JPH10177396A - 音声合成装置及び発音訓練装置 - Google Patents

Abstract

(57)【要約】 【課題】 合成音声の声質を操作者の音声に似たものに
変更することができる音声合成装置及び発音訓練装置を
提供する。 【解決手段】 音韻情報生成部１は、手本として合成す
べき音節、単語若しくは文章等の言語の音韻記号列を生
成する。韻律情報生成部２は、その言語のアクセントや
イントネーション等の韻律情報を生成する。データセッ
ト記憶部１０は、その言語の声質データを男女毎に複数
記憶するものである。選択部１６は、データセット記憶
部１０に記憶された複数の声質データのうちの一つのデ
ータを選択する。規則合成部３は、前記音韻記号列と、
韻律記号列と、選択された声質データに基づいて音声を
合成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声を合成する音
声合成装置及びその合成した音声を用いる発音訓練装置
に関するものである。

【０００２】

【従来の技術】従来、この種の音声合成装置として、例
えば、図４に示されているような構成の装置が知られて
いる。

【０００３】同図において、本装置を操作する操作者
は、キーボード・マウス６から、出力するための文節、
単語若しくは文章等（以下、文章等という。）を直接又
は、ディスプレイ９に表示されている文章等を指し示し
て入力する。

【０００４】音韻情報生成部１は、キーボード・マウス
６から入力又は選択された文章等からその「読み」を表
す音韻情報を生成する。具体的には、例えば、「橋を渡
る」という文章が入力された場合、「ha-shi-wo-wa-ta-
ru」という音韻記号列を生成するのである。

【０００５】韻律情報生成部２は、キーボード・マウス
６から入力又は選択された文章等からその「アクセン
ト」や「イントネーション」等を表す韻律情報を生成す
る。具体的には、例えば、前記例「橋を渡る」という文
章が入力された場合、「ha“shi‘wowataru」という韻
律記号列を生成するのである。ここで「“」とあるの
は、アクセントの上昇する位置を示し、「‘」とあるの
は、アクセントの下降する位置を示す。

【０００６】データセット４０は、音声の声質データ
（例えば、素片波形データ等）を音素又は音節毎に格納
している。ただし、これら声質データは、１種類のみ又
は、男女の声質に会わせて各々１種類しか格納されてい
ない。

【０００７】規則合成部３は、音韻情報生成部１におい
て生成された音韻情報と、データセット記憶部４０に格
納されている声質データと、韻律情報生成部２において
生成された韻律情報とを適切に合成し、合成音声を生成
する。尚、音韻情報生成部１、韻律情報生成部２及び規
則合成部３に関しては、「音声合成の研究の現状と将
来」（音響学会誌４８巻1号）等に従来技術として詳し
く記載されているので、ここでは詳述しない。

【０００８】音声出力部８は、規則合成部３において合
成された合成音声を出力する。

【０００９】また、以上の機能に加え、特開昭６０−２
０１３７６号公報や特開昭６１−２５５３７９号公報、
特開平３−１２９３８３号公報には、操作者が装置から
出力される合成音声を真似て発声した場合に、装置がそ
の発声した音声を分析し、前記合成音声との差を定量的
に比較し、その結果をディスプレイ等の表示装置に表示
するものが開示されている。

【００１０】

【発明が解決しようとする課題】しかしながら、このよ
うな音声合成装置を用いて、操作者が発音訓練をする場
合に以下のような問題がある。すなわち、合成された合
成音声を聞くことにより、操作者は、当然にその合成音
声と自分自身の発音との違いを認識し、その後に、自分
自身の発音をその合成音声に近づけようとする。しかし
ながら、装置から出力される合成音声と操作者が自ら発
する音声とは、声質の差が大きく、その達成が困難な場
合が多かった。

【００１１】本発明の目的は、これらの実情を鑑みてな
されたものであり、装置から出力される合成音声の声質
を操作者自身の声質に近づけることにより、操作者が自
分自身の発音を装置から出力される合成音声に容易に近
づけることができる音声合成装置及び発音訓練装置を提
供することにある。

【００１２】

【課題を解決するための手段】前記目的を達成するため
に、本発明の請求項１に記載の音声合成装置は、文節、
単語若しくは文章等の言語の音韻情報を生成する音韻情
報生成手段と、その言語の韻律情報を生成する韻律情報
生成手段とを備えた音声合成装置において、前記言語の
声質データを男女毎に複数記憶する声質データ記憶手段
と、その声質データ記憶手段に記憶された複数の声質デ
ータのうちの一つの声質データを選択する声質データ選
択手段と、前記音韻情報生成手段により生成された音韻
情報と、前記韻律情報生成手段により生成された韻律情
報と、前記声質データ選択手段により選択された声質デ
ータとに基づいて、音声を合成する音声合成手段とを備
えたことを特徴としている。

【００１３】この音声合成装置によれば、声質データ記
憶手段には、文節、単語若しくは文章等の言語の声質デ
ータが男女毎に複数記憶されており、声質データ選択手
段がその男女毎に複数記憶された声質データの中から最
も適した一つの声質データを選択する。そして、音声合
成手段は、音韻情報生成手段により生成される言語の音
韻情報と、韻律情報生成手段により生成される言語の韻
律情報と、声質データ選択手段により選択された声質デ
ータとに基づいて音声を合成し、その合成された音声
は、声質データ選択手段により選択された声質データに
よりその音声を容易に変更することができる。

【００１４】また、請求項２に記載の音声合成装置は、
前記声質データ選択手段が、音声を入力する音声入力手
段を備え、前記声質データ記憶手段に記憶された複数の
声質データのうち、前記音声入力手段により入力された
音声の声質データと最も近似する一つの声質データを選
択することを特徴としている。

【００１５】この音声合成装置によれば、音声入力手段
により音声が入力されると、声質データ記憶手段に記憶
された複数の声質データのうち、その入力された音声の
声質データと最も近似する一つの声質データが自動的に
選択される。

【００１６】更に、請求項３に記載の発音訓練装置は、
文節、単語若しくは文章等の言語の音韻情報を生成する
音韻情報生成手段と、その言語の韻律情報を生成する韻
律情報生成手段とを備えた発音訓練装置において、前記
言語の声質データを男女毎に複数記憶する声質データ記
憶手段と、その声質データ記憶手段に記憶された複数の
声質データのうちの一つの声質データを選択する声質デ
ータ選択手段と、前記音韻情報生成手段により生成され
た音韻情報と、前記韻律情報生成手段により生成された
韻律情報と、前記声質データ選択手段により選択された
声質データとに基づいて、音声を合成する音声合成手段
と、その音声合成手段により合成された音声を出力する
出力手段とを備えたことを特徴としている。

【００１７】この発音訓練装置によれば、声質データ記
憶手段には、文節、単語若しくは文章等の言語の声質デ
ータが男女毎に複数記憶されており、声質データ選択手
段がその男女毎に複数記憶された声質データの中から最
も適した一つの声質データを選択する。そして、音声合
成手段は、音韻情報生成手段により生成される言語の音
韻情報と、韻律情報生成手段により生成される言語の韻
律情報と、声質データ選択手段により選択された声質デ
ータとに基づいて音声を合成し、その合成された音声
は、出力手段により出力される。尚、出力される音声
は、声質データ選択手段により選択された声質データに
よりその音声を容易に変更することができる。

【００１８】また、請求項４に記載の発音訓練装置は、
前記声質データ選択手段が、音声を入力する音声入力手
段を備え、前記声質データ記憶手段に記憶された複数の
声質データのうち、前記音声入力手段により入力された
音声の声質データと最も近似する一つの声質データを選
択することを特徴としている。

【００１９】この発音訓練装置によれば、音声入力手段
により音声が入力されると、声質データ記憶手段に記憶
された複数の声質データのうち、その入力された音声の
声質データと最も近似する一つの声質データが自動的に
選択される。

【００２０】

【発明の実施の形態】以下に、本発明の音声合成装置を
具体化した実施の形態について図を参照しながら説明す
る。なお、従来の技術と同一の要素には同一の符号を用
い、その説明を省略する。

【００２１】図１は、本実施の形態である音声合成装置
及び発音訓練装置（以下、音声合成装置等という。）の
概略構成図である。図１において、文節、単語若しくは
文章等（以下、文章等という。）を入力するキーボード
・マウス６は、音韻情報生成手段である音韻情報生成部
１、韻律情報生成手段である韻律情報生成部２、及び文
章等を表示するディスプレイ９に接続され、音韻情報生
成部１及び韻律情報生成部２は、音声合成手段である規
則合成部３に接続されている。そして、規則合成部３
は、出力手段である音声出力部８及び記憶手段であるデ
ータセット記憶部１０に接続され、データセット記憶部
１０は、データセット選択部１２に接続されている。

【００２２】また、データセット選択部１２は、声質デ
ータ選択手段である選択部１６、類似度演算部１４及び
音声入力手段である音声入力部７により構成されてお
り、選択部１６は、前記データセット記憶部１０に接続
されている。更に、類似度演算部１４は、選択部１６に
接続され、音声入力部７は、類似度演算部１４に接続さ
れている。

【００２３】同図において、キーボード・マウス６は、
キーボード、マウス等の入力装置により構成され、文
節、単語若しくは文章等（以下、文章等という。）を直
接若しくはディスプレイ９に表示されている文章等を指
し示して入力するものである。また、キーボード・マウ
ス６は、後述する発音訓練モードと声質選択モードとを
切り換えるものでもある。

【００２４】ここで、本装置を操作する操作者が、出力
しようとする文章等をキーボード・マウス６から例え
ば、直接入力すると、音韻情報生成部１は、キーボード
・マウス６から入力された文章等からその「読み」を表
す音韻情報を生成する。具体的には、例えば、「橋を渡
る」という文章が入力された場合、「ha-shi-wo-wa-ta-
ru」という音韻記号列を生成するのである。

【００２５】韻律情報生成部２は、キーボード・マウス
６から入力された文章等からその「アクセント」や「イ
ントネーション」等を表す韻律情報を生成する。具体的
には、例えば、前記例「橋を渡る」という文章が入力さ
れた場合、「ha“shi‘wowataru」という韻律記号列を
生成するのである。

【００２６】また、データセット記憶部１０は、音声の
声質データ（例えば、音素や音節等を単位とした素片波
形データや特徴パラメータを格納したデータセット等）
を記憶しており、その記憶されている声質データは、男
女毎に複数記憶されているのである。

【００２７】音声入力部７は、マイクやＡ／Ｄ変換器等
の音声入力装置から構成されており、操作者が発声した
音声を入力するものである。

【００２８】また、類似度演算部１４は、音声入力部７
から入力された音声データとデータセット記憶部１０に
男女毎に記憶された複数の声質データとを比較しその類
似度を演算するものである。ここで類似度とは、一般に
用いられているスペクトルに関するパラメータ・ベクト
ル（例えば、ケプストラム係数）に限定されるものでは
なく、パラメータ・ベクトル間の距離に基づき演算され
る値なども含む意味である。また、時間正規化が必要で
あれば、動的計画法などの手法を用いて時間正規化して
もよい。

【００２９】更に、選択部１６は、類似度演算部１４に
より演算された類似度に基づいて、データセット記憶部
１０の男女毎に複数記憶された声質データのうち、最も
近似する一つの声質データを選択する。

【００３０】規則合成部３は、音韻情報生成部１におい
て生成された音韻情報と、韻律情報生成部２において生
成された韻律情報と、選択部１６により選択された声質
データとに基づいて、音声を合成する。

【００３１】また、音声出力部８は、規則合成部３にお
いて合成された音声（合成音声）を出力する。

【００３２】尚、上記実施の形態においては、音韻情報
を生成する音韻情報生成部１及び韻律情報を生成する韻
律情報生成部２を用いたが、音韻情報及び韻律情報は、
予め作成されたデータベースに記憶しておいてもよい。

【００３３】次に、以上のように構成された音声合成装
置等について、その動作を説明する。

【００３４】２図は、１図に示した音声合成装置等の要
部における概略動作を示すフローチャートである。尚、
本フローチャートにおいて、本音声合成装置等は、声質
選択モードと発音訓練モードとの二つのモードを有す
る。すなわち、声質選択モードは、操作者が発した音声
に最も近似した音声の声質データを選択するモードであ
り、発声訓練モードは、声質選択モードで選択された声
質データ等に基づいて、音声を合成し、その合成された
音声を音声出力部であるスピーカより出力するものであ
る。

【００３５】２図において、先ず、操作者がキーボード
・マウス６より声質選択モードを選択すると（Ｓ１、Ｓ
はステップを示す。以下同様）、声質選択モードが実行
され（Ｓ２）、操作者が発声すべき内容がディスプレイ
９に表示される（Ｓ３）。操作者は、この表示された発
声すべき内容を確認し、音声入力部７に向かって発声す
ると、類似度演算部１４は、音声入力部７から入力され
た音声データと、データセット記憶部１０に男女毎に記
憶された複数の声質データとを比較しその類似度を演算
する。また、選択部１６は、類似度演算部１４により演
算された類似度に基づいて、データセット記憶部１０の
男女毎に複数記憶された声質データのうち、最も近似す
る一つの声質データを選択する（Ｓ５）。ここで選択さ
れる声質データは、規則合成部３で合成される声質デー
タとして設定され、その後の音声合成に使用される。

【００３６】次に、操作者がキーボード・マウス６より
出力すべき文章を入力し、発音訓練モードを選択すると
（Ｓ１）、発音訓練モードが実行され（Ｓ２）、音韻情
報生成部１が出力すべき文章の音韻記号列を生成し（Ｓ
６）、韻律情報生成部２がその文章の韻律記号列を生成
する（Ｓ７）。次に規則合成部３は、その音韻情報と、
韻律情報と、（Ｓ５）において選択された声質データと
に基づいて、音声を合成する（Ｓ８）。更に、音声出力
部８（例えば、スピーカ）よりその合成された音声が出
力され（Ｓ９）、その後の処理は、Ｓ１に戻り、上述し
た処理が繰り返される。上述のように、合成された音声
が音声出力部８から出力されると、操作者は、合成され
た音声を真似るように発声訓練を行う。尚、本実施の形
態においては、前記声質訓練モードが発声訓練モード前
に処理されるようにしたが、声質訓練モードが適宜実行
されるようにしてもよい。

【００３７】以上のように、上述した実施の形態では、
音声合成装置等が操作者の声質に近い声質データに基づ
いて、操作者の声質に近い音声を合成しているので、操
作者が発声訓練をする際、その音声を真似ることが非常
に容易となり、訓練がはかどるという利点がある。

【００３８】なお、本実施の形態においては、声質デー
タ選択部１２が音声入力部７より入力された操作者の音
声に基づいて、自動的に声質データを選択するようにし
たが、図３に示すように、操作者が音声出力部８から出
力された合成音声と自分の発声した音声とを聞き比べな
がら、キーボード・マウス６から適当な音声データを選
択するようにしてもよい。

【００３９】

【発明の効果】以上説明したことから明らかなように、
本発明の請求項１に記載の音声合成装置によれば、記憶
手段には、文節、単語若しくは文章等の言語の声質デー
タが男女毎に複数記憶されており、声質データ選択手段
がその男女毎に複数記憶された声質データの中から最も
適した一つの声質データを選択するので、音韻情報と、
韻律情報と声質データ選択手段により選択された声質デ
ータとにより合成された合成音声は、操作者が声質デー
タ選択手段により選択される声質データを変更すること
により、合成音声を簡単容易に変更することができる。

【００４０】また、請求項２に記載の音声合成装置によ
れば、音声入力手段により音声が入力されると、声質デ
ータ記憶手段に記憶された複数の声質データのうち、そ
の入力された音声の声質と最も近似する一つの声質デー
タが自動的に選択されるので、操作者は、合成音声を更
に簡単容易に変更することができる。

【００４１】更に、請求項３に記載の発音訓練装置によ
れば、記憶手段には、文節、単語若しくは文章等の言語
の声質データが男女毎に複数記憶されており、声質デー
タ選択手段がその男女毎に複数記憶された声質データの
中から最も適した一つの声質データを選択するので、音
韻情報と、韻律情報と声質データ選択手段により選択さ
れた声質データとにより合成された合成音声は、操作者
が声質データ選択手段により選択される声質データを変
更することにより、合成音声を簡単容易に変更すること
ができるとともに、本装置は、出力手段によりその合成
音声を出力するので、操作者は、出力された合成音声を
聞きながら、その合成音声を自分の声質に容易に近づけ
ることができる。

【００４２】また、請求項４に記載の発音訓練装置によ
れば、音声入力手段により音声が入力されると、声質デ
ータ記憶手段に男女毎に記憶された複数の声質データの
うち、その入力された音声の声質と最も近似する一つの
声質データが自動的に選択されるので、操作者が音声入
力手段により自分の声を入力すれば、自動的に自分の声
質に最も近似した音声が合成され、その合成音声が出力
手段により出力されると、操作者は、装置の音声を容易
に真似ることができる。

【図面の簡単な説明】

【図１】本実施の形態の音声合成装置等の概略構成図で
ある。

【図２】音声合成装置等の動作を説明する概略フローチ
ャートである。

【図３】他の実施の形態の音声合成装置等の概略構成図
である。

【図４】従来の音声合成装置等の概略構成図である。

【符号の説明】

１ 音韻情報生成部 ２ 韻律情報生成部 ３ 規則合成部 ７ 音声入力部 １０ データセット記憶部 １６ 選択部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 文節、単語若しくは文章等の言語の音韻
   情報を生成する音韻情報生成手段と、その言語の韻律情
   報を生成する韻律情報生成手段とを備えた音声合成装置
   において、 声質データを男女毎に複数記憶する声質データ記憶手段
   と、 その声質データ記憶手段に記憶された複数の声質データ
   のうちの一つの声質データを選択する声質データ選択手
   段と、 前記音韻情報生成手段により生成された音韻情報と、前
   記韻律情報生成手段により生成された韻律情報と、前記
   声質データ選択手段により選択された声質データとに基
   づいて、音声を合成する音声合成手段とを備えたことを
   特徴とする音声合成装置。
2. 【請求項２】 前記声質データ選択手段は、音声を入力
   する音声入力手段を備え、前記声質データ記憶手段に記
   憶された複数の声質データのうち、前記音声入力手段に
   より入力された音声の声質と最も近似する一つの声質デ
   ータを選択することを特徴とする請求項１に記載の音声
   合成装置。
3. 【請求項３】 文節、単語若しくは文章等の言語の音韻
   情報を生成する音韻情報生成手段と、その言語の韻律情
   報を生成する韻律情報生成手段とを備えた発音訓練装置
   において、 声質データを男女毎に複数記憶する声質データ記憶手段
   と、 その声質データ記憶手段に記憶された複数の声質データ
   のうちの一つの声質データを選択する声質データ選択手
   段と、 前記音韻情報生成手段により生成された音韻情報と、前
   記韻律情報生成手段により生成された韻律情報と、前記
   声質データ選択手段により選択された声質データとに基
   づいて、音声を合成する音声合成手段と、 その音声合成手段により合成された音声を出力する出力
   手段とを備えたことを特徴とする発音訓練装置。
4. 【請求項４】 前記声質データ選択手段は、音声を入力
   する音声入力手段を備え、前記声質データ記憶手段に記
   憶された複数の声質データのうち、前記音声入力手段に
   より入力された音声の声質と最も近似する一つの声質デ
   ータを選択することを特徴とする請求項３に記載の発音
   訓練装置。