JPH0990986A

JPH0990986A - 音声合成方法及びその装置

Info

Publication number: JPH0990986A
Application number: JP7242824A
Authority: JP
Inventors: Toshiaki Fukada; 俊明深田; Takashi Aso; 隆麻生; Mitsuru Otsuka; 充大塚; Yasuo Okuya; 泰夫奥谷
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1995-09-21
Filing date: 1995-09-21
Publication date: 1997-04-04

Abstract

(57)【要約】【課題】発声速度や発声スタイルに応じて音声素片や
特徴パラメータの接続単位を選択し、適切に音節やモー
ラの持続時間を与えることにより、自然音声に近い発声
が行なえる音声合成方法および装置を提供する。【構成】音声素片の特徴パラメータを接続して音声を
合成する音声合成方法であって、発声スタイル及び／又
は発声速度を含む発声パラメータに基づいて（Ｓ６
２）、特徴パラメータの接続方法を変更する。前記接続
方法の変更は、発声スタイル及び／又は発声速度に基づ
いて無音区間長を決定し（Ｓ６４，Ｓ６５）、前記無音
区間長に基づいて同じ音声素片に対する異なる特徴パラ
メータ（Ｓ６３，Ｓ６４）から補間されて、新たな特徴
パラメータが生成され（Ｓ６６）、この特徴パラメータ
が合成される（Ｓ６７）。前記特徴パラメータは、例え
ば、音声素片がＶＣＶか、Ｖ，ＣＶか、ＶＣ，ＣＶかの
違いに対応して異なる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声合成方法及びそ
の装置、特に音声規則合成における合成音の音素，音節
などの持続時間を制御するための音声合成方法及びその
装置に関するものである。

【０００２】

【従来の技術】人間と人間との間で行われる情報交換の
媒体の中で、最も自然に使われるのが音声である。一
方、計算機は、飛躍的な進歩により、数値計算のみなら
ず様々な情報を扱えるように進歩してきている。そこ
で、音声を人間と計算機との情報交換媒体として用いた
いという要求がある。

【０００３】このような音声による情報交換の中で、音
声合成装置は、機械が任意のテキストを合成音声に変換
する装置であり、計算機から人間への重要な情報伝達手
段となる。

【０００４】

【発明が解決しようとする課題】しかしながら、従来の
音声合成装置から出力される合成音声は、人間が発声す
る自然音声と比較するとやや不自然で機械的なものであ
る。この原因の１つとして、接続する音声素片の単位を
発声速度によらず常に同じものを用いていることがあげ
られる。すなわち、従来の音声合成においては、発声速
度の変化への対応は接続した音声素片，特徴パラメータ
の伸縮により行っているため、特に発声速度を極端に遅
くした場合には、お経のような間延びした合成音声とな
る。

【０００５】人間が実際の発声を行なう場合を考えてみ
ると、例えば極端に遅い発声に対しては、音節あるいは
モーラごとに区切った発声を行なうのが普通である。ま
た、普通の速度の発声に対しても、強調などを伝えるた
めにはスタッカートのようなぶつ切りの発声を行なうこ
ともある。本発明は、発声速度や発声スタイルに応じて
音声素片や特徴パラメータの接続単位を選択し、適切に
音節やモーラの持続時間を与えることにより、自然音声
に近い発声が行なえる音声合成方法および装置を提供す
る。

【０００６】

【課題を解決するための手段】本発明では、発声速度の
変化や発声スタイルの設定に応じて、適切な接続素片を
用いることにより、音素などの継続時間長の制御方式，
音声素片の特徴パラメータの生成方式を変更する。この
ようにして、得られた音声素片の特徴パラメータによる
合成音声は、自然なテンポ感でユーザの意図を適切に実
現することが可能となる。

【０００７】かかる本発明の音声合成方法は、音声素片
の特徴パラメータを接続して音声を合成する音声合成方
法であって、発声スタイル及び／又は発声速度に基づい
て、特徴パラメータの接続方法を変更することを特徴と
する。ここで、前記接続方法の変更は、発声スタイル及
び／又は発声速度に基づいて無音区間長を決定し、該無
音区間長に基づいて行われる。また、前記接続方法の変
更では、前記無音区間長に基づいて同じ音声素片に対す
る異なる特徴パラメータから補間されて、新たな特徴パ
ラメータが生成される。また、前記特徴パラメータは、
音声素片がＶＣＶか、Ｖ，ＣＶか、ＶＣ，ＣＶかの違い
に対応して異なる。また、前記接続方法の変更では、更
に、発声スタイルに基づいて特徴パラメータの継続時間
長の伸縮パラメータが選択される。また、前記発声スタ
イルとして、連続発声とモーラ単位で区切った発声との
違いを含む。

【０００８】又、本発明の音声合成装置は、音声素片の
特徴パラメータを接続して音声を合成する音声合成装置
において、発声スタイル及び／又は発声速度を設定する
パラメータ設定手段と、設定された前記発声スタイル及
び／又は発声速度に基づいて、特徴パラメータの接続方
法を変更する接続方法変更手段とを備えることを特徴と
する。

【０００９】ここで、前記接続方法変更手段は、発声ス
タイル及び／又は発声速度に基づいて無音区間長を決定
する無音区間長決定手段と、該無音区間長に基づいて特
徴パラメータの接続方法を変更する変更手段とを備え
る。また、前記変更手段は、前記無音区間長に基づいて
同じ音声素片に対する異なる特徴パラメータを合成し
て、新たな特徴パラメータを生成する特徴パラメータ補
間手段を備える。また、前記特徴パラメータは、音声素
片がＶＣＶか、Ｖ，ＣＶか、ＶＣ，ＣＶかの違いに対応
して異なる。また、前記接続方法変更手段は、更に、発
声スタイルに基づいて特徴パラメータの継続時間長の伸
縮パラメータを選択する伸縮パラメータ選択手段を備え
る。また、前記発声スタイルとして、連続発声とモーラ
単位で区切った発声との違いを含む。

【００１０】又、本発明の音声合成装置は、記憶媒体か
ら所定のプログラムを読み込んでコンピュータを制御す
ることによって、音声素片の特徴パラメータを接続して
音声を合成する音声合成装置において、前記記憶媒体
が、少なくとも、発声スタイル及び／又は発声速度に基
づいて、特徴パラメータの接続方法を変更する手順コー
ドを含むことを特徴とする。

【００１１】ここで、前記記憶媒体が、更に、音声素片
の特徴パラメータを含む。また、前記記憶媒体が、更
に、発声スタイル及び／又は発声速度に対応する特徴パ
ラメータの継続時間長の伸縮パラメータ、発声スタイル
及び／又は発声速度に基づいて無音区間長を決定する関
数、及び無音区間長に対応する特徴パラメータの補間パ
ラメータを含む。

【００１２】

【発明の実施の形態】以下に、本発明の実施の形態を添
付図面に従って説明する。＜本実施の形態の音声合成方法の概念＞まず、図２〜図
４に基づいて、音声“ＯＲＩ”を例に本実施の形態の音
声合成方法の概念を説明する。

【００１３】図２には、Ｖ，Ｃ，Ｖを素片とする音声合
成方式における特徴パラメータの生成方法を示す。図２
で、横軸は発声時間、縦軸の値は特徴パラメータの値を
示す。図２の（ａ),（ｂ）はＶＣＶ素片を用いた場合の
伸縮過程を示し、図２の（ｃ),（ｄ）はＶ，ＣＶ素片を
用いた場合の伸縮過程を示す。図２の（ａ）は伸縮前の
ＶＣＶ素片（ＯＲＩ）であり、/ Ｏ//Ｒ//Ｉ/ の長さは
それぞれｄ₁₁, ｄ₁₂, ｄ₁₃、また、それぞれの伸縮率は
ｋ₁₁, ｋ₁₂, ｋ₁₃であるとする。このＶＣＶ素片を、図
２の（ｂ）のように長さＬに伸縮させる場合、/ Ｏ//Ｒ
//Ｉ/ の長さはそれぞれｄ'₁₁,ｄ'₁₂,ｄ'₁₃ とする。こ
こで、ｄ'₁₁,ｄ'₁₂,ｄ'₁₃ は、例えば、

【００１４】

【数１】により決定できる。図２の（ｃ）は伸縮前のＶ（Ｏ），
ＣＶ（ＲＩ）素片であり、/ Ｏ//Ｒ//Ｉ/の長さはそれ
ぞれｄ₂₁, ｄ₂₂, ｄ₂₃、また、それぞれの伸縮率は
ｋ₂₁, ｋ₂₂, ｋ ₂₃であるとする。このＶ，ＣＶ素片を、
図２の（ｄ）のように長さＬに伸縮させる場合、まず、
発声速度や素片の長さや音韻環境等に応じて無音区間長
ｄ_P を決定する。次に、Ｌ−ｄ_P に対して、/ Ｏ//Ｒ//
Ｉ/ の長さはそれぞれｄ'₂₁,ｄ'₂ ₂,ｄ'₂₃ とする。ここ
で、ｄ'₂₁,ｄ'₂₂,ｄ'₂₃ は、図２の（ｂ）の場合と同様
に、例えば、

【００１５】

【数２】により決定できる。ここで、発声速度を速くしていくな
どｄ_P を短くした場合、図２の（ｄ）のようにＶ，ＣＶ
を素片として接続したものより、図２の（ｂ）のように
ＶＣＶを素片として接続した方が、滑らかで自然な合成
音声が得られる。すなわち、発声速度が速くなりｄ_P が
短くなるにつれ、図２の（ｄ）による音声素片の特徴パ
ラメータ接続から、図２の（ｂ）による音声素片の特徴
パラメータを接続に変化させていくことが必要になる場
合もある。

【００１６】特徴パラメータを補間する場合の例を、図
３を用いて説明する。図３では、/ＯＲＩ/ における/
Ｏ/ の部分をｄ'₂₁ にする場合の例である。このとき、
図３の（ａ),（ｂ）に示すようにＶＣＶ素片及びＶ素片
の長さをそれぞれｄ'₂₁ に伸縮する。ＶＣＶ素片および
Ｖ素片の時刻ｔにおける/ Ｏ/ の特徴パラメータをそれ
ぞれＰ₁(ｔ），Ｐ₂(ｔ）とすると、補間後の特徴パラメ
ータＰ'(ｔ）は、Ｐ'(ｔ）＝（１−ｋ）・Ｐ₁(ｔ）＋ｋ・Ｐ₂(ｔ） …（１）により求める。ここで、ｋはｄ_P の長さによって決まる
値であり、ｄ_P とｋとの関係の具体例の数例を、図４の
（ａ）〜（ｄ）にグラフとして示す。

【００１７】＜音声合成装置の構成例＞図１は本実施の
形態の音声合成装置の構成例を示すブロック図である。
１００は、発声する文が文字コードや音声素片に分割さ
れたパラメータ等で入力され、素片パラメータ接続が可
能な所定の音声素片を出力する発声文入力部である。１
０１は、傍点，文字間のスペース，点（・）などの入力
文のスタイルや、言語解析結果や、プリファレンスによ
る設定などのユーザの初期設定による情報を調べて、前
述例を含む発声スタイルを設定する発声スタイル設定部
である。１０２は、文構造やユーザからの指定などによ
り発声速度を設定する発声速度設定部である。１０３
は、発声スタイル設定部で設定された発声スタイルある
いは発声速度設定部により設定された発声速度及び合成
対象テキストを用いて、音声素片の特徴パラメータの決
定及び接続を行なう素片パラメータ接続部である。１０
４は、素片パラメータ接続部１０３で音声素片の特徴パ
ラメータ接続を行なう際に用いる、音声素片とその特徴
パラメータが格納されている音声辞書である。１０５
は、発声スタイル設定部１０１で設定された発声スタイ
ルあるいは発声速度設定部１０２により設定された発声
速度及び音韻情報を用いて、音韻，ラベル区間等の継続
時間長を伸縮率等を用いて設定する継続時間長設定部で
ある。１０６は、継続時間長設定部１０５で設定された
継続時間長により音声素片の特徴パラメータを伸縮して
補間し、合成信号の生成に用いるための音声素片の特徴
パラメータ生成する素片パラメータ生成部である。

【００１８】図５は本実施の形態の音声合成装置のハー
ドウエア構成例を示す図である。ここで、２０１は制御
メモリであり、以下に示すような制御手順に従った制御
プログラムを記憶する。２０２は制御メモリ２０１に保
持されている制御手順にしたがって制御・演算などを行
なう中央処理装置（ＣＰＵ）である。２０３は作業メモ
リであり、音声合成対象の特徴パラメータや音声素片な
ど２０３ａや、ｄ ₁₁及びｋ₁₁など伸縮パラメータ２０３
ｂや、図４に示したｋとｄ_P との関連マップ２０３ｃ及
びｄ_P 決定の関数２０３ｄ等を有している。２０４はデ
ィスク装置であり、文解析辞書，音声辞書等を有してい
る。２０５はバスであり、２０６はＤＡコンバータであ
り音声発声のスピーカ２０６ａに接続している。２０７
はキーボードやポインティングデバイス等の入力装置、
２０８は表示装置である。

【００１９】尚、制御メモリ２０１に記憶される制御プ
ログラムや作業メモリ２０３に記憶されるパラメータ等
は、フロッピーディスク，ＣＤ−ＲＯＭ，ＭＯ等の外部
記憶媒体２０９からあるいは通信手段を介してホストか
らダウンロードされるように構成されてもよい。又、伸
縮パラメータ２０３ｂや、関連マップ２０３ｃ及びｄ _P
決定の関数２０３ｄ等は、発声スタイルと発声速度に対
応して構成されたテーブルとして提供されてもよい。

【００２０】図６は、制御メモリ２０１に記憶された制
御プログラムである本実施の形態の音声合成手順の一例
を示すフローチャートである。まず、ステップＳ６１で
発声したい文が入力される。ステップＳ６２で、発声ス
タイルや発声速度等の発声パラメータが設定される。こ
れら発声パラメータは、ステップＳ６１で入力された文
から解析されてもよい。ステップＳ６３では、入力され
た発声文の音声素片及び型（ＶＣＶやＶ，ＣＶ等）に基
づいて、音声辞書より標準の特徴パラメータが読み出さ
れる。

【００２１】ステップＳ６４では、ステップＳ６１で設
定された発声パラメータに基づいて、伸縮パラメータ
（ｄやｋ等），ｄ_P の決定関数，ｄ_P とｋの関連マップ
等が選択される。ステップＳ６５では、発声パラメータ
を条件としてｄ_P の決定関数により、無音区間長ｄ_P が
算出される。ステップＳ６６では、算出されたｄ_P に基
づいて関連マップよりｋが決定され、式（１）により特
徴パラメータの補間値が計算される。ステップＳ６７
で、無音区間長ｄ_P と特徴パラメータの補間値とに基づ
いて、発声文の音声素片が合成される。ステップＳ６８
では、合成された音声素片の特徴パラメータに従って、
発声文が出力される。

【００２２】（他の実施の形態）図７はＶＣ/ ＣＶを素
片とする音声合成方式における特徴パラメータの生成方
法を示す（例“ＯＲＩ”）。図７の（ａ），（ｂ）はＶ
Ｃ/ ＣＶ素片を用いた場合の伸縮過程を示し、図７の
（ｃ),（ｄ）はＶ，ＣＶ素片を用いた場合の伸縮過程を
示す。

【００２３】図７の（ａ）は伸縮前のＶＣ/ ＣＶ素片
（ＯＲＩ）であり、/ Ｏ//Ｉ/ の長さはそれぞれｄ₁₁,
ｄ₁₃、また/ Ｒ/ の長さはＶＣ素片部(/Ｒ１/)、ＣＶ素
片部(/Ｒ２/)でそれぞれｄ₁₄, ｄ₁₅である。また/ Ｏ//
Ｒ１//Ｒ２//Ｉ/ のそれぞれの伸縮率は、ｋ₁₁, ｋ₁₄,
ｋ₁₅, ｋ₁₃であるとする。このＶＣ/ ＣＶ素片を図７の
（ｂ）のように、長さＬに伸縮させる場合、/ Ｏ//Ｒ１
//Ｒ２//Ｉ/ の長さはそれぞれｄ'₁₁,ｄ'₁₄,ｄ'₁₅,ｄ'
₁₃ とする。ここでｄ'₁₁,ｄ'₁₄,ｄ'₁₅,ｄ'₁₃ は、例え
ば、

【００２４】

【数３】により決定できる。図７の（ｃ）は伸縮前のＶ(/Ｏ/)，
ＣＶ(/ＲＩ/)素片であり、/ Ｏ//Ｒ//Ｉ/の長さはそれ
ぞれｄ₂₁, ｄ₂₂, ｄ₂₃、またそれぞれの伸縮率は、
ｋ₂₁, ｋ₂₂, ｋ ₂₃であるとする。このＶ，ＣＶ素片を図
７の（ｄ）のように、長さＬに伸縮させる場合、まず、
発声速度や素片の長さや音韻環境等に応じて無音区間長
ｄ_P を決定する。次に、Ｌ−ｄ_P に対して、/ Ｏ//Ｒ//
Ｉ/ の長さはそれぞれｄ'₂₁,ｄ'₂ ₂,ｄ'₂₃ とする。ここ
でｄ'₂₁,ｄ'₂₂,ｄ'₂₃ は、図２の（ｄ）の場合と同様に
決定できる。

【００２５】ここで、ＶＣ/ ＣＶ素片の音声素片の特徴
パラメータと、Ｖ，ＣＶ素片の音声素片の特徴パラメー
タの補間する場合、前記実施の形態と同様に時間長を揃
え、図４に示した関係等を用いて補間を行なうことがで
きる。この場合、ＶＣ/ ＣＶ素片におけるラベルと、
Ｖ，ＣＶ素片におけるラベルを対応付けておくことによ
り、より精密な補間が行なえる。

【００２６】このときの例を図８に示す。図８の（ａ）
は、図７の（ｄ）において、ＶＣ，ＣＶ素片のラベルと
対応付けられたＶ，ＣＶ素片であり、図８の（ｂ）は図
８の（ａ）を用いた伸縮結果の例を示す。尚、前記実施
の形態において、音素単位のラベルの伸縮・補間ではな
く、音節，モーラ単位など音素より大きな単位や、音素
を更に細分化した小さな単位で伸縮・補間を行ってもよ
い。

【００２７】又、前記実施の形態において、音声素片の
特徴パラメータを接続後にユーザが発声速度を変更して
も、自然なテンポ感で合成音声を生成するために、図２
の（ｂ）及び図２の（ｄ）の特徴パラメータを両方保持
してもよい。この場合、合成信号の計算を行なう直前に
最新の発声速度を用いて、その発声速度に従い、図２の
（ｂ）または図２の（ｄ）のどちらかの音声素片・パラ
メータを用いるかの選択を行なう。

【００２８】又、前記実施の形態と他の実施の形態とを
組み合わせて適用することも、選択して適用することも
可能である。更に、本実施の形態は、音声素片単位とし
てＶ，Ｃに注目したが、本発明の技術思想は音声合成の
一般に適用されるものであり、音声素片として他の単位
を使用しても同様な効果が得られる。

【００２９】又、本発明は、複数の機器から構成される
システムに適用しても、１つの機器から成る装置に適用
しても良い。また、本発明はシステム或は装置にプログ
ラムを供給することによって達成される場合にも適用で
きることはいうまでもない。この場合、本発明に係るプ
ログラムを格納した記憶媒体が本発明を構成することに
なる。そして、該記憶媒体からそのプログラムをシステ
ム或は装置に読み出すことによって、そのシステム或は
装置が、予め定められた仕方で動作する。

【００３０】

【発明の効果】以上説明したように、本発明によれば、
発声速度に応じて音声素片や特徴パラメータ接続単位を
選択し、適切に音節やモーラの持続時間を与えることに
より、自然音声に近い発声様式を行なうことが可能とな
る効果がある。

【図面の簡単な説明】

【図１】本実施の形態の音声合成装置の概念的構成を示
すブロック図である。

【図２】ＶＣＶを素片とする音声合成方式における特徴
パラメータの生成方法を示す説明図である。

【図３】ＶＣＶ素片の音声素片の特徴パラメータとＶ，
ＣＶ素片の音声素片・パラメータとの補間方法を示す説
明図である。

【図４】音声素片の特徴パラメータを補間する場合の無
音区間ｄ_P と補間係数ｋとの関係の例を示す図である。

【図５】本実施の形態の音声合成装置のハードウエア構
成を示すブロック図である。

【図６】本実施の形態の音声合成装置の動作手順例を示
すフローチャートである。

【図７】ＶＣ/ ＣＶを素片とする音声合成方式における
特徴パラメータの生成方法を示す説明図である。

【図８】図６の（ｄ）において、ＶＣ，ＣＶ素片のラベ
ルと対応付けられたＶ，ＣＶ素片と、これを用いた伸縮
結果の例を示す説明図である。

───────────────────────────────────────────────────── フロントページの続き (72)発明者奥谷泰夫東京都大田区下丸子３丁目30番２号キヤノン株式会社内

Claims

【特許請求の範囲】

【請求項１】音声素片の特徴パラメータを接続して音
声を合成する音声合成方法であって、発声スタイル及び／又は発声速度に基づいて、特徴パラ
メータの接続方法を変更することを特徴とする音声合成
方法。
【請求項２】前記接続方法の変更は、発声スタイル及
び／又は発声速度に基づいて無音区間長を決定し、該無
音区間長に基づいて行われることを特徴とする請求項１
記載の音声合成方法。
【請求項３】前記接続方法の変更では、前記無音区間
長に基づいて同じ音声素片に対する異なる特徴パラメー
タから補間されて、新たな特徴パラメータが生成される
ことを特徴とする請求項２記載の音声合成方法。
【請求項４】前記特徴パラメータは、音声素片がＶＣ
Ｖか、Ｖ，ＣＶか、ＶＣ，ＣＶかの違いに対応して異な
ることを特徴とする請求項３記載の音声合成方法。
【請求項５】前記接続方法の変更では、更に、発声ス
タイルに基づいて特徴パラメータの継続時間長の伸縮パ
ラメータが選択されることを特徴とする請求項２記載の
音声合成方法。
【請求項６】前記発声スタイルとして、連続発声とモ
ーラ単位で区切った発声との違いを含むことを特徴とす
る請求項１記載の音声合成方法。
【請求項７】音声素片の特徴パラメータを接続して音
声を合成する音声合成装置において、発声スタイル及び／又は発声速度を設定するパラメータ
設定手段と、設定された前記発声スタイル及び／又は発声速度に基づ
いて、特徴パラメータの接続方法を変更する接続方法変
更手段とを備えることを特徴とする音声合成装置。
【請求項８】前記接続方法変更手段は、発声スタイル
及び／又は発声速度に基づいて無音区間長を決定する無
音区間長決定手段と、該無音区間長に基づいて特徴パラ
メータの接続方法を変更する変更手段とを備えることを
特徴とする請求項７記載の音声合成装置。
【請求項９】前記変更手段は、前記無音区間長に基づ
いて同じ音声素片に対する異なる特徴パラメータを合成
して、新たな特徴パラメータを生成する特徴パラメータ
補間手段を備えることを特徴とする請求項８記載の音声
合成装置。
【請求項１０】前記特徴パラメータは、音声素片がＶ
ＣＶか、Ｖ，ＣＶか、ＶＣ，ＣＶかの違いに対応して異
なることを特徴とする請求項９記載の音声合成装置。
【請求項１１】前記接続方法変更手段は、更に、発声
スタイルに基づいて特徴パラメータの継続時間長の伸縮
パラメータを選択する伸縮パラメータ選択手段を備える
ことを特徴とする請求項８記載の音声合成装置。
【請求項１２】前記発声スタイルとして、連続発声と
モーラ単位で区切った発声との違いを含むことを特徴と
する請求項７記載の音声合成装置。
【請求項１３】記憶媒体から所定のプログラムを読み
込んでコンピュータを制御することによって、音声素片
の特徴パラメータを接続して音声を合成する音声合成装
置において、前記記憶媒体が、少なくとも、発声スタイル及び／又は発声速度に基づいて、特徴パラ
メータの接続方法を変更する手順コードを含むことを特
徴とする音声合成装置。
【請求項１４】前記記憶媒体が、更に、音声素片の特
徴パラメータを含むことを特徴とする請求項１３記載の
音声合成装置。
【請求項１５】前記記憶媒体が、更に、発声スタイル
及び／又は発声速度に対応する特徴パラメータの継続時
間長の伸縮パラメータ、発声スタイル及び／又は発声速
度に基づいて無音区間長を決定する関数、及び無音区間
長に対応する特徴パラメータの補間パラメータを含むこ
とを特徴とする請求項１４記載の音声合成装置。