JPS62283399A - 音声フアイル作成方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ３、発明の詳細な説明 （産業上の利用分野） この発明は、文字列や韻律記号などを人力として、任意
の音声を合成する「規則による音声合成」における音声
ファイルの作成方法に関するものである。

（従来の技術） 近年、音声合成の分野では文字列（文字系列とも祢ずろ
）を人力として仔５αの単語もしくは文ａをｒｆ声とし
て出力する規則合成の研究か盛ノνである。この種の合
成方式では音声データどしてｉｐ−語より小ざい音声四
位、例えば日本語の規則合成の場合にはＣＶ　（Ｆ斤＋
）ｉ）ｇ−）　、　ＶＣＶ　（＋Ｕ音＋ｆＥｆ　＋　ｎ
］Ｅｆ）　、　ＣＶＣ（−ｆｇ＋ｈ’を音＋−ｉ”４　
）　ナト（７）音声旧位を必要なだけ用意しておき、こ
れらａ声１１ｊ位を出力要求に応じて編集し、連続音声
として出力することが行なわわている。

この発明の説明に先立ち、第６図〜第８図を参ｉｊ＜ｉ
　シて従来の規則による音声合成につき説明する。尚、
流わ図においてステ・・・ブをＳて表わす。

第６図は一般的な規則合成の処理の基本的なｄｆ。

れを示す流ｉ図である。入力文字系列か読み取られると
（Ｓ　ｔ　）　、読み取られた文字系列に対しては辞古
情報などを１１１用した構文解析か行なわわ（Ｓ２）、
Ｍａｆｉ系＋＋Ｉヘノｉ換（ｓ　３　）　と共ニ、こ、
ｈら音韻に対応するアクセント、区切り、イントネーシ
′三号ン記号なと゛か１１−えられる（Ｓ４）。この過
程（Ｓ３、Ｓ４）で、文字の読み方、ｊｌｉ語や文■を
読む場合の抑揚や区切りの位置の情報か提供される。次
にこｉらの情報に基づいて、ピッチ（７ｆｊの高さ）、
振幅（声の強さ）、継続時間（音韻の長さ）なとの韻律
パラメータと、音韻系列に々１応オる音声データを生成
する。これら合成に必要なｒＹ声データは全て規則によ
って生成さ打（Ｓ５）、９終的には合成器に８蟹なデー
タ形式となってａ声合成器に通出され、合成音パ１か社
！られる（Ｓ６）。

このような規則合成において自然な音声を合成すテＣた
めに極めて重要な゛拝項として、音声合成な式、音声１
１１位の結合規則、？”Ｙ謁１（ピッチ）規則な、′ビ
、ピ並んで音量継続時間の１制制御則がある。この音韻
継続時間を設定−「る場合、各ｒ）韻特有の基本長を基
準にして、単語内での音節ｉｌｉ位の位置、単語を構成
するａ筒数及び音節の種類、アクセント、イントネーシ
ョン、テンポ、構文の区切わなどといった様々な′要素
に基ついてこの音韻継続時間を調整する。実際に使用ざ
引１ている規則には、ト述したような様々な要素を加味
した複雑なものから、ごく限られた要素のみを考慮した
簡単なものもある。

以下、代表的かつ簡単な従来の継続時間制御規則の例を
述へる。　般に日本語は音節もしくは拍に関して等時的
リズムを４１する性質かある。今、第７図に示すように
一例としてＣＶ（Ｆ音＋ＱＪ音）を汗７’ｉ　ｔＰ−位
として考えたとき（図中、Ｃは子音部及び■はＲｙ音部
である）、この規則によれば、等時点リズムの性質を利
用して音節（この場合にはＣ＋Ｖの長さ）内に位置する
基準点くタイミング点）「１、２、ｒ、の間隔か一定に
なるように各音節の長さの、Ｊｌ！１整を行なう（第７
図）。

次に、このように設定された一音節の継続時間を実際の
合成においてとのようにして実現するかについて述へる
。設定された時間長は当然のことなから合成のためにｆ
め用意されている音声？Ｆ位の長さとは異なる場合か多
いため、何らかの方法によ−）て汗韻の長さを伸縮させ
る必要かある。以上説明を８枯にするため、ｒＳ声ｌ１
ｉ−位とし、てＥｌ木ＪΔ規則合成で最もよく用いられ
る（　ｙ　３節を考えるっ 従来よく用いら４ている音節長、２１整方法は、子音部
の長さは変えずに母音部のみの伸縮で対処する方法であ
る。この方法が採られる理由は、＋ｉｆｆ　？＆の音−
前環境の違いによる音節長の変化が母音部の長さの変動
に上として起因していることにある。

この場合、母音部の伸縮はｍ音定常部の後端を打ち切っ
たり、引き伸ばしたりすることによって行ない（第８図
）、過渡晶子なわち互も「かりぶ−分の伸縮は行なわな
い。なぜなら、ＣＶを栄位とする合成では、少なくとも
ａ声中位内ては原音声のｒ？韻性（スペクトルの時間的
流れ）をそのまま保存することにより、合成音の音質を
確保１ｊ−ることを特徴としており、音声単位区間内の
ある都を引き伸ばしたり、削除したりすることは望まし
くないからである。

やや高度な継続時間規則ではｒ−片部もａ前環境に応じ
てその長さを変える方式も見られるが、定常区間か明確
に存在するＹ′斤以外では前記の理由により伸縮は難し
い。

従って、子音部やＲ１音のケちトかり部分でほぼ１’ｌ
ｉｊ性の確保のため出来る限り、このような伸縮は行な
わず、原音声の音韻的特徴を保存することか望ましい。

このため、これらの部分ではｒ・め川、０しておく１′
ｆ声１ｉ１−位における継続時間かそのまま合成に使用
されることになる。従って、ＣＶ音節ファイルの作成に
当っては、いかに合成時の状況に合った長さの音声素片
を作成するかが非常に組接になってくる。

そこで、次に規則合成における１：１声フアイルの作成
について述へる。原音声からのＣｖ音節の抽出のノコ法
としては、ｃ　ｖ　；Ｈ節を単独で発声したものをほぼ
そのままＣｖ素片として用いる方法や、１３語も１ツく
は文は中からＣＶ＆節を取り出す方法などかある。

ＣＶもしくはＶＣｖなと短い発声では個々の音節を明瞭
に発声することが出来るので、そこから抽出したＣＶ素
片を用いて合成すると、やはり明瞭性の高い今成跨を１
．することが出来る。一方、単語もしくは交信などの連
続肝声から抽出したＣＶ素片は、音韻継続時間の点では
、より実際に近い長さの素片であるが、こわらＣｖ素片
は面接の音１損の調行結合の！七響を強く受けるため、
よほど合成時の音韻環境を原ｇ声の環境と一致させない
限りこれらＣＶ素片を用いて自然な合成音を得るのは難
しい。

このような状況から、従来の規則合成では、合成音の明
瞭性やファイル作成の容易さ等の点から、ｃ　ｖ　＋ｌ
ｉ独もしくはＶＣＶなと比較的短い発声のＤ：’、　’
ｊＸ声に騙ついてＣ■ファイルを作成する場合か多い。

（発明か解決しようとする問題点） しかしなから、ＣＶ　ｇ節ｉ＋ｊ、独もしくは、それに
近いような短い音節の発声においては、どう１ツても発
声速度か遅くなるため、連続音声を合成するための音声
素ハとしては子音部やｆ’Ｊ　Ｋ　ｕちトかり部分の長
さか不適当なものとなる。先に、面接の音韻環境の違い
により母音部分の長さが変化して８筒長が変化すると述
へたか、連続音声中の８節の長さと中独発声のｇ節の長
さとでは、４８部や母音ｑちトかり部でもかなりの時間
的隔たりが生じる。

従って、ＣＶ￥ｆ節を用いて、１号音部のみで音筒長の
調整を行なうと、得られた合成音声は自然さか損なわわ
るばかりか極端な場合、Ｙすａ定常部の殆どか欠落して
しまい、明瞭度も失わわてしまう。

このような問題点は、原音声における子音部や、ＲＪ音
−ｉ７．　′Ｆ）、ｈかり部の長さをそのまま合成に率
！１用していることに起因しており、従って発声のバラ
ツキや発声条件の変化など種々の変動要因のあろ巾から
適当な長さのＣＶ素片を得ることには所詮無理かある。

この発明の目的は、これらの問題点を除去し、容易な継
続時間ｕｊ御によって自然な合成音を得ることか出来る
音声ファイルの作成方法を提供することにある。

（問題−；、ｉ、を解決するためのＢ段）この［」的の
達成を図るため、この発明の音声ファイル作成７７法に
おいては、先ず、原音声分析時に、卯ａ声を４８部、過
渡部及び１１音定常部の区間に分割する。次に、こわら
の各々の区間において適当な分析フレーム周期（音声の
特徴を順次抽出していく時間的間隔）を設定する。この
場合、この分析フレーム周期は、合成時のフレーム周期
（音声の特徴パラメータを更新する時間周期〉とは必ず
しも　致しないものであり、このように設定された分析
フレーム周期を用いて前述の各々の区間を分析すること
によって音韻継続時間の伸縮を行なう。この音韻継続時
間の伸縮によってＹ・め各；［１節、特に１′−音部や
Ｂ）音）γちにかり部の長さを１１成時に必要とされる
値に設定しておく。

このようなフレーム周期の伸縮は合成時に行なうことも
ｎ１能であるか、合成器自身にフレーム長町変機構をそ
なえることは回路規模か増加し、さらにと９節の種類に
よって、又はγイ節内の各部分によって伸縮の割合が　
定ではないため、その外々に灯して通ｉＬなフレーム周
期を与えることは、いたずらにル（Ｉ御規則の複雑化を
招くことになる。

（作用） このように、この発明ではこのよ゛）な桶々の状況を考
慮したフレーム伸縮を分析時にｔめ行なっておき、合成
時にはある一定のフレーム周期を用いる方法を採用して
いる。

従って１合成時に発声速度に適正な長さを持った音声素
片が得らｉると共に、音韻性を劣化させてなる音韻継続
時間の一制御を行なうことなく、合成音の品質四トが図
わる。

又、この発明によれば子音部と母音９．ちトがり部の時
間長のみを制御し、Ｒ１１音定常の時間長制御を必要と
しないので、音韻継続時間の設定規則が８髪Ｊとなる。

（実施例） 以ド、図面を参照してこの発明の規則合成における音声
ファイル作成方法の実施例につき説明する。

各音節のｆ−ｇ一部とか母ｇ部の立ちトかり部（過渡部
）とかの各部分の長さを適正化するためには、合成時の
状況に合った標準的な長さを定めておく必′捻かある１
、そのため、音声ファイル作成に先立って標準時間長テ
ーブルを作成する。このテーブル作成においては、合成
時の発声速度に適した音韻継続時間すなわち単３．７部
合成であれば中詰、文Ｏ合成であれば文ＲｆＨ，声の中
でなるべく種々のＦｆ韻環境での各に節芥部の長さを測
定し、その平均的値を第２図の如くテーブル化しておく
。ここでは分析処理を容易にするため、標準時間長テー
ブルの中の値は合成のフレーム長で表わすものとする。

この第２図に記載したように、例えば「イ」の場合であ
るとｒ−音長「０」及び母音立ち上がり部長「４」であ
り、「ビョ」の場合にはｆ−音長「２Ｊ及び母＆！γち
上かり部長「７」の如くである。

第１図はこの発明による音声ファイル作成ト順の大まか
な流れを示す流れ図である。以ド、この流れ図に沿って
説明する。

初めに話者によって発声ざわたｌ（声を８ＫＨ７で標本
化したものを原音声データとして取り込む（Ｓｌ＋）。

次に、原音声データからＣｖ区間の切り出しを行なう（
５１２）。次に切り出さねたＣ■音節に対し、Ｃｖ音節
内部を第３図に示すように′ｒ−音部、過鵡部及び母音
定常部に区分けする（Ｓ１３）。第３図において（１＋
　−１，＋　）区間はｆ−音部を、（＋２−＋３）区間
は過渡部である母音立ち七かり部を、（＋３−＋４　）
区間はｆ：）　ｉｆ定定常分それぞれ表ね４−３これら
の分割点の決定は視察によって定める。次に、各部の時
間長（ｔ＋　　　　　ｔ　　２　　）　　、　　（＋２
　　−ｔ）　　　）　　Ｅｌ、び　（ｔ　、　　−＋４
）ｆ−それぞれ算出する（５口）。このように分割され
た区間において、母高定常部を除くＴ−音部と母音立ち
北かり部に対して、標準時間長テーブル１０を参照しな
がら、分析フレーム周期をそれぞれ決定する。各部の分
析フレーム周期は以Ｆの如く算出して決定する（　Ｓ　
＋５）。

Ｆｃ　＝　（＋２−ｔ＋　）／Ｌｃ Ｆ工＝（１１□Ｉ−＋２）／Ｌ工 Ｆ　ｃ　　＋　ｆ’　ｐｆ部の分析フレーム周期ＦＴ　
、１号音ｙγちトがり部の分析フレーム周期Ｌｃ　；標
準時間長テーブルにおける当１該音節ｆ−９部のフレー
ム数 しＴ：標準時間長テーブルにおける当該音節母音ケちヒ
かり部のフレーム数 ｎ上音定常部に関しては発声速度の影響による訝韻性の
変化かあまりないため、この実り’ｔｓ例では合成時と
同し分析フレーム周ｊ■１に設定する。しかし、所要に
応し合成時と異なる分析フレーム周期を設定１−ること
も出来る。

以にのように設定された分析フレーム周期にて各部分の
分析を行ない５分析フレーム周期毎に分析を行なうこと
によりｒｔ声パラメータ（合成器における合成方式に応
じたパラメータ例えばＰＡＲＣＯＲ係数、ＬＳＰパラメ
ータ、ＬＰＧ係数なと）の抽出を行ない（Ｓ１６）、そ
の結果をｊ′１節１１ＦにＣＶ音節ファイル１２に格納
する（Ｓ１７）。

第４図にこのようにして作成されたｇ声ファイルを用い
た合成ｒｆと原音声との時間関係を示す。

図示の例は原？＜Ｆｋの発声か又は連続１゛冑ｊｌを合
成するためのＣｖ素片としては発ノｉｔかゆっく０でＣ
ｖ素片が非常に長くなる例を示したものて、原ど−ｊｉ
Ｉ分析時の分析フレーム周期を合成時の分析フレーム周
＋１１１より長くとることによって合成時における繕続
時間をＪｇロニ化したものである。

例えば、ｊ皇ｒイ声データでのｒＵｆ部のこ’ｊ　ｌ’
ｌｆｆ継続１１．？間が２００ｍ５であるとし、かつ合
成時の分析フレーム周期かｔｏｍ　ｓであるとする。こ
の場合、例えば音声ファイル作成時の分析フレーム周１
ｕｌｌを４０ｍ　ｓとすると、合成時のｌｏｍ　ｓの分
析フレーム周期が１つのｇ　Ｋパラメータ用として用い
られるので、合成時に４０／１ｏ＝４すなわち４つの音
韻パラメータで合成され音声か出力される。

第５図はこの発明の実施例を実行するための装置の一構
数例を示すブロック図を示す。第４図において１４は音
声を人力する入力端ｆ−１１６はローパスフィルタ、Ｉ
８はＡ／Ｄ変換器、２０はセグメンテーション部、２２
はグラフィックディスプレイ装置、２４はセグメンテー
ションテーブル、２Ｆ＋は分析フレーム周期決定部、ｌ
Ｏは前述した標準時間長テーブル、２８は音声パラメー
タ分析部、１２は前述した音声素片用の音声ファイルで
ある。以Ｆ、動作を説明−４−る。

まず、入力Ｑ　Ｔ−Ｉ　Ａより原音声データを人力し、
ローパスフィルタ１６によって不要な高域成分を取り除
いた後、Ａ／Ｄ変換器１８によってディジタル化する。

セグメンテーション部２０ではＡ／Ｄ変換器１８からの
ディジタル化音声データからＣＶ音節の切り出しを行な
った後、このＣｖ音節をグラフィックディスプレイ装置
２２に表示し、二わを視察によって第３図に示したよう
にＣｖ跨計部の区分分けを行なう。ここで決定された分
割点はセグメンテーションテーブル２４に格納される。

分析フレーム周期決定部２６ではセグメンテーションテ
ーブル２４及び標準時間長デープルｌＯの情報をもとに
分割さｉたＣＶ音節内の各部における分析フＬノーム周
朋を決定する。

このように決定された分析フレーム周期を用いて分析部
２８ではセグメンテーション部２０からの音声データを
分析し、音声素片パラメータを作成し、その結果を音声
ファイルＩ２に格納−）−る。

卜述した実施例では、この発明をＣＶ音簡に１）き説明
したが、これに限定されるものではなく、ｖｃｖｇ節、
ＣｖＣ＆節、その他の筒部にもこの発明を通用出来るこ
とか明らかである。

（発明の効果） 上述した説明から明らかなように、この発明によれば原
音声の発声速度の如何んにかかわらず。

適正な長さを持った音声素片か得られ、規則合成時に音
韻性を劣化させるような継続時間制御をする必要がなく
合成音の品質が向トする。又、ｆ音部や母音ケち七かり
部分では合成時に時間長をあまり制御する必要かなくな
るため、継続時間の設定規則か容易になる。

【図面の簡単な説明】

第１図はこの発明の音声ファイル作成方法の説明に供す
るｇ声ファイル作成ｆ順を示す流れ図、第２図はこの発
明の説明に供する標準時間長テーブルを示す図、 第３図はこの発明の説明に供するＣＶ音節内の分割の方
法を説明するための図、 第４図はこの発明の説明に供する原音声と合成音の時間
関係の一例を示す図、 第５図はこの発明を実行するための音声作成ファぞル装
置の一構数例を示すブロック図。 第６図は従来及びこの発明の説明に供する法則合成の基
本的流れ図、 第７図は従来の計部の長さの調整力法を説明するための
説明図、 第８図は従来の音筒長の伸縮を説明１−るだめの説明図
である。 １０・・・標準時間長テーブル １２・・・ｒ１声ファイル、　　　１４・・・人力端子
−１６・・・ローパスフィルタ １８・・・Ａ／Ｄ変換器 ２０・・・セグメンテーション部 ２２・・・クラフィックディスプレイ装置２４・・・セ
グメンテーションテーブル２６・・・分析フレーム周期
決定部 ２８・・・ｒＳ声パラメータ分析部。 特許出願人　　　　沖電気ＩＪ株式会社樽　！−１Ｉ、
Ｍ表ラーフ・し 七〉フ７・１ル・：−〆に、キ・・執こ几れ２第り図 Ａシー１　５草　瞬　Ｐａ５　長　デデ″　−フ″　ノ
Ｌ。 第２図 Ｉ？１−

Claims (2)

【特許請求の範囲】
1. （１）文字列又は音韻記号などを入力として任意の音声
   を合成する規則音声合成に用いる音声ファイルを作成す
   るに当り、 原音声分析時に原音声を子音部、過渡部及び母音定常部
   の区間に分割し、 これらの各々の区間において適当な分析フレーム周期を
   それぞれ設定し、 これら分析フレーム周期を用いて各々の前記区間を分析
   することによって原音声における音韻継続時間を伸縮す
   ることによって該音韻継続時間を合成時の発声速度に適
   した長さに予め設定しておくことを特徴とする音声ファ
   イル作成方法。
2. （２）分析フレーム周期の設定は、種々の音韻環境での
   各音節における子音部、過渡部及び母音定常部の各区間
   のそれぞれの長さ平均値が格納された標準時間長テーブ
   ルを参照して行なうことを特徴とする特許請求の範囲第
   １項に記載の音声ファイル作成方法。