

入力制御装置４２は、モード記憶フラグを参照して現在
発音・韻律記号列入力モードが選択されていると判別し
、入力される発音・韻律記号列を音響処理部４４に出力
する。そして、音響処理部４４により発音・韻律記号列
に対応する音声波形が合成され、スピーカ４５を介して
放音される。

尚、上記実施例では日本語の音声出力を行うようになっ
ているが、本発明は日本語に限定されることなく、英語
、ドイツ語、フランス語等の他の言語の音声出力にも通
用可能である。

また、中間結果も発音・韻律記号列に限定されることな
く、スペクトルパラメータ、ピンチパラメータ、音源パ
ラメータ等の音声合成器用の音響パラメータであっても
よい。音響パラメータの形で文章を蓄積しておくと、音
声出力をさらに高速に行うことができる。

さらに、発音・韻律記号列の表示形式も上記実施例に限
定されることなく、その他の表記形式が可能である。

〔発明の効果〕

以上説明したように、本発明によれば、文字列または中
間結果のいづれでも音声に変換可能であり、しかも文字
列が入力された場合には、文字列に対応する中間結果を
外部出力するので、上位装置において中間結果の形で文
章を蓄積することが可能となる。このため、２回目以降
の音声出力においては、中間結果を入力する操作を行わ
すとも蓄積されている中間結果をそのままデータとして
入力すればよ（、同一文章を複数回出力する場合など音
声出力の高速化が可能となる。

また、表示手段を設けて中間結果を表示するようにした
場合には、入力した文章に対応する中間結果が表示され
るので、中間結果の形式を学習することができ、中間結
果の形式の習得に効果的である。

さらに、中間結果の修正・作成を行えるようにした場合
には、利用者が誤って音声変換された読みを正しい読み
方に修正したり、文章の読み方を所望するように指定で
きるので、柔軟性に冨んだ音声出力を行うことが可能と
なる。

ム構成図である。

ｌ・・・インターフェース、 ２・・・データ判別手段、 ３・・・中間結果変換手段、 ４・・・音声合成手段、

【図面の簡単な説明】

第１図は本発明の原理図、 第２図は第１実施例のシステム構成図、第３図は言語処
理部の一構成例を示す図、第４図は音響処理部の一構成
例を示す図、第５図は第１実施例の動作を説明するフロ
ーチャート、

Claims (1)

1. 【特許請求の範囲】 １）外部装置と入出力を行うためのインターフェース（
   １）と、 該インターフェースを介して入力するデータが文字列で
   あるか中間結果であるかを判別するデータ判別手段（２
   ）と、 該データ判別手段から加わる文字列を音声情報を表わす
   中間結果に変換する中間結果変換手段（３）と、 該中間結果変換手段（３）または前記データ判別手段（
   ２）から加わる中間結果に基づいて音声を合成する音声
   合成手段（４）とを有し、前記中間結果変換手段（３）
   は前記中間結果を前記インターフェース（１）を介して
   外部装置に出力することを特徴とする音声出力装置。 ２）前記中間結果変換手段（３）により変換された中間
   結果を表示する表示手段（５）を有することを特徴とす
   る請求項１記載の音声出力装置。 ３）前記中間結果変換手段（３）により変換された中間
   結果を修正する中間結果修正手段（６）を有することを
   特徴とする請求項１または２記載の音声出力装置。