JPH0632020B2 - 音声合成方法および装置 - Google Patents

Description

【発明の詳細な説明】 Ａ．産業上の利用分野 この発明は音声合成に関し、とくに高品質の音韻特性を
維持しつつ簡易に音声の継続時間を可変しうるようにし
たものである。

Ｂ．従来の技術 自然音声では種々の要因からその発声速度すなわち継続
時間が変化する。たとえば、発話のテンポに応じて発話
文全体の継続時間が伸縮する。また構文や意味内容等の
言語的制約に応じて所定の句や単語が局所的に伸縮す
る。また１つの呼気段落内の発話音節数に応じて音節の
長さが伸縮する。したがつて高品質すなわち自然音声に
近い合成音声を得るには音声の継続時間を制御すること
が必要となる。

ところで音声の継続時間を制御するために従来２つの手
法が提案されている。その１つはある区間の合成パラメ
ータを除去したり、繰り返したりするものであり、他の
１つは合成フレーム周期を可変にする（分析フレーム周
期は固定）ものである。これらについてはたとえば特開
昭５０−６２７０９号公報に記載がある。しかしなが
ら、合成パラメータの除去および繰り返しを行う手法で
は、このような除去、繰り返しに適した部分、たとえば
母音定常部を予め視察により求めて、可変部分として設
定しておく必要があり、作業が煩雑である。さらに、継
続時間が変化すると、調音器官の動的な特徴が変化する
ため、音韻特性も変化する。たとえば母音のホルマント
は継続時間が短かくなるにつれて一般に中性化する。こ
の従来の手法ではこのような変化を合成音声に反映させ
ることができない。他方合成フレーム周期を可変させる
手法では、簡易に継続時間長を変化させることができる
けれど、どの部分も一率に長くなつたり、短かくなつた
りしてしまう。通常の音声は伸縮の激しい部分と少ない
部分とからなるので、このような手法によると非常に不
自然な合成音になる。この手法では上述の音韻特性の変
化を反映できないことはもちろんである。

Ｃ．発明が解決しようとしている問題点 この発明は以上の事情を考慮してなされたものであり、
音韻特性を高品質に維持したままで、簡易に合成音声の
単位素片（たとえば音素、音節、単語等）の継続時間を
可変させることができる音声合成方法および装置を提供
することを目的としている。

Ｄ．問題点を解決するための手段 この発明では以上の目的を達成するために音声合成の単
位素片を異なる継続時間長で発声させて得た複数の音声
をそれぞれ分析し、この結果として得た複数の分析デー
タに補間を施こして音声の合成に用いるようにしてい
る。

すなわち、所望の継続時間長の目的音声は複数の可変長
フレーム（第３フレーム）から構成され、これら可変長
フレームの各々は第１の基準分析データの固定長のフレ
ーム（第１フレーム）の各々に１対１に対応するものと
する。また、第１の基準分析データのフレーム（第１フ
レーム）と第２の基準分析データの固定長のフレーム
（第４フレーム）とをそれぞれの音響的特徴に基づいて
対応付ける。このことは目的音声の可変長フレームの各
々が第１の分析データの所定部分（第１フレーム）およ
び第２の分析データの所定部分（第２フレーム、固定長
でない）に対応付けられることを意味する。目的音声の
可変長フレームの長さは、第１および第２の分析データ
の対応部分の長さを補間して決定される。目的音声の可
変長フレームの合成パラメータは第１および第２の分析
データの対応部分の合成パラメータを補間して決定され
る。

第３以降の分析データは可変長フレームの長さおよび合
成パラメータの補正を行うのに用いることができる。

また第１および第２の基準分析データのうち、補間の原
点となるものを、標準的な速度の発声を分析して得れ
ば、より高品質の合成音声を得ることができる。

また、第１および第２の基準分析データの対応付けをダ
イナミック・プログラミングに基づいて行えば比較的少
ない計算で対応付け処理を行うことができる。

Ｅ．実施例 以下この発明を規則合成による日本語テキスト音声合成
に適用した一実施例について図面を参照して説明しよ
う。なお、テキスト音声合成は任意の入力テキストから
自動的に音声合成を行うものであり、一般にテキスト
入力、文章解析、音声合成および音声出力の４つ
のステージを有している。のステージでは漢字・カナ
変換辞書や韻律規則辞書を参照して音韻データや韻律デ
ータを決定する。のステージではパラメータ・フアイ
ルを参照して合成パラメータを順次取り出すようにす
る。この実施例では、後述するように２つの入力音声か
ら１つの合成音声を生成するようにしているので、パラ
メータ・フアイルとして複合的なものを採用している。
これについては後に詳述する。

また音声合成の単位素片としては１０１個の日本語の音
節を用いた。

第１図はこの発明の一実施例の方法を実現するシステム
を全体として示している。この第１図において、ワーク
ステーシヨン１は日本語テキストを入力するためのもの
であり、カナ漢字変換等の日本語処理を行えるようにな
つている。このワークステーシヨン１は回線２を介して
ホストコンピユータ３に接続されており、このホストコ
ンピユータ３には補助記憶装置４が接続されている。実
施例の手順の多くは、ホストコンピユータ３で実行され
るソフトウエアで実現されるけれども、理解を容易にす
るためブロツクでその機能を表わすことにした。これら
ブロツクにおける機能の詳細は第２図に譲る。なお、第
１図のブロツクには第２図の対応する箇所と同一の番号
を付した。

ホストコンピユータ３にはさらに回線５を介してパーソ
ナルコンピユータ６が接続され、このパーソナルコンピ
ユータ６にはＡ／Ｄ−Ｄ／Ａコンバータ７が接続されて
いる。コンバータ７にはマイクロホン８およびスピーカ
９が接続されている。パーソナルコンピユータ６はＡ／
Ｄ変換およびＤ／Ａ変換の駆動ルーチンを実行するよう
になつている。

この構成において、音声をマイクロホン８に入力する
と、この入力音声がパーソナルコンピユータ６の制御の
もとでＡ／Ｄ変換され、こののちホストコンピユータ３
に供給される。ホストコンピユータ３の音声分析部１
０，１１はデジタル音声データを分析フレーム周期Ｔ_０
ごとに分析し、合成パラメータを生成して記憶装置４に
記憶させる。このことは第３図の線分ｌ１およびｌ２に
示される。線分ｌ１およびｌ２に関し、分析フレーム周
期Ｔ_０で示され、合成パラメータｐ_ｉおよびｑ_ｉで示さ
れている。なお合成パラメータとしてはαパラメータ、
ホルマント・パラメータ、ＰＡＲＣＯＲ係数等を用いる
ことができ、この実施例では線スペクトル対パラメータ
を採用している。

他方合成時のパラメータ列は第３図に線分ｌ３で示され
るものである。Ｔ_１〜Ｔ_Ｍで示されるＭ個の合成フレー
ムは可変長であり、合成パラメータｒ_ｉで示されてい
る。このパラメータ列の詳細はのちに説明する。このパ
ラメータ列の合成パラメータは順次ホストコンピユータ
３の音声合成部１７に供給され、合成音声を表わすデジ
タル音声データがパーソナルコンピユータ６を介してコ
ンバータ７に供給される。コンバータ７はパーソナルコ
ンピユータ６の制御のもとでデジタル音声データをアナ
ログ音声データに変換し、スピーカ９を介して合成音声
を生成させる。

第２図はこの実施例の手順を全体として示している。こ
の第２図において、まずパラメータ・フアイルの設定が
行われる。すなわち、始めに音声合成の単位素片の１つ
すなわちこの例では１０１個の音節のうちの１つ（たと
えば「ア」）を遅く発声して得た音声を分析する（ステ
ツプ１０）。この分析データはたとえば第３図に線分ｌ
１で示すように、フレーム周期Ｔ_０のフレームをＭ個継
続して構成されている。分析データの継続時間ｔ_０は
（Ｍ×Ｔ_０）である。つぎに同一の単位素片を速く発声
して得た音声を分析する（ステツプ１１）。この分析デ
ータはたとえば第３図に線分ｌ２で示すように、フレー
ム周期Ｔ_０のフレームをＮ個継続して構成されている。
この分析データの継続時間ｔ_１は（Ｎ×Ｔ_０）である。
つぎに線分ｌ１およびｌ２の分析データをＤＰマツチン
グにより対応付ける（ステツプ１２）。すなわち、第４
図に示すように、フレーム間の累積距離が一番小さくな
るようなパスＰをＤＰマツチングにより求め、このパス
Ｐにより線分ｌ１のフレームと線分ｌ２のフレームとを
対応付ける。ＤＰマツチングは具体的には第５図に示す
ように２つの方向にしか移行することができないもので
ある。本来遅く発声した場合のフレームの１つが速く発
声した場合のフレームの２つ以上に対向することはあつ
てはいけないことであり、このような対応付けを禁止す
るのが第５図の規則である。

以上の対応付けにより線分ｌ１のフレームと線分ｌ２の
フレームとについて似ているものどうしの対応付けが行
われたことになる。これを第３図に示す。すなわちｐ_１
ｑ_１、ｐ_２ｑ_２、ｐ_３ｑ_３、・・・が似たものと
して対応付けられる。線分ｌ１の複数のフレームが線分
ｌ２の１つのフレームに対応することがあり、この場合
線分ｌ２のフレームを等分して、線分ｌ１の１つのフレ
ームがその等分部分の１つに対応すると考える。たとえ
ば第３図の線分ｌ１の第２番目のフレームは線分ｌ２の
第２番目のフレームの半分の部分に対応する。この結
果、線分ｌ１のＭ個のフレームの各々が線分ｌ２のＭ個
の時間部分に対応することになる。これら時間部分が必
らずしも同一長でないことは明らかである。

ところで、継続時間ｔがｔ_０およびｔ_１の間にある合成
音声は第３図の線分ｌ３で表わされる。この合成音声で
はフレームがＭ個あり、これらのフレームの各々が線分
ｌ１の１つのフレームおよび線分ｌ２の１つの時間部分
に対応する。したがつて合成音声のフレームは、対応す
る線分ｌ１の１つのフレームの長さ、すなわちＴ_０と、
対応する線分ｌ２の１つの時間部分の長さとを補間した
ものとなる。また、合成パラメータｒ_ｉは対応する合成
パラメータｐ_ｉおよびｑ_ｊを補間したものとなる。

さてＤＰマツチングののちフレームの時間長変化量ΔＴ
_ｉおよびパラメータ変化量Δｐ_ｉを求める（ステツプＣ
１３）。フレームの時間長変化量ΔＴ_ｉは、線分ｌ_１の
第１番のフレームに対応する線分ｌ_２の時間部分の長さ
が、線分ｌ_１の第ｉ番目のフレームの長さ、すなわちＴ
_０からどれだけ変化しているかを示すものである。第３
図ではΔＴ_２を一例として示している。線分ｌ_１の第ｉ
番目のフレームに対応する線分ｌ_２のフレームをｊで表
わせば、ΔＴ_ｉは で表わすことができる。ただしｎ_ｊは線分ｌ_２のｊ番目
のフレームに対応する線分ｌ_１のフレーム数である。

合成音声の継続時間ｔを、ｔ_０を補間原点としてｔ_０お
よびｔ_１の直線補間により表わすと、 ｔ＝ｔ_０＋ｘ（ｔ_１−ｔ_０）ただし０≦ｘ≦１となる。
なお、以下ではｘを補間変数と呼ぶことにする。補間変
数ｘが０に近いほど原点に近い。この補間変数ｘと変化
量ΔＴ_ｉとを用いると、合成音声の各フレームの時間長
Ｔ_ｉは、Ｔ_０を補間原点とした補間式 Ｔ_ｉ＝Ｔ_０−ｘΔＴ_ｉ により表わされる。ΔＴ_ｉを求めておくことにより、ｔ
_０−ｔ_１の間の任意の継続時間を有する合成音声の各フ
レームの時間長Ｔ_ｉを得ることができる。

他方パラメータを変化量Δｐ_ｉは（ｐ_ｉ−ｑ_ｊ）であ
り、つぎの式により合成音声の各フレームのパラメータ
ｒ_ｉを得ることができる。

ｒ_ｉ＝ｐ_ｉ−ｘΔｐ_ｉ したがつてΔｐ_ｉを求めておくことにより、ｔ_０〜ｔ_１
の間の任意の継続時間を有する合成音声の各フレームの
合成パラメータｒ_ｉを得ることができる。

以上のようにして得た変化量ΔＴ_ｉおよびΔｐ_ｉはｐ_ｉ
とともに第７図に示すようなフオーマットで補助記憶装
置４に記憶される。以上の処理は他の単位素片について
も同様に実行されて最終的に複合的なパラメータ・フア
イルが構成される。

パラメータ・フアイルを構成すればテキスト音声合成の
準備が完了し、以降テキストを入力する（ステツプ１
４）。このテキスト入力がワークステーシヨン１で実行
され、テキスト・データがホストコンピユータ３に送ら
れることについてはすでに述べた。ホストコンピユータ
３の文章解析部１５では漢字カナ変換、韻律パラメータ
の決定、単位素片の継続時間の決定を行う。これについ
ては表１においてその動作の流れを具体例に沿つて示し
た。なお、この例では一旦音韻（子音および母音）ごと
の継続時間を求め、単位素片である音節の継続時間長は
音韻の継続時間の和になつている。

文章解析からテキスト内の単位素片の各々の継続時間が
求まると、つぎに単位素片の各々についてフレームの時
間長および合成パラメータの補間を行う（ステツプ１
６）。この詳細は第６図に示す。すなわち第６図に示す
ように、まず補間変数ｘを求める。ｔ＝ｔ_０＋ｘ（ｔ_１
−ｔ_０）であるから である（ステツプ１６１）。これにより単位素片の各々
がどの程度補間原点に近いのかがわかる。つぎにパラメ
ータ・フアイルを参照しながら単位素片の各フレームの
時間長Ｔ_ｉおよび合成パラメータｒ_ｉをそれぞれつぎの
式から求める（ステツプ１６２、１６３）。

Ｔ_ｉ＝Ｔ_０−ｘΔＴ_ｉ ｒ_ｉ＝ｐ_ｉ−ｘΔｐ_ｉ こののち時間長Ｔ_ｉおよび合成パラメータｒ_ｉに基づい
て順次音声合成を行つていく（第２図のステツプ１
７）。なお音声合成は模式的に第８図に示すように考え
られる。すなわち音声モデルを音源１８とフイルタ１９
とから構成されるものとするのである。そして音源制御
データとして有声（パルス列）および無声（白色雑音）
いずれかを示す指示信号（それぞれＵおよびＶで示す）
を供給し、フイルタ制御データとして線スペクトル対パ
ラメータ等を供給する。

以上の処理によりテキストたとえば表１の「私は、言葉
を・・・」の音声が合成されてスピーカ９から発音され
ていく。

表２〜表５は一例として表１により決定された１７２ｍ
秒の「ＷＡ」の音節が処理されていくようすを示す。す
なわち、表２は分析フレーム周期１０ｍ秒で２００ｍ秒
の継続時間（遅い発声）の「ＷＡ」の音声を分析したも
のを示し、表３は１５０ｍ秒（速い発声）のものを示
す。そして表４はこれらの音声のＤＰマツチングによる
対応付けを示す。表２〜表４により作成された、パラメ
ータ・フアイルの「ＷＡ」の部分を表５に示す（ただし
線スペクトル対パラメータは第１パラメータのみを示し
た）。また表５は１７２ｍ秒の継続時間の各フレームの
時間長および合成パラメータ（第１パラメータに関する
もの）も示してある。

ただしｐ_ｉ、Δｐ_ｉ、ｑ_ｉおよびｒ_ｉは第１パラメータ
のみを示した。

なお、上述実施例は第１図に示すシステムを用いる場合
について説明したけれども、第９図に示すように信号処
理ボード２０を用いることにより、小さなシステムでも
この発明を実現できることはもちろんである。なお第９
図の例ではワークステーシヨン１Ａが文章編集、文章解
析、変化量計算、補間等を行うようになつている。第９
図においては第１図の各部と等価な機能を実現する部分
に対応する番号を付して説明を省略する。

つぎに上述実施例の２つの変形例について説明する。

変形例の１つはパラメータ・フアイルの学習を導入した
ものである。ここではまず学習を行わない場合の誤差に
ついて考えておく。第１０図は合成パラメータと継続時
間との関係を示している。この第１０図において、遅い
発声のパラメータｐ_ｉおよび速い発声のパラメータｑ_ｊ
から合成パラメータｒ_ｉを生成するには、線分ＯＡ_１を
用いて破線(a)で示すような補間を行う。これに対しも
う１つの速い発声のパラメータｓ_ｋ（継続時間はｔ_２）
およびパラメータｐ_ｉから合成パラメータｒ_ｉ′を生成
するには、線分ＯＡ_２を用いて破線(b)で示すように補
間を行う。明らかに合成パラメータｒ_ｉ、ｒ_ｉ′は異な
つてしまう。これは、ＤＰマツチングによる対応付けの
際のエラー等によるものである。

この変形例では線分ＯＡ_１および線分ＯＡ_２を平均化し
た線分ＯＡ′を利用してｒ_ｉを生成するようにしてい
る。このようにすると第１０図から明らかなように線分
ＯＡ_１のエラーと線分ＯＡ_２のエラーとが相殺する蓋然
性が高いからである。第１０図は学習が一回の場合を示
しているが、多数回繰り返せば、よりエラーが小さくな
ることは明らかであり、この変形例でもそのようにして
いる。

第１１図はこの変形例の手順を示すものであり、第２図
と対応する箇所には対応する番号を付して詳細な説明を
省略する。第１０図においては、ステツプ２１でパラメ
ータ・フアイルの更新を行うとともに、ステツプ２２で
学習の必要性を判断して、必要な場合にはステツプ１
１、１２および２１が繰り返されるようにしている。

なおステツプ２１では Δｐ_ｉ＝Δｐ_ｉ＋（Ｐ_ｉ−ｑ_ｉ） でΔＴ_ｉおよびΔｐ_ｉを求めているけれども、初期状態
ではΔＴ_ｉ＝０、Δｐ_ｉ＝０とされているため、第２図
のステツプと同様の処理が行われることは明らかであ
る。なお、学習前の値（ｔ_１−ｔ_０）、（ｐ_ｉ−ｑ_ｊ）
および に対応する学習後の値をそれぞれ（ｔ_１−ｔ_０）′、
（ｐ_ｉ−ｑ_ｊ）′および というようにダツシユを付けて表わすと、 となる（第１０図参照）。したがつて学習前の値Δｐ_ｉ
およびΔＴ_ｉに対応する学習後の値をそれぞれΔｐ_ｉ′
およびΔＴ_ｉ′として表わすと、 となる。また、学習後の値による補間変数をｘ′で表わ
すと あるいは となる。

第１１図のステツプ２１では表記上混同が生じないた
め、ダツシユを省略するとともに、ｋをｊに、ｓをｑに
それぞれ置た代えてある。

つぎにもう１つの変形例について説明しよう。

上述実施例では遅い発声の分析によつて求めたパラメー
タが補間原点となり、遅い発声と同程度の発声速度の合
成音声は、原点付近のパラメータを利用できるので高品
質のものとなる。他方速い発声速度の合成音声ほど品質
が劣化する。そこで、テキスト音声合成等のアプリケー
シヨンにおいて、最も高頻度で用いられる速度（この速
度を「標準速度」と呼ぶ。）の発声の分析によるパラメ
ータを補間原点に用いることが合成音の品質向上に有効
である。このとき、標準速度より速い発声については、
標準速度の発声の分析によるパラメータを補間原点とし
て上述実施例の方法がそのまま適用できる。他方、標準
速度より遅い発声については、第１２図に示すように標
準速度発声の１フレームに遅い発声の複数フレームが対
応する場合があるので、この場合、これらのフレームの
パラメータの平均値を遅い発声側の補間端点として用い
る。

具体的には、標準速度発声の時間長をｔ_０（ｔ_０＝ＭＴ
_０）、遅い発声の時間長をｔ_１（ｔ_１＝ＮＴ_０、Ｎ＞
Ｍ）とするとき、時間長ｔ（ｔ_０≦ｔ≦ｔ_１）の音声の
パラメータをＭフレームに分けて求める（第１２図参
照）。ｔ＝ｔ_０＋ｘ（ｔ_１−ｔ_０）とすると、 第ｉフレームの継続時間長Ｔ_ｉは、 Ｔ_ｉ＝Ｔ_０＋ｘＴ_０（ｎ_ｉ−１） 第ｉフレームの合成パラメータｒ_ｉは、 となる。ここでｐ_ｉは標準速度発声の第ｉフレームのパ
ラメータ、ｑ_ｊは遅い発声の第ｊフレームのパラメー
タ、Ｊ_ｉは標準速度発声の第ｉフレームに対応する遅い
発声のフレームの集合、ｎ_ｉはＪ_ｉの要素数である。

このように、標準速度発声の各フレームに対応する遅い
発声のパラメータを をもつて一意に定めることにより標準速度より遅い合成
音についても補間によるパラメータの決定を行うことが
できる。なお、この場合にもパラメータの学習を行える
ことはもちろんである。

〔発明の効果〕

以上説明したようにこの発明によれば異なる発声速度の
音声を分析して得た合成パラメータを補間して可変継続
長の合成音声を得るようにしている。補間の処理は簡易
であり、またもとの合成パラメータの特徴を加味するこ
とができる。したがつて、簡易かつ音韻特性を損うこと
なく可変継続長の合成音声を得ることができる。また学
習が可能であるため、必要に応じて一層品質を向上させ
ることができる。なおこの発明はどの言語にも適用でき
る。またパラメータ・フアイルをパッケージとして用意
してもよい。

【図面の簡単な説明】

第１図はこの発明の一実施例を実行するシステムを全体
として示すブロツク図、第２図は第１図のシステムで実
行される処理を説明するフローチヤート、第３図〜第８
図は第２図の処理を説明するための図、第９図は第１図
のシステムを代わる簡易なシステムを示すブロツク図、
第１０図は上述実施例の変形例を説明するための図、第
１１図は上述変形例の処理を説明するフローチヤート、
第１２図は上述実施例の他の変形例を説明するための図
である。 １……ワークステーシヨン、３……ホストコンピユー
タ、７……Ａ／Ｄ−Ｄ／Ａコンバータ。

Claims (7)

【特許請求の範囲】
1. 【請求項１】音声合成の単位素片の各々について当該単
   位素片の第１音声データから一定時間の第１フレームご
   とに第１合成パラメータを生成するステップと、 上記単位素片の各々について当該単位素片の第２音声デ
   ータから上記第１フレームの各々と音響的にそれぞれ対
   応する第２フレームごとに第２合成パラメータを生成す
   るステップと、 上記第１および第２合成パラメータを記憶するステップ
   と、 音声合成対象の単位素片を決定するステップと、 上記決定された単位素片の目標継続時間を決定するステ
   ップと、 上記決定された目標継続時間にわたって継続する、上記
   第１フレームと同数の一連の第３フレームの各々の時間
   長を、当該第３フレームに対応する上記第１フレームお
   よび第２フレームのそれぞれの時間長を参照して上記目
   標継続時間に基づく補間により決定するステップと、 上記第３フレームの各々の合成パラメータを、当該第３
   フレームに対応する上記第１フレームおよび第２フレー
   ムのそれぞれの合成パラメータを参照して上記目標継続
   時間長に基づく補間により決定するステップと、 上記決定された上記第３フレームの時間長および合成パ
   ラメータに基づいて順次合成音を生成するステップとを
   有することを特徴とする音声合成方法。
2. 【請求項２】上記第２音声データが単位素片ごとに１つ
   用意され、上記第２パラメータを生成するステップが、 上記単位素片の各々について当該単位素片の上記第２音
   声データから一定時間長の第４フレームごとに合成パラ
   メータを生成するサブ・ステップと、 上記第４フレームを上記第１フレームに音響的特徴に基
   づいて対応付けるサブ・ステップと、 上記対応付けに基づいて上記第２音声データを上記第２
   フレームに分割するサブ・ステップと、 上記第２フレームの各々の時間長および合成パラメータ
   を、当該第２フレームに対応する第４フレームから決定
   するステップとからなる特許請求の範囲第１項記載の音
   声合成方法。
3. 【請求項３】上記第２音声データが単位素片ごとに複数
   用意され、上記第２パラメータを生成するステップが、 上記単位素片の各々について当該単位素片の上記複数の
   第２音声データから、一定時間長の第４フレームごとに
   合成パラメータを生成するサブ・ステップと、 上記複数の第２音声データの各々について当該第２音声
   データの上記第４フレームを上記第１音声データの上記
   第１フレームに音響的特徴に基づいて対応付けるサブ・
   ステップと、 上記対応付けに基づいて１の上記第２音声データを上記
   第２フレームに分割するサブ・ステップと、 上記第２フレームの各々の時間長および合成パラメータ
   を、当該第２フレームに対応する第４フレームから決定
   するステップと、 上記対応付けに基づいて他の上記第２音声データにより
   上記１の第２音声データの第２フレームの合成パラメー
   タおよび時間長を補正するサブ・ステップとからなる特
   許請求の範囲第１項記載の音声合成方法。
4. 【請求項４】上記一定時間長を分析フレームの時間長と
   した特許請求の範囲第１項、第２項または第３項記載の
   音声合成方法。
5. 【請求項５】上記音響的特徴に基づいて対応付けるサブ
   ・ステップはダイナミック・プログラミングに基づいて
   行う特許請求の範囲第２項、第３項または第４項記載の
   音声合成方法。
6. 【請求項６】上記第１音声データの継続時間を当該単位
   素片に応じた標準的な発声時間とした特許請求の範囲第
   １項、第２項、第３項、第４項または第５項記載の音声
   合成方法。
7. 【請求項７】音声合成の単位素片の各々について、当該
   単位素片の一定時間の第１フレームごとに割り当てられ
   る第１合成パラメータと、上記第１フレームの各々とそ
   れぞれ対応する第２フレームごとに割り当てられる第２
   合成パラメータとを記憶する手段と、 音声合成対象の単位素片を決定する手段と、 上記決定された単位素片の目標継続時間を決定する手段
   と、 上記決定された目標継続時間にわたって継続する、上記
   第１フレームと同数の一連の第３フレームの各々の時間
   長さ、当該第３フレームに対応する上記第１フレームお
   よび第２フレームのそれぞれの時間長を参照して上記目
   標継続時間に基づく補間により決定する手段と、 上記第３フレームの各々の合成パラメータを、当該第３
   フレームに対応する上記第１フレームおよび第２フレー
   ムのそれぞれの合成パラメータを参照して上記目標継続
   時間長に基づく補間により決定する手段と、 上記決定された上記第３フレームの時間長および合成パ
   ラメータに基づいて順次合成音を生成する手段とを有す
   ることを特徴とする音声合成装置。