JPH0464080B2 - - Google Patents

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は法則音声合成装置に係り、特に自然な
波形振幅を得るに好適な、音声合成器の振幅パラ
メータ作成装置に関する。

〔発明の背景〕

周知のように、音声合成方式としては、人間の
発声機構をモデル化したPARCOR方式が一般的
である。（北脇他、「PARCOR形音声分析合成系」
電々公社武蔵野通研実用化報告、第27巻、第６
号、P.1061〜1078，1978年） この方式は、LSI化され、市場によく流布して
いる。

第１図、ａ，ｂにPARCOR音声合成の原理図
を示す。

人間は発声機構では、有声音（ａ，ｅ，ｉ，
ｏ，ｕ，……）は声帯１の振動で生じた気流が音
源となり、声道２で調音されて発声される。

一方、無声音（θ，sh，ｐ，ｔ，ｋ……）は声
道１内で生じた乱流が音源となり、声道２で調音
されて発声される。

PARCOR方式では、共鳴管に相当する声道２
をデイジタルフイルタ５に置き換え、音源は有声
音ではパルス列発生源４、無声音では白色雑音発
生源３でモデル化する。また、音声信号は比較的
ゆるやかに変化することから、音源・フイルタは
周期的（10〜20ms）に更新されるパラメータで
特徴づけられる。

これらパラメータとしては、デイジタルフイル
タ５の係数であるPARCOR係数パラメータ、音
源の振幅強度を示す係数である振幅パラメータ、
音源の振動数（周期）に対応する係数であるピツ
チ周期パラメータ、白色雑音と同期パルス列の切
換信号である有声／無声パラメータである。これ
らのパラメータが時系列的に変化し、それによつ
て音声が合成される。

なお、第１図中、６はデイジタルアナログ変換
器、７はスピーカである。

法則音声合成装置は、「あ」、「い」、「う」……
などの音節を合成単位としてもち、この合成単位
を発声すべき単語に従い編集し、第１図ｂのハー
ド構成（以後音声合成器と呼ぶ）を用いて任意の
単語を合成するものである。

なお、合成単位はあらかじめ、「あ」、「い」、
「う」などの原音を分析し、先にのべたパラメー
タの時系列の形で記憶しておく。

たとえば、「あきた」と発声する場合には、
「あ」の合成パラメータ時系列「き」の合成パラ
メータ時系列、「た」の合成パラメータ時系列を
各々読み出し、発声時間順序に従い、一連の「あ
きた」という単語の合成パラメータ時系列として
編集し、これを音声合成器に送る。すると音声合
成器は「あきた」という単語を合成する。

従来の法則合成装置では、発声音声のアクセン
トを自然なものにするために、ピツチ周期パラメ
ータは発声単語のアクセントパターンに従い、
個々に分析して得た音節のピツチパラメータを変
更するか、アクセント規則に従い計算で得る方法
がとられた。つまり、ピツチ周期パラメータを、
振幅パラメータ、PARCOR係数パラメータと独
立して任意に変更していた。

ところが、PARCOR方式においては、
PARCOR係数パラメータと、ピツチ周期パラメ
ータ、振幅パラメータは独立ではない。

PARCOR音声合成の逆過程はPARCOR音声分
析といわれ、合成パラメータはこの分析過程で得
る。

第２図にPARCOR音声分析合成の関係を示す。
PARCOR音声分析器２１では声道の共鳴特性を
表わすPARCOR係数をマイク２３からの入力信
号の波形値から線形予測し、入力信号との誤差が
最小となるように求めてゆく。この時、予測は完
全でないため入力信号値と予測値の誤差が必ずあ
る。この誤差信号は通常残差信号と呼ばれる。

この残差信号２４でPARCOR音声分析器２１
と逆特性のPARCOR音声合成器２２を駆動すれ
ばスピーカ２６から合成音が得られる。通常
PARCOR音声合成器２２の駆動源信号２５とし
ては、情報圧縮をするために、残差信号２４をそ
のまま使用せず、第１図で説明したごとく、有声
音の場合は周期Tp、パルス波高値Ampの周期パ
ルス列、無声音の場合はパルス波高値Ampのラ
ンダムパルス列（白色雑音と等価）でモデル化し
たものを使う。合成器のデイジタルフイルタを駆
動する駆動源信号２５のパルス波高値すなわち合
成器の振幅パラメータAmpは、入力信号音声の
電力と合成器の出力信号音声の電力とが等しくな
るように決める。（エネルギー保存則）分析器２
１と合成器２２は全く逆特性であるため、分析器
の残差信号電力が合成器のデイジタルフイルタの
駆動源信号電力と考えればよい。つまり、残差信
号電力＝駆動源信号電力である。振幅パラメータ
Ampの値は単位時間あたりの残差信号電力＝単
位時間あたりのパルス列の電力の関係から求め
る。パルス列が矩形波の場合、有声音の振幅パラ
メータAmpは、ある時間長（10〜20mS）Ｔとピ
ツチ周期Tpと残差信号電力γ₀から(1)式で求める。

Amp＝√₀× ……(1) 無声音の場合は、白色雑音の統計的な性質から
同様に(2)式から求める。

Amp＝√₀×３ ……(2) 一方、残差信号電力γ₀はPARCOR係数パラメ
ータK₁〜Kp（Ｐはデイジタルフイルタの段数）
と入力信号電力（又は合成信号電力）V₀と(3)式
の関係がある。

γ₀＝V₀×_p πⁱ⁼¹ （１−Ki²） ……(3) 今、１つの合成単位に対応する原音声の１区間
Ｔ（信号電力V₀）を分析し、合成単位パラメータ
時系列の一つとして、PARCOR係数パラメータ
（ｉ＝１〜ｐ）とピツチ周期Tpを得、(1)，(3)式で
振幅パラメータAmpを得たとする。

そして、法則合成において、単語としての正し
いアクセントを付与するためにピツチ周期とし
て、合成単位原音声のピツチ周期Tpとは異なる、
Tp′を与え、他のパラメータをそのままにした場
合を考える。

(1)，(3)式からγ₀を消去して、入力信号電力₀を
求めると(4)式になる。

原音のピツチ周期Tpを用いた場合には、先の
説明でPARCOR音声分析と合成が逆過程である
ため、入力信号電力V₀はそのまま合成信号電力
となるが、ピツチ周期をアクセント規則でTp′に
変更した場合、合成信号電力はもはや原音声の入
力信号V₀に等しくなく、このTp′に依存する。

この場合の合成信号電力S₀は、(4)式でV₀をS₀
にTpをTp′に置き換えた(5)式となる。

第３図に、従来の法則合成装置を用いて、「フ
ユヤマ（冬山）」という単語を合成する様子を示
す。

第３図ａは、合成単位である音節「フ」，「ユ」，
「ヤ」，「マ」それぞれの単独発生音声の電力とピ
ツチ周波数（ピツチ周期の逆数であることに注
意）を示す。法則合成装置には、合成単位として
この音声を分析して得たPARCOR係数と振幅パ
ラメータを記憶しておく。

第３図ｂは、アクセントとして10で示すピツチ
周波数を用い、先の合成単位を編集し、「フユヤ
マ」という単語をえた時の電力変化の様子を示
す。これは先程の説明したごとく式(5)を用いれば
うることができる。

第３図ｃは、合成単位音声を発声した同じ人物
が「フユヤマ」と一つの単語として発声した場合
の音声の電力とピツチ周波数の様子を示す。10で
示すピツチ周波数は、このピツチ周波数を直線で
近似したものである。

第３図ｂ，ｃの電力変化の様子を比較すると、
従来の法則合成でえた「フユヤマ」の電力変化は
通常の発声の電力変化と大きく異なり不自然に聞
こえることは明らかである。

このようなことは、PARCOR係数、振幅パラ
メータと独立にピツチ周期パラメータのみをアク
セント規則で作成するためにおきる。

〔発明の目的〕

本発明の目的は、法則音声合成装置の合成波形
電力をより自然なものとする、合成器の振幅パラ
メータ生成装置を提供するにある。

〔発明の概要〕

本発明は、法則音声合成装置において、合成単
位（たとえば音節）を声道の形を表わす
PARCOR係数パラメータと、正規化された残差
電力パラメータと、有声／無声パラメータを時系
列で記憶し、かつ単語あるいは文節単位の正規化
された電力パラメータと、ピツチ同期パラメータ
を時系列で記憶し、任意の音声を合成する場合の
音声合成器の振幅パラメータを該残差電力パラメ
ータと電力パラメータとピツチ周期パラメータに
よりうるものである。

以下、本発明の原理を説明する。

今、原音「フユヤマ」を分析してPARCOR係
数Kiの時系列を得たとする。そして、実際のピ
ツチ周期Tpとは異なるピツチ周期Tp′の時系列
と原音の電力V₀の最大値V₀maxで正規化した電
力V₀′＝V₀／V₀maxの時系列を考え、合成器を駆
動することを試みる。

原音の分析で得たPARCOR係数Kiとピツチ周
期Tpおよび(1)，(2)，(3)式からうる振幅パラメー
タAmpを使用して合成器を駆動すれば原音電力
V₀と合成器電力S₀は正確に一致する。すなわち、
V₀＝S₀である。

ところが、PARCOR係数Kiと振幅パラメータ
Ampはそのままとし、ピツチ周期パラメータの
み独立にTp′に変更した場合には、先に述べたよ
うに原音電力V₀と合成器電力S₀はV₀≠S⁰となる。

ここでPARCOR係数Kiと変更されたピツチ周
期パラメータTp′を用いて、合成器出力電力が入
力信号電力V₀と少なくとも相似にする方法を考
える。

PARCOR係数Kiから入力信号電力V₀を１とし
た残差電力すなわち正規化残差電力γ′₀を次式で
うる。

γ′₀＝_p πⁱ⁼¹ （１−Ki²） ……(6) (1)，(6)式を用いて合成器の振幅パラメータ、
Amp′をうる。そしてこれらのパラメータを用い
て合成器を駆動する。

このときの合成信号電力S₀′は(5)式を用いて となる。すなわち合成信号電力S₀′は常に一定の
値にすることができる。

ここで、合成信号電力を入力信号電力と相似に
するためには(7)式のγ₀′を入力信号電力に相似に
すればよい。すなわち(6)式において先の正規化し
た電力V′₀を掛けた残差電力γ₀″を用いて振幅パラ
メータAmp″を次式のように作成すればよいこと
になる。

γ₀″＝V′₀×_p πⁱ⁼¹ （１−Ki⁵） ……(9) 以上の本発明の原理をまとめると、任意のピツ
チ周期の時系列を用いて合成を行なつても、原音
のPARCOR係数の時系列と正規化した電力の時
系列が保存されていれば原音の電力と相似した合
成音電力をうることができる。

PARCOR係数は先にのべたように声道の形を
規定するものである。したがつて単語「フユヤ
マ」の発声に用いられた音節「フ」，「ユ」，「ヤ」，
「マ」と法則合成で用いる合成単位である単独発
声音声「フ」，「ユ」，「ヤ」，「マ」のPARCOR係
数はほぼ等しいはずである。

したがつて、本来の単語「フユヤマ」のピツチ
周期と正規化された電力の時系列を記憶しておく
か、一般的な規則で作成すれば、単語「フユヤ
マ」を合成単位「フ」，「ユ」，「ヤ」，「マ」の
PARCOR係数時系列を用いて少なくとも相似な
電力と、正しいピツチ周期をもつたものとして合
成できる。

すなわち、本発明においては、単語の法則合成
を行なうに際し、PARCOR係数の時系列として
は合成単位（音節）のPARCOR係数時系列を順
に編集したものを、ピツチ周期の時系列としては
記憶している単語の正しいアクセントを表わすピ
ツチ周期時系列を、振幅パラメータの時系列とし
ては先の説明のごとく、(9)式を用いて単語の正規
化された電力V′₀の時系列PARCOR係数時系列と
から残差電力γ″₀の時系列を得、ピツチ周期時系
列とともに(10)式に代入してAmp″の時系列を用い
る。

〔発明の実施例〕

以下、本発明の一実施例を第４図により説明す
る。

第４図において３１は文字コード入力端子、３
２は文字コードアドレス変換回路、３３は合成単
位PARCOR係数記憶回路、３４は合成単位有
声／無声パラメータ記憶回路、３５はピツチ周期
パターン記憶回路、３６は正規化電力パターン記
憶回路、３７はピツチ周期パラメータ生成回路、
３８は正規化残差電力生成回路、３９は乗算器、
４０は振幅パラメータ生成回路、４１は一時記憶
回路、４２は音声合成回路、４３はスピーカであ
る。

文字コード入力端子３１は外部から文字コード
列を受けとる。文字コードアドレス変換回路３２
は１文字コードに対応する合成単位（音節）のア
ドレスを合成単位PARCOR係数記憶回路３３と
合成単位有声／無声記憶回路３４に送る。また、
数個の文字コードからなる単語あるいは文節に対
応するアドレスをピツチ周期パターン記憶回路３
５と正規化電力パターン記憶回路３６に送る。

合成単位PARCOR係数記憶回路３３はROMな
どで構成され、合成単位（たとえば日本語音節約
113）毎にPARCOR係数時系列を記憶している。
合成単位有声／無声パラメータ記憶回路３４は合
成単位PARCOR係数記憶回路３３と同じに、合
成単位毎に有声／無声パラメータ時系列を記憶し
ている。

ピツチ周期パターン記憶回路３５はROMなど
で構成され、単語あるいは文節単位のピツチ周期
時系列が固定の一定時間Ｔで除算したTp′／Ｔの
形で記憶されている。正規化電力パターン記憶回
路３６はROMなどで構成され、単語あるいは文
節単位の正規化された電力時系列が記憶されてい
る。ピツチ周期パラメータ生成回路３７はピツチ
周期パターン記憶回路３５よりTp′／Ｔの値をう
け音声合成回路４２に必要なピツチ周期パラメー
タTp′を生成する。正規化残差電力生成回路３８
は合成単位PARCOR係数記憶回路３３から
PARCOR係数をうけ、(6)式に示す演算を行ない
正規化残差電力γ′₀を生成する。

乗算器３９は正規化電力パターン記憶回路３６
から正規化電力V₀′と正規化残差電力生成回路３
８から正規化残差電力γ′₀を得、これを掛け合わ
せて(9)式の残差電力γ₀″をうる。振幅パラメータ
生成回路４０は乗算器３９の出力である残差電力
γ₀″とピツチ周期パターン記憶回路３５の出力で
あるTp′／Ｔと合成単位有声／無声パラメータ記
憶回路３４の出力であるＵ／Ｖをうけ、式(10)によ
り振幅パラメータAmp″をうる。ここで有声音の
ときは式(10)を用いるが、無声音のときは(10)式で
Tp′／Ｔを統計的な固定値、たとえば３に置き換
える。

なお、ピツチ周期パラメータ生成回路３７は乗
算器、減算器などから構成される。また振幅パラ
メータ生成回路４０は乗算器、開平器をもつ。

一時記憶回路４１は音声合成回路４２に必要な
合成パラメータKi＝（ｉ＝１〜Ｐ）、Ｕ／Ｖ，
Tp′，Amp″を合成順序に従い、時系列的に、
各々合成単位PARCOR係数記憶回路３３、合成
単位有声／無声パラメータ記憶回路３４、ピツチ
周期パラメータ生成回路３７、振幅パラメータ生
成回路４０より順に読み、編集して一時的に記憶
する。一時記憶回路４１はRAMなどより構成さ
れる。

次に一時記憶回路４１はこれらの編集された合
成パラメータを音声合成回路４２に送り、音声合
成回路４２はこれらのパラメータを受け、入力文
字コード列に対応した音声波形を合成する。

第５図は本発明の他の一実施例である。

本実施例においては、複数の合成単位を声道を
模擬する声道パラメータと、有声音／無声音切換
信号パラメータと、正規化された残差電力パラメ
ータの時系列で記憶し、複数の単語あるいは文節
をピツチ周期パラメータと、正規化された電力パ
ラメータの時系列で記憶し、音声合成振幅パラメ
ータを残差電力パラメータとピツチ周期パラメー
タと電力パラメータとからうる。PARCOR係数
Kiより正規化残差電力γ₀′を生成するためには(6)
式からわかるように、PARCOR係数の次数をＰ
とすれば減算がＰ回、乗算は（2P−１）回必要
である。法則合成装置の応答速度を高めるために
はなるべく演算回数をへらす必要がある。

第５図において、第４図と同一符号は同一物を
示す。４４は合成単位正規化残差電力記憶回路で
ある。合成単位正規化残差電力記憶回路４４は
ROMなどで構成され、合成単位毎に正規化残差
電力時系列を記憶している。

第５図の動作は第４図とほぼ同じである。唯、
合成単位正規化残差電力記憶回路４４をもつた
め、第４図の正規化残差電力生成回路３８が無用
となり、構成が簡単となるとともに装置の応答速
度を早めることが可能となる。乗算器３９は合成
単位正規化残差電力記憶回路４４の出力である正
規化残差電力γ₀′と正規化電力パターン記憶手段
回路３６の出力である正規化電力₀′を掛け合せ残
差電力γ₀″を振幅パラメータ生成回路４０に送る。

なお、以上の説明においては合成単位を音節
（シラブル）としたが、これに限るものではない。

たとえば、英語におけるPhoneme、あるいは
母音、子音の音素、あるいは母音−子音、子音−
母音連鎖（デミシラブル）、あるいは母音−子音
−母音連鎖でもよい。

また、声道を表わすパラメータとしては、
PARCOR係数に限ることはなく、ホルマントパ
ラメータ、LSP係数などもPARCOR係数に等価
変換可能なため本発明を適用しうる。

さらに、実施例のすべての回路動作は汎用マイ
クロプロセツサを使用してプログラムで行なわさ
ることができる。

〔発明の効果〕

本発明によれば、従来の法則音声合成装置に比
べ、応答速度を落すことなくより自然な合成出力
電力をもつ合成音を任意にうることができる。

【図面の簡単な説明】

第１図はPARCOR音声合成の原理図、第２図
はPARCOR音声分析合成の関係図、第３図は従
来の法則合成装置の動作の概略説明図、第４図は
本発明の一実施例を示す図、第５図は本発明の他
の一実施例を示す図である。 ３３……合成単位PARCOR係数記憶回路、３
４……合成単位有声／無声パラメータ記憶回路、
３５……ピツチ周期パターン記憶回路、３６……
正規化電力パターン記憶回路、３７……ピツチ周
期パラメータ生成回路、３８……正規化残差電力
生成回路、４０……振幅パラメータ生成回路、４
２……音声合成回路、４４……合成単位正規化残
差電力記憶回路。

Claims (1)

1. 【特許請求の範囲】 １ 声道を模擬する声道パラメータの時系列で複
   数の合成単位を記憶する第１の記憶手段と、 有声音／無声音の切換信号パラメータの時系列
   で複数の合成単位を記憶する第２の記憶手段と、 複数の単語あるいは文節をピツチ周期パラメー
   タの時系列で記憶する第３の記憶手段と、 により音声合成手段で音声合成する法則音声合成
   装置において、 複数の単語あるいは文節を、正規化された電力
   パラメータの時系列で記憶する第４の記憶手段と
   振幅パラメータ生成手段とを備え、 上記第１の記憶手段の声道パラメータと、 上記第２の記憶手段の切換信号パラメータと、 上記第３の記憶手段のピツチ周期パラメータ
   と、 上記第４の記憶手段の電力パラメータとを、上
   記振幅パラメータ生成手段に入力して音声合成振
   幅パラメータを得、 該音声合成振幅パラメータを上記音声合成手段
   に入力するように構成させたことを特徴とする法
   則音声合成装置。