JPS63281199A - 音声セグメンテ−ション装置 - 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】 （産業上の利用分野） 本発明は波形編集型音声合成に使用する音声データ収集
等において用いる音声のセグメンテーション装置に関す
る。

（従来の技術） 従来の音声セグメンテーション技術は、音声認識のため
のものであり、日本音響学会講演論文集昭和６１年３月
２−１−１Ｏｒ音声理解システムにおけるセグメンテー
ションとラベル付けの検討Ｊ等に詳述されているような
様々な方法が知られている。これらの従来方法は、入力
音声を１０ないし２０ｍ５のある一定の短い区間（フレ
ーム）に分割し、各々の区間の音素が何であるかを推定
するものである。したがって、従来方法によるセグメン
テーションの時間解像度はフレーム長ということにな・
る。

（発明が解決しようとする問題点） しかしながら、波形編集型音声合成に使用する音声デー
タ収集においては、時間軸での高い解像度が必要であり
、入力音声を短区間に分割して分折を行う従来技術では
対応することができなかった。

第５図は、従来技術の問題点等を説明するための図であ
る。図において縦軸はある音響パラメータ量を、横軸は
時間を表している。この分析は、１０ないし２０ｍ５の
時間長を持つフレーム毎の音響パラメータを用いて行わ
れるため、時間方向の解像度はこのフレーム長に依存し
て決まる。またこの場合、抽出された音素境界候補５１
は、実際の音素境界５２とはずれており、このようなず
れは波形編集型音声合成のための音声データを作成する
際には問題となってくる。

これに対して本発明は、入力音声を短区間に分割して分
析を行い、音素境界候補を抽出する手段（手段１）と、
前記短区間より短い時間間隔で音素境界抽出を行う手段
（手段２）とを用い、さらに前記手段１において、入力
音声を表す音素系列に基づき音素境界を抽出する際のい
き値を変化させることよって、エラーが比較的少なく、
かつ時間解像度の高い、音声の自動セグメンテーション
装置を提供することを目的としている。

（問題点を解決するための手段） 本発明は、入力音声と入力音声を表す音素系列とから音
素境界を抽出するに際して、前記入力音声を表す音素系
列に基づいて音素境界を抽出する際のいき値を決定する
手段と、前記入力音声から抽出された音響パラメータか
ら第一の音素境界候補を抽出する手段と、前記第一の音
素境界候補付近において１つ以上の音素境界副候補を抽
出する手段と、前記第一の音素境界候補及び前記音素境
界副候補の各々の付近の前記入力音声から音響パラメー
タを抽出し各音響パラメータ値を比較することによって
、前記第一の音素境界候補及び前記音素境界副候補の中
からいずれかを音素境界として選択する手段とを有する
ことを特徴とする。

（作用） 第２図は、音素境界候補点の抽出方法を説明するための
図である。第一の音素境界候補は、ある一定時間のフレ
ーム長毎に抽出された音響パラメータ値に基づいて抽出
される。このとき、入力音声を表す音素系列に基づき、
音素境界の前後の音素の組合せによって音響パラメータ
のいき値を変化させる。これによって、境界判定の際に
各音素の特徴を考慮することができるようになり、した
がって、エラーの比較的少ないセグメンテーションを行
うことが可能となる。

次に、第一の音素境界候補からΔｔの時間間隔で１つ以
上の音素境界副候補を選ぶ。このとき、実際の音素境界
の存在する可能性のある範囲は、前記第一の音素境界候
補の前後のフレーム内であると考えられる。したがって
、音素境界副候補を選択する範囲を、第一の音素境界候
補の前後のフレーム内に限定することができる。このと
きの前記時間間隔Δｔが音素境界決定の時間解像度とな
る。ので、これ゛を短くとることによって、時間解像度
を高くすることが可能となる。

（実施例） 第１図は本発明を実現した装置の実施例を示すブロック
図である。音響パラメータ抽出部１３では、音声入力端
子１２から入力された音声波形から、音響パラメータ値
をある一定のフレーム長を持った短区間毎に抽出する。

いき値決定部１４では、音素系列入力端子１１から入力
された音素系列に基づいて、音素境界候補を抽出する際
の音響パラメータのいき値を決定する。

第一境界候補抽出部１５では前記いき値決定部１４にお
いて決定されたいき値に基づいて、前記音響パラメータ
値から第一の音素境界候補を抽出する。

境界側候補抽出部１６では、前記第一の音素境界候補の
前後のフレームにおいて、Δｔの時間間隔で１つ以上の
点を音素境界副候補として選ぶ。音素境界決定部１８に
おいては、以下に詳述する方法によって第一の音素境界
候補及び音素境界副候補の中から音素境界として最適な
点を選択し、この点を音素境界として音素境界出力端子
１９に出力する。

以下では、第一の音素境界候補と音素境界側候補の中か
ら、音素境界を決定する方法について詳述する。

第２図は、入力音声／ｓａ／において／ｓ／と／ａＪの
境界を決定する場合の例を示した図である。前記入力音
声に対してフレーム単位で音響パラメータを分析し、こ
れによって前記手段１により第一の音素境界候補を抽出
する。次に第一の音素境界候補がらΔｔの時間間隔で１
つ以上の点を音素境界側候補として選ぶ。

第３図は、本発明による音素境界決定方法を詳しく説明
するための図である。ここでは説明の簡単のため、音素
境界側候補としては１点のみを示す。

第一の音素境界候補３１及び音素境界側候補３２を中心
として時間軸のそれぞれの左側の区間Ｌｓｌ、Ｌａ２、
右側の区間Ｌａｌ、Ｌａ２において音響パラメータを抽
出する。／ｓ／と／ａＪの境界を決定する場合の音響パ
ラメータの例として零交差数が上げられる。前記区間Ｌ
ｓｌ、Ｌａｌ、Ｌａ２及びＬａ２における零交差数をそ
れぞれＺｓｌ、Ｚａｌ、Ｚｓ２及びＺａ２とすると、Ｚ
ｓｌ／Ｚａｌは区間んでいるかを示す一つの尺度なって
いる。そこでＺｓｌ／ＺａｌとＺｓ２／Ｚａ２とを比較
し、その値が大きい方を音素境界として決定する。この
とき用いる音響パラメータは、入力音素系列が既知であ
ることを利用して、その境界の前後の音素の組合せによ
って各音素の違いが最も顕著に現れる音響パラメータを
選択することもできる。また、音素の組合せによっては
１つの音響パラメータだけでは正確な境界決定が困難な
場合もあるので、使用する音響パラメータは１つとは限
らず、音素の組合せによっては複数の音響パラメータを
使用することも可能である。

第４図は、本発明による手段を用いて音素境界が正しく
抽出された例を示した図である。まず、前記手段１によ
りフレーム単位の時間解像度で第一の音素境界候補４１
が抽出される。次に前記手段２により、フレーム長より
短い時間間隔Δｔで音素境界側候補がいくつか選ばれ、
それらの音素境界候補の中から音素境界側候補の１つ４
２が音素境界として決定された例である。

（発明の効果） 以上述べてきたように、本発明によれば、自動的にかつ
時間軸上での解像度の高いセグメンテーションを行うこ
とができるので、波形編集型音声合成に使用する音声デ
ータ収集等において用いる音声のセグメンテーションを
自動化する装置を実現するのに有用である。また、本発
明を実現する装置は、他の方式の音声合成のための音声
データ収集及び音声認識においても有効である。

【図面の簡単な説明】

、　第１図は本発明による音声セグメンテーション装置
の一実施例を示すブロック図、第２図、第３図、第４図
は音素境界候補の決定方法を説明するための図、第５図
は従来技術の問題点等を説明するための図である。

Claims (1)

【特許請求の範囲】
1. 入力音声と入力音声を表す音素系列から音素境界を抽出
   するに際して、前記入力音声を表す音素系列に基づいて
   音素境界を抽出する際のいき値を決定する手段と、前記
   入力音声から抽出された音響パラメータから第一の音素
   境界候補を抽出する手段と、前記第一の音素境界候補付
   近において１つ以上の音素境界副候補を抽出する手段と
   、前記第一の音素境界候補及び前記音素境界副候補の各
   々の付近の前記入力音声から音響パラメータを抽出し各
   音響パラメータ値を比較することによって、前記第一の
   音素境界候補及び前記音素境界副候補の中からいずれか
   を音素境界として選択する手段とを有することを特徴と
   する音声セグメンテーション装置。