JPH0232399A - 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〉 この発明は、ピッチ波形素片やこれに準する音声波形素
片等の波形素片を編集して音声波形を再生する音声合成
装置に関する。

〈従来の技術〉 音声波形のうち、母音等の有声音には、２．３ｍｓ〜１
０ｍ５周期でほぼ同じ波形が数回から士数回にわたって
繰り返すピッチ構造が見られ、高い冗長性があることが
知られている。従来、上記ピッチ構造を利用して合成音
声を生成する素片編集方式による音声合成装置がある。

この音声合成装置は、ピッチ波形素片やこれに準じた音
声波形素片を所定の間だけ繰り返して接続して音声波形
を合成するものである。こうすることによって、上記ピ
ッチ波形素片やこれに準じた音声波形素片等の波形素片
データ量の低減を図り、かつ、得られる合成音声の高い
音質を保持するのである。

〈発明が解決しようとする課題〉 しかしながら、上記従来の素片編集方式による音声合成
装置は、ピッチ波形素片やこれに準じた音声波形素片を
単に所定の間だけ繰り返して接続して音声波形を合成す
るので、上記ピッチ波形素片や音声波形素片の接続部に
次のように歪みが生じるという問題がある。

第４図は音声波形の合成に用いる波形素片であるピッチ
波形素片の一例を示す。図中◎印はサンプリング時点に
おける波高値（以下、サンプリング波高値と言う）を示
し、この◎印から時間軸に垂直に引かれた実線はサンプ
リング時点を示し、上記サンプリング時点の中間におい
て時間軸に垂直に引かれた破線は波形合成時に上記サン
プリング波高値間を補間して補間波高値を出力する補間
波高値出力時点を示す。第４図に示すピッチ波形素片は
、波形が零クロスする位置によって次のように４種類の
波形タイプがある。

すなわち、サンプリング時点間Ｔｓを２分割してその前
半をＰｌとし後半をＰ、とする。そうすると、第４図（
ａ）に示す波形タイプ■は、ピッチ先端サンプリング波
高値ａの補間直線の零クロス点ｍが上記Ｐ、領領域あり
、ピッチ終端サンプリング波高値ｎの補間直線の零クロ
ス点０がＰ！領領域ある波形である。また、第４図（ｂ
）に示す波形タイプ■は、ピッチ先端サンプリング波高
値の補間直線の零クロス点が上記Ｐ１領域にあり、ピッ
チ終端サンプリング波高値の補間直線の零クロス点がＰ
１領域にある波形である。また、第４図（ｃ）に示す波
形タイプ■は、ピッチ先端サンプリング波高値の補間直
線の零クロス点がＰ、領域にあり、ピッチ終端サンプリ
ング波高値の補間直線の零クロス点がＰ１領域にある波
形である。また、第４図（ｄ）に示す波形タイプ■は、
ピッチ先端サンプリング波高値の補間直線の零クロス点
がＰ１領域にあり、ピッチ終端サンプリング波高値の補
間直線の零クロス点がＰ、領域にある波形である。そこ
で、上述の各タイプのピッチ波形素片を夫々単純に繰り
返したり接続したりすると、接続部においてピッチ周期
が半サンプリング期間の位相ずれを起こして、原波形と
異なる歪みを生ずる。

すなわち、例えば波形タイプ■同士を単純に接続すると
第５図（ｂ）に示すように半サンプリング周期だけ位相
が遅れたようになる。また、波形タイプ■同士を単純に
接続すると第５図（Ｃ）に示すように半サンプリング周
期だけ位相が進んだようになる。この場合にはピッチ波
形素片の立ち上がり部の歪みとなり、合成音声の音質は
大きく劣化する。特にピッチ周期の短い（ピッチ周波数
の高い）女性音声の音質劣化が著しい。

そこで、上記問題を解決するために、！ピッチ波形素片
を切り出して高速フーリエ変換（ＦＦＴ）分析により周
波数軸波形に一旦変換し、位相調整を行った後に逆ＦＦ
Ｔによって時間軸波形に逆変換することにより、ピッチ
波形素片の両端部を零に近付ける方法がある。また、切
り出されたｌピッチ波形に対して線形予測符号化（ＬＰ
Ｇ）分析を行ってインパルス応答波形を再生し、これを
ピッチ波形素片として用いる方法がある。しかしながら
、上記各方法においては、ピッチ波形素片の両端部が十
分に零に近付かなくピッチ波形素片に歪みが残るという
問題や、音色に変化が見られるという問題がある。

そこで、この発明の目的は、簡単な操作によって波形素
片を接続することによって音質劣化のない合成音声を生
成することができる音声合成装置を提供することにある
。

く課題を解決するための手段〉 上記目的を達成するため、この発明は、音声のピッチ波
形素片等の波形素片を編集して音声を合成する音声合成
装置において、上記波形木片の接続部における接続状態
を表す接続タイプを格納する接続タイプ記憶部と、上記
波形木片を接続する際に、上記接続タイプ記憶部に記憶
されている接続タイプに応じて、上記波形素片の終端サ
ンプリング時点と先端サンプリング時点との間を、本来
のサンプリング間隔のまま、または上記本来のサンプリ
ング間隔の１／２だけ短縮あるいは伸長して接続する波
形素片接続部を備えたことを特徴としている。

く作用〉 音声の波形素片を編集して音声を合成する際に、接続タ
イプ記憶部に記憶された接続タイプが参照される。そし
て、この接続タイプに応じて、波形素片の終端サンプリ
ング時点と先端サンプリング時点との間を、本来のサン
プリング間隔のまま、または上記本来のサンプリング間
隔の１／２だけ短縮あるいは伸長して、上記波形素片接
続部によって上記波形素片がスムーズに接続されて音声
波形が合成される。

〈実施例〉 以下、この発明を図示の実施例により詳細に説明する。

第１図はこの発明の音声合成装置のブロック図である。

１はＣＰＵ（中央処理装置）５が音声合成を実行する際
の制御プログラムを格納する制御用ＲＯＭ（リード・オ
ンリ・メモリ）、２は音声合成時にワークメモリとして
使用されるＲＡＭ（ランダム・アクセス・メモリ）、３
は音声の符号化データを格納するためのデータＲＯＭで
あり、４は音声合成の起動等の入出力信号を授受するた
めのＩ１０インターフェース部、６はＣＰＵ５の制御に
よって合成された音声波形のデータをＤ／Ａ変換するＤ
／Ａ変換器であり、７は入力されたアナログ音声波形を
増幅してスピーカ８に出力する増幅器である。上記構成
の音声合成装置は制御用ＲＯＭ１゜ＲＡＭ２．データｒ
（０Ｍ３．１１０インタ一フエース部４．ＣＰＵ５およ
びＤ／Ａ変換器６を１チツプに集積することら可能であ
り、また、増設用として音声符号化データを格納する外
部データＲＯＭ９を外部に増設することも可能である。

上記構成の音声合成装置に外部よりＩ１０インターフェ
ース部４を介して音声合成の起動信号が人力されると、
ＣＰＵ５は制御用ＲＯＭ１に格納された制御用プログラ
ムに基づいて音声合成動作の実行を開始する。そうする
と、データＲＯＭ３に格納されている音声符号化データ
に基づいてＣＰＵ５によって合成音声波形データが生成
される。

そして、生成された合成音声波形データはＤ／Ａ変換器
６によってアナログデータに変換され、増幅器７によっ
て増幅されてスピーカ８から合成音声が出力される。

この発明の音声合成装置は、次のようにしてピッチ波形
素片またはこれに準じた音声波形素片等の波形素片を接
続して合成音声を生成することによって、ピッチ波形の
立ち上がり部に歪みのない合成音声を生成するのである
。

まず第１の方法は、第５図（ａ）に示すように、第４図
に示したピッチ波形素片の波形タイプ■と波形タイプ■
との接続あるいは波形タイプ■と波形タイプ■との接続
によって、接続する際の時間軸に対して前方のピッチ波
形素片の終端サンプリング波高値の補間直線の零クロス
点と後方のピッチ波形素片の先端サンプリング波高値の
補間直線の零クロス点とが共に上記Ｐ、領領域ある場合
、または、波形タイプ■と波形タイプ■との接続あるい
は波形タイプ■と波形タイプ■との接続によって、前方
のピッチ波形素片の終端サンプリング波高値の補間直線
の零クロス点と後方のピッチ波形素片の先端サンプリン
グ波高値の捕間直線の零クロス点とが共に上記Ｐ１領域
にある場合には、本来のサンプリング時点にピッチ波形
素片の終端サンプリング波高値と先端サンプリング波高
を出力してピッチ波形素片を接続する。そして、サンプ
リング間隔Ｔｓの１７２の時点でピッチ波形木片の終端
サンプリング波高値と先端サンプリング波高の補間値（
ム印）を算出して出力し、２つのピッチ波形木片をスム
ーズに接続するのである。以下、このようなピッチ波形
素片の接続方法を接続タイプＯａと言う。

また、第５図（ｂ）に示すように、波形タイプ■と波形
タイプ■との接続あるいは波形タイプ■と波形タイプ■
との接続によって、前方のピッチ波形素片の終端サンプ
リング波高値の補間直線の零クロス点がＰ１領域にあり
後方のピッチ波形素片の先端サンプリング波高値の補間
直線の零クロス点がＰ、領域にある場合には、本来のサ
ンプリング時点でそのまま接続せずに、ピッチ波形素片
の終端サンプリング波高値と先端サンプリング波高値と
の間を本来のサンプリング間隔より半サンプリング間隔
だけ詰めて出力してピッチ波形素片を接続する。以下、
このようなピッチ波形素片の接続方法を接続タイプ１ａ
と言う。

また、第５図（ｃ）に示すように、波形タイプ■と波形
タイプ■との接続あるいは波形タイプ■と波形タイプ■
との接続によって、前方のピッチ波形素片の終端サンプ
リング波高値の補間直線の零クロス点がＰ、領域にあり
、後方のピッチ波形素片の先端サンプリング波高値の補
間直線の零クロス点がＰ＋領域にある場合には、本来の
サンプリング時点でそのまま接続せずに、ピッチ波形素
片の終端サンプリング波高値と先端サンプリング波高値
との間を本来のサンプリング間隔より半サンプリング間
隔だけ広げて出力してピッチ波形素片を接続する。そし
て、ピッチ波形素片の終端サンプリング波高値と先端サ
ンプリング波高値との間が次のようにして補間される。

すなわち、前方のピッチ波形素片の終端サンプリング波
高値をｌｘ、　ｌ、後方のピッチ波形素片の先端サンプ
リング波高値を（Ｘ！１とすると、１ｘ１１＞１ｘｔｌ
の場合には、終端サンプリング波高値ｌｘ、ｌ（すなわ
ち、大きい方の波高値）に続く補間値ｘ、／２を算出し
てＴｓ／２の間隔で出力する。続いて、この補間値ｘ１
７２と先端サンプリング波高値１ｘ＝１（すなわち、小
さいほうの波高値）との間の補間値を計算して出力する
。

以下、このようなピッチ波形素片の接続方法を接続タイ
プ２−（ａ）と言う。また、ＩＸＩＩ＜ＩＸＩＩの場合
には、先端サンプリング波高値ＩＸ、１の前の補間値Ｘ
ｆ／２を算出してＴｓ／２の間隔で出力する。続いて、
この補間値ｘ、／２と終端サンプリング波高値ｘｉとの
間の補間値を計算して出力する。以下、このようなピッ
チ波形素片の接続方法を接続タイプ２−（ｂ）と言う。

また、第２の方法は、ナイキスト定理の２倍の周期でサ
ンプリングを行って、偶数サンプリング時点あるいは奇
数サンプリング時点にかかわらず、ピッチ波形の立ち上
がりに最も近いサンプリング時点から本来のナイキスト
定理の周期で音声合成に用いるサンプリングデータを再
サンプリングする。第６図にその際の波形タイプを示す
。ここで、上記偶数サンプリング時点とはナイキスト定
理の周期におけるサンプリング時点（第６図において実
線によって示した時点）であり、奇数サンプリング時点
とは偶数サンプリング時点間のサンプリング時点（第６
図において破線によって示した時点）である。この場合
、◎印のサンプリング時点におけるサンプリングデータ
が音声合成の対象となるサンプリング波高値（以下、対
象波高値と言う）となり、波形タイプとしては波形タイ
プ■と波形タイプ■の２種類に分類できる。

第７図（ａ）に示すように、第６図に示したピッチ波形
素片の波形タイプ■と波形タイプ■との接続あるいは波
形タイプ■と波形タイプ■との接続によって、時間軸に
対して前方のピッチ波形素片の音声合成の対象となる終
端サンプリング波高値（以下、終端対象波高値と言う）
の補間直線の零クロス点と後方のピッチ波形素片の先端
対象波高値の補間直線の零クロス点とが共にＰ、領域に
ある場合、音声合成の対象となるサンプリング時点にピ
ッチ波形素片の終端対象波高値と先端対象波高値を出力
してピッチ波形素片を接続する。そして、対象サンプリ
ング間隔の１／２の時点で、前方のピッチ波形木片の最
終サンプリング波高値ｑを補間値としてそのまま出力し
て２つのピッチ波形素片をスムーズに接続するのである
。以下、このようなピッチ波形素片の接続方法を接続タ
イプｏｂと言う。

また、第７図（ｂ）に示すように、波形タイプ■と波形
タイプ■との接続あるいは波形タイプ■と波形タイプ■
との接続によって、前方のピッチ波形素片の終端対象波
高値の補間直線の零クロス点がＰ、領域にあり、後方の
ピッチ波形素片の先端対象波高値の補間直線の零クロス
点がＰ、領域にある場合には、音声合成の対象となるサ
ンプリング時点でそのまま接続せずに、ピッチ波形素片
の終端対象波高値と先端対象波高とを半サンプリング間
隔だけ詰めて出力してピッチ波形素片を接続する。以下
、このようなピッチ波形素片の接続方法を接続タイプ１
ｂと言う。

第２図は例えばピッチ波形素片を分析して得られたピッ
チ波形素片データをデータＲＯＭ３（第１図参照）に格
納する際のデータフォーマットの一例を示す図である。

上記フォーマットは複数のピッチ波形素片の符号化デー
タからなり、１つのピッチ波形素片の符号化データは大
別すると補助情報と音声情報とからなる。上記補助情報
は、そのピッチ波形素片が最終のピッチ波形素片か否か
を表す最終素片情報ＩＬこのピッチ波形素片のサンプリ
ングデータを符号化した際の符号化方式情報Ｉ２、ピッ
チ波形素片を繰り返す際の繰り返し数情報１３、このピ
ッチ波形素片を繰り返す際の第５図および第７図に示し
た接続タイプ（以下、繰り返し時接続タイプと言う）情
報１４および同様にこのピッチ波形素片を次のピッチ波
形素片へ接続する際の上記接続タイプ（以下、次ピッチ
波形素片接続タイプと言う）情報１５から構成される。

また、上記音声情報は、このピッチ波形素片に含まれる
符号化データ数を指定するサンプル数情報Ｉ６および音
声合成時に使用される各サンプル時における複数の符号
化データ１７〜符号化データ１９の系列からなる。ここ
で、上記符号化データは補助情報の符号化方式情報Ｉ２
に格納された符号化方式（例えば、パルス符号化方式（
ＰＣＭ）や適応差分パルス符号化方式（ＡＤＰＣＭ）等
）のビット数に応じた形態によって格納されている。

次に、上記第１の方法および第２の方法によって、波形
素片であるピッチ波形素片を接続して合成音声を生成す
る音声合成動作について、第３図のフローチャートに従
って詳細に説明する。

ステップＳｌで、データＲＯＭ３に第２図に示すフォー
マットで格納されているピッチ波形素片データから！バ
イトの補助情報が読み取られ、最終素片情報１１．符号
化方式情報１２．繰り返し数情報１３．繰り返し時接続
タイプ情報１４および次ピッチ波形素片接続タイプ情報
１５に分解される。そして、この各情報に基づいて、Ｒ
ＡＭＺ内の最終素片情報フラグ、符号化方式フラグ、繰
り返し敗カウント、繰り返し時接続タイプおよび次ピッ
チ波形木片接続タイプか夫々セットされる。さらに、Ｒ
ＡＭ２には波形素片接続用繰り返し時接続タイプおよび
波形素片接続用時ピッチ波形素片接続タイプを格納する
エリアかあり、面ビッヂ波形素片データが有する繰り返
し時接続タイプおよび次ピッチ波形素片接続タイプがセ
ットされている。

ステップＳ２で、データＲＯＭ３から１つのピッチ波形
素片が有する符号化データ数を指定するサンプル数情報
１６が読み取られ、ＲＡＭ２内のサンプル数カウントに
その数がセットされる。

ステップＳ３で、データＲＯＭ３から１番目の符号化デ
ータ（第１符号化データ）が読み取られろ。

ステップＳ４で、ＲＡＭ２の符号化方式フラグにセット
された符号化方式に従って、第１符号化データの復号化
処理が行われ、このピッチ波形素片の先端サンプリング
波高値が計算される。そして、この先端サンプリング波
高値に続くサンプリング波高値（第２符号化データに基
づく）との間の補間値が計算される。続いて、ＲＡＭ２
の波形素片接続用繰り返し時接続タイプにセットされて
いる萌ピッチ波形素片データの次ピッチ波形素片接続タ
イプに応じて、前ピッチ波形素片との接続に必要な補間
値算出処理が実行される。また、上記算出された先端サ
ンプリング波高値のＤ／Ａ変換器６への出力のタイミン
グ（接続タイプＯａおよび接続タイプｏｂであれば通常
のタイミングで出力し、接続タイプｌａおよび接続タイ
プｔｂであれば半サンプリング周期早く出力し、接続タ
イプ２　（ａ）または接続タイプ２−（ｂ）であれば半
サンプリング周期遅く出力する）が計算される。

ステップＳ５で、上記ステップＳ４において算出された
先端サンプリング波高値とその前後の補間値が」１記ス
テップＳ４において算出された出力タイミングに従って
Ｄ／Ａ変換器６に出力される。

すなわち、第５図に示した４つの接続タイプに応じて、
前ピッチ波形素片の終端サンプリング波高値と現ピッチ
波形素片の先端サンプリング波高値との間を半サンプリ
ング周期だけ伸長あるいは短縮して補間し、Ｄ／Ａ変換
するのである。

ステップＳ６で、データＲＯＭ３から次の符号化データ
（第２符号化データ）が読み取られる。

ステップＳ７で、上記符号化方式に従って、次の符号化
データの復号化処理が行われ、次のサンプリング波高値
が計算される。そして、さらに上記次のサンプリング波
高値との間の補間値が計算される。そして、算出された
サンプリング波高値と補間値とが通常のタイミングで（
すなわち、本来のサンプリング時点で）Ｄ／Ａ変換器６
に出力される。

ステップＳ８で、サンプル数カウンタの計数値から１が
減算され、その値に基づいて現ピッチ波形木片の符号化
データの処理が総て終了した否かが判別される。その結
果終了していればステップＳ９に進み、そうでなければ
ステップＳ６に戻って次の符号化データの処理を実行す
る。

ステップＳ９で、ＲＡＭ２の波形素片接続用繰り返し時
接続タイプにセットされている前ピッチ波形素片データ
が有する繰り返し時接続タイプが、ＲＡＭ２の繰り返し
接続タイプにセットされている現ピッチ波形木片データ
の繰り返し時接続タイプに更新される。

ステップＳＩＯで、ＲＡＭ２の繰り返し数カウンタの計
数値から１が減算され、その値に基づいて現ピッチ波形
素片の繰り返しが総て終了した否かが判別される。その
結果終了していればステップＳｌｌに進み、そうでなけ
ればス天ツブＳ３に戻って現ピッチ波形素片の第１符号
化データが再度入力され繰り返し処理が実行される。

ステップＳｉｔで、ＲＡＭ２の波形素片接続月次ピッチ
波形素片接続タイプにセットされた前ピッチ波形素片デ
ータの次ピッチ波形素片接続タイプが、Ｉ”（ＡＭ２の
次ピッチ波杉素片接続タイプにセットされている現ピッ
チ波形素片データの次ピッチ波形素片接続タイプに更新
される。

ステップＳ１２で、ＲＡＭ２の最終木片情報フラグを参
照して現ピッチ波形素片が最終素片であるか否かが判別
される。その結果最終木片であれば音声合成動作を終了
し、そうでなければステップＳｌに戻り次のピッチ波形
素片データが読み取られ、次ピッチ波形素片データの処
理に入る。

このように、波形タイプの異なるピッチ波形素片の接続
の組み合わせによって接続タイプを分類し、この接続タ
イプに応じて、接続される両ピッチ波形素片の終端サン
プリング時点と先端サンプリング時点との間を、本来の
サンプリング間隔に対して半サンプリング間隔だけ短縮
したり伸長したり、あるいは本来のサンプリング間隔の
まま接続するようにしている。したがって、ピッチ波形
素片の接続部において位相ずれが生じることがなく、ピ
ッチ波形素片間を簡単な操作によってスムーズに接続す
ることができる。すなわち、この発明によれば、ピッチ
波形素片の立ち上がりにおいて歪みがなく、音質の劣化
が生じない。

上記実施例においては、波形素片としてピッチ波形素片
を用いているが、この発明はこれに限定されるものでは
なく、ピッチ波形素片に準する音声波形素片であっても
よい。

〈発明の効果〉 以上より明らかなように、この発明の音声合成装置は、
音声の波形素片の接続部における接続状態を表す接続タ
イプを接続タイプ格納部に格納し、上記波形素片を接続
して音声を合成する際には、上記接続タイプ記憶部に記
憶された上記接続タイプに応じて、上記波形素片の終端
サンプリング時点と先端サンプリング時点との間を、本
来のサンプリング間隔のまま、または上記本来のサンプ
リング間隔の１／２だけ短縮あるいは伸長して接続する
波形素片接続部を備えたので、波形素片の接続部におい
て位相ずれが生じることがない。したかって、簡単な操
作によってピッチ波形素片間をスムーズに補間して接続
することができる。したがって、この発明によれば、接
続された波形素片の立ち上がりにおいて歪みがなく音質
の劣化がない合成音声を生成することができる。

【図面の簡単な説明】

第１図はこの発明の一実施例における音声合成装置のブ
ロック図、第２図はピッチ波形素片データをデータＲＯ
Ｍに格納する際のフォーマットの一例を示す図、第３図
は音声合成動作のフローチャート、第４図は各波形タイ
プの説明図、第５図は各接続タイプとその接続方法の説
明図、第６図は他の実施例における波形タイプの説明図
、第７図は上記他の実施例における各接続タイプとその
接続方法の説明図である。 Ｉ・・・制御用ＲＯＭ、　　　２・・・ＲＡＭ。 ３・・・データＲＯＭ、４・・・Ｉ１０インターフェー
ス、５・・・ＣＰＵ、　　　　　６・・・Ｄ／Ａ変換器
、７・・・増幅器、　　　　８・・・スピーカ、９・・
・外部データＲＯＭ０ 第 図 データバス 第３図 第２図 第４図 第５図 搏塵配タイプ１ａ ＩＸ引＜１）Ｅｌｌ 碕吐γフ゛２−（ｂ） 第６図 図 象（続タイフ゛ｏｂ 羽ト奈にタイア１ｂ

Claims (1)

【特許請求の範囲】
1. （１）音声のピッチ波形素片等の波形素片を編集して音
   声を合成する音声合成装置において、上記波形素片の接
   続部における接続状態を表す接続タイプを格納する接続
   タイプ記憶部と、上記波形素片を接続する際に、上記接
   続タイプ記憶部に記憶されている接続タイプに応じて、
   上記波形素片の終端サンプリング時点と先端サンプリン
   グ時点との間を、本来のサンプリング間隔のまま、また
   は上記本来のサンプリング間隔の１／２だけ短縮あるい
   は伸長して接続する波形素片接続部を備えたことを特徴
   とする音声合成装置。