JPH0352635B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は音声合成装置の改良に関する。

機械と人間との情報伝達の手段として、音声に
よる対話は望ましい形態の一つであり、音声合成
装置による機器からの人間への応答は視覚による
応答と異なり機器を注視していない人間、又は注
意力が他に向いている人間にも有効に情報を伝え
る事ができる。音声合成装置のこの種の応用で
は、音声出力の内容を明確に作業者に伝達するた
め、従来より合成音の了解度が極めて重要な要素
であり、この面での改良が進められてきた。

しかしながら、音声による情報伝達は本来対話
形式で人間と人間の間でとりかわされる伝達手段
として発達したものであり、その目的から対話者
相互に同一の状況背景をあらかじめ描いた上で詳
細な情報を高速に伝達できる様な性質をもつてい
る。このため、個々の音節単独での了解度は、発
声者により大巾に異るばかりか、アナウンサの様
な完全に近い発声音による音声であつても、音節
毎の明らかな分離は不可能に近い。対話では、上
記のように分離了解度が不十分な音節を組合せて
単語、文章を発声しこれを聴取するため、完全な
了解度を得るには対話者相互の話題の背景状況の
共通理解と推理が重要な要素となつている。

しかしながら、音声合成装置が有効な対話手段
と見込まれる多くの応用面では、警報、誤操作注
意、緊急行動指示等、聴取者の注意が他の事柄に
向いていたり、音声合成装置の発声内容を全く予
測していなかつたりする場合が極めて多い。従つ
て短いメツセージの場合、完全に近い合成音を出
力しても、聴取者が内容を理解できなかつたり、
誤解してしまう現象が起る。

上記の問題を防止するため、従来この種の音声
合成装置は同じメツセージを複数回出力する方式
や、音声出力に先立つて注意をひくためのアラー
ム音を出力する方法等が用いられている。しかし
このような方式でも、聴取者が合成音の内容を正
確に了解したか否かは不確実であり、確実さを更
に増すために例えば長文のメツセージを出力した
り、前述の２回繰返しや新たなアラーム音の挿入
を行うと、一回の合成音出力で了解できた場合、
逆に耳障りとなり操作に移るまでに時間がかかつ
てしまう等の欠点がある。

本考案はこの欠点を除去し、人間同志の自然な
対話に近い方式で情報伝達を行えるようにする事
によつて、情報伝達の不正確さを除去するととも
に、既知のメツセージが再三出力される事による
操作上の煩雑さを防止することを可能とした音声
合成装置を提供することを目的とする。

以下に図面を参照して本発明の一実施例を詳細
に説明する。第１図はそのブロツク図で、入力用
マイクロホン１、不要入力の除去、入力音声の周
波数特性の補正等を行うためのアナログ信号処理
装置２、音声認識装置３、外部装置からの音声要
求信号７に応じて音声合成器５に発声の指示を行
ない、かつ認識装置３からの信号を判断するため
の制御装置（以下CPUという）３、音声合成器
５、出力用スピーカ６とを有する。

本装置の動作を第２図のタイミング図を用いて
説明する。まず、必要に応じて音声要求信号７が
発生されると、CPU３は音声合成器５の状態を
判断した後適当なタイミングで音声合成器５に対
して、必要なメツセージの出力要求信号８を送出
する。この要求信号８を受けた音声合成器５は、
要求されたメツセージに対応する音声を合成し、
出力用スピーカ６を通して第１回音声９を出力す
る。一方、入力用マイクロホン１は一般の音声認
識入力用又は音声合成装置専用の音声入力用とし
て構成されており、音声合成器が音声を出力して
いる前後の期間を通じて周囲からの音響信号を収
集している。入力用マイクロホン１により収集さ
れ電気信号に変換された信号の中には、音声合成
器から出力された音声９が空中を伝播して混入す
るが、この影響を極力抑え操作する人間の反応音
声もしくは周囲の音響を適確にとらえるようにす
るため、指向性のあるマイクロホン１を用い、か
つ出力用スピーカ６との物理的配置を最適に設計
する事により、混入を最小におさえる事ができ
る。又別の方法として、第１図のアナログ信号処
理装置２に、音声合成器５の出力を帰還して、電
気的にマイクロホン１に混入した合成音を選択的
に消去するようにしてもよい。更に上記２種の方
法を併せ用いる事も有効である。

このようにして周囲の発生する音響信号のみを
重点的に抽出した後の処理手段として、人間の発
声音の一般的周波数スペクトルを補正するための
フイルタ、一般雑音を遮断するための低域フイル
タ、入力音圧レベルのバラツキを抑える自動利得
調整（AVC）回路等でアナログ信号処理装置２
が構成されるが、その内容は一般の音声認識装置
と何ら変わる所はない。

アナログ信号処理装置２の出力は、音声認識装
置３へ導びかれ音声の分析認識が行なわれる。本
発明の特長は音声合成器５と同期した音声認識装
置３の動作と、この時の特定単語の重点認識にあ
る。一般的に日常会話では相手方の発声内容が十
分了解できなかつた場合、相手方に対し反復（言
い直し）を要求するための特定の用語があり、聴
き手はこれを特に意識することなく反射的に発声
している。このような用語中最も頻繁に用いられ
るものは、たとえば日本語を例にとると「エ」又
は「エツ」という発声であり、他に「ハ」、「ア」、
「ナニ」等いくつかの発声が聴き手の習慣により
一般的に用いられている。これら反射的に用いら
れる反復要求用語は、その目的から通常より大き
な音量でしかも短かい発声で行なわれる。例えば
最もよく使われる「エ」又は「エツ」の場合、そ
の発声は0.3秒以上に持続する事は稀である。音
声合成装置を使用する場合も内容が十分了解でき
なかつた場合の聴き手の反射的反応は、上述と同
様である。合成音の出力時間が短かいメツセージ
の場合は、反復要求発声はメツセージの終了後で
かつ終了時より0.5秒以内になされるのが一般的
で、合成出力時間が長いメツセージの場合は発声
はメツセージの出力中にもなされる事がある。

本発明は音声合成装置より出力するメツセージ
を聴き手に確実に伝達する手段を提供するもので
あつて、そのために聴き手が内容を了解できなか
つた場合に反射的に反応する特定発声を認識し
て、音声合成装置が次のメツセージを送出するか
否かを自己判断できるようになされたものであ
る。

即ち、第１図において、CPU４は外部からの
音声要求信号７を受取り、その時必要なメツセー
ジの第１回出力を音声合成器に指示し、一方該合
成出力開始時又は開始時刻の一定時間後、又は合
成出力終了時等からCPUにより制御される特定
の期間で、音声認識装置３に反復要求の要否を決
定する特定発声を認識させる指示を与える。この
期間が特定発声認識期間１０である。ここで用い
られる音声認識装置は、前述の反復要求発声のみ
を限定的に認識するよう構成されているか、又は
一般の音声を認識できる機構に対して指定された
期間反復要求発声を優先的又は限定的に認識する
機構を付加したものでもよい。

第１回の合成音声出力９に当つて、特定期間１
０に音声認識装置３が該反復要求発声を認識した
場合、特定発声認識信号１１が出力され、CPU
４は第２回の合成音声出力１２を音声合成器５に
指示する。この指示は反復要求発声を認識するこ
とによつて行なわれるものであり、その指示タイ
ミングは前述のように合成音によるメツセージの
終了後、もしくはメツセージが長い場合には、メ
ツセージの出力中に反復要求発声がなされる場合
もあるので、その時はメツセージ中であつても反
復要求発声を認識してその時点で現在出力中のメ
ツセージを中止し、所望の時間後再度メツセージ
を初めから出力するようなタイミング等、適宜設
定することができる。尚、CPU４の操作によつ
て、この再合成は第３回以降多回の繰返し、又は
特定回数での打ち切りも容易にできる。又、第１
回の合成出力に対し反復要求発声が認識された場
合、第２回目以降の合成出力メツセージについ
て、音量の増加、発声スピードの増減、メツセー
ジ内容の変更等合成条件を変化させてよりよい了
解度が得られる様にする方が望ましい。

本発明によれば比較的低品質の合成音によつて
も確実な情報伝達が可能となるばかりか、第１回
発声は要点のみを極力短かいメツセージで伝え、
操作に慣れた聴き手に煩わしさを感じさせる不要
な合成出力を減少させると共に、第２回以降必要
に応じて判り易いメツセージを送出することによ
つてメツセージ内容を聴き慣れない聴き手にも確
実に情報を伝達す事が可能となり、音声合成装置
の使い易さを飛躍的に向上させ得るものである。

【図面の簡単な説明】

第１図は本発明の一実施例のブロツク図で、１
はマイクロホン、２はアナログ信号処理装置、３
は音声認識装置、４は制御装置（CPU）、５は音
声合成器、６はスピーカ、７は音声要求信号であ
る。第２図は本実施例の動作タイミング図であ
る。 ８……外部装置からの音声要求信号７によつて
音声合成器５に対し供給される出力要求信号、９
……第１回音声出力、１０……特定発声認識期
間、１１……特定発声認識信号、１２……第２回
音声出力。

Claims (1)

【特許請求の範囲】
1. １ 音声を合成するための情報が格納されたメモ
   リから要求信号により情報を取り出して合成音を
   出力する音声合成部と、周囲の音響を認識する手
   段と、この認識結果に基いて前記音声合成部に再
   合成を要求する信号を供給する制御部とを有する
   ことを特徴とする音声合成装置。