JPH1039895A - 音声合成方法および装置 - Google Patents
音声合成方法および装置Info
- Publication number
- JPH1039895A JPH1039895A JP8196635A JP19663596A JPH1039895A JP H1039895 A JPH1039895 A JP H1039895A JP 8196635 A JP8196635 A JP 8196635A JP 19663596 A JP19663596 A JP 19663596A JP H1039895 A JPH1039895 A JP H1039895A
- Authority
- JP
- Japan
- Prior art keywords
- speech
- type
- accent
- synthesized
- phonemes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 22
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 22
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 6
- 239000012634 fragment Substances 0.000 claims description 14
- 238000001308 synthesis method Methods 0.000 claims description 10
- 238000013518 transcription Methods 0.000 claims description 7
- 230000035897 transcription Effects 0.000 claims description 7
- 239000000872 buffer Substances 0.000 abstract description 17
- 230000006866 deterioration Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 3
- 239000012536 storage buffer Substances 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000012012 Paullinia yoco Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
- G10L13/07—Concatenation rules
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【課題】 音声片を変形、接続して音声を合成する音声
合成装置において、音声片の加工の際に音質が劣化する
のを防止する。 【解決手段】 音声片を加工、接続して音声を合成する
装置において、音声片を選択する際に、音声片が基の音
声のどの位置から切り出されているかを、基となる音声
のアクセント型とアクセント核の位置により決定し、韻
律の近い音声片を利用することにより音声片を加工する
際の音質の劣化を抑えることができる。
合成装置において、音声片の加工の際に音質が劣化する
のを防止する。 【解決手段】 音声片を加工、接続して音声を合成する
装置において、音声片を選択する際に、音声片が基の音
声のどの位置から切り出されているかを、基となる音声
のアクセント型とアクセント核の位置により決定し、韻
律の近い音声片を利用することにより音声片を加工する
際の音質の劣化を抑えることができる。
Description
【０００１】
【発明の属する技術分野】本発明は、音声合成方法およ
び装置に関し、特にテキストを音声に変換する音声合成
方法およびその装置に関する。
び装置に関し、特にテキストを音声に変換する音声合成
方法およびその装置に関する。
【０００２】
【従来の技術】従来、音声片を接続して音声を合成する
音声合成方法において、その音声片のデータベースに
は、例えば「ＶＣＶを基本単位とする波形規則合成方式
の検討」（社）電子情報通信学会技術研究報告書ＳＰ９
６−８に開示されているように、アクセント型について
は特に留意されず、様々なアクセント型の音声が利用さ
れていた。
音声合成方法において、その音声片のデータベースに
は、例えば「ＶＣＶを基本単位とする波形規則合成方式
の検討」（社）電子情報通信学会技術研究報告書ＳＰ９
６−８に開示されているように、アクセント型について
は特に留意されず、様々なアクセント型の音声が利用さ
れていた。
【０００３】
【発明が解決しようとする課題】しかしながら、従来の
音声合成方法では、合成音声のピッチ周波数とデータベ
ース上にある音声片のピッチ周波数が大きく異なる場合
に、音声片のピッチ周波数を修正する際に音質が劣化す
るという問題があった。
音声合成方法では、合成音声のピッチ周波数とデータベ
ース上にある音声片のピッチ周波数が大きく異なる場合
に、音声片のピッチ周波数を修正する際に音質が劣化す
るという問題があった。
【０００４】本発明は、このピッチ周波数を修正する際
の音質の劣化を最小限に抑えることのできる音声合成方
法および装置を提供することを目的とする。
の音質の劣化を最小限に抑えることのできる音声合成方
法および装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】上記目的を達成するため
に、本発明は、合成する音声のピッチ周波数の時間変化
パターンと音声片のピッチ周波数の時間変化パターンが
近くなるように、音声片の基になる音声データを０型ア
クセントと１型アクセントで発声することにより合成音
声のピッチ周波数変動範囲をカバーするのに十分な音声
片の種類を確保し、合成する音声のアクセント型と当該
音声が使用される位置に応じて適切な音声片を選択する
ことにより、ピッチ周波数制御の際に起こる音質の劣化
を最小限に抑え、高い品質の合成音声が得られるように
したものである。
に、本発明は、合成する音声のピッチ周波数の時間変化
パターンと音声片のピッチ周波数の時間変化パターンが
近くなるように、音声片の基になる音声データを０型ア
クセントと１型アクセントで発声することにより合成音
声のピッチ周波数変動範囲をカバーするのに十分な音声
片の種類を確保し、合成する音声のアクセント型と当該
音声が使用される位置に応じて適切な音声片を選択する
ことにより、ピッチ周波数制御の際に起こる音質の劣化
を最小限に抑え、高い品質の合成音声が得られるように
したものである。
【０００６】
【発明の実施の形態】本発明の請求項１に記載の発明
は、単語あるいは文節を０型アクセントと１型アクセン
トで発声したものをその発音表記（発音記号、ローマ
字、かな文字などによる声音の表記）とともに多数蓄積
した波形データベースを有し、これらの音声を母音の定
常部または無声子音の直前で区切り音声片として抽出で
きるようにし、これらの音声片を変形、接続して音声を
合成する際、合成すべき音声の発音表記と、音声片の発
音表記をもとに最長一致法などで検索して、検索された
音声片のうち０型アクセントのものを使用するのか１型
アクセントのものを使用するのかを、合成する音声のア
クセント型と合成する音声内で当該音声片が使用される
位置によって決定する音声合成方法であり、複雑な計算
をすることなくピッチ周波数の時間変化パターンの似て
いる音声片を選択することができ、ピッチ周波数の変更
に伴う音質の劣化を最小限に抑え、高い品質の合成音声
を得ることができるという作用を有する。
は、単語あるいは文節を０型アクセントと１型アクセン
トで発声したものをその発音表記（発音記号、ローマ
字、かな文字などによる声音の表記）とともに多数蓄積
した波形データベースを有し、これらの音声を母音の定
常部または無声子音の直前で区切り音声片として抽出で
きるようにし、これらの音声片を変形、接続して音声を
合成する際、合成すべき音声の発音表記と、音声片の発
音表記をもとに最長一致法などで検索して、検索された
音声片のうち０型アクセントのものを使用するのか１型
アクセントのものを使用するのかを、合成する音声のア
クセント型と合成する音声内で当該音声片が使用される
位置によって決定する音声合成方法であり、複雑な計算
をすることなくピッチ周波数の時間変化パターンの似て
いる音声片を選択することができ、ピッチ周波数の変更
に伴う音質の劣化を最小限に抑え、高い品質の合成音声
を得ることができるという作用を有する。
【０００７】請求項２に記載の発明は、０型アクセント
と１型アクセントで発声した単語あるいは文節から構成
した音声片のアクセント型を示すデータと音声片の発音
表記を示すデータとその音声片を区切ることができる位
置を示すデータとを含む音声波形データベースと、合成
する音声の発音表記文字列と韻律情報を格納する手段
と、格納された発音表記文字列により音声波形データベ
ースから音声片の候補を検索する音声片候補検索手段
と、検索された音声片候補の中から実際に利用する音声
片を、合成する音声のアクセント型と音声片が使用され
る位置とから決定する手段とを備えた音声合成装置であ
り、少ない計算処理量で高い品質の合成音声を得ること
ができるという作用を有する。
と１型アクセントで発声した単語あるいは文節から構成
した音声片のアクセント型を示すデータと音声片の発音
表記を示すデータとその音声片を区切ることができる位
置を示すデータとを含む音声波形データベースと、合成
する音声の発音表記文字列と韻律情報を格納する手段
と、格納された発音表記文字列により音声波形データベ
ースから音声片の候補を検索する音声片候補検索手段
と、検索された音声片候補の中から実際に利用する音声
片を、合成する音声のアクセント型と音声片が使用され
る位置とから決定する手段とを備えた音声合成装置であ
り、少ない計算処理量で高い品質の合成音声を得ること
ができるという作用を有する。
【０００８】請求項３に記載の発明は、０型アクセント
および１型アクセントで発声された２音節連鎖または３
音節連鎖を２回繰り返した単語音声により波形データベ
ースを構成した請求項１に記載の音声合成方法であり、
おおむね、ＶＣＶまたはＶＶＣＶという音韻連鎖（Ｖは
母音および撥音、Ｃは子音）のみで非常に効率よく波形
データベースを構築することができるという作用を有す
る。
および１型アクセントで発声された２音節連鎖または３
音節連鎖を２回繰り返した単語音声により波形データベ
ースを構成した請求項１に記載の音声合成方法であり、
おおむね、ＶＣＶまたはＶＶＣＶという音韻連鎖（Ｖは
母音および撥音、Ｃは子音）のみで非常に効率よく波形
データベースを構築することができるという作用を有す
る。
【０００９】請求項４に記載の発明は、２音節連鎖また
は３音節連鎖を２回繰り返した音声を０型アクセントと
１型アクセントで発声し、これらを用いて波形データベ
ースを構築する請求項３に記載の音声合成装置であり、
効率よくデータベースを構築することができるので、デ
ータベースのサイズを小さくすることができるという作
用を有する。
は３音節連鎖を２回繰り返した音声を０型アクセントと
１型アクセントで発声し、これらを用いて波形データベ
ースを構築する請求項３に記載の音声合成装置であり、
効率よくデータベースを構築することができるので、デ
ータベースのサイズを小さくすることができるという作
用を有する。
【００１０】以下、本発明の実施の形態について、図１
から図１０を用いて説明する。 （実施の形態１）図１は本発明の請求項１に対応する実
施の形態１における音声合成方法を説明するための音声
片選択の様子を示す特性図である。本実施の形態では、
単語あるいは文節を０型アクセントと１型アクセントで
発声したものをその発音表記とともに多数蓄積して波形
データベースとし、これらの音声を母音の定常部または
無声子音の直前で区切って抽出できるようにする。この
音声片を発音表記をもとに、合成すべき音声の表記との
間で最長一致法などで検索する。検索された音声片のう
ち０型アクセントのものを使用するのか１型アクセント
のものを使用するのかを、合成する音声のアクセント型
と当該音声片が使用される合成音中の位置によって決定
する。
から図１０を用いて説明する。 （実施の形態１）図１は本発明の請求項１に対応する実
施の形態１における音声合成方法を説明するための音声
片選択の様子を示す特性図である。本実施の形態では、
単語あるいは文節を０型アクセントと１型アクセントで
発声したものをその発音表記とともに多数蓄積して波形
データベースとし、これらの音声を母音の定常部または
無声子音の直前で区切って抽出できるようにする。この
音声片を発音表記をもとに、合成すべき音声の表記との
間で最長一致法などで検索する。検索された音声片のう
ち０型アクセントのものを使用するのか１型アクセント
のものを使用するのかを、合成する音声のアクセント型
と当該音声片が使用される合成音中の位置によって決定
する。
【００１１】以下、図１を参照して本実施の形態におけ
る音声合成方法について説明する。この例では「横浜
市」の合成における音声片選択の様子を示す。まず、図
１（ａ）の「よこはまし」という発音表記をもとに、デ
ータベースから最長一致法などを用いて音声片の長さを
決定する。この例では、「横浜区」という音声片の「よ
こはま」まで一致している場合を示している。次に、ピ
ッチ変動により０型アクセントのものを用いるのか、１
型アクセントのものを用いるのかを決定する。図１
（ｂ）は１型アクセントで発声された「横浜区」、図１
（ｃ）は０型アクセントで発声された「横浜区」のピッ
チ周波数の変化を示す。ここでは、発音表記としてロー
マ字を用いる。合成しようとする音声の「横浜市」のピ
ッチ周波数は図１（ａ）の実線で示される通り、ｙｏで
上昇している。そこで、上昇するピッチ周波数を持つ０
型アクセントで発声された「横浜区」の第一音節ｙｏか
ら第五音節ｋｕの子音直前までを使用する。ａｓｈｉの
部分ではアクセント核がありピッチ周波数が降下するた
め、図１（ｅ）の０型ではなく、図１（ｄ）の１型で発
声された「足柄」のａｓｈｉの部分を使用する。このよ
うに、合成しようとする音声のピッチ周波数に最も近
く、発音表記が一致する音声片を選択する。
る音声合成方法について説明する。この例では「横浜
市」の合成における音声片選択の様子を示す。まず、図
１（ａ）の「よこはまし」という発音表記をもとに、デ
ータベースから最長一致法などを用いて音声片の長さを
決定する。この例では、「横浜区」という音声片の「よ
こはま」まで一致している場合を示している。次に、ピ
ッチ変動により０型アクセントのものを用いるのか、１
型アクセントのものを用いるのかを決定する。図１
（ｂ）は１型アクセントで発声された「横浜区」、図１
（ｃ）は０型アクセントで発声された「横浜区」のピッ
チ周波数の変化を示す。ここでは、発音表記としてロー
マ字を用いる。合成しようとする音声の「横浜市」のピ
ッチ周波数は図１（ａ）の実線で示される通り、ｙｏで
上昇している。そこで、上昇するピッチ周波数を持つ０
型アクセントで発声された「横浜区」の第一音節ｙｏか
ら第五音節ｋｕの子音直前までを使用する。ａｓｈｉの
部分ではアクセント核がありピッチ周波数が降下するた
め、図１（ｅ）の０型ではなく、図１（ｄ）の１型で発
声された「足柄」のａｓｈｉの部分を使用する。このよ
うに、合成しようとする音声のピッチ周波数に最も近
く、発音表記が一致する音声片を選択する。
【００１２】（実施の形態２）図２は本発明の請求項２
に対応する実施の形態２における合成音声装置の構成を
示す。図２において、１００はホスト側から与えられる
発音を表記する文字列とアクセント型等の韻律情報を格
納するための入力バッファ、１０１は発音表記から合成
単位の検索を行う合成単位選択部、１０１１は入力バッ
ファ１００の文字列中のどこから合成単位となる音声片
の検索を始めなければならないかを示す選択開始ポイン
タ、１０２は合成単位選択部１０１で選択された合成単
位の情報を保持するための合成単位選択バッファ、１０
３は検索ルールテーブル１０４によって音声片を決定す
る使用音声片選定部、１０５は０型アクセントと１型ア
クセントで発声した単語あるいは文節から構成した音声
波形データベース、１０６はヘッダ情報から実際に音声
片を抜き出す音声片切り出し部、１０７は音声片切り出
し部１０６で切り出された音声片を合成する音声の韻律
に合わせるための音声片加工部、１０８は音声片加工部
１０７で加工された音声片を接続する音声片接続部、１
０８１はその接続処理用に加工済み音声片を一時的に格
納する接続用バッファ、１０９は音声片接続部１０８か
ら出力された合成音声を格納する合成音声格納バッフ
ァ、１１０は合成音声出力部である。１１１は入力バッ
ファ１００に格納された文字と韻律情報から合成音声の
ピッチ周波数と音韻継続時間長を計算して音声片加工部
１０７に出力する韻律計算部である。
に対応する実施の形態２における合成音声装置の構成を
示す。図２において、１００はホスト側から与えられる
発音を表記する文字列とアクセント型等の韻律情報を格
納するための入力バッファ、１０１は発音表記から合成
単位の検索を行う合成単位選択部、１０１１は入力バッ
ファ１００の文字列中のどこから合成単位となる音声片
の検索を始めなければならないかを示す選択開始ポイン
タ、１０２は合成単位選択部１０１で選択された合成単
位の情報を保持するための合成単位選択バッファ、１０
３は検索ルールテーブル１０４によって音声片を決定す
る使用音声片選定部、１０５は０型アクセントと１型ア
クセントで発声した単語あるいは文節から構成した音声
波形データベース、１０６はヘッダ情報から実際に音声
片を抜き出す音声片切り出し部、１０７は音声片切り出
し部１０６で切り出された音声片を合成する音声の韻律
に合わせるための音声片加工部、１０８は音声片加工部
１０７で加工された音声片を接続する音声片接続部、１
０８１はその接続処理用に加工済み音声片を一時的に格
納する接続用バッファ、１０９は音声片接続部１０８か
ら出力された合成音声を格納する合成音声格納バッフ
ァ、１１０は合成音声出力部である。１１１は入力バッ
ファ１００に格納された文字と韻律情報から合成音声の
ピッチ周波数と音韻継続時間長を計算して音声片加工部
１０７に出力する韻律計算部である。
【００１３】図３は図２の検索ルールテーブル１０４の
内容を示している。図２の合成単位選択バッファ１０２
に候補として挙げられた音声合成単位に対し、このテー
ブルにより音声片が決定される。まず、合成する音声が
１型アクセントかそれ以外かと、当該音声片が合成する
音声の中で適用される位置により、参照する欄が決ま
る。start の欄は音声データから音声片の切り出しを開
始する位置を示し、endは音声片の切り出しの際の最長
一致法の検索範囲終了位置を示す。表中の数字は２桁で
構成されており、十の位の数字が０の時は０型アクセン
トの音声から音声片を切り出し、１の時は１型アクセン
トの音声から音声片を切り出すことを意味する。一の位
の数字は音声の音節位置を示し、１の場合は１音節目、
２の場合は２音節目を意味する。ただし、end の欄で０
の場合は文節の最後の音節までを最長一致法の検索範囲
に含めることを意味し、＊印の場合は合成する音声のア
クセント核を含まない位置までの発音表記を検索の対象
とする。
内容を示している。図２の合成単位選択バッファ１０２
に候補として挙げられた音声合成単位に対し、このテー
ブルにより音声片が決定される。まず、合成する音声が
１型アクセントかそれ以外かと、当該音声片が合成する
音声の中で適用される位置により、参照する欄が決ま
る。start の欄は音声データから音声片の切り出しを開
始する位置を示し、endは音声片の切り出しの際の最長
一致法の検索範囲終了位置を示す。表中の数字は２桁で
構成されており、十の位の数字が０の時は０型アクセン
トの音声から音声片を切り出し、１の時は１型アクセン
トの音声から音声片を切り出すことを意味する。一の位
の数字は音声の音節位置を示し、１の場合は１音節目、
２の場合は２音節目を意味する。ただし、end の欄で０
の場合は文節の最後の音節までを最長一致法の検索範囲
に含めることを意味し、＊印の場合は合成する音声のア
クセント核を含まない位置までの発音表記を検索の対象
とする。
【００１４】図４は波形データベース１０５のデータ構
造を示している。ヘッダ部１０５１には、音声片の発音
の際のアクセント型（０または１）を示すデータ１０５
２と、登録された音声の発音表記を示すデータ１０５３
と、音声片として区切ることのできる位置を示すデータ
１０５４が格納されている。また音声波形部１０５５に
は、音声片を切り出す前の音声波形データが格納されて
いる。
造を示している。ヘッダ部１０５１には、音声片の発音
の際のアクセント型（０または１）を示すデータ１０５
２と、登録された音声の発音表記を示すデータ１０５３
と、音声片として区切ることのできる位置を示すデータ
１０５４が格納されている。また音声波形部１０５５に
は、音声片を切り出す前の音声波形データが格納されて
いる。
【００１５】図５は入力バッファ１００のデータ構造を
示している。ここには、発音表記が文字列で入力され、
さらに、モーラ数とアクセント型の韻律情報が数字で入
力される。発音表記はローマ字で記述し、韻律情報は２
桁の数字で構成し、十の位は単語のモーラ数、一の位は
アクセント型を記述する。
示している。ここには、発音表記が文字列で入力され、
さらに、モーラ数とアクセント型の韻律情報が数字で入
力される。発音表記はローマ字で記述し、韻律情報は２
桁の数字で構成し、十の位は単語のモーラ数、一の位は
アクセント型を記述する。
【００１６】以下、本実施の形態における動作を図６の
フロー図を参照して説明する。まずホストからの発音表
記文字列と韻律情報を入力バッファ１０１に取り込む
（ステップ２０１）。次に、最長一致法により発音表記
を分割する（ステップ２０２）。分割された発音表記が
単語中でどの位置で利用されるかを調べる（ステップ２
０３）。入力バッファ１０１に格納された発音表記文字
列（ここではローマ字を用いる）が例えばｙｏｋｏｈａ
ｍａｓｈｉの場合、波形データベース１０５のヘッダ部
の発音表記群中で、ｙｏで始まるものが合成単位選択部
１０１によって検索される。この場合、例えば「横
手」のｙｏ、「横浜区」のｙｏが検索されたとする。次
に、この２つに対し、２文字目のｋｏまで一致するかチ
ェックがなされ、「横浜区」のｙｏｋｏ選ばれる。同様
に検索が進み、最終的にｙｏｋｏｈａｍａが合成単位候
補となる。次に、合成単位選択部１０１はこの、ｙｏｋ
ｏｈａｍａが「横浜市」の最初の音声片であり、「横浜
市」が１型以外のアクセント（４型である）であるた
め、検索ルールテーブル１０４の「１型以外アクセント
用、語頭、スタート、エンド」の欄を調べ、０型で発声
した「横浜区」の１音節目から４音節目までを切り出し
候補とする。この情報は使用音声選定部１０３に渡され
る。使用音声選定部１０３は、波形データベース１０５
のヘッダ部１０５１にある０型発声の「横浜区」の１音
節目と４音節目の区切り位置データ１０５４を調べ、波
形切り出し開始点をｙｏの先頭、波形切り出し終了点を
無声子音の前にセットする（ステップ２０４）。この時
点で、選択開始ポインタ１０１１はｓｈｉのｓを指す。
以上の処理を分割した全ての発音表記について行なう
（ステップ２０５）。一方、韻律計算部１１１は、入力
バッファ１００の韻律情報から音声片のピッチパター
ン、デュレーションおよびパワーを計算する（ステップ
２０６）。使用音声片選定部１０３で決定された音声片
は、音声片切り出し部１０６に渡され、波形が切り出さ
れ（ステップ２０７）、音声片加工部１０７に渡され、
韻律計算部１１１で計算された所望のピッチ周波数と音
韻継続時間長に合うように加工され（ステップ２０
８）、音声片接続部１０８に渡されて接続処理が行われ
る（ステップ２０９）。文節中で最初の場合には、接続
すべき対象がないため、次の音声片との接続に備え、接
続用バッファにコピーされた後、合成音声格納バッファ
１０９に出力される（ステップ２１０）。次に、合成単
位選択部１０１は、入力バッファ１００の選択開始ポイ
ンタがｓｈｉのｓを指しているため、波形データベース
１０５のヘッダ部１０５１の発音表記群中でｓｈｉが含
まれるものが検索される。以下、同様にして上記の操作
を繰り返し音声合成を行う（ステップ２１１）。
フロー図を参照して説明する。まずホストからの発音表
記文字列と韻律情報を入力バッファ１０１に取り込む
（ステップ２０１）。次に、最長一致法により発音表記
を分割する（ステップ２０２）。分割された発音表記が
単語中でどの位置で利用されるかを調べる（ステップ２
０３）。入力バッファ１０１に格納された発音表記文字
列（ここではローマ字を用いる）が例えばｙｏｋｏｈａ
ｍａｓｈｉの場合、波形データベース１０５のヘッダ部
の発音表記群中で、ｙｏで始まるものが合成単位選択部
１０１によって検索される。この場合、例えば「横
手」のｙｏ、「横浜区」のｙｏが検索されたとする。次
に、この２つに対し、２文字目のｋｏまで一致するかチ
ェックがなされ、「横浜区」のｙｏｋｏ選ばれる。同様
に検索が進み、最終的にｙｏｋｏｈａｍａが合成単位候
補となる。次に、合成単位選択部１０１はこの、ｙｏｋ
ｏｈａｍａが「横浜市」の最初の音声片であり、「横浜
市」が１型以外のアクセント（４型である）であるた
め、検索ルールテーブル１０４の「１型以外アクセント
用、語頭、スタート、エンド」の欄を調べ、０型で発声
した「横浜区」の１音節目から４音節目までを切り出し
候補とする。この情報は使用音声選定部１０３に渡され
る。使用音声選定部１０３は、波形データベース１０５
のヘッダ部１０５１にある０型発声の「横浜区」の１音
節目と４音節目の区切り位置データ１０５４を調べ、波
形切り出し開始点をｙｏの先頭、波形切り出し終了点を
無声子音の前にセットする（ステップ２０４）。この時
点で、選択開始ポインタ１０１１はｓｈｉのｓを指す。
以上の処理を分割した全ての発音表記について行なう
（ステップ２０５）。一方、韻律計算部１１１は、入力
バッファ１００の韻律情報から音声片のピッチパター
ン、デュレーションおよびパワーを計算する（ステップ
２０６）。使用音声片選定部１０３で決定された音声片
は、音声片切り出し部１０６に渡され、波形が切り出さ
れ（ステップ２０７）、音声片加工部１０７に渡され、
韻律計算部１１１で計算された所望のピッチ周波数と音
韻継続時間長に合うように加工され（ステップ２０
８）、音声片接続部１０８に渡されて接続処理が行われ
る（ステップ２０９）。文節中で最初の場合には、接続
すべき対象がないため、次の音声片との接続に備え、接
続用バッファにコピーされた後、合成音声格納バッファ
１０９に出力される（ステップ２１０）。次に、合成単
位選択部１０１は、入力バッファ１００の選択開始ポイ
ンタがｓｈｉのｓを指しているため、波形データベース
１０５のヘッダ部１０５１の発音表記群中でｓｈｉが含
まれるものが検索される。以下、同様にして上記の操作
を繰り返し音声合成を行う（ステップ２１１）。
【００１７】（実施の形態３）次に、請求項３および４
に対応する本発明について具体的に説明する。本実施の
形態３では、波形データベース１０５を、図７に示すよ
うに語頭用音節と母音−子音−母音連鎖（ＶＣＶ）、ま
たは母音−撥音−子音−母音連鎖（ＶＮＣＶ）を２回繰
り返したものを０型アクセントと１型アクセントで発声
したものから作成し、ここでは波形切り出し位置を母音
定常部のみとする。「横浜市」の合成における音声選択
の様子を図８を用いて説明する。また、ここでは、発音
表記としてローマ字を使用する。
に対応する本発明について具体的に説明する。本実施の
形態３では、波形データベース１０５を、図７に示すよ
うに語頭用音節と母音−子音−母音連鎖（ＶＣＶ）、ま
たは母音−撥音−子音−母音連鎖（ＶＮＣＶ）を２回繰
り返したものを０型アクセントと１型アクセントで発声
したものから作成し、ここでは波形切り出し位置を母音
定常部のみとする。「横浜市」の合成における音声選択
の様子を図８を用いて説明する。また、ここでは、発音
表記としてローマ字を使用する。
【００１８】２音節ｙｏｙｏの連鎖波形が０型アクセン
トと１型アクセントで波形データベース１０５中に存在
し、合成する音声のアクセント型が４型であるので、語
頭に関しては０型と同じピッチ変動である。したがって
０型で発声したｙｏｙｏｙｏｙｏの第１音節のｙｏを先
頭の音声片とする。
トと１型アクセントで波形データベース１０５中に存在
し、合成する音声のアクセント型が４型であるので、語
頭に関しては０型と同じピッチ変動である。したがって
０型で発声したｙｏｙｏｙｏｙｏの第１音節のｙｏを先
頭の音声片とする。
【００１９】次のｏｋｏは、図９に示すように、０型ア
クセントで発声した単語ｏｋｏｏｋｏの前半と後半のｏ
ｋｏが２種類と、１型アクセントで発声した単語ｏｋｏ
ｏｋｏの前半と後半のｏｋｏが２種類あり、全部で４種
類のｏｋｏがある。合成すべき音声のピッチ周波数は、
この音声片の間で上昇するピッチ変動であるため、これ
ら４種類のｏｋｏのうち、上昇パターンであり、最も合
成すべきピッチ周波数に近い０型アクセントで発声した
ｏｋｏｏｋｏの１番目のｏｋｏ（type０）を選択する。
クセントで発声した単語ｏｋｏｏｋｏの前半と後半のｏ
ｋｏが２種類と、１型アクセントで発声した単語ｏｋｏ
ｏｋｏの前半と後半のｏｋｏが２種類あり、全部で４種
類のｏｋｏがある。合成すべき音声のピッチ周波数は、
この音声片の間で上昇するピッチ変動であるため、これ
ら４種類のｏｋｏのうち、上昇パターンであり、最も合
成すべきピッチ周波数に近い０型アクセントで発声した
ｏｋｏｏｋｏの１番目のｏｋｏ（type０）を選択する。
【００２０】その次のｏｈａは、この間でピッチ周波数
が高い位置にあるので、０型アクセントと１型アクセン
トで発声したｏｈａｏｈａから得られる合計４種類のｏ
ｈａのうち、ピッチ周波数が高い位置にある０型アクセ
ントによるｏｈａｏｈａの２番目のｏｈａ（type１）が
最も合成すべきピッチ周波数に近いので、これを選択す
る。ｏｈａと同様にして、０型で発声されたａｍａａｍ
ａの２番目のａｍａを選択する。
が高い位置にあるので、０型アクセントと１型アクセン
トで発声したｏｈａｏｈａから得られる合計４種類のｏ
ｈａのうち、ピッチ周波数が高い位置にある０型アクセ
ントによるｏｈａｏｈａの２番目のｏｈａ（type１）が
最も合成すべきピッチ周波数に近いので、これを選択す
る。ｏｈａと同様にして、０型で発声されたａｍａａｍ
ａの２番目のａｍａを選択する。
【００２１】ａｓｈｉに関しては、“よこはまし”が４
型アクセントであるため、ａｓｈｉの間でピッチ周波数
が降下する。そこで、０型アクセントと１型アクセント
で発声されたａｓｈｉａｓｈｉから得られる合計４種類
のａｓｈｉのうち、ピッチ周波数が降下する１型アクセ
ントによるａｓｈｉａｓｈｉの１番目のａｓｈｉ（type
２）が最も合成すべきピッチ周波数に近いので、これを
選択する。このようにして選択した音声片を加工、接続
して音声を合成する。
型アクセントであるため、ａｓｈｉの間でピッチ周波数
が降下する。そこで、０型アクセントと１型アクセント
で発声されたａｓｈｉａｓｈｉから得られる合計４種類
のａｓｈｉのうち、ピッチ周波数が降下する１型アクセ
ントによるａｓｈｉａｓｈｉの１番目のａｓｈｉ（type
２）が最も合成すべきピッチ周波数に近いので、これを
選択する。このようにして選択した音声片を加工、接続
して音声を合成する。
【００２２】なお、２音節または３音節を２回繰り返し
た単語から音声片データベースを構築しているが、２音
節連鎖の音声を３型アクセントで発声し、前半でtype
０、後半でtype２の音声片を得ると言うように、０型ア
クセントと１型アクセント以外のアクセント型のセット
でデータベースを構築できることは言うまでもない。さ
らに、２音節連鎖または３音節連鎖の前後に適当な音声
を挿入して発声した音声から切り出された合成単位を用
いても、上記が実施可能であるのは言うまでもない。
た単語から音声片データベースを構築しているが、２音
節連鎖の音声を３型アクセントで発声し、前半でtype
０、後半でtype２の音声片を得ると言うように、０型ア
クセントと１型アクセント以外のアクセント型のセット
でデータベースを構築できることは言うまでもない。さ
らに、２音節連鎖または３音節連鎖の前後に適当な音声
を挿入して発声した音声から切り出された合成単位を用
いても、上記が実施可能であるのは言うまでもない。
【００２３】さらに、データベースになる音声は２連鎖
音節または３連鎖音節を２回繰り返した単語を０型アク
セントと１型アクセントで発声しているため、１つのＶ
ＣＶ発音表記に対して図５に示す４タイプのＶＣＶ音声
片が必ず存在している。したがって、合成音声のピッチ
周波数の時間変化をカバーするのに必要な音声片が全て
揃う。一方、音声片選択規則は最長一致法などを必要と
せず、単純に発音表記をＶＣＶ単位に分割して、図１０
の検索テーブルを使って音声片を決定することもでき
る。
音節または３連鎖音節を２回繰り返した単語を０型アク
セントと１型アクセントで発声しているため、１つのＶ
ＣＶ発音表記に対して図５に示す４タイプのＶＣＶ音声
片が必ず存在している。したがって、合成音声のピッチ
周波数の時間変化をカバーするのに必要な音声片が全て
揃う。一方、音声片選択規則は最長一致法などを必要と
せず、単純に発音表記をＶＣＶ単位に分割して、図１０
の検索テーブルを使って音声片を決定することもでき
る。
【００２４】
【発明の効果】以上のように、本発明によれば、音声片
の韻律の変更を小さくすることができるので、韻律変更
による音質の劣化が抑制されるという効果が得られる。
の韻律の変更を小さくすることができるので、韻律変更
による音質の劣化が抑制されるという効果が得られる。
【図１】本発明の実施の形態１における音声片選択の様
子を示す特性図
子を示す特性図
【図２】本発明の実施の形態２における音声合成装置の
構成を示すブロック図
構成を示すブロック図
【図３】同装置における検索ルールテーブルを示す一覧
図
図
【図４】同装置における波形データベースに登録される
音声片のデータ構造を示す模式図
音声片のデータ構造を示す模式図
【図５】同装置における入力バッファに格納される情報
の構造を示す模式図
の構造を示す模式図
【図６】同装置における動作を示すフロー図
【図７】本発明の実施の形態３における波形データベー
スに格納する音声片を示す一覧図
スに格納する音声片を示す一覧図
【図８】本発明の実施の形態３における音声片選択の様
子を示す特性図
子を示す特性図
【図９】本発明の実施の形態３における音声片のタイプ
を示す一覧図
を示す一覧図
【図１０】本発明の実施の形態３における検索テーブル
を示す一覧図
を示す一覧図
１００ 入力バッファ １０１ 合成単位選択部 １０１１ 検索開始ポインタ １０２ 合成単位選択バッファ １０３ 使用音声片選定部 １０４ 検索ルールテーブル １０５ 波形データベース １０６ 音声片切り出し部 １０７ 音声片加工部 １０８ 音声片接続部 １０８１ 接続用バッファ １０９ 合成音声格納バッファ １１０ 合成音声出力部 １１１ 韻律計算部 １０５１ ヘッダ部 １０５２ アクセント型データ １０５３ 発音表記データ １０５４ 区切り位置データ １０５５ 音声波形部
Claims (4)
- 【請求項１】 単語あるいは文節を０型アクセントと１
型アクセントで発声したものをその発音表記とともに多
数蓄積した波形データベースを有し、これらの音声を母
音の定常部または無声子音の直前で区切り音声片として
抽出できるようにし、これらの音声片を変形、接続して
音声を合成する際、合成すべき音声の発音表記と、音声
片の発音表記をもとに最長一致法などで検索して、検索
された音声片のうち０型アクセントのものを使用するの
か１型アクセントのものを使用するのかを、合成する音
声のアクセント型と合成する音声内で当該音声片が使用
される位置によって決定する音声合成方法。 - 【請求項２】 ０型アクセントと１型アクセントで発声
した単語あるいは文節から構成した音声片のアクセント
型を示すデータと音声片の発音表記を示すデータとその
音声片を区切ることができる位置を示すデータとを含む
音声波形データベースと、合成する音声の発音表記文字
列と韻律情報を格納する手段と、前記格納された発音表
記文字列により前記音声波形データベースから音声片の
候補を検索する音声片候補検索手段と、検索された音声
片候補の中から実際に利用する音声片を、合成する音声
のアクセント型と音声片が使用される位置とから決定す
る手段とを備えた音声合成装置。 - 【請求項３】 ０型アクセントおよび１型アクセントで
発声された２音節連鎖または３音節連鎖を２回繰り返し
た単語音声によって波形データベースを構成した請求項
１に記載の音声合成方法。 - 【請求項４】 ２音節連鎖または３音節連鎖を２回繰り
返した音声を０型アクセントと１型アクセントで発声
し、これらを用いて音声波形データベースを構築する請
求項２に記載の音声合成装置。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8196635A JPH1039895A (ja) | 1996-07-25 | 1996-07-25 | 音声合成方法および装置 |
| DE69710525T DE69710525T2 (de) | 1996-07-25 | 1997-07-17 | Verfahren und Vorrichtung zur Sprachsynthese |
| ES97305349T ES2173389T3 (es) | 1996-07-25 | 1997-07-17 | Procedimiento y dispositivo para la sintesis de señales vocales. |
| EP97305349A EP0821344B1 (en) | 1996-07-25 | 1997-07-17 | Method and apparatus for synthesizing speech |
| US08/897,830 US6035272A (en) | 1996-07-25 | 1997-07-21 | Method and apparatus for synthesizing speech |
| CN97115567.4A CN1175052A (zh) | 1996-07-25 | 1997-07-25 | 语音合成方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8196635A JPH1039895A (ja) | 1996-07-25 | 1996-07-25 | 音声合成方法および装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1039895A true JPH1039895A (ja) | 1998-02-13 |
Family
ID=16361051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8196635A Pending JPH1039895A (ja) | 1996-07-25 | 1996-07-25 | 音声合成方法および装置 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US6035272A (ja) |
| EP (1) | EP0821344B1 (ja) |
| JP (1) | JPH1039895A (ja) |
| CN (1) | CN1175052A (ja) |
| DE (1) | DE69710525T2 (ja) |
| ES (1) | ES2173389T3 (ja) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3587048B2 (ja) * | 1998-03-02 | 2004-11-10 | 株式会社日立製作所 | 韻律制御方法及び音声合成装置 |
| JP3180764B2 (ja) * | 1998-06-05 | 2001-06-25 | 日本電気株式会社 | 音声合成装置 |
| JP3644263B2 (ja) * | 1998-07-31 | 2005-04-27 | ヤマハ株式会社 | 波形形成装置及び方法 |
| US6601030B2 (en) * | 1998-10-28 | 2003-07-29 | At&T Corp. | Method and system for recorded word concatenation |
| JP3361066B2 (ja) * | 1998-11-30 | 2003-01-07 | 松下電器産業株式会社 | 音声合成方法および装置 |
| EP1163663A2 (en) | 1999-03-15 | 2001-12-19 | BRITISH TELECOMMUNICATIONS public limited company | Speech synthesis |
| US7369994B1 (en) | 1999-04-30 | 2008-05-06 | At&T Corp. | Methods and apparatus for rapid acoustic unit selection from a large speech corpus |
| JP3361291B2 (ja) * | 1999-07-23 | 2003-01-07 | コナミ株式会社 | 音声合成方法、音声合成装置及び音声合成プログラムを記録したコンピュータ読み取り可能な媒体 |
| DE19942171A1 (de) * | 1999-09-03 | 2001-03-15 | Siemens Ag | Verfahren zur Satzendebestimmung in der automatischen Sprachverarbeitung |
| JP2001100776A (ja) * | 1999-09-30 | 2001-04-13 | Arcadia:Kk | 音声合成装置 |
| GB0029022D0 (en) * | 2000-11-29 | 2001-01-10 | Hewlett Packard Co | Locality-dependent presentation |
| US20040030555A1 (en) * | 2002-08-12 | 2004-02-12 | Oregon Health & Science University | System and method for concatenating acoustic contours for speech synthesis |
| DE04735990T1 (de) * | 2003-06-05 | 2006-10-05 | Kabushiki Kaisha Kenwood, Hachiouji | Sprachsynthesevorrichtung, sprachsyntheseverfahren und programm |
| US7577568B2 (en) * | 2003-06-10 | 2009-08-18 | At&T Intellctual Property Ii, L.P. | Methods and system for creating voice files using a VoiceXML application |
| JP4080989B2 (ja) * | 2003-11-28 | 2008-04-23 | 株式会社東芝 | 音声合成方法、音声合成装置および音声合成プログラム |
| US8666746B2 (en) * | 2004-05-13 | 2014-03-04 | At&T Intellectual Property Ii, L.P. | System and method for generating customized text-to-speech voices |
| CN1787072B (zh) * | 2004-12-07 | 2010-06-16 | 北京捷通华声语音技术有限公司 | 基于韵律模型和参数选音的语音合成方法 |
| JP4551803B2 (ja) * | 2005-03-29 | 2010-09-29 | 株式会社東芝 | 音声合成装置及びそのプログラム |
| US20070038455A1 (en) * | 2005-08-09 | 2007-02-15 | Murzina Marina V | Accent detection and correction system |
| US7924986B2 (en) * | 2006-01-27 | 2011-04-12 | Accenture Global Services Limited | IVR system manager |
| US20080027725A1 (en) * | 2006-07-26 | 2008-01-31 | Microsoft Corporation | Automatic Accent Detection With Limited Manually Labeled Data |
| CN101261831B (zh) * | 2007-03-05 | 2011-11-16 | 凌阳科技股份有限公司 | 一种音标分解与合成方法 |
| US8321222B2 (en) * | 2007-08-14 | 2012-11-27 | Nuance Communications, Inc. | Synthesis by generation and concatenation of multi-form segments |
| FR2993088B1 (fr) * | 2012-07-06 | 2014-07-18 | Continental Automotive France | Procede et systeme de synthese vocale |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2761552B2 (ja) * | 1988-05-11 | 1998-06-04 | 日本電信電話株式会社 | 音声合成方法 |
| DE69028072T2 (de) * | 1989-11-06 | 1997-01-09 | Canon Kk | Verfahren und Einrichtung zur Sprachsynthese |
| JP3070127B2 (ja) * | 1991-05-07 | 2000-07-24 | 株式会社明電舎 | 音声合成装置のアクセント成分制御方式 |
| JP3083640B2 (ja) * | 1992-05-28 | 2000-09-04 | 株式会社東芝 | 音声合成方法および装置 |
| JPH06250691A (ja) * | 1993-02-25 | 1994-09-09 | N T T Data Tsushin Kk | 音声合成装置 |
| JPH07152392A (ja) * | 1993-11-30 | 1995-06-16 | Fujitsu Ltd | 音声合成装置 |
| JP3450411B2 (ja) * | 1994-03-22 | 2003-09-22 | キヤノン株式会社 | 音声情報処理方法及び装置 |
| JPH07319497A (ja) * | 1994-05-23 | 1995-12-08 | N T T Data Tsushin Kk | 音声合成装置 |
| JPH086591A (ja) * | 1994-06-15 | 1996-01-12 | Sony Corp | 音声出力装置 |
| JPH0863190A (ja) * | 1994-08-17 | 1996-03-08 | Meidensha Corp | 音声合成装置の文末制御方法 |
| JP3085631B2 (ja) * | 1994-10-19 | 2000-09-11 | 日本アイ・ビー・エム株式会社 | 音声合成方法及びシステム |
| SE514684C2 (sv) * | 1995-06-16 | 2001-04-02 | Telia Ab | Metod vid tal-till-textomvandling |
-
1996
- 1996-07-25 JP JP8196635A patent/JPH1039895A/ja active Pending
-
1997
- 1997-07-17 DE DE69710525T patent/DE69710525T2/de not_active Expired - Fee Related
- 1997-07-17 ES ES97305349T patent/ES2173389T3/es not_active Expired - Lifetime
- 1997-07-17 EP EP97305349A patent/EP0821344B1/en not_active Expired - Lifetime
- 1997-07-21 US US08/897,830 patent/US6035272A/en not_active Expired - Fee Related
- 1997-07-25 CN CN97115567.4A patent/CN1175052A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE69710525T2 (de) | 2002-07-18 |
| US6035272A (en) | 2000-03-07 |
| EP0821344A2 (en) | 1998-01-28 |
| EP0821344A3 (en) | 1998-11-18 |
| ES2173389T3 (es) | 2002-10-16 |
| CN1175052A (zh) | 1998-03-04 |
| EP0821344B1 (en) | 2002-02-20 |
| DE69710525D1 (de) | 2002-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH1039895A (ja) | 音声合成方法および装置 | |
| US8566099B2 (en) | Tabulating triphone sequences by 5-phoneme contexts for speech synthesis | |
| US7565291B2 (en) | Synthesis-based pre-selection of suitable units for concatenative speech | |
| US6778962B1 (en) | Speech synthesis with prosodic model data and accent type | |
| US6208968B1 (en) | Computer method and apparatus for text-to-speech synthesizer dictionary reduction | |
| JP3587048B2 (ja) | 韻律制御方法及び音声合成装置 | |
| JPH10116089A (ja) | 音声合成用の基本周波数テンプレートを収容する韻律データベース | |
| JP2761552B2 (ja) | 音声合成方法 | |
| US6847932B1 (en) | Speech synthesis device handling phoneme units of extended CV | |
| KR970002706A (ko) | 한국어 텍스트/음성 변환 방법 | |
| Fotinea et al. | Constructing a segment database for greek time domain speech synthesis | |
| JP2880507B2 (ja) | 音声合成方法 | |
| JPH08160983A (ja) | 音声合成装置 | |
| JP2675883B2 (ja) | 音声合成方式 | |
| JP2000172286A (ja) | 中国語音声合成のための同時調音処理装置 | |
| Yiourgalis et al. | Text-to-speech system for Greek | |
| JPH07134596A (ja) | 音声合成用音声持続時間処理方法及びその装置 | |
| JPH1097290A (ja) | 音声合成装置 | |
| JP2003308084A (ja) | 音声合成方法および音声合成装置 | |
| JPH1097289A (ja) | 音声素片選択方法，音声合成装置，及び命令記憶媒体 | |
| Krivnova | Main Principles and Overall Structure of TTS system for Russian Language | |
| Hojjatkhah et al. | Segmentation Words for Speech Synthesis in Persian Language Based On Silence | |
| Morris et al. | Speech Generation | |
| Shih et al. | DESIGN AND IMPLEMENTATION OF A GREEK TEXT-TO-SPEECH SYSTEM BASED ON CONCATENATIVE SYNTHESIS | |
| JP2002297172A (ja) | 音声合成方法、および音声合成装置 |