次に、本発明の実施の形態の構成につい� ��図面を参照して詳細に説明する。

(1)第1の実施の形態による音声合成装置
(1-1)第1の実施の形態による音声合成装置の構 成
 図1は、本発明の第1の実施の形態による構� �を示すブロック図である。

 図1に示す本実施の形態による構成では、 先行技術で説明した従来のブロック図である 図9と対比して、韻律生成部11、素片選択部16� ��び韻律制御部18の代わりに、韻律生成部21、 中心素片選択部22、非中心素片選択部26及び� �律制御部28を備えていることを特徴としてい る。

 以下、この相違点を中心に、図1のブロッ ク図を参照しながら、第1の実施の形態によ� �音声合成装置の詳細な動作を説明する。

(1-2)第1の実施の形態による音声合成装置の動 作
 図2は、本発明の第1の実施の形態の動作を� �明するためのフローチャートである。

 図2のフローチャートを参照すると、中心 素片選択部22は、言語処理部10から供給され� �言語処理結果のうち任意の区間(例えばアク� ��ント句や呼気段落など)について、音声素片 情報記憶部15から供給される音声素片情報を� ��に中心素片を選択し、選択した中心素片の� ��報を韻律生成部21、非中心素片選択部26及び 韻律制御部28に伝達する(ステップA1)。

 ここで、後段の韻律生成部21において韻� �情報を生成するために用いられる素片を示� �ことから、一般的な素片と区別して該当区� �における中心素片と呼ぶ。読みが同一の素� �であれば、任意の素片を中心素片に用いる� �とが可能であるが、高音質を達成する上で� �ましい条件がいくつか存在する。

 そこで、本実施の形態では、言語処理結� ��との適合度が高いものの中から、最も長い� ��片を中心素片として選択する例について説� ��する。

 言語処理結果との適合度は、入力テキス� ��と音声素片情報記憶部15に記憶されている� �声波形の発声内容のそれぞれの言語情報の� �致度として定義される。

 具体的には、読みの他に、先行・後続の� ��素、アクセント句内における位置、アクセ� ��ト核からの相対位置、品詞情報などの一致� ��が、適合度の指標となる。

 例えば、「走る」の「は」と「箸」の「� ��」を比較すると、後続の音素は一致してい� ��が、「走る」と「箸」のアクセント型が異� ��っているので、アクセント核からの相対位� ��が異なる。

 一方、「走る」の「は」と「橋」の「は� ��を比較すると、後続音素とアクセント核か� ��の相対位置ともに一致している。

 従って、この例では、「走る」の「は」� ��対して、「橋」の「は」の方が「箸」の「� ��」よりも言語情報的に一致度が高いと言え� ��。

 また、本実施の形態で説明する「素片の� ��さ」は、音声素片情報記憶部15に記憶され� �いる元音声波形上における合成単位長の素� �の連続数で定義される。

 一般的には、音声素片は合成単位ごとに� ��いられるが、元音声波形上で連続した素片� ��使われることもある。

 例えば、合成単位を音節として、「母」� ��「獅子」と「橋」という発声内容の元音声� ��形が音声素片情報記憶部15に記憶されてい� �ときに、「走る」という入力テキストが与� �られた場合を想定する。

 「走る」の「はし」を構成するには、「� ��」の「は」と「獅子」の「し」のそれぞれ� ��素片を用いることが可能であるが、一方で� ��橋」の「は」と「し」の素片、すなわち「� ��し」の素片を用いることも可能である。素� ��の長さの定義から、「は」や「し」という� ��片の長さは1であり、「はし」という素片の 長さは2である。

 従って、素片の長さのみを中心素片の選� ��基準とした場合には、「走る」の入力テキ� ��トに対して「橋」の素片を選択することに� ��る。

 言語処理結果との適合度が高くなるほど� ��長い素片を選択することが困難になるので� ��言語処理結果との適合度は、中心素片の選� ��においては制約条件として利用することが� ��ましい。

 また、最長であっても素片の長さが短い� ��合には、韻律生成の際に悪影響を与える(ピ ッチパタンならば著しく不自然なパタンの生 成をもたらす)ことがある。

 従って、長さ基準を満たす素片が存在し� ��かった場合には、中心素片を選択せずに、� ��心素片を選択しなかったことを韻律生成部2 1と非中心素片選択部26に通知する。

 一方、最長の素片が複数出現した場合に� ��、言語的に重要な箇所を含むものを選択す� ��方法が有効である。

 例えば、アクセント核の位置が同じもの� ��、文末や呼気段落末ならばこれらを含むも� ��を優先して選択する。

 韻律生成部21は、言語処理部10から供給さ れた言語処理結果と、中心素片選択部22から� ��給された中心素片を基に、韻律情報を生成� ��、非中心素片選択部26と韻律制御部28に伝達 する(ステップA2)。

 ここでは、中心素片が存在する区間(以下 、これを中心素片区間と呼ぶ。)では、中心� �片の韻律に類似した韻律が実現されるよう� �韻律情報が生成される。韻律制御に伴う音� �劣化を最小にするためにも、生成される韻� �と中心素片の韻律が完全に一致しているこ� �が最も望ましい。

 但し、文全体の韻律のバランスに配慮す� ��と、完全一致が不適切な場合もある。

 従って、韻律制御に伴う音質劣化が目立� ��ない範囲で、ピッチパタンならば周波数方� ��の平行移動、時間長であれば時間方向の伸� ��などの韻律変形を行う方法も有効である。

 また、中心素片の韻律に類似したものを� ��成する目的が、中心素片の韻律制御に伴う� ��質劣化を小さくすることであるため、中心� ��片の韻律と大きく異なる韻律情報を生成す� ��ことは避けたほうが良い。

 一方、中心素片が存在しない区間(以下、 これを非中心素片区間と呼ぶ。)では、言語� �理結果を基に韻律情報を生成する。

 この際に、中心素片区間と非中心素片区� ��のそれぞれの韻律が大きく異なると韻律の� ��然性が大きく損なわれるため、予め生成し� ��中心素片区間の韻律に合わせて非中心素片� ��間の韻律情報を生成する必要がある。

 非中心素片区間の韻律情報を生成する方� ��の例としては、先ず言語処理結果から中心� ��片区間を含めた韻律情報を生成し、次に中� ��素片区間の韻律情報を中心素片のものに差� ��替える方法が挙げられる。

 単純な差し替えでは韻律的な不整合が生� ��るので、差し替えた後には調整処理が必要� ��なる。

 調整処理の例として、ピッチパタンの場� ��には、パタンが滑らかになるようにピッチ� ��タンを変形する方法が挙げられる。

 言語処理結果から韻律情報を生成する方� ��については、非特許文献1や3に記載されて� �るような従来から広く一般的に用いられて� �る方法を採用すれば良い。

 もし、中心素片選択部22から中心素片を� �択しなかったことを通知された場合には、� �9の韻律生成部11と同様に言語処理結果のみ� �ら韻律情報を生成する。

 以上の中心素片の選択と韻律情報の生成� ��、任意の区間ごとに行われる。本実施の形� ��では、この区間としてアクセント句を用い� ��例について説明する。

 従って、非中心素片の選択に移行する前� ��、全てのアクセント句に対して、中心素片� ��選択(ステップA1)と韻律情報の生成(ステッ� �A2)が完了したことを確認する(ステップA3)。

 非中心素片選択部26は、言語処理部10から 供給された言語処理結果と、韻律生成部21か� ��供給された韻律情報と、中心素片選択部22� �ら供給された中心素片情報を基に、非中心� �区間の素片を選択し、韻律制御部21に伝達す る(ステップA4)。

 非中心素片の選択では、従来方式と同様� ��、単位コストと接続コストを計算し、両者� ��最小となる素片列を選択する。

 単位コストの計算は、非中心素片区間、� ��続コストの計算は非中心素片区間内、及び� ��心素片区間と非中心素片区間の境界におい� ��実施する。

 中心素片区間は、既に素片選択が済んで� ��るので、単位コスト及び接続コストの計算� ��不要である。

 もし、中心素片選択部22から中心素片を� �択しなかったことを通知された場合には、� �心素片が選択されなかったアクセント句は� �非中心素片区間のみで構成されると同等な� �で、該当区間すべてにおいて単位コスト及� �接続コストを計算する。

 韻律制御部28は、韻律生成部21から供給さ れた韻律情報と、中心素片選択部22から供給� ��れた中心素片情報、及び非中心素片選択部2 6から供給された非中心素片情報を基に、各� �片の韻律を制御し、韻律が目標韻律に修正� �れた素片を波形接続部19に供給する(ステッ� �A5)。

 韻律の制御は、中心素片・非中心素片の� ��別無く、従来方式と同様の方法で実施すれ� ��良い。

(1-3)第1の実施の形態による音声合成装置の効 果
 本実施の形態によれば、音声合成装置は、� ��片長が長い素片を韻律生成の元となる中心� ��片として選択し、選択された中心素片に基� ��き韻律情報を生成する。

 そして、生成された韻律情報に適した素� ��を選択する。

 この結果、中心素片が選ばれた区間では� ��その素片を基に韻律情報を生成するため、� ��律制御に伴う音質劣化が十分小さくなり、� ��続歪みも殆ど生じない。

 特に、この音声合成装置は、素片長が長� ��なるほど、接続歪みと音律制御に伴う音質� ��化を飛躍的に低減することができる。

 一方、それ以外の区間、すなわち非中心� ��片区間では、中心素片に基づいて生成され� ��韻律情報に適した素片を選択するため、合� ��音声の韻律の乱れを回避することができる� ��

(2)第2の実施の形態による音声合成装置
(2-1)第2の実施の形態による音声合成装置の構 成
 図3は、本発明の第2の実施の形態の構成を� �すブロック図である。

 図3に示す第2の実施の形態の構成は、図1� ��示した第1の実施の形態の中心素片選択部22� ��中心素片選択部32に置換されると共に、第� �韻律生成部31を更に備えている。

 以下、この相違点を中心に、図3のブロッ ク図を参照しながら、第2の実施の形態によ� �音声合成装置の詳細な動作を説明する。

(2-2)第2の実施の形態による音声合成装置の動 作
 図4は、本発明の第2の実施の形態の動作を� �明するためのフローチャートである。

 図4のフローチャートを参照すると、第二 韻律生成部31は、言語処理部10から供給され� �言語処理結果を基に韻律情報を生成し、中� �素片選択部32に伝達する(ステップB1)。

 第二韻律生成部31で生成される韻律情報� �、中心素片の選択に利用されるため、韻律� �成部21で生成される韻律情報と一致している 必要は無い。

 最も基本的な生成方法は、図9の韻律生成 部11と同様に韻律情報を生成し、そこから中� ��素片選択に用いる特徴量を抽出する方法で� ��る。

 例えば、ピッチパタンを生成した場合に� ��、各アクセント句におけるピッチ周波数、� ��びアクセント句内の最高ピッチ周波数など� ��生成したピッチパタンから算出し、これら� ��特徴量との類似度を中心素片の選択基準に� ��いる方法が挙げられる。

 また、時間長を生成した場合には、平均� ��話速度を選択基準に用いる方法が挙げられ� ��。

 中心素片選択部32は、言語処理部10から供 給された言語処理結果と、音声素片情報記憶 部15から供給された音声素片情報と、第二韻� ��生成部31から供給された韻律情報を基に中� �素片を選択し、選択した中心素片の情報を� �律生成部21、非中心素片選択部26及び韻律制� ��部28に伝達する(ステップB2)。

 図1の中心素片選択部22とは異なり、中心� ��片選択部32は、言語処理結果との適合度と� �片の長さの他に、韻律情報を用いて中心素� �を選択する。

 例えば、先ず、言語処理結果との適合度� ��素片の長さから、中心素片の候補となる素� ��を複数用意し、各候補の韻律情報との類似� ��を選択基準として、最適な中心素片を選択� ��る。

 そして、候補素片の最高ピッチ周波数と� ��二韻律生成部31から供給された最高ピッチ� �波数の比率を選択基準の指標とする方法が� �げられる。

 また、候補素片にアクセント句の始端が� ��まれる場合には、候補素片の始端のピッチ� ��波数と第二韻律生成部31から供給された始� �ピッチ周波数の比率を選択基準の指標とす� �方法も有効である。

 同様に、候補素片の平均時間長と第二韻� ��生成部31から供給された平均時間長の比率� �差分を指標とすることも可能である。

 また、韻律情報を選択基準に用いる場合� ��は、言語処理結果との適合度と同様に、中� ��素片の選択においては制約条件として利用� ��ることが望ましい。

(2-3)第2の実施の形態による音声合成装置の効 果
 本実施の形態によれば、音声合成装置は、� ��語処理結果と素片長の他に、韻律情報も中� ��素片の選択に利用している。

 その結果、第1の実施の形態と比較して、 韻律生成部で生成される韻律情報の品質が向 上することになり、合成音声の韻律の乱れを 低減することができる。

(3)第3の実施の形態による音声合成装置
(3-1)第3の実施の形態による音声合成装置の構 成
 図5は、本発明の第3の実施の形態の構成を� �すブロック図である。

 図5に示す第3の実施の形態の構成は、図1� ��示した第1の実施の形態の中心素片選択部22� ��中心素片選択部42に置換されると共に、重� �表現抽出部40を更に備えている。

 以下、この相違点を中心に、図5のブロッ ク図を参照しながら、第3の実施の形態によ� �音声合成装置の詳細な動作を説明する。

(3-2)第3の実施の形態による音声合成装置の動 作
 図6は、本発明の第3の実施の形態の動作を� �明するためのフローチャートである。

 図6のフローチャートを参照すると、重要 表現抽出部40は、言語処理部10から供給され� �言語処理結果を基に、入力されたテキスト� �中でキーワードや入力テキストの印象や意� �を特徴づける表現を抽出し、中心素片選択� �42に伝達する(ステップC1)。

 そして、テキスト中に含まれる重要語や� ��テキストの内容を特徴付ける表現などを、� ��語処理結果から抽出する。

 また、入力テキストを直接解析して、重� ��表現の抽出に活用することも有効である。

 重要表現は、入力テキストの内容に応じ� ��異なることが多い。

 例えば、天気予報の内容ならば、「晴れ� ��曇り・雨」という天気を表す単語や、降水� ��率の値などが重要表現として挙げられる。

 従って、入力テキストの意図や内容の推� ��を重要表現抽出部40において行えば、重要� �現の抽出精度が向上する。

 中心素片選択部42は、言語処理部10から供 給された言語処理結果と、音声素片情報記憶 部15から供給された音声素片情報と、重要表� ��抽出部40から供給された重要表現情報を基� �中心素片を選択し、選択した中心素片の情� �を韻律生成部21、非中心素片選択部26及び韻� ��制御部28に伝達する(ステップC2)。

 ここで、中心素片を検索する際に、重要� ��現に一致する素片が存在すれば、素片長が� ��くても中心素片として優先的に選択する。� ��に、合成音声の内容理解度を改善するため� ��は、重要表現を優先的に中心素片にするこ� ��が有効である。

(3-3)第3の実施の形態による音声合成装置の効 果
 本実施の形態によれば、音声合成装置は、� ��語処理結果と素片長の他に、入力テキスト� ��から抽出した重要表現を中心素片の選択に� ��用している。

 その結果、第1の実施の形態と比較して、 合成音声の発声内容の中で重要な単語や表現 の箇所の音質が向上し、合成音声の内容理解 度を向上させることができる。

(4)第4の実施の形態の音声合成装置
(4-1)第4の実施の形態による音声合成装置の構 成
 図7は、本発明の第4の実施の形態の構成を� �すブロック図である。

 図7に示す第4の実施の形態の構成は、図1� ��示した第1の実施の形態の中心素片選択部22� ��韻律生成部21、及び非中心素片選択部26が、 中心素片候補選択部52、韻律生成部511、512・� ��・51M、及び非中心素片選択部561、562・・・5 6Nに置換されると共に、中心素片グループ生� ��部500と最適素片選択部501とを更に備えてい� ��。

 以下、この相違点を中心に、図7のブロッ ク図を参照しながら、第4の実施の形態によ� �音声合成装置の詳細な動作を説明する。

(4-2)第4の実施の形態による音声合成装置の動 作
 図8は、本発明の第4の実施の形態の動作を� �明するためのフローチャートである。

 図8のフローチャートを参照すると、中心 素片候補選択部52は、言語処理部10から供給� �れた言語処理結果と、音声素片情報記憶部15 から供給される音声素片情報を基に、中心素 片になりうる候補素片を複数選択し、韻律生 成部511、512・・・51Mに伝達する(ステップD1)� �

 ここで、第1の実施の形態では、語処理結 果との適合度を制約条件として、最長の素片 を中心素片として選択していたが、本実施の 形態では素片の長さを選択基準にしつつも、 複数の中心素片候補を選択する。

 その際、候補数が事前に定めた値(本実施 例ではM)を満足するまで、素片長が長いほう� ��ら順番に候補素片として選択する。

 但し、単純に長いほうから順番に候補素� ��を選び出すと、ある特定の素片の部分素片� ��候補の大多数を占めることになる場合があ� ��。

 例えば、長さLの素片から、長さL-1の素片 は2種類、長さL-2の素片は3種類を選択するこ� ��ができる。

 ここで、長さL-1の素片や長さL-2の素片の� ��とを、長さLの素片の部分素片と呼ぶ。

 ある素片の部分素片の韻律(先ほどの例の 場合では、長さL-1の素片や長さL-2の素片)は� �どれも類似のものになる可能性が高いため� �もし韻律的に好ましくない素片から数多く� �部分素片が候補素片に採用された場合には� �合成音声の品質に悪影響を与える可能性が� �い。

 従って、韻律の異なる様々な素片を中心� ��片の候補とするためにも、部分素片の種類� ��は、ある程度制限することが望ましい。

 本実施の形態では、候補数がMに設定され ているが、必ずしもMになるまで候補素片を� �択する必要は無い。つまり、素片の長さが� �すぎて中心素片としての基準を満たさない� �片は、候補から除外する。

 韻律生成部511、512・・・51Mは、言語処理� ��10から供給された言語処理結果、中心素片� �補選択部52から供給された中心素片を基に韻 律情報を生成し、中心素片と韻律情報を中心 素片グループ生成部500に伝達する(ステップD2 )。

 韻律生成部511、512・・・51Mでは、各中心� ��片候補に対して、韻律情報をそれぞれ生成� ��る。韻律情報の生成方法は、図1の韻律生成 部21と同様である。

 以上の中心素片の選択と韻律情報の生成� ��、任意の区間ごとに行われる。本実施の形� ��では、この区間としてアクセント句を用い� ��例について説明する。

 従って、中心素片グループの生成に移行� ��る前に、全てのアクセント句に対して、中� ��素片候補の選択(ステップD1)と韻律情報の生 成(ステップD2)が完了したことを確認する(ス� ��ップD4)。

 中心素片グループ生成部500は、韻律生成� ��511、512・・・51Mから供給された韻律情報及� ��中心素片を基に中心素片グループを生成し� ��生成した各グループの韻律情報と中心素片� ��非中心素片選択部561、562・・・56Nに伝達す� ��(ステップD5)。

 ここで、本実施の形態では、単位コスト� ��接続コストの計算を呼気段落毎に行う例に� ��いて説明する。この場合、非中心素片の選� ��は、単位コストと接続コストを計算する必� ��性から、アクセント句単位ではなく呼気段� ��単位で行われる。

 従って、本実施の形態のように、各アク� ��ント句に複数の中心素片が候補に挙げられ� ��いる場合には、呼気段落を形成する上で考� ��られうる中心素片の組み合わせが複数存在� ��ることになる。

 例えば、2つのアクセント句で構成される 呼気段落において、第一アクセント句で中心 素片候補が3つ、第二アクセント句で中心素� �候補が2つ存在する場合には、中心素片候補� ��組み合わせ数は6通りになる。

 全ての中心素片候補の組み合わせ(この例 では6通り)において素片選択を実施するため� ��、中心素片グループ生成部500では、全ての� ��心素片の組み合わせを生成し、各組み合わ� ��に対してグループ番号を付与して、韻律情� ��と中心素片と共に各非中心素片選択部に伝� ��する。

 Nの値は、全ての中心素片候補の組み合わ せ数に相当し、呼気段落に含まれるアクセン ト句数と各アクセント句の中心素片候補数の 値に応じて変化する。

 非中心素片選択部561、562・・・56Nは、言� ��処理部10から供給された言語処理結果、音� �素片情報記憶部15から供給される音声素片情 報、中心素片グループ生成部500から供給され た各中心素片グループの韻律情報と中心素片 を基に、非中心素片を選択し、各グループの 韻律情報、中心素片、非中心素片、そして非 中心素片を選択した際に得られた素片選択コ ストを、最適素片選択部501に伝達する(ステ� �プD6)。

 コストの計算方法及び非中心区間の素片� ��選択方法は、図1の非中心素片選択部26と同� ��である。

 最適素片選択部501は、非中心素片選択部5 61、562・・・56Nから供給された各グループの� ��片選択コストを基に、最適な中心素片と非� ��心素片の組み合わせを選択し、韻律情報と� ��に韻律制御部28に伝達する(ステップD8)。

 素片選択コストが小さいほど合成音声の� ��質が高くなると考えられるので、素片選択� ��ストが最小のグループの中心素片と非中心� ��片を、最適素片として選択する。

(4-3)第4の実施の形態による音声合成装置の効 果
 本実施の形態によれば、音声合成装置は、� ��心素片の候補を複数選択して、それぞれの� ��補に対して、韻律情報を生成し非中心素片� ��選択を行う。そして、非中心素片の選択コ� ��トを基に、最適な中心素片及び非中心素片� ��選択する。

 すなわち、非中心素片の選択コストを中� ��素片の選択に利用しているという特徴があ� ��。

 その結果、第1の実施の形態の場合と比較 して、非中心素片区間の品質改善につながる 中心素片を選択することが可能になり、合成 音声全体の品質が向上する。

(5)他の実施の形態について
 本発明による実施の形態は、第1の実施の形 態から第4の実施の形態で説明した音声合成� �置に限定されるものではなく、その構成お� �び動作は、発明の趣旨を逸脱しない範囲で� �適宜に変更することができる。

 また、本発明による実施の形態は、発明� ��構成及び動作を中心に説明したが、本発明� ��よる実施の形態の機能または手順を、コン� ��ュータが読み取り可能なプログラムによっ� ��実現・実行させるようにしても良い。

 以上本発明を上記実施例に即して説明した� ��、本発明は、上記実施例にのみ限定される� ��のではなく、本願特許請求の範囲の各請求� ��の発明の範囲内で当業者であればなし得る� ��あろう各種変形、修正を含むことは勿論で� ��る。
 本発明の全開示(請求の範囲を含む)の枠内� �おいて、さらにその基本的技術思想に基づ� �て、実施形態ないし実施例の変更・調整が� �能である。また、本発明の請求の範囲の枠� �において種々の開示要素の多様な組み合わ� �ないし選択が可能である。