JPH08202381A

JPH08202381A - 音声合成装置

Info

Publication number: JPH08202381A
Application number: JP7012903A
Authority: JP
Inventors: Mikio Yamaguchi; 幹雄山口
Original assignee: Sumitomo Electric Industries Ltd
Current assignee: Sumitomo Electric Industries Ltd
Priority date: 1995-01-30
Filing date: 1995-01-30
Publication date: 1996-08-09

Abstract

(57)【要約】【目的】音声パタンの蓄積量と合成音声の音質とをバ
ランスさせる。【構成】音節蓄積パタン４０７に蓄えられている音節
のスペクトル傾斜が、音節パタン接続部４０９によって
接続され、波形パラメータ変換部４１０によって波形パ
ラメータに変換される。その波形パラメータを使って声
帯音源波が生成され、声道フィルタを通って合成音声が
生成される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力として与えられた
文字列（文字には記号が含まれるものとして説明する）
から文音声を合成する音声合成装置に関するもので、特
に、漢字仮名交じり文など正書法表記されたテキストを
音声に変換するテキスト音声合成装置、カタカナ等の表
音文字で表記された文を音声に変換する音声規則合成装
置、音節記号や韻律記号で表記された文を音声に変換す
る音声規則合成装置において使用される、声帯音源の制
御に関するものである。

【０００２】

【従来の技術】従来、漢字仮名交じり文等の正書法表記
されたテキストを入力とした場合、その文の音声を出力
するテキスト音声合成装置が実現されている。この装置
は、広瀬啓吉、“音声合成の研究の現状と将来”、日本
音響学会誌４８巻第１号、ｐｐ．３９−４５（１９９
２）で、示されているように言語処理、音韻処理、音響
処理（ただし、当該文献では、制御パラメータ生成処理
と呼ばれている）および信号処理（ただし、当該文献で
は、音声信号生成処理と呼ばれている）の４段階の処理
を実行する。まず、これらの処理について簡単に説明す
る。

【０００３】（１）言語処理形態素解析によってテキストを単語単位に区分し、品詞
情報を出力すると共に、構文解析によって構文情報を得
る。そして、形態素解析の結果に基づいて単語辞書にア
クセスし、単語の読み情報（漢字の読み仮名とアクセン
ト型）を得る。構文情報からは、係り受け関係と構文上
の切れ目（文境界、節境界など）を得る。

【０００４】（２）音韻処理日本語の場合、仮名と発音はほぼ１対１に対応するが、
撥音（／ン／）については前後の音素環境によって多少
異なって発音されるという異音化を考慮して、読み仮名
から適切な音節記号を生成する。この音節記号は実際の
発音と直接に対応する記号でありこの音韻処理内で生成
される。後続する音響処理のためには韻律記号として休
止記号とフレーズ記号とアクセント記号が必要である
が、まず、構文上の切れ目に対応して休止記号とフレー
ズ記号を生成する。なお、文全体に渡る声の緩やかな起
伏のパタンをフレーズと呼ぶことにする。さらに、単語
のアクセント型と係り受け関係を考慮してアクセント記
号を生成する。このアクセント記号はアクセントの上が
り下がりを示す。

【０００５】（３）音響処理休止と音節の時間長を考慮して、音節の時点を定める。
さらに音節の時点を基準にしてフレーズ指令やアクセン
ト指令が生起する時点を音響処理において定める。

【０００６】音声の特徴には、単音（個々の母音又は子
音）や音節といった短い時間の範囲内の特徴である分節
的特徴と、句や文全体といった長い時間の範囲に渡る特
徴である超分節的特徴がある。分節的特徴としては、単
音それぞれの声道伝達特性や音源強度などがあり、超分
節的特徴としては、基本周波数の時間変化パタンがあ
る。文の分節的特徴の作成に関しては、音節それぞれの
分節的特徴量を記憶した蓄積パタンを、音節の出現順序
に従って読みだし、互いに接続することで文全体にわた
る声道伝達特性、音源強度等の時間変化パタンを生成す
る。文の超分節的特徴の作成に関しては、フレーズ指令
やアクセント指令を元に公知の基本周波数パタン生成過
程のモデルによって基本周波数の時間変化パタンを生成
する。

【０００７】（４）信号処理基本周波数と音源強度等の情報によって生成した音源波
形を、声道伝達特性に従って制御されたフィルタ回路
（以下、声道フィルタ）に通し、音声信号を生成する。

【０００８】また、カタカナ、アクセント符号、句読
点、構文構造等からなる表音情報を入力し、その音声を
合成する音声規則合成装置も実現されている。この装置
は、上述の（２）（３）（４）の処理を行なう。また、
音節記号と韻律記号を入力とする音声規則合成装置にお
いては上述の（３）（４）の処理を行なう。

【０００９】なお、蓄積パタンに記憶しているのは、上
記の説明では音節としたが、単音あるいは、母音−子音
−母音連鎖、といったように種々の単位が可能である。
また、上記の説明では、音韻処理で生成する記号とし
て、蓄積単位に関連するように音節記号で説明したが、
使用すべき蓄積パタンを直接的に示す蓄積パタン記号を
使ってもよく、代わりに単音記号や音素記号を使うこと
も、もちろん可能である。

【００１０】次に、本発明と関連の深い信号処理につい
て説明する。信号処理の方法は、使用するパラメータの
種類によって種々の信号処理方法に細分されるが、ここ
では、人間の音声生成過程を模擬する方法について説明
する。

【００１１】人間の音声生成過程を概略すると、声帯
振動（有声音の場合）や空気の乱流（摩擦音等の場合）
によって音源波を生成する段階（この音源波の特性は音
源特性と呼ばれる）、音源波を声道に通すことによっ
て種々の音に対応した周波数特性（声道伝達特性と呼ば
れる）を付与する段階、口から音波を放射する（この
放射による周波数特性は放射特性と呼ばれる）段階、の
３段階に分けられる。このうち、の放射特性は＋６ｄ
Ｂ／Ｏｃｔａｖｅの高域強調であり、簡単な一次微分に
よって実現することができるので、音声合成における信
号処理では、の音源波の生成段階に含めて装置を実現
することが多い。の音源波生成においては、生成すべ
き音源波の種類毎に音源を用意する方が装置を構成しや
すいので、声帯音源と摩擦音源に分けることが多い。

【００１２】また、声帯音源の基本周波数、周波数特性
と強度は別々に制御できた方が制御が容易である。

【００１３】これらの点を考慮した、信号処理系を図１
に示す。図１において１０１は声帯音源であり、与えら
れた基本周波数Ｆ０と波形パラメータ（声帯音源波の波
形を制御するパラメータ）に従って、声帯音源波を生成
する。１０２は声帯音源の強度を制御する強度制御部で
ある。１０３は摩擦音源であり、１０４は摩擦音源の強
度を制御する強度制御部である。強度制御部１０２の出
力と強度制御部１０４の出力は加算器１０５で足し合わ
され、１０６の声道フィルタを通過することによって合
成音声が作成される。

【００１４】声道フィルタ１０６は与えられた声道伝達
特性を有するように制御されるが、その声道伝達特性を
表現するパラメータの種類に適した手段で声道フィルタ
を実施する。声道伝達特性を表現するパラメータは、た
とえば、線形予測（ＬＰＣ）係数、偏自己相関（ＰＡＲ
ＣＯＲ）係数、線スペクトル対（ＬＳＰ）係数、ホルマ
ント及び極零対パラメータ、声道断面積係数、などがあ
り、それぞれのパラメータに対応する声道フィルタの具
体的構成は周知の通りである。

【００１５】声道伝達特性を急峻に変化させると、クリ
ック音を生じがちであるので、声道伝達特性の大幅に異
なる音毎に別々の声道フィルタを用意する場合もあり、
たとえば、ホルマント及び極零対パラメータを使う場合
（ターミナルアナログ方式とも呼ばれる）における種々
の構成は、広瀬啓吉、“フォルマントによる音声合成技
術”、電子情報通信学会東京支部主催「音声認識・合成
技術の現状と将来課題」講習会テキスト、ｐｐ．６９−
７６（１９９１）、に示されている。

【００１６】摩擦音源の実現手段としては、例えば、平
坦なスペクトル特性を有する一様乱数が用いられる。強
度制御１０２，１０４は単に、パラメータＡＧ，ＡＦの
値を、波形に乗ずることで振幅の制御を実現する。声帯
音源の実現手段としては、指数関数、三角関数、多項式
などの種々の関数の組合せで、声帯音源波を生成する声
帯音源波モデルがよく使用されている。声帯音源波モデ
ルの一例として、藤崎博也、マッツユンクヴィスト、
“声帯音源波形の新しいモデルとその音声分析への応
用”、電子情報通信学会論文誌Ｄ−II、ｖｏｌ．Ｊ７２
−Ｄ−II、ｎｏ．８、ｐｐ．１１０９−１１１７（１９
８９）に記載されているモデルを利用した例を図２に示
す。図２において、声帯音源波の体積流は∫ｇ（ｔ）で
示されるが、音声合成装置においては前述した通り放射
特性を含めたｇ（ｔ）が声帯音源波として用いられる。
声帯音源波を生成するために必要なパラメータはＦ０，
ＳＫ，ＯＱ，Ｃ，Ｄ，Ｂであり、図２下半分に記載され
た計算式によってｇ（ｔ）は計算される。ただし、図２
においてｇ（ｔ）の振幅を制御するパラメータＢは一定
値としておき、図１の信号処理系と対応させれば判るよ
うに、声帯音源１０１の後に設けた声帯音源の強度制御
部１０２で、ｇ（ｔ）の振幅を制御する方が装置の構成
は容易である。声帯音源１０１の入力となる基本周波数
は図２ではＦ０で示され、また、声帯音源１０１の入力
となる波形パラメータは図２ではＳＫ，ＯＱ，Ｃ，Ｄの
４つのパラメータが該当する。

【００１７】

【発明が解決しようとする課題】図２に示すような、基
本周波数以外に波形パラメータが必要な声帯音源を信号
処理に使用する場合、この波形パラメータを音響処理で
生成しなければならない。この波形パラメータ生成のた
めの一つの方法としては、音響処理における蓄積パタン
に声道伝達特性や音源強度だけでなく、この波形パラメ
ータも記憶しておき、個々の蓄積パタンを接続して文全
体の分節的特徴量を生成する際は、声道伝達特性等の他
に波形パラメータも接続することで、文全体の波形パラ
メータを得る方法がある。別の方法としては、個々の単
音の相違を無視して、波形パラメータには常に定数を与
える方法がある。ただし、合成する音声の性別によっ
て、最適な定数の値は異なる。

【００１８】前者の方法では、ＳＫ，ＯＱ，Ｃ，Ｄとい
う４種類の波形パラメータを蓄積パタンに含めて記憶し
なければならないので、記憶容量が４種類分余計に必要
になるという問題点がある。また、波形パラメータを接
続する場合は、ＳＫ，ＯＱ，Ｃ，Ｄそれぞれの値を線形
補間などの補間方法により円滑に遷移させることになる
が、これらのパラメータ値はスペクトルと直接には対応
していないので、これらのパラメータ値を円滑に接続し
たとしても、声帯音源特性がスペクトル上で円滑に接続
されるという保証はないという問題点がある。

【００１９】後者の方法では、所要メモリも僅少で、補
間にまつわる問題点も生じない。しかし、個々の蓄積パ
タンに登録されている声道伝達特性とは無関係に、波形
パラメータを与えることになるので、単音の相違に対応
して声帯音源特性を変えることができず、単音の種類に
よっては合成音声の音質の劣化を招きがちであるという
問題点がある。

【００２０】本発明は、以上の問題点をバランス良く解
決するために創作されたものであり、少ないメモリ容量
で済み、かつ、スペクトル上での接続の連続性をも保証
できる波形パラメータを生成することの可能な音声合成
装置を提供することを目的とする。

【００２１】

【課題を解決するための手段】このような目的を達成す
るために、本発明は、文字（記号を含む）で示された文
を入力とし、予め蓄積しておいた分節的特徴量（以下、
蓄積パタン）を接続することによって、文全体の分節的
特徴量を生成した後、文音声を合成する音声合成装置に
おいて、個々の蓄積パタンの一部として声帯音源波のス
ペクトル傾斜を記憶する手段と、前記個々の蓄積パタン
に記憶された声帯音源波のスペクトル傾斜同士を接続す
る手段と、接続後の声帯音源波のスペクトル傾斜を声帯
音源波の波形パラメータに変換する手段と、変換後の波
形パラメータを使って声帯音源波を生成する手段とを具
え、この声帯音源波を使用して文音声を合成することを
特徴とする。

【００２２】

【作用】本発明では、文音声を合成する際は、個々の蓄
積パタンに記憶されている声帯音源波スペクトル傾斜パ
ラメータが呼び出され、互いに接続された後に、当該文
音声の声帯音源波が生成され、この声帯音源波を使っ
て、文音声が合成される。

【００２３】

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。

【００２４】まず、スペクトル傾斜について説明する。
図３は、図２の声帯音源波モデルによって生成された声
帯音源波の例を示す。ここで与えたパラメータの値は、
Ｆ０＝２００［Ｈｚ］，ＳＫ＝０．２，ＯＱ＝０．８，
Ｃ＝０．８，Ｄ＝０．２であり、サンプリング周波数は
１２．８ｋＨｚである。図３の８周期分の声帯音源波
（丁度、サンプル数は５１２点になる）に対して、ＤＦ
Ｔ（離散的フーリエ変換）によって求めたスペクトルを
図４に示す。図５は、図４の横軸を対数軸に変えた表示
である。

【００２５】いま、聴覚上重要な周波数範囲として、基
本周波数から４ｋＨｚまでの周波数範囲を考慮すること
にする。図４，図５は、図３での同じ波形８周期分をＤ
ＦＴした結果なので、そのスペクトルは基本波及びその
高調波にスペクトルパワーがあるという調波構造をな
す。図５の直線ｌ（英文字エル，図中では一点鎖線で示
す）は、この基本波及び高調波のスペクトルパワーの頂
点をたどる、一次回帰直線である。スペクトル傾斜と
は、この直線ｌの傾きを言う。

【００２６】この図においては、直線ｌの傾きは、−１
０．６ｄＢ／Ｏｃｔａｖｅとなっているので、図３の声
帯音源波のスペクトル傾斜は−１０．６ｄＢ／Ｏｃｔａ
ｖｅである。以上の説明から判るように、スペクトル傾
斜の大きさは、高い周波数成分と低い周波数成分の多寡
のバランスを表している。すなわち、スペクトル傾斜が
小さ（絶対値は大きい）ければ声帯音源波に含まれる低
い周波数成分はより大きく、スペクトル傾斜が大きけれ
ば声帯音源波に含まれる高い周波数成分はより大きくな
る。

【００２７】図５において、直線ｌは基本波及び高調波
のスペクトルパワーの頂点をほぼたどる（あまり外れて
いない）ことから判るように、スペクトル傾斜は声帯音
源波の全体的な特徴を良く表している。なお、スペクト
ル傾斜の計算に使う周波数範囲の上限は上記の説明では
４ｋＨｚとしたが、より狭めて３ｋＨｚや２ｋＨｚとし
てもよい。スペクトル傾斜の計算に使う周波数範囲の下
限についても同様に、より狭めて３００Ｈｚや４００Ｈ
ｚとしてもよい。あるいは、音声合成装置の用途によっ
ては、電話の周波数帯域に合わせて、スペクトル傾斜の
計算につかう周波数範囲を３００Ｈｚ〜３．４ｋＨｚと
しても良い。また、周波数の対数軸上でスペクトルの傾
斜を求めたが、他の軸上で（たとえば、図４の横軸をメ
ル尺度に直したグラフで）スペクトル傾斜を求めてもよ
い。

【００２８】次に、本発明を適用した音声合成装置の機
能構成を図６に示す。図６の例では入力として漢字仮名
交じり文を与える場合を示している。図６において４０
１は形態素解析部であり、従来と同様にして単語辞書４
０２を参照しながら、入力文の形態素解析を行なう。よ
り具体的には、形態素解析部４０１は単語辞書４０２に
記載された文字列（単語）を漢字、仮名文字列の中で検
出すると、単語単位で漢字仮名文字列を区切るととも
に、各単語の品詞情報を単語辞書４０２から読み出し、
構文解析部４０３に引き渡す。構文解析部４０３は従来
と同様にして単語間の係り受けを構文解析により同定す
る。

【００２９】４０４は、休止記号とフレーズ記号の生成
部であり、統語境界、文節同士の係り受け関係から、休
止記号とフレーズ記号を生成する。４０５は、アクセン
ト記号生成部であり、単語に付されたアクセント符号と
文節同士の係り受け関係からアクセント記号を生成す
る。

【００３０】４０６は、異音化処理であり、仮名と発音
はほぼ１対１に対応するが、撥音（／ン／）については
前後の音素環境によって多少異なって発音されるという
異音化を考慮して、読み仮名から適切な音節記号（実際
の発音と直接に対応する記号）を生成する。４０７は、
音節蓄積パタンであり、日本語の合成に必要な全音節の
分節的特徴量及び音節長の情報が蓄積されている。分節
的特徴としては、音節の声道伝達特性の時間変化パタン
と、音源強度の時間変化パタンと、声帯音源波のスペク
トル傾斜の時間変化パタンが記載されている。なお、一
つの音節内ではスペクトル傾斜の時間変化は少ないの
で、時間変化を有しないとして（すなわち、各音節それ
ぞれに対して一つの）スペクトル傾斜の値を登録してお
いても良い。４０８は音節の時点決定部であり、音節蓄
積パタン４０７から呼び出された音節の蓄積パタンの中
の音節長の情報に、休止記号で示される休止の種類に対
応した休止長を加味して、その音節の発生時点を決定す
る。

【００３１】音節パタン接続部４０９は、音節蓄積パタ
ン４０７から順次送られてくる、音節の分節的特徴をそ
の音節の時点に配置した後に、互いに接続をする。接続
の方法は、従来の方法と同じで良い。具体的には、先行
音節から後続音節への遷移時間を定め、その遷移時間内
において、先行音節のパタンから後続音節へのパタンに
円滑にパラメータ値が遷移するように、パラメータを補
間する。補間の方法は、従来から良く用いられている、
直線による補間や、指数関数曲線による補間などがあ
る。接続の結果、文全体に渡る分節的特徴量（声道伝達
特性、音源強度、スペクトル傾斜）の時間変化パタンが
得られる。

【００３２】４１０は、スペクトル傾斜を波形パラメー
タに変換する部分である。その実現方法としては、図７
に示す、スペクトル傾斜と波形パラメータの対応表を検
索し、所望のスペクトル傾斜をもたらす、波形パラメー
タ（ＳＫ，ＯＱ，Ｃ，Ｄ）の値を求める実施例が可能で
ある。この場合、所望のスペクトル傾斜の値と丁度同じ
値が表に記載されていなければ、所望のスペクトル傾斜
の値の前後で近い値をもたらす波形パラメータの値を検
索し、線形補間によって、所望のスペクトル傾斜をもた
らす波形パラメータの値を求めることが可能である。

【００３３】また、図７のような表形式の代わりに、波
形パラメータの値を多項式を使ってスペクトル傾斜の値
から算出できるように、予め多項式を定めておく実施例
も可能である。なお、図７に示すスペクトル傾斜と波形
パラメータの対応関係は、種々の音声を分析して得られ
る種々の波形パラメータの値の組合せそれぞれに対して
スペクトル傾斜の値を算出した後、スペクトル傾斜の値
で波形パラメータの値の組合せを分類し、平均処理等に
よって代表的な波形パラメータの組を求めることによっ
て、得ることができる。

【００３４】アクセント指令とフレーズ指令の時点決定
部４１１では、アクセント記号生成部４０５から送られ
てくるアクセント記号と、休止記号とフレーズ記号生成
部４０４から送られてくるフレーズ記号を受け取り、音
節の時点を基準にしてアクセント指令とフレーズ指令の
時点を決定する。基本周波数（Ｆ０）パタン生成部４１
２は、アクセント指令とフレーズ指令に基づきＦ０パタ
ンを生成する。この処理自体は従来から知られているの
で、詳細な説明を省略する。

【００３５】音声信号生成部４１３は、このＦ０パタ
ン、波形パラメータ変化部４１０からの波形パラメータ
パタン、音節パタン接続部４０９からの音源強度パタン
と声道伝達特性パタンを用いて音声信号を生成する。音
声信号生成部４１２は、たとえば、図１に示す信号処理
系を用いることができる。

【００３６】以上に説明した通り、音節蓄積パタン４０
７に蓄えられている音節のスペクトル傾斜が、音節パタ
ン接続部４０９によって接続され、波形パラメータ変換
部４１０によって波形パラメータに変換される。その波
形パラメータを使って声帯音源波が生成され、声道フィ
ルタを通って合成音声が生成される。従って音節蓄積パ
タン４０７が本発明のスペクトル傾斜を記憶する手段に
対応し、音節パタン接続部４０９が本発明のスペクトル
傾斜同士を接続する手段に対応する。また、波形パラメ
ータ変換部４１０が、本発明の波形パラメータに変換す
る手段に対応する。図１の信号処理系が本発明の声帯音
源波を生成する手段に対応する。

【００３７】言うまでもないことであるが、符号４０１
〜４０３の系が言語処理系であり、符号４０４〜４０６
の系が音韻処理系であり、符号４０７〜４１２の系が音
響処理系であり、４１３が信号処理である。従来の技術
で説明したことがらと合わせて考えれば容易に判るよう
に、カタカナ、アクセント符号、句読点、構文構造等か
らなる表音情報を入力し、その音声を合成する音声規則
合成装置で本発明を実施するには、符号４０４〜４１３
の処理を行なえばよい。また、音節記号と韻律記号を入
力とする音声規則合成装置で本発明を実施するには、符
号４０７〜４１３の処理を行なえばよい。

【００３８】

【発明の効果】以上、説明したように本発明において、
声帯音源波のスペクトル傾斜は、スペクトルに直接的に
対応するパラメータなので、個々の蓄積パタンに蓄えら
れているスペクトル傾斜を互いに接続した後もスペクト
ル的な連続性は保証される。スペクトル傾斜は単一のパ
ラメータなので、ＳＫ，ＯＱ，Ｃ，Ｄという４種類の波
形パラメータを記憶する場合に比べて、所要メモリを１
／４に低減することができる。

【００３９】一方では、スペクトル傾斜のパラメータ
は、個々の音節毎に、声道伝達特性や音源強度と共に蓄
積パタンに記憶されているので、個々の音節に対して最
適な値を設定することができる。よって、従来技術で説
明した、性別別に常に一定値の音源パラメータを使う場
合に比べると、個々の音節毎に最適なスペクトル傾斜が
選択されることになり、合成音声の音質を向上すること
ができる。

【図面の簡単な説明】

【図１】音声合成に関わる信号処理系の構成を示すブロ
ック図である。

【図２】従来の声帯音源波モデルを示す説明図である。

【図３】声帯音源波を示す波形図である。

【図４】図３の波形に対するスペクトルを示す図であ
る。

【図５】図３の波形に対するスペクトルを示す図であ
る。

【図６】本発明実施例の機能構成を示すブロック図であ
る。

【図７】スペクトル傾斜と波形パラメータの対応表の内
容を示す説明図である。

【符号の説明】

１０１声帯音源１０２（声帯音源の）強度制御部１０３摩擦音源１０４（摩擦音源の）強度制御部１０５加算器１０６声道フィルタ４０１形態素解析部４０２単語辞書４０３構文解析部４０４休止記号，フレーズ記号生成部４０５アクセント記号生成部４０６異音化処理部４０７音節蓄積パタン４０８音節の時点決定部４０９音節パタン接続部４１０波形パラメータ変換部４１１アクセント指令とフレーズ指令の時点決定部４１２Ｆ０パタン生成部４１３音声信号生成部

Claims

【特許請求の範囲】

【請求項１】文字（記号を含む）で示された文を入力
とし、予め蓄積しておいた分節的特徴量（以下、蓄積パ
タン）を接続することによって、文全体の分節的特徴量
を生成した後、文音声を合成する音声合成装置におい
て、個々の蓄積パタンの一部として声帯音源波のスペクトル
傾斜を記憶する手段と、前記個々の蓄積パタンに記憶された声帯音源波のスペク
トル傾斜同士を接続する手段と、接続後の声帯音源波のスペクトル傾斜を声帯音源波の波
形パラメータに変換する手段と、変換後の波形パラメータを使って声帯音源波を生成する
手段とを具え、この声帯音源波を使用して文音声を合成することを特徴
とする音声合成装置。