音声合成装置
【課題】フレームを反復する場合でも聴感的に自然な合成音を生成する。
【解決手段】記憶装置１４は、音声波形が経時的に変化する遷移区間ＥAを含む複数の音声素片Ｖを記憶する。変数設定部３３は、利用者からの指示に応じて明瞭度変数αを可変に設定する。素片選択部３４は、音声素片Ｖを順次に選択する。境界設定部４４は、明瞭度変数αに対して境界時点ＴBの時間軸上の位置が非線形に変化するように遷移区間ＥA内に境界時点ＴBを設定する。合成処理部４６は、素片選択部３４が選択した音声素片Ｖのうち境界時点ＴBの前方の区間を利用して音声信号ＶOUTを生成する。
【解決手段】記憶装置１４は、音声波形が経時的に変化する遷移区間ＥAを含む複数の音声素片Ｖを記憶する。変数設定部３３は、利用者からの指示に応じて明瞭度変数αを可変に設定する。素片選択部３４は、音声素片Ｖを順次に選択する。境界設定部４４は、明瞭度変数αに対して境界時点ＴBの時間軸上の位置が非線形に変化するように遷移区間ＥA内に境界時点ＴBを設定する。合成処理部４６は、素片選択部３４が選択した音声素片Ｖのうち境界時点ＴBの前方の区間を利用して音声信号ＶOUTを生成する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、音声素片を利用して発話音や歌唱音等の音声を合成する技術に関する。
【背景技術】
【０００２】
複数の音声素片を相互に連結することで所望の音声を合成する素片接続型の音声合成装置が従来から提案されている。特許文献１には、音声素片を部分的に利用することで合成音の明瞭度（仮想的な発声者の口の開き具合）を制御する技術が開示されている。
【０００３】
例えば図１６に示すように、子音（半母音）の音素/ｗ/の音素区間Ｓ1と母音の音素/ａ/の音素区間Ｓ2とを含む音声素片Ｖ［ｗ-ａ］を想定する。音素区間Ｓ2は、音素/ａ/の波形が定常に維持される定常区間ＥBと、直前の音素区間Ｓ1の音素/ｗ/が音素/ａ/の波形に遷移する遷移区間ＥAとに区分される。特許文献１の技術では、遷移区間ＥA内に境界時点（音素セグメンテーション境界）ＴBが可変に設定され、音声素片Ｖのうち境界時点ＴB以前の区間にその区間の最後のフレームを反復的に連結することで所望の時間長の音声信号が生成される。境界時点ＴBの位置は、利用者から指示された変数（以下「明瞭度変数」という）に応じて可変に設定される。以上の構成によれば、遷移区間ＥAの全部を適用した場合と比較して明瞭度が低い音声（すなわち発声者が口を充分に開かずに発声した音声）を合成することが可能である。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特許第４２６５５０１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
特許文献１の技術では、遷移区間ＥA内の境界時点ＴBを、利用者が指定する明瞭度変数に応じて時間軸上で線形に移動させる構成が想定される。すなわち、遷移区間ＥAの始点から境界時点ＴBまでの時間長は、利用者が指定した明瞭度変数に比例する。
【０００６】
他方、図１６のグラフｇは、合成音の受聴者に知覚される音色（発声者の口の開き具合）の時間的な遷移を模式的に図示したグラフである。図１６に示すように、音声素片Ｖの音色は、遷移区間ＥAの始点から終点にかけて、音素区間Ｓ1の音素/ｗ/の音色から音素区間Ｓ2の音素/ａ/の音色に遷移する。グラフｇから理解される通り、受聴者が知覚する音色は、経過時間に対して非線形に変化する。すなわち、遷移区間ＥAの始点の近傍では時間が少し経過しただけで音色が顕著に変化するが、遷移区間ＥAの終点の近傍では時間が経過しても音色は殆ど変化しない。
【０００７】
したがって、前述のように利用者が指定する明瞭度変数に応じて境界時点ＴBを線形に移動させる場合、境界時点ＴBが遷移区間ＥAの始点の近傍に位置する状態では明瞭度変数を少し変化させただけで合成音の音色が顕著に変化するが、境界時点ＴBが遷移区間ＥAの終点の近傍に位置する状態では明瞭度変数を同様に変化させても合成音の音色は殆ど変化しない。以上のように明瞭度変数の変化と合成音の音色変化とが感覚的に整合しないから、合成音が所望の音色となるように利用者が明瞭度変数を設定することが困難であるという問題がある。以上の事情を考慮して、本発明は、利用者からの指示に応じた明瞭度変数の変化と合成音の音色変化とを整合させることを目的とする。
【課題を解決するための手段】
【０００８】
以上の課題を解決するために本発明が採用する手段を説明する。なお、本発明の理解を容易にするために、以下の説明では、本発明の要素と後述の実施形態の要素との対応を括弧書で付記するが、本発明の範囲を実施形態の例示に限定する趣旨ではない。
【０００９】
本発明の音声合成装置は、音声波形が経時的に変化する遷移区間（例えば遷移区間ＥA）を含む音声素片（例えば音声素片Ｖ）を順次に選択する素片選択手段（例えば素片選択部３４）と、利用者からの指示に応じて明瞭度変数（例えば明瞭度変数α）を可変に設定する変数設定手段（例えば変数設定部３３）と、遷移区間内に境界時点（例えば境界時点ＴB）を設定する手段であって、明瞭度変数が第１値（例えば数値α1）から所定量だけ変化した場合の境界時点の移動量（例えば変化量Δβ1）と、明瞭度変数が第１値とは相違する第２値（例えば数値α2）から所定量だけ変化した場合の境界時点の移動量（例えば変化量Δβ2）とが相違するように、変数設定手段が設定した明瞭度変数に応じて境界時点の位置を可変に設定する境界設定手段と、素片選択手段が選択した音声素片のうち境界時点の前方の区間（例えば適用区間Ｗ）を利用して音声信号を生成する合成処理手段（例えば合成処理部４６）とを具備する。以上の構成では、利用者からの指示に応じた明瞭度変数に対して境界時点の位置が非線形に変化する。したがって、受聴者が音声素片から知覚する音色が経過時間に対して非線形に変化する場合でも、利用者からの指示に応じた明瞭度変数の変化と合成音の音色変化とを整合させることが可能である。
【００１０】
本発明の好適な態様において、境界設定手段は、明瞭度変数と境界時点の位置との関係が複数の音声素片について共通するように明瞭度変数に応じて境界時点の位置を設定する。以上の態様では、明瞭度変数と境界時点の位置との関係が複数の音声素片について共通するから、境界設定手段による境界時点の設定が簡素化されるという利点がある。なお、以上の態様の具体例は、例えば第１実施形態として後述される。
【００１１】
本発明の好適な態様において、複数の音声素片の各々は、相異なる音素に対応する第１音素区間（例えば音素区間Ｓ1）と第２音素区間（例えば音素区間Ｓ2）とを含み、第２音素区間は遷移区間を含み、境界設定手段は、明瞭度変数と境界時点の位置との関係が、音声素片のうち第１音素区間の音素の種別（例えば種別Ｃ）に応じて相違するように、明瞭度変数に応じて境界時点の位置を設定する。以上の態様では、第１音素区間の音素の種別に応じて明瞭度変数と境界時点の位置との関係が個別に設定されるから、音声素片の音色の時間的な遷移が第１音素区間の音素の種別に応じて相違する場合でも、明瞭度変数の変化と合成音の音色変化とを整合させ得るという効果が実現される。なお、以上の態様の具体例は例えば第２実施形態として後述される。
【００１２】
本発明の好適な態様の音声合成装置は、基準フレームに対する各フレームの音色の相違を示す音色指標値（例えば音色指標値Ｙ[m]）を遷移区間内の複数のフレームの各々について算定する指標算定手段（例えば指標算定部６０）を具備し、境界設定手段は、音色指標値の時間的な遷移において音色指標値が明瞭度変数に応じた数値となる時点を境界時点に設定する。以上の態様では、音色指標値が明瞭度変数に応じた数値となる時点が境界時点に設定されるから、各音声素片の特性に関わらず、明瞭度変数の変化と合成音の音色変化とを整合させることが可能である。以上の態様において、音色指標値の時間的な遷移において音色指標値が複数の時点にて明瞭度変数に応じた数値となる場合に、複数の時点のうち最も後方の時点を境界設定手段が境界時点に設定すれば、音声素片の長い区間が音声信号の合成に利用されるから、聴感的に自然な合成音を生成できるという利点がある。なお、以上の態様の具体例は、例えば第６実施形態として後述される。
【００１３】
本発明の好適な態様の音声合成装置は、素片選択手段が選択した音声素片の遷移区間内に限界時点を設定する限界設定手段（例えば限界設定部４２）を具備し、境界設定手段は、限界設定手段が設定した限界時点から遷移区間の終点までの変動区間（例えば変動区間ＥC）内に境界時点を設定する。以上の態様では、遷移区間内に設定された限界時点の後方に境界時点が設定される。すなわち、遷移区間のうち第１音素区間の音素の影響が過度に残存する時点は境界時点として設定されない。したがって、境界時点に対応するフレームを反復して音声信号を生成する構成にも関わらず、聴感的に自然な印象の合成音を生成できるという利点がある。
【００１４】
限界設定手段を具備する構成の好適例において、複数の音声素片の各々は、相異なる音素に対応する第１音素区間と第２音素区間とを含み、第２音素区間は遷移区間を含み、限界設定手段は、第２音素区間の遷移区間のうち第１音素区間の音素の種別に応じた時点を限界時点として設定する。遷移区間のうち第１音素区間の音素の影響が過度に残存する区間は第１音素区間の音素の種別に応じて相違するという傾向がある。以上の態様では、遷移区間内の限界時点の位置が第１音素区間の音素の種別に応じて可変に設定されるから、第１音素区間の音素の種別に応じた適切な位置を限界時点として設定できるという利点がある。
【００１５】
限界設定手段を具備する構成の好適例に係る音声合成装置は、遷移区間内の複数のフレームの各々について当該フレームを反復した場合の音声の自然性の指標値を算定する第２指標算定手段（例えば指標算定部４８）を具備し、限界設定手段は、各フレームの指標値に応じて限界時点を設定する。以上の態様では、遷移区間内の各フレームの指標値に応じて限界時点が設定されるから、音声素片の特性に応じた適切な限界時点を設定できるという利点がある。また、遷移区間内の各フレームの音量に応じた第１指標値と、遷移区間内の各フレームの非調和成分の強度に応じた第２指標値とを第２指標算定手段（例えば指標算定部４８）が指標値として算定し、遷移区間のうち、第１指標値が示す音量が所定値を上回り、かつ、第２指標値が示す非調和成分の強度が所定値を下回る時点を限界設定手段が限界時点として設定する構成によれば、例えば第１音素区間の音素が無声子音（例えば破裂音や破擦音や摩擦音）である場合に、遷移区間内の適切な位置に限界時点を設定できるという利点がある。
【００１６】
以上の各態様に係る音声合成装置は、音声合成に専用されるＤＳＰ（Digital Signal Processor）などのハードウェア（電子回路）で実現されるほか、ＣＰＵ（Central Processing Unit）などの汎用の演算処理装置とプログラムとの協働でも実現される。本発明のプログラム（例えばプログラムＰGM）は、音声波形が経時的に変化する遷移区間を含む音声素片を順次に選択する素片選択処理と、利用者からの指示に応じて明瞭度変数を可変に設定する変数設定処理と、遷移区間内に境界時点を設定する処理であって、明瞭度変数が第１値から所定量だけ変化した場合の境界時点の移動量と、明瞭度変数が第１値とは相違する第２値から所定量だけ変化した場合の境界時点の移動量とが相違するように、変数設定処理で設定した明瞭度変数に応じて境界時点の位置を可変に設定する境界設定処理と、素片選択処理で選択した音声素片のうち境界時点の前方の区間を利用して音声信号を生成する合成処理とをコンピュータに実行させる。以上のプログラムによれば、本発明の音声合成装置と同様の作用および効果が実現される。本発明のプログラムは、コンピュータが読取可能な記録媒体に格納された形態で利用者に提供されてコンピュータにインストールされるほか、通信網を介した配信の形態でサーバ装置から提供されてコンピュータにインストールされる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１実施形態に係る音声合成装置のブロック図である。
【図２】記憶装置に格納された素片群の模式図である。
【図３】音声素片の波形と単位データとの関係の説明図である。
【図４】編集画面の模式図である。
【図５】音声合成部のブロック図である。
【図６】明瞭度変数と境界変数との関係を示すグラフである。
【図７】第２実施形態における素片データの模式図である。
【図８】第３実施形態における音声合成部のブロック図である。
【図９】第３実施形態における音声素片の波形と単位データとの関係の説明図である。
【図１０】第３実施形態における境界変数の算定方法の説明図である。
【図１１】第５実施形態における音声合成部のブロック図である。
【図１２】指標値の説明図である。
【図１３】第６実施形態における音声合成部のブロック図である。
【図１４】第６実施形態の動作の説明図である。
【図１５】第６実施形態の他の動作の説明図である。
【図１６】背景技術の説明図である。
【発明を実施するための形態】
【００１８】
＜第１実施形態＞
図１は、本発明の第１実施形態に係る音声合成装置１００のブロック図である。音声合成装置１００は、発話音や歌唱音等の音声を素片接続型の音声合成処理で生成する信号処理装置であり、図１に示すように、演算処理装置１２と記憶装置１４と表示装置２２と入力装置２４と放音装置２６とを具備するコンピュータシステムで実現される。
【００１９】
演算処理装置１２（ＣＰＵ）は、記憶装置１４に格納されたプログラムＰGMを実行することで、合成音の波形を表す音声信号ＶOUTを生成するための複数の機能（表示制御部３２，変数設定部３３，素片選択部３４，音声合成部３６）を実現する。なお、演算処理装置１２の各機能を複数の集積回路に分散した構成や、専用の電子回路（ＤＳＰ）が一部の機能を実現する構成も採用され得る。
【００２０】
表示装置２２（例えば液晶表示装置）は、演算処理装置１２から指示された画像を表示する。入力装置２４は、利用者からの指示を受付ける機器（例えばマウスやキーボード）である。放音装置２６（例えばヘッドホンやスピーカ）は、演算処理装置１２が生成した音声信号ＶOUTに応じた音波を放射する。
【００２１】
記憶装置１４は、演算処理装置１２が実行するプログラムＰGMや演算処理装置１２が使用する各種のデータ（素片群ＱA，合成情報ＱB）を記憶する。半導体記録媒体や磁気記録媒体等の公知の記録媒体または複数種の記録媒体の組合せが記憶装置１４として採用される。
【００２２】
記憶装置１４に格納される素片群ＱAは、図２に示すように、相異なる音声素片Ｖに対応する複数の素片データＤの集合（音声合成ライブラリ）である。第１実施形態では、相異なる音素に対応する２個の音素区間Ｓ（Ｓ1，Ｓ2）を連結したダイフォン（音素連鎖）を音声素片Ｖとして想定する。音素区間Ｓ2は音素区間Ｓ1の後方に位置する。なお、以下では便宜的に無音を子音の音素として説明する。
【００２３】
図３は、１個の音声素片Ｖの波形図である。図３では、子音（半母音）の音素/ｗ/の音素区間Ｓ1に母音の音素/ａ/の音素区間Ｓ2が後続する音声素片Ｖ［ｗ-ａ］の波形が例示されている。図３の音素境界ＧAは、音素区間Ｓ1と音素区間Ｓ2との境界を意味する。母音の音素区間Ｓ2は、状態境界ＧBを挟んで遷移区間ＥAと定常区間ＥBとに区分される。
【００２４】
図３の定常区間ＥBは、音素区間Ｓ2の音素/ａ/の波形が定常に維持される区間である。他方、遷移区間ＥAは、音声素片Ｖの波形（音色）が、直前の音素区間Ｓ1の音素/ｗ/の波形から音素区間Ｓ2の音素/ａ/の波形に遷移する区間である。すなわち、音声素片Ｖの発声者の口の形状は、音素区間Ｓ1の音素/ｗ/に対応する形状から音素境界ＧAにて変化し始め、音素境界ＧAから状態境界ＧBにかけて音素区間Ｓ2の音素/ａ/に対応する形状に経時的に変化し、状態境界ＧBにて音素/ａ/に対応する形状に到達して以後は定常に維持される。
【００２５】
図３のグラフｇは、合成音の受聴者に知覚される音色が遷移区間ＥAの始点（音素境界ＧA）から終点（状態境界ＧB）にかけて音素区間Ｓ1の音素/ｗ/から音素区間Ｓ2の音素/ａ/に時間的に変化する様子を模式的に図示したグラフである。グラフｇから理解されるように、受聴者が知覚する音色（発声者の口の開き具合）は、経過時間に対して非線形に変化する。すなわち、所定の単位時間に対する音色の変化量が遷移区間ＥA内の各時点で相違する。具体的には、遷移区間ＥAの始点（音素境界ＧA）の近傍では時間が少し経過しただけで音色は顕著に変化するが、遷移区間ＥAの終点（状態境界ＧB）の近傍では時間が経過しても音色は殆ど変化しない。
【００２６】
図２に示すように、各音声素片Ｖの素片データＤは、区間情報ＤBと複数の単位データＵとを含んで構成される。区間情報ＤBは、音声素片Ｖ内の音素境界ＧAと状態境界ＧBとを指定する。複数の単位データＵの各々は、音声素片Ｖ（音素区間Ｓ1および音素区間Ｓ2）を時間軸上で区分した各フレームの音声の周波数スペクトルを指定する。
【００２７】
記憶装置１４に記憶される合成情報（スコアデータ）ＱBは、図１に示すように、合成音の発音文字Ｘ1と発音期間Ｘ2と音高（ピッチ）Ｘ3と明瞭度変数αとを合成音の音符毎に時系列に指定する。発音文字Ｘ1は、例えば歌唱音を合成する場合の歌詞の文字列である。明瞭度変数αは、合成音が聴感的に明確と知覚される程度を示す変数である。発声者が発声時に口を大きく開くほど発声音は聴感的に明瞭と知覚される。したがって、明瞭度変数αは、合成音の仮想的な発声者の口の開き具合を示す変数とも表現され得る。
【００２８】
図１の演算処理装置１２の表示制御部３２は、合成情報ＱBの生成および編集のために利用者が視認する図４の編集画面５０を表示装置２２に表示させる。編集画面５０は、第１領域５１と第２領域５２とに区分される。第１領域５１には、時間軸（横軸）と音高軸（縦軸）とが設定され、合成音の各音符を表現する音指示子５４が入力装置２４に対する利用者からの指示に応じて配置される。各音指示子５４の音高軸上の位置に応じて合成情報ＱBの音高Ｘ3が設定され、時間軸上の位置およびサイズに応じて発音期間Ｘ2が設定される。また、利用者が各音指示子５４に指定した文字が合成情報ＱBの発音文字Ｘ1として設定される。
【００２９】
第２領域５２には、各音指示子５４に対応する変数指示子５６が第１領域５１と共通の時間軸のもとで配置される。各変数指示子５６は、縦方向の長さｄで明瞭度変数αの大小を表現する画像（棒グラフ）である。利用者は、入力装置２４を適宜に操作することで各変数指示子５６の長さｄを０以上かつ１２７以下の範囲内で変更することが可能である。
【００３０】
図１の変数設定部３３は、入力装置２４に対する利用者からの指示に応じて合成情報ＱB内の明瞭度変数αを可変に設定する。具体的には、変数設定部３３は、利用者が指定した変数指示子５６の長さｄに比例するように０以上かつ１以下の範囲内で明瞭度変数αを設定する。すなわち、変数指示子５６に対する操作で利用者が設定した数値を、最大値が１となるように正規化（例えば１２７で除算）することで明瞭度変数αを算定する。
【００３１】
図１の素片選択部３４は、合成情報ＱBが時系列に指定する各発音文字Ｘ1に対応した音声素片Ｖを素片群ＱAから順次に選択する。音声合成部３６は、素片選択部３４が順次に選択する音声素片Ｖの素片データＤを利用して音声信号ＶOUTを生成する。概略的には、音声合成部３６は、合成情報ＱBが指定する発音期間Ｘ2に応じて素片データＤを時間軸上で伸縮し、伸縮後の各単位データＵが示す周波数スペクトルを時間波形に変換したうえで合成情報ＱBの音高Ｘ3に調整して相互に連結することで音声信号ＶOUTを生成する。
【００３２】
図５は、音声合成部３６のブロック図である。図５に示すように、第１実施形態の音声合成部３６は、境界設定部４４と合成処理部４６とを含んで構成される。境界設定部４４は、図３に示すように、素片選択部３４が選択した音声素片Ｖの音素区間Ｓ2が母音や摩擦音や鼻音等の時間的に持続可能な音素に対応する場合に、音素区間Ｓ2の遷移区間ＥA内に境界時点ＴBを設定する。具体的には、境界設定部４４は、遷移区間ＥAのうち境界時点ＴBの時間軸上の位置を指定する変数（以下「境界変数」という）βを設定する。境界変数βは、遷移区間ＥAの始点（音素境界ＧA）を境界時点ＴBとして指定する最小値０から、遷移区間ＥAの終点（状態境界ＧB）を境界時点ＴBとして指定する最大値１までの範囲内（０≦β≦１）で、合成情報ＱBが指定する明瞭度変数αに応じて可変に設定される。
【００３３】
図６は、明瞭度変数αと境界変数βとの関係を示すグラフである。第１実施形態の境界設定部４４は、明瞭度変数αの自乗を境界変数βとして算定する（β＝α2）。したがって、図６に示すように、明瞭度変数αが数値α1から所定量δだけ正側に変化した場合の境界変数βの変化量（すなわち境界時点ＴBの移動量）Δβ1と、明瞭度変数αが数値α2（α2＞α1）から同じ所定量δだけ正側に変化した場合の境界変数βの変化量Δβ2とは相違する。具体的には変化量Δβ2は変化量Δβ1を上回る。すなわち、明瞭度変数αが最大値１に近付くほど明瞭度変数αの変化に対する境界時点ＴBの移動量は増加する。以上の説明から理解されるように、利用者が指定した明瞭度変数αに応じて境界変数β（境界時点ＴBの位置）は非線形に変化する。なお、第１実施形態では、明瞭度変数αと境界変数βとの関係は全種類の音声素片Ｖについて共通する。図３に示すように、音声素片Ｖのうち境界設定部４４が設定した境界時点ＴBの前方の区間（音素区間Ｓ1の始点から境界時点ＴBまでの区間）Ｗを以下では「適用区間」と表記する。
【００３４】
図５の合成処理部４６は、素片選択部３４が選択した音声素片Ｖの適用区間Ｗを利用して音声信号ＶOUTを生成する。具体的には、合成処理部４６は、図３に示すように、素片データＤのうち適用区間Ｗ内の単位データＵで構成される単位データ群Ｚ1に、適用区間Ｗ内の最後に位置する１個の単位データＵ（図３の斜線部）を反復して配置した単位データ群Ｚ2を連結する。単位データ群Ｚ2を構成する単位データＵの個数は、単位データ群Ｚ1と単位データ群Ｚ2との合計長が発音期間Ｘ2に応じた目標長となるように可変に設定される。
【００３５】
合成処理部４６は、単位データ群Ｚ1および単位データ群Ｚ2の各単位データＵが示す周波数スペクトルを時間波形に変換するとともに合成情報ＱBが指定する音高Ｘ3に調整し、相前後するフレームで相互に連結することで音声信号ＶOUTを生成する。なお、明瞭度変数αが最大値１に設定され、かつ、発音期間Ｘ2に応じた目標長が所定値（例えば音声素片Ｖの時間長）を下回る場合、合成処理部４６は、定常区間ＥBを含む音声素片Ｖの複数の単位データＵを後方から除去して目標長に調整することで音声信号ＶOUTを生成する（すなわち、単位データ群Ｚ2の付加は実行しない）。
【００３６】
以上のように、音素区間Ｓ2のうち音声波形が定常状態に到達する状態境界ＧBの到来前（すなわち発声者の口が完全に開く以前）に境界時点ＴBが設定され、音声素片Ｖのうち境界時点ＴBの前方の適用区間Ｗが音声信号ＶOUTの生成に利用される。したがって、発声者が口を充分に開かずに発声したような合成音を生成することが可能である。
【００３７】
また、第１実施形態では、利用者からの指示に応じた明瞭度変数αに対して境界変数β（時間軸上の境界時点ＴBの位置）が非線形に変化する。具体的には、明瞭度変数αが最大値１に近付くほど境界変数βの変化量は増加する。他方、遷移区間ＥA内の音声について受聴者が知覚する音色は遷移区間ＥA内の位置に応じて非線形に変化する。具体的には、遷移区間ＥAの終点に近い位置ほど音色の変化量は減少する。したがって、第１実施形態によれば、利用者が指示した明瞭度変数αに応じて境界時点ＴBを線形に移動させる構成と比較して、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を低減することが可能である。例えば、利用者が明瞭度変数αを最大値１から半分に変化させた場合には、口の開き具合を半分に変化させたように合成音の音色が変化する。
【００３８】
＜第２実施形態＞
本発明の第２実施形態を以下に説明する。第１実施形態では、明瞭度変数αと境界変数βとの関係を全種類の音声素片Ｖについて共通させた。しかし、遷移区間ＥA内の音色（口の開き具合）の時間変化は、音声素片Ｖの種類（特に音素区間Ｓ1内の音素の種類）に応じて変化する。以上の傾向を考慮して、第２実施形態では、音声素片Ｖのうち音素区間Ｓ1内の音素の種類に応じて明瞭度変数αと境界変数βとの関係を変化させる。なお、以下に例示する各形態において作用や機能が第１実施形態と同等である要素については、以上の説明で参照した符号を流用した各々の詳細な説明を適宜に省略する。
【００３９】
図７は、第２実施形態における素片データＤの模式図である。第２実施形態における各音声素片Ｖの素片データＤは、第１実施形態と同様の区間情報ＤBと複数の単位データＵとに加えて分類情報ＤAを含んで構成される。分類情報ＤAは、音声素片Ｖを構成する各音素の分類を指定する。例えば図７に示すように、母音（/ａ/，/ｉ/，/ｕ/），破裂音（/ｔ/，/ｋ/，/ｐ/），破擦音（/ｔｓ/），鼻音（/ｍ/，/ｎ/），流音（/ｒ/），摩擦音（/ｓ/，/ｆ/），半母音（/ｗ/，/ｙ/），無音（/Ｓｉｌ/）等の分類が、音声素片Ｖの音素区間Ｓ1および音素区間Ｓ2の各々について分類情報ＤAで指定される。
【００４０】
図７に示すように、各音素は、複数の種別Ｃ（Ｃ1〜Ｃ3）に区分される。具体的には、子音の音素は、有声性の高低に応じて各種別Ｃに区分される。例えば日本語の音素の場合、半母音（/ｗ/，/ｙ/）や鼻音（/ｍ/，/ｎ/）や流音（/ｒ/）等の調和成分が豊富な音素、または、有声摩擦音（/ｚ/）や有声破裂音（/ｄ/）等の非調和成分が豊富な音素のように、有声性が高い子音（例えば有声子音）は種別Ｃ1に分類され、破裂音（/ｔ/，/ｋ/，/ｐ/）や破擦音（/ｔｓ/）や摩擦音（/ｓ/，/ｆ/）等の無声子音のように有声性が低い子音は種別Ｃ2に分類される。無音（/Ｓｉｌ/）は種別Ｃ3に分類される。また、母音（/ａ/，/ｉ/，/ｕ/）は種別Ｃ2に分類される。
【００４１】
第２実施形態の境界設定部４４は、利用者から指示された明瞭度変数αと境界変数β（境界時点ＴBの位置）との関係が、音声素片Ｖのうち音素区間Ｓ1の音素の種別Ｃに応じて相違するように、明瞭度変数αに応じた境界変数βを算定する。具体的には、分類情報ＤAで指定される音素区間Ｓ1の音素の分類が種別Ｃ1に属する場合と種別Ｃ2に属する場合とで、明瞭度変数αから境界変数βを算定するための関数は相違する。
【００４２】
第１実施形態でも第２実施形態と同様の効果が実現される。また、第２実施形態では、音素区間Ｓ1の音素の種別Ｃ（分類）に応じて明瞭度変数αと境界変数βとの関係が変化するから、遷移区間ＥA内の音色（口の開き具合）の時間的な遷移が音素区間Ｓ1内の音素の種別Ｃに応じて相違する場合でも、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を各音声素片Ｖについて低減することが可能である。
【００４３】
＜第３実施形態＞
音声素片Ｖの遷移区間ＥAでは、音素区間Ｓ1の音素の波形から音素区間Ｓ2の音素の波形に遷移する。すなわち、遷移区間ＥAのうち音素境界ＧAの近傍には直前の音素区間Ｓ1の音素の影響が残存する。したがって、遷移区間ＥAのうち音素境界ＧAに近い位置に境界時点ＴBが設定されると、本来的ならば音素区間Ｓ2の音素のみが反映されるべき単位データ群Ｚ2内で、音素区間Ｓ1の音素の影響を含む単位データＵが反復され、合成音が不自然な音声となる可能性がある。以上の事情を背景として、第３実施形態では、単位データ群Ｚ2にて反復される単位データＵ（すなわち適用区間Ｗのうち境界時点ＴBに対応する最後の単位データＵ）にて直前の音素区間Ｓ1の音素の影響が充分に低減されるように、遷移区間ＥA内に設定される境界時点ＴBの位置を制限する。
【００４４】
図８は、第３実施形態における音声合成部３６のブロック図である。図８に示すように、第３実施形態の音声合成部３６は、第１実施形態の音声合成部３６に限界設定部４２を追加した構成である。限界設定部４２は、図９に示すように、素片選択部３４が選択した音声素片Ｖのうち母音の音素に対応する音素区間Ｓ2の遷移区間ＥA内に限界時点ＴAを設定する。限界時点ＴAは、遷移区間ＥAの割合Ｒに相当する時間（Ｒ×ＥA）だけ遷移区間ＥAの終点（状態境界ＧB）から前方の時点である。割合Ｒを指定する限界情報ＱCが記憶装置１４に事前に記憶され、限界設定部４２は、記憶装置１４から取得した限界情報ＱCに応じて限界時点ＴAを設定する。遷移区間ＥAの直前の音素区間Ｓ1の音素の影響が限界時点ＴAにて充分に低下するように、割合Ｒは０以上かつ１以下の範囲内で選定される。
【００４５】
図８の境界設定部４４は、遷移区間ＥA内の境界時点ＴBの位置を指定する境界変数γを、変数設定部３３が設定した明瞭度変数αに応じて可変に設定する。境界変数γは、第１実施形態の境界変数βと同様に、遷移区間ＥAの始点（音素境界ＧA）を最小値０として境界時点ＴBの時間軸上の位置を指定する変数である。境界設定部４４は、図９に示すように、音素区間Ｓ2内の遷移区間ＥAのうち限界設定部４２が設定した限界時点ＴAから状態境界ＧBまでの区間（以下「変動範囲」という）ＥC内に境界時点ＴBが位置するように境界変数γを算定する。
【００４６】
図１０は、境界変数γの説明図である。図１０の部分(A)には、明瞭度変数αに対して非線形に変化する第１実施形態の境界変数βで遷移区間ＥA内に指定される境界時点ＴBが図示されている。他方、図１０の部分(B)には、第３実施形態の限界時点ＴAで画定される変動区間ＥCが図示されている。遷移区間ＥAの全体の時間長を１と仮定すると、図１０の部分(B)に示すように、遷移区間ＥAは、限界時点ＴAの前方の時間（１−Ｒ）にわたる区間と、限界時点ＴAの後方の時間Ｒにわたる変動区間ＥCとに区分される。
【００４７】
限界時点ＴAから時間ｔxだけ後方の時点を、第３実施形態の境界変数γが示す境界時点ＴBとする。いま、遷移区間ＥAの全体に対して境界変数βが示す境界時点ＴBの位置（部分(A)）と、遷移区間ＥAのうちの変動区間ＥCに対して境界変数γが示す境界時点ＴBの位置（部分(B)）とが同等である（１：β＝Ｒ：ｔx）と仮定すると、時間ｔxは、境界変数βと割合Ｒとの乗算値（βＲ）として表現される。また、遷移区間ＥAのうち限界時点ＴAの前方の区間が前述のように時間（１−Ｒ）であることを考慮すると、遷移区間ＥAの始点ＧAを最小値０として境界時点ＴBを指定する境界変数γは、以下の数式(1)で表現される。
γ＝（１−Ｒ）＋βＲ
＝１−（１−β）Ｒ ……(1)
【００４８】
第３実施形態の境界設定部４４は、第１実施形態と同様の方法で明瞭度変数αに応じた境界変数βを算定し（β＝α2）、境界変数βと限界情報ＱCが示す割合Ｒとについて数式(1)の演算を実行することで境界変数γを算定する。したがって、境界変数γは、第１実施形態の境界変数βと同様に明瞭度変数αに対して非線形に変化する。また、境界変数βは０以上かつ１以下の数値であるから、境界変数γは（１−Ｒ）以上かつ１以下の範囲内の数値となる。すなわち、境界変数γは、遷移区間ＥAの始点ＧAに対して時間（１−Ｒ）だけ後方の限界時点ＴAから遷移区間ＥAの終点ＧBまでの変動区間ＥC内に、明瞭度変数αに応じて非線形に変化する境界時点ＴBを指定する変数である。
【００４９】
第３実施形態においても第１実施形態と同様の効果が実現される。また、第３実施形態では、境界時点ＴBの位置が、音素境界ＧAの後方に位置する限界時点ＴA以降に制限されるから、音声信号ＶOUTの生成に使用される単位データ群Ｚ2にて反復される単位データＵ（すなわち境界時点ＴBに対応する単位データＵ）では、直前の音素区間Ｓ1の音素の影響は充分に低減される。したがって、聴感的に自然な音声を合成できるという利点がある。
【００５０】
＜第４実施形態＞
音素区間Ｓ2の遷移区間ＥA内で音素区間Ｓ1の音素の影響が充分に低減される最初の単位データＵの位置（音素区間Ｓ2内の複数の単位データＵのうち反復させた場合でも合成音が聴感的に不自然な音声とならない最先の単位データＵの位置）は、直前の音素区間Ｓ1の音素の種別Ｃに応じて相違するという傾向がある。例えば、音素区間Ｓ1の音素が、有声性が高い半母音等の音素の種別Ｃ1に属する場合、音素区間Ｓ2のうち音素境界ＧAの近傍の単位データＵを反復させたとしても合成音はそれほど不自然な音声にはならない。他方、音素区間Ｓ1の音素が、非調和成分（雑音成分）が豊富で振幅が小さい破裂音等の音素の種別Ｃ2に属する場合、音素区間Ｓ2のうち音素境界ＧAの近傍の単位データＵを反復させると、音素区間Ｓ1の音素に由来する合成音の不自然さが顕著に知覚される。以上の傾向を考慮して、第４実施形態では、音素区間Ｓ2内の遷移区間ＥAに対する限界時点ＴAの位置を直前の音素区間Ｓ1の音素の種別Ｃに応じて変化させる。なお、第４実施形態の構成は第３実施形態と同様である。
【００５１】
第４実施形態の記憶装置１４には、限界時点ＴAの位置を規定する限界情報ＱCが記憶される。限界情報ＱCは、遷移区間ＥAに対する変動区間ＥCの割合Ｒ（Ｒ1〜Ｒ3）を音素の種別Ｃ（Ｃ1〜Ｃ3）毎に指定する。限界設定部４２は、素片選択部３４が選択した音声素片Ｖのうち音素区間Ｓ1の音素の種別Ｃについて限界情報ＱCが示す割合Ｒに応じてその音声素片Ｖの遷移区間ＥA内に限界時点ＴAを設定する。なお、記憶装置１４内の各素片データＤは第２実施形態と同様に分類情報ＤAを含んで構成され、音素区間Ｓ1の種別Ｃは、素片データＤの分類情報ＤAから特定される。
【００５２】
具体的には、音素区間Ｓ1の音素が種別Ｃ1（有声性が高い子音）に属する場合には、遷移区間ＥAの終点ＧBから割合Ｒ1に応じた時間（Ｒ1×ＥA）だけ前方の時点が限界時点ＴAとして設定される。同様に、音素区間Ｓ1の音素が種別Ｃ2（無声子音または母音）に該当する場合には、遷移区間ＥAの終点ＧBから割合Ｒ2に応じた時間（Ｒ2×ＥA）だけ前方の時点が限界時点ＴAとして設定され、音素区間Ｓ1の音素が種別Ｃ3（無音）に該当する場合には、遷移区間ＥAの終点ＧBから時間（Ｒ3×ＥA）だけ前方の時点が限界時点ＴAとして設定される。遷移区間ＥAのうち限界時点ＴAから終点ＧBまでの変動区間ＥC内に明瞭度変数αに応じた境界時点ＴBが設定される点は第３実施形態と同様である。
【００５３】
音素区間Ｓ2内の複数の単位データＵのうち、その反復により生成された合成音が音素区間Ｓ1の音素に影響された不自然な音声とならない最先の単位データＵの位置を指定するように、音素の種別Ｃ毎の割合Ｒは実験的または統計的に選定される。例えば、音素区間Ｓ1の音素が種別Ｃ1に属する場合には音素区間Ｓ2内の音素境界ＧAの近傍の単位データＵを反復させても合成音はそれほど不自然にならないが、音素区間Ｓ1の音素が種別Ｃ2に属する場合に音素区間Ｓ2の音素境界ＧAの近傍の単位データＵを反復させると音素区間Ｓ1の音素に由来する合成音の不自然さが顕在化するという傾向を考慮すると、割合Ｒ1は割合Ｒ2や割合Ｒ3を上回る数値に設定される。したがって、遷移区間ＥAの時間長が共通すると仮定すると、音素区間Ｓ1の音素が種別Ｃ2や種別Ｃ3に属する場合の限界時点ＴAは、音素区間Ｓ1の音素が種別Ｃ1に属する場合の限界時点ＴAよりも時間的に遅い時点となる。具体的には、割合Ｒ1は０.８（８０％）程度に設定され、割合Ｒ2は０.６１（６１％）程度に設定され、割合Ｒ3は０.５（５０％）程度に設定される。
【００５４】
第４実施形態においても第３実施形態と同様の効果が実現される。なお、音素区間Ｓ1の音素に関わらず共通の割合Ｒに応じて限界時点ＴAが設定される第３実施形態において、音素区間Ｓ1の音素に由来する合成音の不自然さを全部の音素について抑制するためには、限界時点ＴAを遷移区間ＥAの後方側に設定する必要がある。したがって、変動区間ＥCが短い時間に制限され、合成音の明瞭度（口の開き具合）を充分に低下させることができない可能性がある。他方、第３実施形態において合成音の明瞭度を充分に低下させるために、音素境界ＧAの近傍の時点を限界時点ＴAとして選定した場合、音素区間Ｓ1の音素に起因して合成音が不自然な音声となる。第４実施形態では、遷移区間ＥAに対する限界時点ＴAの位置（割合Ｒ）が直前の音素区間Ｓ1の音素の種別Ｃに応じて設定されるから、合成音の明瞭度の変化幅を充分に確保すること（明瞭度を充分に低下させること）と音素区間Ｓ1の音素に起因した合成音の不自然さを低減することとを両立できるという利点がある。
【００５５】
なお、第４実施形態では、遷移区間ＥAに対する変動区間ＥCの割合Ｒを種別Ｃ毎に個別に設定したが、限界時点ＴAを音素区間Ｓ1の音素の種別Ｃ毎に相違させる方法は適宜に変更される。例えば、記憶装置１４に記憶された限界情報ＱCが、遷移区間ＥAの始点ＧAから限界時点ＴAまでの期間または限界時点ＴAから終点ＧBまでの期間の時間長（フレーム数）を音素の種別Ｃ毎に指定する構成も採用され得る。
【００５６】
＜第５実施形態＞
第３実施形態および第４実施形態では、記憶装置１４に事前に記憶された限界情報ＱCを利用して限界設定部４２が遷移区間ＥA内に限界時点ＴAを設定した。第５実施形態では、音声素片Ｖを解析した結果を利用して限界設定部４２が限界時点ＴAを設定する。
【００５７】
図１１は、第５実施形態における音声合成部３６のブロック図である。図１１に示すように、第５実施形態の音声合成部３６は、第３実施形態の音声合成部３６（図８）に指標算定部４８を追加した構成である。指標算定部４８は、素片選択部３４が選択した音声素片Ｖの音素区間Ｓ2のうち遷移区間ＥA内の複数のフレームの各々について、そのフレームの１個の単位データＵを反復することで生成される合成音の聴感的な自然性の尺度となる指標値Ｋを算定する。
【００５８】
１個の単位データＵを反復した場合に合成音が聴感的に不自然な音声となる典型的なフレームは、有声音と比較して音量が小さいフレームや、調和成分（基音成分および各倍音成分）に対する非調和成分の強度が高いフレームである。具体的には、破裂音や破擦音等の音素の音素区間Ｓ1の直後に位置する遷移区間ＥA内の前方のフレームの単位データＵを反復した場合に合成音は聴感的に不自然な音声となる。以上の傾向を考慮して、指標算定部４８は、各フレームの音量に関する指標値Ｋ1と、各フレームの非調和成分の強度に関する指標値Ｋ2とを、素片選択部３４が選択した音声素片Ｖの遷移区間ＥA内のフレーム毎に指標値Ｋとして算定する。
【００５９】
各フレームの指標値Ｋ1は、例えば、所定の音量Ａ0に対するそのフレームの音量Ａの比（Ｋ1＝Ａ／Ａ0）として算定される。所定の音量Ａ0は、例えば遷移区間ＥA内の最後のフレームの音量（遷移区間ＥA内の最大値である可能性が高い）である。したがって、遷移区間ＥA内で音量Ａが大きいフレーム（すなわち、単位データＵを反復した合成音が聴感的に自然な音声となる可能性が高いフレーム）ほど、指標値Ｋ1は大きい数値となる。
【００６０】
各フレームの指標値Ｋ2は、そのフレームの音声成分から非調和成分を低減または除去した場合の平均パワーＰSに対するそのフレームの平均パワーＰの比（Ｋ2＝Ｐ／ＰS）として算定される。図１２には、遷移区間ＥA内の１個のフレームの単位データＵで指定された周波数スペクトルＳP1が図示されている。周波数スペクトルＳP1は、各調波周波数Ｆn（基本周波数および各倍音周波数）にて強度がピークとなる調和成分に加えて各調波周波数の間に存在する非調和成分を含んで構成される。
【００６１】
図１２には、周波数スペクトルＳP1から非調和成分を除去した周波数スペクトルＳP2（斜線部）が併記されている。周波数スペクトルＳP2は、周波数スペクトルＳP1の各調波周波数Ｆnに所定の調波成分Ｈを配置し、各調波成分Ｈの強度を周波数スペクトルＳP1の包絡線ＥNVに合致するように調整したスペクトルである。指標算定部４８は、周波数スペクトルＳP2の平均パワーＰSに対する周波数スペクトルＳP1の平均パワーＰの比を指標値Ｋ2としてフレーム毎に算定する。したがって、調和成分に対する非調和成分の強度が低いフレーム（すなわち、単位データＵを反復した合成音が聴感的に自然な音声となる可能性が高いフレーム）ほど、指標値Ｋ2は小さい数値となる。
【００６２】
第５実施形態の限界設定部４２は、遷移区間ＥA内の各フレームの指標値Ｋ（Ｋ1，Ｋ2）に応じて限界時点ＴAを設定する。すなわち、限界設定部４２は、遷移区間ＥA内の複数のフレームのうち指標値Ｋが示す合成音の自然性が目標値を上回る最先のフレームの時点を限界時点ＴAとして設定する。
【００６３】
具体的には、指標算定部４８は、遷移区間ＥAの先頭から順次にフレームを選択してそのフレームの指標値Ｋ1と指標値Ｋ2とを算定し、限界設定部４２は、指標値Ｋ1が所定の閾値Ｋth1を上回るか否か（すなわち音量が目標値を上回るか否か）および指標値Ｋ2が所定の閾値Ｋth2を下回るか否か（すなわち調和成分に対する非調和成分の強度が目標値を下回るか否か）を判定する。限界設定部４２は、指標値Ｋ1の判定と指標値Ｋ2の判定との双方の結果が肯定となる最先のフレームの時点を限界時点ＴAとして設定する。すなわち、調和成分に対する非調和成分の強度が充分に低くて音量が大きい時点（単位データＵの反復で生成される合成音が聴感的に自然な音声となる時点）が限界時点ＴAとして設定される。したがって、第５実施形態においても結果的には、第４実施形態と同様に、音素区間Ｓ1の音素の種別Ｃに応じた時点が限界時点ＴAとして設定される。例えば、音素区間Ｓ1の音素が種別Ｃ2に属する場合の限界時点ＴAは、音素区間Ｓ1の音素が種別Ｃ1に属する場合の限界時点ＴAよりも時間的に遅い時点となる。境界設定部４４や合成処理部４６の動作は第３実施形態や４実施形態と同様である。
【００６４】
第５実施形態においても第３実施形態と同様の効果が実現される。また、第５実施形態では、遷移区間ＥA内のフレーム毎に算定された指標値Ｋ（Ｋ1，Ｋ2）に応じて限界時点ＴAが設定されるから、限界時点ＴAを規定する限界情報ＱCが事前に用意された第１実施形態や第２実施形態と比較して、各音声素片Ｖの特性に応じた適切な限界時点ＴAを設定できるという利点がある。
【００６５】
＜第６実施形態＞
図１３は、第６実施形態における音声合成部３６のブロック図である。図１３に示すように、第６実施形態の音声合成部３６は、第１実施形態の音声合成部３６に指標算定部６０を追加した構成である。指標算定部６０は、図１４に示すように、素片選択部３４が選択した音声素片Ｖの遷移区間ＥA内の複数（Ｍ個）のフレームの各々について音色指標値Ｙ[m]（ｍ＝１〜Ｍ）を算定する。音色指標値Ｙ[m]は、遷移区間ＥA内の第ｍ番目のフレームと遷移区間ＥA内の特定のフレーム（以下「基準フレーム」という）との音色の相違を示す尺度である。以下の説明では、遷移区間ＥA内の最後（第Ｍ番目）に位置する１個のフレームを基準フレームとして選定した場合を例示する。
【００６６】
第６実施形態において有声音の音素に対応する１個の単位データＵは、図１４に示すように、各フレームの周波数スペクトルを示すデータに加えて包絡形状データＥを含んで構成される。包絡形状データＥは、音声の周波数スペクトルの包絡線の形状的な特徴を示す複数の変数で構成される。第１実施形態の包絡形状データＥは、例えば励起波形エンベロープｅ1と胸部レゾナンスｅ2と声道レゾナンスｅ3と差分スペクトルｅ4とを含むＥｐＲ（Excitation plus Resonance）パラメータを要素とするベクトルであり、公知のＳＭＳ（Spectral Modeling Synthesis）分析で生成される。なお、ＥｐＲパラメータやＳＭＳ分析については、例えば特許第３７１１８８０号公報や特開２００７−２２６１７４号公報にも開示されている。
【００６７】
励起波形エンベロープ（Excitation Curve）ｅ1は、声帯振動のスペクトルの包絡線を近似する変数である。胸部レゾナンス（Chest Resonance）ｅ2は、胸部共鳴特性を近似する所定個のレゾナンス（帯域通過フィルタ）の帯域幅と中心周波数と振幅値とを指定する。声道レゾナンス（Vocal Tract Resonance）ｅ3は、声道共鳴特性を近似する複数のレゾナンスの各々について帯域幅と中心周波数と振幅値とを指定する。差分スペクトルｅ4は、励起波形エンベロープｅ1と胸部レゾナンスｅ2と声道レゾナンスｅ3とで近似されるスペクトルと音声のスペクトルとの差分（誤差）を意味する。
【００６８】
包絡形状データＥは、各フレームの音色を示す変数として利用可能である。そこで、指標算定部６０は、各フレームの包絡形状データＥと基準フレームの包絡形状データＥとに応じて両者間の相違を示す音色指標値Ｙ[m]を算定する。具体的には、指標算定部６０は、以下の数式(2)の演算で音色指標値Ｙ[m]を算定する。
Ｙ[m]＝Ｄ{Ｅ(M)，Ｅ(m)}／Ｄ{Ｅ(M)，Ｅ(1)} ……(2)
数式(2)の演算子Ｄ{Ｅ(m1)，Ｅ(m2)}は、遷移区間ＥA内の第ｍ1番目のフレームの包絡形状データＥ(m1)と第ｍ2番目のフレームの包絡形状データＥ(m2)との距離（例えば各包絡形状データＥが示すベクトル間のユークリッド距離）を意味する。すなわち、数式(2)の分子の距離Ｄ{Ｅ(M)，Ｅ(m)}は、基準フレームの包絡形状データＥ(M)と遷移区間ＥAの第ｍ番目のフレームの包絡形状データＥ(m)との距離であり、数式(2)の分母の距離Ｄ{Ｅ(M)，Ｅ(1)}は、基準フレームの包絡形状データＥ(M)と遷移区間ＥAの最初のフレームの包絡形状データＥ(1)との距離である。
【００６９】
音声素片Ｖの音色は、遷移区間ＥAの始点ＧAから終点ＧBにかけて音素区間Ｓ1の音素の音色から音素区間Ｓ2の音素の音色に経時的に変化するから、距離Ｄ{Ｅ(M)，Ｅ(m)}は、遷移区間ＥAの最初のフレームで最大値Ｄ{Ｅ(M)，Ｅ(1)}となり、概略的には時間の経過とともに減少して最後のフレーム（基準フレーム）で最小値０となる。数式(2)の距離Ｄ{Ｅ(M)，Ｅ(1)}による除算は、音色指標値Ｙ[m]を０以上かつ１以下の範囲内の数値に正規化する演算を意味する。すなわち、音色指標値Ｙ[1]〜Ｙ[M]は、図１４に示すように、遷移区間ＥAの最初のフレームにて最大値１となり、概略的な傾向として時間の経過とともに減少して最後のフレーム（基準フレーム）にて最小値０となる。
【００７０】
以上の説明から理解されるように、音色指標値Ｙ[m]は、受聴者が知覚する音色の変化（発声者の口の開き具合の変化）に対して線形に変化する変数として機能する。例えば、遷移区間ＥAのうち直前の音素区間Ｓ1の音素と音素区間Ｓ2の音素との中間の音色となるフレーム（例えば発声者が口を半分だけ開いた状態のフレーム）では音色指標値Ｙ[m]は０.５となり、直前の音素区間Ｓ1の音素の音色と音素区間Ｓ2の音素の音色とを２：８の割合で混合した音色のフレーム（例えば発声者が口を２割だけ開いた状態のフレーム）では音色指標値Ｙ[m]は０.２となる。
【００７１】
第６実施形態の境界設定部４４は、遷移区間ＥA内の音色指標値Ｙ[m]の時間的な遷移において、音色指標値Ｙ[m]が、明瞭度変数αに線形に対応した数値となる時点を、境界時点ＴBとして選定する。具体的には、境界設定部４４は、明瞭度変数αに応じて０から１までの範囲内で線形に変化する数値（１−α）を算定し、図１４に示すように、遷移区間ＥA内で音色指標値Ｙ[m]が数値（１−α）に合致する時点ｔyを境界時点ＴBとして設定する。例えば明瞭度変数αが０.５である場合には、遷移区間ＥAのうち音色指標値Ｙ[m]が０.５となる時点（フレーム）が境界時点ＴBとして設定され、明瞭度変数αが０.２である場合には、遷移区間ＥAのうち音色指標値Ｙ[m]が０.８となる時点が境界時点ＴBとして設定される。
【００７２】
ところで、図１４では音色指標値Ｙ[m]が時間経過とともに単調減少する場合を例示したが、図１５に示すように、音声素片Ｖによっては音色指標値Ｙ[m]が単調減少しない可能性がある。音声素片Ｖが遷移区間ＥA内で増加および減少する場合、遷移区間ＥA内の複数の時点（フレーム）ｔyにて音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）に合致し得る。以上のように音色指標値Ｙ[m]が複数の時点ｔyにて明瞭度変数αに応じた数値（１−α）となる場合、境界設定部４４は、複数の時点ｔyのうち最も後方の時点を境界時点ＴBとして選択する。
【００７３】
第６実施形態においても、音声素片Ｖのうち境界時点ＴBの前方の適用区間Ｗが音声信号ＶOUTの生成に利用されるから、第１実施形態と同様に、発声者が口を充分に開かずに発声したような合成音を生成することが可能である。また、第６実施形態では、遷移区間ＥA内の音色の変化（発声者の口の開き具合の変化）に対して線形に変化する音色指標値Ｙ[m]が算定され、利用者から指示された明瞭度変数αに応じた数値（１−α）に音色指標値Ｙ[m]が合致する時点が境界時点ＴBとして設定される。したがって、第１実施形態と同様に、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を低減することが可能である。具体的には、利用者が明瞭度変数αを最大値１から半分に変化させた場合には、口の開き具合を半分に変化させたように合成音の音色が変化する。
【００７４】
しかも、第６実施形態では、音声素片Ｖ毎に算定された音色指標値Ｙ[m]の時間遷移に応じて境界時点ＴBが設定されるから、明瞭度変数αと境界時点ＴBの位置との関係が事前に確定された第１実施形態から第５実施形態と比較して、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感が低減されるように各音声素片Ｖの特性に応じた適切な境界時点ＴBを設定できるという利点がある。また、第６実施形態では、時間軸上の複数の時点ｔyにて音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）となる場合に、複数の時点ｔyのうち最も後方の時点が境界時点ＴBとして選択される。以上の構成では、例えば複数の時点ｔyのうち最も前方の時点を境界時点ＴBとして選択する構成と比較して、音声素片Ｖ内の多くの単位データＵが単位データ群Ｚ1として音声信号ＶOUTの合成に使用され、１個の単位データＵを反復する単位データ群Ｚ2の時間長は相対的に短縮される。したがって、聴感的に自然な合成音を生成できるという利点がある。
【００７５】
なお、第３実施形態から第５実施形態の限界設定部４２を第６実施形態に追加することも可能である。すなわち、限界設定部４２が設定した限界時点ＴAから遷移区間ＥAの終点ＧBまでの変動区間ＥC内の各フレームについて音色指標値Ｙ[m]が算定され、音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）となる変動区間ＥC内の時点ｔyが境界時点ＴBとして選定される。
【００７６】
＜変形例＞
以上の各形態は多様に変形され得る。具体的な変形の態様を以下に例示する。以下の例示から任意に選択された２以上の態様を適宜に併合することも可能である。
【００７７】
（１）明瞭度変数αと境界時点ＴB（境界変数β，γ）との関係を各素片データＤにて指定することで音声素片Ｖ毎に個別に設定することも可能である。また、限界時点ＴAを指定する限界情報ＱCを各素片データＤに含ませることで限界時点ＴAを音声素片Ｖ毎に個別に指定することも可能である。
【００７８】
（２）第３実施形態および第４実施形態では、遷移区間ＥAのうち限界時点ＴAから状態境界ＧBまでの時間の割合Ｒを指定したが、遷移区間ＥAのうち音素境界ＧAから限界時点ＴAまでの時間の割合Ｒを指定することも可能である。
【００７９】
（３）前述の各形態では単位データＵの反復で伸長音（母音の定常的な伸ばし音）が生成されるから、各音声素片Ｖの音素区間Ｓ2のうち定常区間ＥBを省略することも可能である。
定常区間ＥBを省略した構成によれば、素片群ＱAのデータ量を削減できるという利点がある。ただし、単位データＵの反復で生成される伸長音は実際に収録された伸長音と比較して不自然な音声となる場合があるから、定常区間ＥBを含むように音声素片Ｖの素片データＤを生成し、発音期間Ｘ2が短い場合には定常区間ＥBを含む音声素片Ｖをそのまま合成音の生成に使用する前述の各形態の構成が好適である。以上の例示から理解されるように、遷移区間ＥAは、音声素片Ｖのうち音素区間Ｓ2の一部（定常区間ＥB以外）または全部の区間を意味する。
【００８０】
（４）各音素の種別Ｃは適宜に変更される。例えば、相前後する母音の音素の間に無音区間が介在するように音声素片Ｖが生成（収録）された場合に母音を種別Ｃ1に分類すると、第４実施形態では、無音区間が過度に伸長されて不自然な合成音となり得るため、前述の例示のように母音を種別Ｃ2に分類した構成が好適である。しかし、無音区間の伸長が発生しない場合（例えば相前後する母音の音素の間に無音区間が存在しない場合）や特段の問題とならない場合には、母音の音素を種別Ｃ1に分類することも可能である。
【００８１】
（５）前述の各形態では、利用者からの指示に応じて明瞭度変数αを制御したが、明瞭度変数αの設定の方法は任意である。例えば、合成音に指定されたテンポに応じて明瞭度変数αを制御することも可能である。例えば、合成音に指定されたテンポが所定の基準値（例えば１２０ＢＰＭ（Beat Per Minute）等の一般的な数値）に設定された場合に明瞭度変数αを最大値１２７に設定し、基準値からテンポが離れる（例えば基準値を超えて上昇する）ほど明瞭度変数αを低下させる構成が好適である。また、例えばテンポと発音期間Ｘ2とに応じて各合成音の実際の継続長を算定し、継続長が所定の閾値（例えば音声素片Ｖで収録された音素の継続長の所定倍の時間）を下回る場合に明瞭度変数αを低下させることも可能である。以上のようにテンポや継続長に応じて明瞭度変数αを制御する構成によれば、早口で発音するほど明瞭度が低下するという実際の発音の傾向を合成音にて再現することが可能である。
【００８２】
（６）前述の各形態のように単位データＵの反復のみで生成された合成音は人工的で不自然な音声と知覚される可能性がある。そこで、実際の発声音から抽出された変動成分（伸長音のうち時間的に微細に変動する揺れ成分）を、単位データＵの時系列から生成された音声に付加する構成も好適である。
【００８３】
（７）第５実施形態における指標値Ｋは適宜に変更される。例えば、音量の指標値Ｋ1および非調和成分の指標値Ｋ2の一方のみを利用して限界時点ＴAを設定する構成や、指標値Ｋ1および指標値Ｋ2以外の指標値Ｋを利用して限界時点ＴAを設定する構成も採用され得る。また、指標値Ｋ1や指標値Ｋ2の算定方法も適宜に変更される。例えば、前述の例示では、音量が大きいほど指標値Ｋ1が大きい数値となり、非調和成分の強度が低いほど指標値Ｋ2が小さい数値となる場合を例示したが、音量が大きいほど指標値Ｋ1が小さい数値となり、非調和成分の強度が低いほど指標値Ｋ2が大きい数値となるように指標値Ｋ1および指標値Ｋ2を算定することも可能である。
【００８４】
（８）第６実施形態では、単位データＵが指定するＥｐＲパラメータを音色の情報として利用して音色指標値Ｙ[m]を算定したが、音声素片Ｖの音色を示す情報はＥｐＲパラメータに限定されない。例えば、単位データＵが示す周波数スペクトルから算定されるケプストラムをＥｐＲの代わりに音色の情報として利用して音色指標値Ｙ[m]を算定することも可能である。
【００８５】
（９）前述の各形態では、素片群ＱAを記憶する記憶装置１４が音声合成装置１００に搭載された構成を例示したが、音声合成装置１００とは独立した外部装置（例えばサーバ装置）が素片群ＱAを保持する構成も採用される。音声合成装置１００（素片選択部３４）は、例えば通信網を介して外部装置から音声素片Ｖ（素片データＤ）を取得して音声信号ＶOUTを生成する。同様に、音声合成装置１００から独立した外部装置に合成情報ＱBを保持することも可能である。以上の説明から理解されるように、素片データＤや合成情報ＱBを記憶する要素（前述の各形態における記憶装置１４）は音声合成装置１００の必須の要素ではない。
【符号の説明】
【００８６】
１００……音声合成装置、１２……演算処理装置、１４……記憶装置、２２……表示装置、２４……入力装置、２６……放音装置、３２……表示制御部、３３……変数設定部、３４……素片選択部、３６……音声合成部、４２……限界設定部、４４……境界設定部、４６……合成処理部、４８，６０……指標算定部。
【技術分野】
【０００１】
本発明は、音声素片を利用して発話音や歌唱音等の音声を合成する技術に関する。
【背景技術】
【０００２】
複数の音声素片を相互に連結することで所望の音声を合成する素片接続型の音声合成装置が従来から提案されている。特許文献１には、音声素片を部分的に利用することで合成音の明瞭度（仮想的な発声者の口の開き具合）を制御する技術が開示されている。
【０００３】
例えば図１６に示すように、子音（半母音）の音素/ｗ/の音素区間Ｓ1と母音の音素/ａ/の音素区間Ｓ2とを含む音声素片Ｖ［ｗ-ａ］を想定する。音素区間Ｓ2は、音素/ａ/の波形が定常に維持される定常区間ＥBと、直前の音素区間Ｓ1の音素/ｗ/が音素/ａ/の波形に遷移する遷移区間ＥAとに区分される。特許文献１の技術では、遷移区間ＥA内に境界時点（音素セグメンテーション境界）ＴBが可変に設定され、音声素片Ｖのうち境界時点ＴB以前の区間にその区間の最後のフレームを反復的に連結することで所望の時間長の音声信号が生成される。境界時点ＴBの位置は、利用者から指示された変数（以下「明瞭度変数」という）に応じて可変に設定される。以上の構成によれば、遷移区間ＥAの全部を適用した場合と比較して明瞭度が低い音声（すなわち発声者が口を充分に開かずに発声した音声）を合成することが可能である。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特許第４２６５５０１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
特許文献１の技術では、遷移区間ＥA内の境界時点ＴBを、利用者が指定する明瞭度変数に応じて時間軸上で線形に移動させる構成が想定される。すなわち、遷移区間ＥAの始点から境界時点ＴBまでの時間長は、利用者が指定した明瞭度変数に比例する。
【０００６】
他方、図１６のグラフｇは、合成音の受聴者に知覚される音色（発声者の口の開き具合）の時間的な遷移を模式的に図示したグラフである。図１６に示すように、音声素片Ｖの音色は、遷移区間ＥAの始点から終点にかけて、音素区間Ｓ1の音素/ｗ/の音色から音素区間Ｓ2の音素/ａ/の音色に遷移する。グラフｇから理解される通り、受聴者が知覚する音色は、経過時間に対して非線形に変化する。すなわち、遷移区間ＥAの始点の近傍では時間が少し経過しただけで音色が顕著に変化するが、遷移区間ＥAの終点の近傍では時間が経過しても音色は殆ど変化しない。
【０００７】
したがって、前述のように利用者が指定する明瞭度変数に応じて境界時点ＴBを線形に移動させる場合、境界時点ＴBが遷移区間ＥAの始点の近傍に位置する状態では明瞭度変数を少し変化させただけで合成音の音色が顕著に変化するが、境界時点ＴBが遷移区間ＥAの終点の近傍に位置する状態では明瞭度変数を同様に変化させても合成音の音色は殆ど変化しない。以上のように明瞭度変数の変化と合成音の音色変化とが感覚的に整合しないから、合成音が所望の音色となるように利用者が明瞭度変数を設定することが困難であるという問題がある。以上の事情を考慮して、本発明は、利用者からの指示に応じた明瞭度変数の変化と合成音の音色変化とを整合させることを目的とする。
【課題を解決するための手段】
【０００８】
以上の課題を解決するために本発明が採用する手段を説明する。なお、本発明の理解を容易にするために、以下の説明では、本発明の要素と後述の実施形態の要素との対応を括弧書で付記するが、本発明の範囲を実施形態の例示に限定する趣旨ではない。
【０００９】
本発明の音声合成装置は、音声波形が経時的に変化する遷移区間（例えば遷移区間ＥA）を含む音声素片（例えば音声素片Ｖ）を順次に選択する素片選択手段（例えば素片選択部３４）と、利用者からの指示に応じて明瞭度変数（例えば明瞭度変数α）を可変に設定する変数設定手段（例えば変数設定部３３）と、遷移区間内に境界時点（例えば境界時点ＴB）を設定する手段であって、明瞭度変数が第１値（例えば数値α1）から所定量だけ変化した場合の境界時点の移動量（例えば変化量Δβ1）と、明瞭度変数が第１値とは相違する第２値（例えば数値α2）から所定量だけ変化した場合の境界時点の移動量（例えば変化量Δβ2）とが相違するように、変数設定手段が設定した明瞭度変数に応じて境界時点の位置を可変に設定する境界設定手段と、素片選択手段が選択した音声素片のうち境界時点の前方の区間（例えば適用区間Ｗ）を利用して音声信号を生成する合成処理手段（例えば合成処理部４６）とを具備する。以上の構成では、利用者からの指示に応じた明瞭度変数に対して境界時点の位置が非線形に変化する。したがって、受聴者が音声素片から知覚する音色が経過時間に対して非線形に変化する場合でも、利用者からの指示に応じた明瞭度変数の変化と合成音の音色変化とを整合させることが可能である。
【００１０】
本発明の好適な態様において、境界設定手段は、明瞭度変数と境界時点の位置との関係が複数の音声素片について共通するように明瞭度変数に応じて境界時点の位置を設定する。以上の態様では、明瞭度変数と境界時点の位置との関係が複数の音声素片について共通するから、境界設定手段による境界時点の設定が簡素化されるという利点がある。なお、以上の態様の具体例は、例えば第１実施形態として後述される。
【００１１】
本発明の好適な態様において、複数の音声素片の各々は、相異なる音素に対応する第１音素区間（例えば音素区間Ｓ1）と第２音素区間（例えば音素区間Ｓ2）とを含み、第２音素区間は遷移区間を含み、境界設定手段は、明瞭度変数と境界時点の位置との関係が、音声素片のうち第１音素区間の音素の種別（例えば種別Ｃ）に応じて相違するように、明瞭度変数に応じて境界時点の位置を設定する。以上の態様では、第１音素区間の音素の種別に応じて明瞭度変数と境界時点の位置との関係が個別に設定されるから、音声素片の音色の時間的な遷移が第１音素区間の音素の種別に応じて相違する場合でも、明瞭度変数の変化と合成音の音色変化とを整合させ得るという効果が実現される。なお、以上の態様の具体例は例えば第２実施形態として後述される。
【００１２】
本発明の好適な態様の音声合成装置は、基準フレームに対する各フレームの音色の相違を示す音色指標値（例えば音色指標値Ｙ[m]）を遷移区間内の複数のフレームの各々について算定する指標算定手段（例えば指標算定部６０）を具備し、境界設定手段は、音色指標値の時間的な遷移において音色指標値が明瞭度変数に応じた数値となる時点を境界時点に設定する。以上の態様では、音色指標値が明瞭度変数に応じた数値となる時点が境界時点に設定されるから、各音声素片の特性に関わらず、明瞭度変数の変化と合成音の音色変化とを整合させることが可能である。以上の態様において、音色指標値の時間的な遷移において音色指標値が複数の時点にて明瞭度変数に応じた数値となる場合に、複数の時点のうち最も後方の時点を境界設定手段が境界時点に設定すれば、音声素片の長い区間が音声信号の合成に利用されるから、聴感的に自然な合成音を生成できるという利点がある。なお、以上の態様の具体例は、例えば第６実施形態として後述される。
【００１３】
本発明の好適な態様の音声合成装置は、素片選択手段が選択した音声素片の遷移区間内に限界時点を設定する限界設定手段（例えば限界設定部４２）を具備し、境界設定手段は、限界設定手段が設定した限界時点から遷移区間の終点までの変動区間（例えば変動区間ＥC）内に境界時点を設定する。以上の態様では、遷移区間内に設定された限界時点の後方に境界時点が設定される。すなわち、遷移区間のうち第１音素区間の音素の影響が過度に残存する時点は境界時点として設定されない。したがって、境界時点に対応するフレームを反復して音声信号を生成する構成にも関わらず、聴感的に自然な印象の合成音を生成できるという利点がある。
【００１４】
限界設定手段を具備する構成の好適例において、複数の音声素片の各々は、相異なる音素に対応する第１音素区間と第２音素区間とを含み、第２音素区間は遷移区間を含み、限界設定手段は、第２音素区間の遷移区間のうち第１音素区間の音素の種別に応じた時点を限界時点として設定する。遷移区間のうち第１音素区間の音素の影響が過度に残存する区間は第１音素区間の音素の種別に応じて相違するという傾向がある。以上の態様では、遷移区間内の限界時点の位置が第１音素区間の音素の種別に応じて可変に設定されるから、第１音素区間の音素の種別に応じた適切な位置を限界時点として設定できるという利点がある。
【００１５】
限界設定手段を具備する構成の好適例に係る音声合成装置は、遷移区間内の複数のフレームの各々について当該フレームを反復した場合の音声の自然性の指標値を算定する第２指標算定手段（例えば指標算定部４８）を具備し、限界設定手段は、各フレームの指標値に応じて限界時点を設定する。以上の態様では、遷移区間内の各フレームの指標値に応じて限界時点が設定されるから、音声素片の特性に応じた適切な限界時点を設定できるという利点がある。また、遷移区間内の各フレームの音量に応じた第１指標値と、遷移区間内の各フレームの非調和成分の強度に応じた第２指標値とを第２指標算定手段（例えば指標算定部４８）が指標値として算定し、遷移区間のうち、第１指標値が示す音量が所定値を上回り、かつ、第２指標値が示す非調和成分の強度が所定値を下回る時点を限界設定手段が限界時点として設定する構成によれば、例えば第１音素区間の音素が無声子音（例えば破裂音や破擦音や摩擦音）である場合に、遷移区間内の適切な位置に限界時点を設定できるという利点がある。
【００１６】
以上の各態様に係る音声合成装置は、音声合成に専用されるＤＳＰ（Digital Signal Processor）などのハードウェア（電子回路）で実現されるほか、ＣＰＵ（Central Processing Unit）などの汎用の演算処理装置とプログラムとの協働でも実現される。本発明のプログラム（例えばプログラムＰGM）は、音声波形が経時的に変化する遷移区間を含む音声素片を順次に選択する素片選択処理と、利用者からの指示に応じて明瞭度変数を可変に設定する変数設定処理と、遷移区間内に境界時点を設定する処理であって、明瞭度変数が第１値から所定量だけ変化した場合の境界時点の移動量と、明瞭度変数が第１値とは相違する第２値から所定量だけ変化した場合の境界時点の移動量とが相違するように、変数設定処理で設定した明瞭度変数に応じて境界時点の位置を可変に設定する境界設定処理と、素片選択処理で選択した音声素片のうち境界時点の前方の区間を利用して音声信号を生成する合成処理とをコンピュータに実行させる。以上のプログラムによれば、本発明の音声合成装置と同様の作用および効果が実現される。本発明のプログラムは、コンピュータが読取可能な記録媒体に格納された形態で利用者に提供されてコンピュータにインストールされるほか、通信網を介した配信の形態でサーバ装置から提供されてコンピュータにインストールされる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１実施形態に係る音声合成装置のブロック図である。
【図２】記憶装置に格納された素片群の模式図である。
【図３】音声素片の波形と単位データとの関係の説明図である。
【図４】編集画面の模式図である。
【図５】音声合成部のブロック図である。
【図６】明瞭度変数と境界変数との関係を示すグラフである。
【図７】第２実施形態における素片データの模式図である。
【図８】第３実施形態における音声合成部のブロック図である。
【図９】第３実施形態における音声素片の波形と単位データとの関係の説明図である。
【図１０】第３実施形態における境界変数の算定方法の説明図である。
【図１１】第５実施形態における音声合成部のブロック図である。
【図１２】指標値の説明図である。
【図１３】第６実施形態における音声合成部のブロック図である。
【図１４】第６実施形態の動作の説明図である。
【図１５】第６実施形態の他の動作の説明図である。
【図１６】背景技術の説明図である。
【発明を実施するための形態】
【００１８】
＜第１実施形態＞
図１は、本発明の第１実施形態に係る音声合成装置１００のブロック図である。音声合成装置１００は、発話音や歌唱音等の音声を素片接続型の音声合成処理で生成する信号処理装置であり、図１に示すように、演算処理装置１２と記憶装置１４と表示装置２２と入力装置２４と放音装置２６とを具備するコンピュータシステムで実現される。
【００１９】
演算処理装置１２（ＣＰＵ）は、記憶装置１４に格納されたプログラムＰGMを実行することで、合成音の波形を表す音声信号ＶOUTを生成するための複数の機能（表示制御部３２，変数設定部３３，素片選択部３４，音声合成部３６）を実現する。なお、演算処理装置１２の各機能を複数の集積回路に分散した構成や、専用の電子回路（ＤＳＰ）が一部の機能を実現する構成も採用され得る。
【００２０】
表示装置２２（例えば液晶表示装置）は、演算処理装置１２から指示された画像を表示する。入力装置２４は、利用者からの指示を受付ける機器（例えばマウスやキーボード）である。放音装置２６（例えばヘッドホンやスピーカ）は、演算処理装置１２が生成した音声信号ＶOUTに応じた音波を放射する。
【００２１】
記憶装置１４は、演算処理装置１２が実行するプログラムＰGMや演算処理装置１２が使用する各種のデータ（素片群ＱA，合成情報ＱB）を記憶する。半導体記録媒体や磁気記録媒体等の公知の記録媒体または複数種の記録媒体の組合せが記憶装置１４として採用される。
【００２２】
記憶装置１４に格納される素片群ＱAは、図２に示すように、相異なる音声素片Ｖに対応する複数の素片データＤの集合（音声合成ライブラリ）である。第１実施形態では、相異なる音素に対応する２個の音素区間Ｓ（Ｓ1，Ｓ2）を連結したダイフォン（音素連鎖）を音声素片Ｖとして想定する。音素区間Ｓ2は音素区間Ｓ1の後方に位置する。なお、以下では便宜的に無音を子音の音素として説明する。
【００２３】
図３は、１個の音声素片Ｖの波形図である。図３では、子音（半母音）の音素/ｗ/の音素区間Ｓ1に母音の音素/ａ/の音素区間Ｓ2が後続する音声素片Ｖ［ｗ-ａ］の波形が例示されている。図３の音素境界ＧAは、音素区間Ｓ1と音素区間Ｓ2との境界を意味する。母音の音素区間Ｓ2は、状態境界ＧBを挟んで遷移区間ＥAと定常区間ＥBとに区分される。
【００２４】
図３の定常区間ＥBは、音素区間Ｓ2の音素/ａ/の波形が定常に維持される区間である。他方、遷移区間ＥAは、音声素片Ｖの波形（音色）が、直前の音素区間Ｓ1の音素/ｗ/の波形から音素区間Ｓ2の音素/ａ/の波形に遷移する区間である。すなわち、音声素片Ｖの発声者の口の形状は、音素区間Ｓ1の音素/ｗ/に対応する形状から音素境界ＧAにて変化し始め、音素境界ＧAから状態境界ＧBにかけて音素区間Ｓ2の音素/ａ/に対応する形状に経時的に変化し、状態境界ＧBにて音素/ａ/に対応する形状に到達して以後は定常に維持される。
【００２５】
図３のグラフｇは、合成音の受聴者に知覚される音色が遷移区間ＥAの始点（音素境界ＧA）から終点（状態境界ＧB）にかけて音素区間Ｓ1の音素/ｗ/から音素区間Ｓ2の音素/ａ/に時間的に変化する様子を模式的に図示したグラフである。グラフｇから理解されるように、受聴者が知覚する音色（発声者の口の開き具合）は、経過時間に対して非線形に変化する。すなわち、所定の単位時間に対する音色の変化量が遷移区間ＥA内の各時点で相違する。具体的には、遷移区間ＥAの始点（音素境界ＧA）の近傍では時間が少し経過しただけで音色は顕著に変化するが、遷移区間ＥAの終点（状態境界ＧB）の近傍では時間が経過しても音色は殆ど変化しない。
【００２６】
図２に示すように、各音声素片Ｖの素片データＤは、区間情報ＤBと複数の単位データＵとを含んで構成される。区間情報ＤBは、音声素片Ｖ内の音素境界ＧAと状態境界ＧBとを指定する。複数の単位データＵの各々は、音声素片Ｖ（音素区間Ｓ1および音素区間Ｓ2）を時間軸上で区分した各フレームの音声の周波数スペクトルを指定する。
【００２７】
記憶装置１４に記憶される合成情報（スコアデータ）ＱBは、図１に示すように、合成音の発音文字Ｘ1と発音期間Ｘ2と音高（ピッチ）Ｘ3と明瞭度変数αとを合成音の音符毎に時系列に指定する。発音文字Ｘ1は、例えば歌唱音を合成する場合の歌詞の文字列である。明瞭度変数αは、合成音が聴感的に明確と知覚される程度を示す変数である。発声者が発声時に口を大きく開くほど発声音は聴感的に明瞭と知覚される。したがって、明瞭度変数αは、合成音の仮想的な発声者の口の開き具合を示す変数とも表現され得る。
【００２８】
図１の演算処理装置１２の表示制御部３２は、合成情報ＱBの生成および編集のために利用者が視認する図４の編集画面５０を表示装置２２に表示させる。編集画面５０は、第１領域５１と第２領域５２とに区分される。第１領域５１には、時間軸（横軸）と音高軸（縦軸）とが設定され、合成音の各音符を表現する音指示子５４が入力装置２４に対する利用者からの指示に応じて配置される。各音指示子５４の音高軸上の位置に応じて合成情報ＱBの音高Ｘ3が設定され、時間軸上の位置およびサイズに応じて発音期間Ｘ2が設定される。また、利用者が各音指示子５４に指定した文字が合成情報ＱBの発音文字Ｘ1として設定される。
【００２９】
第２領域５２には、各音指示子５４に対応する変数指示子５６が第１領域５１と共通の時間軸のもとで配置される。各変数指示子５６は、縦方向の長さｄで明瞭度変数αの大小を表現する画像（棒グラフ）である。利用者は、入力装置２４を適宜に操作することで各変数指示子５６の長さｄを０以上かつ１２７以下の範囲内で変更することが可能である。
【００３０】
図１の変数設定部３３は、入力装置２４に対する利用者からの指示に応じて合成情報ＱB内の明瞭度変数αを可変に設定する。具体的には、変数設定部３３は、利用者が指定した変数指示子５６の長さｄに比例するように０以上かつ１以下の範囲内で明瞭度変数αを設定する。すなわち、変数指示子５６に対する操作で利用者が設定した数値を、最大値が１となるように正規化（例えば１２７で除算）することで明瞭度変数αを算定する。
【００３１】
図１の素片選択部３４は、合成情報ＱBが時系列に指定する各発音文字Ｘ1に対応した音声素片Ｖを素片群ＱAから順次に選択する。音声合成部３６は、素片選択部３４が順次に選択する音声素片Ｖの素片データＤを利用して音声信号ＶOUTを生成する。概略的には、音声合成部３６は、合成情報ＱBが指定する発音期間Ｘ2に応じて素片データＤを時間軸上で伸縮し、伸縮後の各単位データＵが示す周波数スペクトルを時間波形に変換したうえで合成情報ＱBの音高Ｘ3に調整して相互に連結することで音声信号ＶOUTを生成する。
【００３２】
図５は、音声合成部３６のブロック図である。図５に示すように、第１実施形態の音声合成部３６は、境界設定部４４と合成処理部４６とを含んで構成される。境界設定部４４は、図３に示すように、素片選択部３４が選択した音声素片Ｖの音素区間Ｓ2が母音や摩擦音や鼻音等の時間的に持続可能な音素に対応する場合に、音素区間Ｓ2の遷移区間ＥA内に境界時点ＴBを設定する。具体的には、境界設定部４４は、遷移区間ＥAのうち境界時点ＴBの時間軸上の位置を指定する変数（以下「境界変数」という）βを設定する。境界変数βは、遷移区間ＥAの始点（音素境界ＧA）を境界時点ＴBとして指定する最小値０から、遷移区間ＥAの終点（状態境界ＧB）を境界時点ＴBとして指定する最大値１までの範囲内（０≦β≦１）で、合成情報ＱBが指定する明瞭度変数αに応じて可変に設定される。
【００３３】
図６は、明瞭度変数αと境界変数βとの関係を示すグラフである。第１実施形態の境界設定部４４は、明瞭度変数αの自乗を境界変数βとして算定する（β＝α2）。したがって、図６に示すように、明瞭度変数αが数値α1から所定量δだけ正側に変化した場合の境界変数βの変化量（すなわち境界時点ＴBの移動量）Δβ1と、明瞭度変数αが数値α2（α2＞α1）から同じ所定量δだけ正側に変化した場合の境界変数βの変化量Δβ2とは相違する。具体的には変化量Δβ2は変化量Δβ1を上回る。すなわち、明瞭度変数αが最大値１に近付くほど明瞭度変数αの変化に対する境界時点ＴBの移動量は増加する。以上の説明から理解されるように、利用者が指定した明瞭度変数αに応じて境界変数β（境界時点ＴBの位置）は非線形に変化する。なお、第１実施形態では、明瞭度変数αと境界変数βとの関係は全種類の音声素片Ｖについて共通する。図３に示すように、音声素片Ｖのうち境界設定部４４が設定した境界時点ＴBの前方の区間（音素区間Ｓ1の始点から境界時点ＴBまでの区間）Ｗを以下では「適用区間」と表記する。
【００３４】
図５の合成処理部４６は、素片選択部３４が選択した音声素片Ｖの適用区間Ｗを利用して音声信号ＶOUTを生成する。具体的には、合成処理部４６は、図３に示すように、素片データＤのうち適用区間Ｗ内の単位データＵで構成される単位データ群Ｚ1に、適用区間Ｗ内の最後に位置する１個の単位データＵ（図３の斜線部）を反復して配置した単位データ群Ｚ2を連結する。単位データ群Ｚ2を構成する単位データＵの個数は、単位データ群Ｚ1と単位データ群Ｚ2との合計長が発音期間Ｘ2に応じた目標長となるように可変に設定される。
【００３５】
合成処理部４６は、単位データ群Ｚ1および単位データ群Ｚ2の各単位データＵが示す周波数スペクトルを時間波形に変換するとともに合成情報ＱBが指定する音高Ｘ3に調整し、相前後するフレームで相互に連結することで音声信号ＶOUTを生成する。なお、明瞭度変数αが最大値１に設定され、かつ、発音期間Ｘ2に応じた目標長が所定値（例えば音声素片Ｖの時間長）を下回る場合、合成処理部４６は、定常区間ＥBを含む音声素片Ｖの複数の単位データＵを後方から除去して目標長に調整することで音声信号ＶOUTを生成する（すなわち、単位データ群Ｚ2の付加は実行しない）。
【００３６】
以上のように、音素区間Ｓ2のうち音声波形が定常状態に到達する状態境界ＧBの到来前（すなわち発声者の口が完全に開く以前）に境界時点ＴBが設定され、音声素片Ｖのうち境界時点ＴBの前方の適用区間Ｗが音声信号ＶOUTの生成に利用される。したがって、発声者が口を充分に開かずに発声したような合成音を生成することが可能である。
【００３７】
また、第１実施形態では、利用者からの指示に応じた明瞭度変数αに対して境界変数β（時間軸上の境界時点ＴBの位置）が非線形に変化する。具体的には、明瞭度変数αが最大値１に近付くほど境界変数βの変化量は増加する。他方、遷移区間ＥA内の音声について受聴者が知覚する音色は遷移区間ＥA内の位置に応じて非線形に変化する。具体的には、遷移区間ＥAの終点に近い位置ほど音色の変化量は減少する。したがって、第１実施形態によれば、利用者が指示した明瞭度変数αに応じて境界時点ＴBを線形に移動させる構成と比較して、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を低減することが可能である。例えば、利用者が明瞭度変数αを最大値１から半分に変化させた場合には、口の開き具合を半分に変化させたように合成音の音色が変化する。
【００３８】
＜第２実施形態＞
本発明の第２実施形態を以下に説明する。第１実施形態では、明瞭度変数αと境界変数βとの関係を全種類の音声素片Ｖについて共通させた。しかし、遷移区間ＥA内の音色（口の開き具合）の時間変化は、音声素片Ｖの種類（特に音素区間Ｓ1内の音素の種類）に応じて変化する。以上の傾向を考慮して、第２実施形態では、音声素片Ｖのうち音素区間Ｓ1内の音素の種類に応じて明瞭度変数αと境界変数βとの関係を変化させる。なお、以下に例示する各形態において作用や機能が第１実施形態と同等である要素については、以上の説明で参照した符号を流用した各々の詳細な説明を適宜に省略する。
【００３９】
図７は、第２実施形態における素片データＤの模式図である。第２実施形態における各音声素片Ｖの素片データＤは、第１実施形態と同様の区間情報ＤBと複数の単位データＵとに加えて分類情報ＤAを含んで構成される。分類情報ＤAは、音声素片Ｖを構成する各音素の分類を指定する。例えば図７に示すように、母音（/ａ/，/ｉ/，/ｕ/），破裂音（/ｔ/，/ｋ/，/ｐ/），破擦音（/ｔｓ/），鼻音（/ｍ/，/ｎ/），流音（/ｒ/），摩擦音（/ｓ/，/ｆ/），半母音（/ｗ/，/ｙ/），無音（/Ｓｉｌ/）等の分類が、音声素片Ｖの音素区間Ｓ1および音素区間Ｓ2の各々について分類情報ＤAで指定される。
【００４０】
図７に示すように、各音素は、複数の種別Ｃ（Ｃ1〜Ｃ3）に区分される。具体的には、子音の音素は、有声性の高低に応じて各種別Ｃに区分される。例えば日本語の音素の場合、半母音（/ｗ/，/ｙ/）や鼻音（/ｍ/，/ｎ/）や流音（/ｒ/）等の調和成分が豊富な音素、または、有声摩擦音（/ｚ/）や有声破裂音（/ｄ/）等の非調和成分が豊富な音素のように、有声性が高い子音（例えば有声子音）は種別Ｃ1に分類され、破裂音（/ｔ/，/ｋ/，/ｐ/）や破擦音（/ｔｓ/）や摩擦音（/ｓ/，/ｆ/）等の無声子音のように有声性が低い子音は種別Ｃ2に分類される。無音（/Ｓｉｌ/）は種別Ｃ3に分類される。また、母音（/ａ/，/ｉ/，/ｕ/）は種別Ｃ2に分類される。
【００４１】
第２実施形態の境界設定部４４は、利用者から指示された明瞭度変数αと境界変数β（境界時点ＴBの位置）との関係が、音声素片Ｖのうち音素区間Ｓ1の音素の種別Ｃに応じて相違するように、明瞭度変数αに応じた境界変数βを算定する。具体的には、分類情報ＤAで指定される音素区間Ｓ1の音素の分類が種別Ｃ1に属する場合と種別Ｃ2に属する場合とで、明瞭度変数αから境界変数βを算定するための関数は相違する。
【００４２】
第１実施形態でも第２実施形態と同様の効果が実現される。また、第２実施形態では、音素区間Ｓ1の音素の種別Ｃ（分類）に応じて明瞭度変数αと境界変数βとの関係が変化するから、遷移区間ＥA内の音色（口の開き具合）の時間的な遷移が音素区間Ｓ1内の音素の種別Ｃに応じて相違する場合でも、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を各音声素片Ｖについて低減することが可能である。
【００４３】
＜第３実施形態＞
音声素片Ｖの遷移区間ＥAでは、音素区間Ｓ1の音素の波形から音素区間Ｓ2の音素の波形に遷移する。すなわち、遷移区間ＥAのうち音素境界ＧAの近傍には直前の音素区間Ｓ1の音素の影響が残存する。したがって、遷移区間ＥAのうち音素境界ＧAに近い位置に境界時点ＴBが設定されると、本来的ならば音素区間Ｓ2の音素のみが反映されるべき単位データ群Ｚ2内で、音素区間Ｓ1の音素の影響を含む単位データＵが反復され、合成音が不自然な音声となる可能性がある。以上の事情を背景として、第３実施形態では、単位データ群Ｚ2にて反復される単位データＵ（すなわち適用区間Ｗのうち境界時点ＴBに対応する最後の単位データＵ）にて直前の音素区間Ｓ1の音素の影響が充分に低減されるように、遷移区間ＥA内に設定される境界時点ＴBの位置を制限する。
【００４４】
図８は、第３実施形態における音声合成部３６のブロック図である。図８に示すように、第３実施形態の音声合成部３６は、第１実施形態の音声合成部３６に限界設定部４２を追加した構成である。限界設定部４２は、図９に示すように、素片選択部３４が選択した音声素片Ｖのうち母音の音素に対応する音素区間Ｓ2の遷移区間ＥA内に限界時点ＴAを設定する。限界時点ＴAは、遷移区間ＥAの割合Ｒに相当する時間（Ｒ×ＥA）だけ遷移区間ＥAの終点（状態境界ＧB）から前方の時点である。割合Ｒを指定する限界情報ＱCが記憶装置１４に事前に記憶され、限界設定部４２は、記憶装置１４から取得した限界情報ＱCに応じて限界時点ＴAを設定する。遷移区間ＥAの直前の音素区間Ｓ1の音素の影響が限界時点ＴAにて充分に低下するように、割合Ｒは０以上かつ１以下の範囲内で選定される。
【００４５】
図８の境界設定部４４は、遷移区間ＥA内の境界時点ＴBの位置を指定する境界変数γを、変数設定部３３が設定した明瞭度変数αに応じて可変に設定する。境界変数γは、第１実施形態の境界変数βと同様に、遷移区間ＥAの始点（音素境界ＧA）を最小値０として境界時点ＴBの時間軸上の位置を指定する変数である。境界設定部４４は、図９に示すように、音素区間Ｓ2内の遷移区間ＥAのうち限界設定部４２が設定した限界時点ＴAから状態境界ＧBまでの区間（以下「変動範囲」という）ＥC内に境界時点ＴBが位置するように境界変数γを算定する。
【００４６】
図１０は、境界変数γの説明図である。図１０の部分(A)には、明瞭度変数αに対して非線形に変化する第１実施形態の境界変数βで遷移区間ＥA内に指定される境界時点ＴBが図示されている。他方、図１０の部分(B)には、第３実施形態の限界時点ＴAで画定される変動区間ＥCが図示されている。遷移区間ＥAの全体の時間長を１と仮定すると、図１０の部分(B)に示すように、遷移区間ＥAは、限界時点ＴAの前方の時間（１−Ｒ）にわたる区間と、限界時点ＴAの後方の時間Ｒにわたる変動区間ＥCとに区分される。
【００４７】
限界時点ＴAから時間ｔxだけ後方の時点を、第３実施形態の境界変数γが示す境界時点ＴBとする。いま、遷移区間ＥAの全体に対して境界変数βが示す境界時点ＴBの位置（部分(A)）と、遷移区間ＥAのうちの変動区間ＥCに対して境界変数γが示す境界時点ＴBの位置（部分(B)）とが同等である（１：β＝Ｒ：ｔx）と仮定すると、時間ｔxは、境界変数βと割合Ｒとの乗算値（βＲ）として表現される。また、遷移区間ＥAのうち限界時点ＴAの前方の区間が前述のように時間（１−Ｒ）であることを考慮すると、遷移区間ＥAの始点ＧAを最小値０として境界時点ＴBを指定する境界変数γは、以下の数式(1)で表現される。
γ＝（１−Ｒ）＋βＲ
＝１−（１−β）Ｒ ……(1)
【００４８】
第３実施形態の境界設定部４４は、第１実施形態と同様の方法で明瞭度変数αに応じた境界変数βを算定し（β＝α2）、境界変数βと限界情報ＱCが示す割合Ｒとについて数式(1)の演算を実行することで境界変数γを算定する。したがって、境界変数γは、第１実施形態の境界変数βと同様に明瞭度変数αに対して非線形に変化する。また、境界変数βは０以上かつ１以下の数値であるから、境界変数γは（１−Ｒ）以上かつ１以下の範囲内の数値となる。すなわち、境界変数γは、遷移区間ＥAの始点ＧAに対して時間（１−Ｒ）だけ後方の限界時点ＴAから遷移区間ＥAの終点ＧBまでの変動区間ＥC内に、明瞭度変数αに応じて非線形に変化する境界時点ＴBを指定する変数である。
【００４９】
第３実施形態においても第１実施形態と同様の効果が実現される。また、第３実施形態では、境界時点ＴBの位置が、音素境界ＧAの後方に位置する限界時点ＴA以降に制限されるから、音声信号ＶOUTの生成に使用される単位データ群Ｚ2にて反復される単位データＵ（すなわち境界時点ＴBに対応する単位データＵ）では、直前の音素区間Ｓ1の音素の影響は充分に低減される。したがって、聴感的に自然な音声を合成できるという利点がある。
【００５０】
＜第４実施形態＞
音素区間Ｓ2の遷移区間ＥA内で音素区間Ｓ1の音素の影響が充分に低減される最初の単位データＵの位置（音素区間Ｓ2内の複数の単位データＵのうち反復させた場合でも合成音が聴感的に不自然な音声とならない最先の単位データＵの位置）は、直前の音素区間Ｓ1の音素の種別Ｃに応じて相違するという傾向がある。例えば、音素区間Ｓ1の音素が、有声性が高い半母音等の音素の種別Ｃ1に属する場合、音素区間Ｓ2のうち音素境界ＧAの近傍の単位データＵを反復させたとしても合成音はそれほど不自然な音声にはならない。他方、音素区間Ｓ1の音素が、非調和成分（雑音成分）が豊富で振幅が小さい破裂音等の音素の種別Ｃ2に属する場合、音素区間Ｓ2のうち音素境界ＧAの近傍の単位データＵを反復させると、音素区間Ｓ1の音素に由来する合成音の不自然さが顕著に知覚される。以上の傾向を考慮して、第４実施形態では、音素区間Ｓ2内の遷移区間ＥAに対する限界時点ＴAの位置を直前の音素区間Ｓ1の音素の種別Ｃに応じて変化させる。なお、第４実施形態の構成は第３実施形態と同様である。
【００５１】
第４実施形態の記憶装置１４には、限界時点ＴAの位置を規定する限界情報ＱCが記憶される。限界情報ＱCは、遷移区間ＥAに対する変動区間ＥCの割合Ｒ（Ｒ1〜Ｒ3）を音素の種別Ｃ（Ｃ1〜Ｃ3）毎に指定する。限界設定部４２は、素片選択部３４が選択した音声素片Ｖのうち音素区間Ｓ1の音素の種別Ｃについて限界情報ＱCが示す割合Ｒに応じてその音声素片Ｖの遷移区間ＥA内に限界時点ＴAを設定する。なお、記憶装置１４内の各素片データＤは第２実施形態と同様に分類情報ＤAを含んで構成され、音素区間Ｓ1の種別Ｃは、素片データＤの分類情報ＤAから特定される。
【００５２】
具体的には、音素区間Ｓ1の音素が種別Ｃ1（有声性が高い子音）に属する場合には、遷移区間ＥAの終点ＧBから割合Ｒ1に応じた時間（Ｒ1×ＥA）だけ前方の時点が限界時点ＴAとして設定される。同様に、音素区間Ｓ1の音素が種別Ｃ2（無声子音または母音）に該当する場合には、遷移区間ＥAの終点ＧBから割合Ｒ2に応じた時間（Ｒ2×ＥA）だけ前方の時点が限界時点ＴAとして設定され、音素区間Ｓ1の音素が種別Ｃ3（無音）に該当する場合には、遷移区間ＥAの終点ＧBから時間（Ｒ3×ＥA）だけ前方の時点が限界時点ＴAとして設定される。遷移区間ＥAのうち限界時点ＴAから終点ＧBまでの変動区間ＥC内に明瞭度変数αに応じた境界時点ＴBが設定される点は第３実施形態と同様である。
【００５３】
音素区間Ｓ2内の複数の単位データＵのうち、その反復により生成された合成音が音素区間Ｓ1の音素に影響された不自然な音声とならない最先の単位データＵの位置を指定するように、音素の種別Ｃ毎の割合Ｒは実験的または統計的に選定される。例えば、音素区間Ｓ1の音素が種別Ｃ1に属する場合には音素区間Ｓ2内の音素境界ＧAの近傍の単位データＵを反復させても合成音はそれほど不自然にならないが、音素区間Ｓ1の音素が種別Ｃ2に属する場合に音素区間Ｓ2の音素境界ＧAの近傍の単位データＵを反復させると音素区間Ｓ1の音素に由来する合成音の不自然さが顕在化するという傾向を考慮すると、割合Ｒ1は割合Ｒ2や割合Ｒ3を上回る数値に設定される。したがって、遷移区間ＥAの時間長が共通すると仮定すると、音素区間Ｓ1の音素が種別Ｃ2や種別Ｃ3に属する場合の限界時点ＴAは、音素区間Ｓ1の音素が種別Ｃ1に属する場合の限界時点ＴAよりも時間的に遅い時点となる。具体的には、割合Ｒ1は０.８（８０％）程度に設定され、割合Ｒ2は０.６１（６１％）程度に設定され、割合Ｒ3は０.５（５０％）程度に設定される。
【００５４】
第４実施形態においても第３実施形態と同様の効果が実現される。なお、音素区間Ｓ1の音素に関わらず共通の割合Ｒに応じて限界時点ＴAが設定される第３実施形態において、音素区間Ｓ1の音素に由来する合成音の不自然さを全部の音素について抑制するためには、限界時点ＴAを遷移区間ＥAの後方側に設定する必要がある。したがって、変動区間ＥCが短い時間に制限され、合成音の明瞭度（口の開き具合）を充分に低下させることができない可能性がある。他方、第３実施形態において合成音の明瞭度を充分に低下させるために、音素境界ＧAの近傍の時点を限界時点ＴAとして選定した場合、音素区間Ｓ1の音素に起因して合成音が不自然な音声となる。第４実施形態では、遷移区間ＥAに対する限界時点ＴAの位置（割合Ｒ）が直前の音素区間Ｓ1の音素の種別Ｃに応じて設定されるから、合成音の明瞭度の変化幅を充分に確保すること（明瞭度を充分に低下させること）と音素区間Ｓ1の音素に起因した合成音の不自然さを低減することとを両立できるという利点がある。
【００５５】
なお、第４実施形態では、遷移区間ＥAに対する変動区間ＥCの割合Ｒを種別Ｃ毎に個別に設定したが、限界時点ＴAを音素区間Ｓ1の音素の種別Ｃ毎に相違させる方法は適宜に変更される。例えば、記憶装置１４に記憶された限界情報ＱCが、遷移区間ＥAの始点ＧAから限界時点ＴAまでの期間または限界時点ＴAから終点ＧBまでの期間の時間長（フレーム数）を音素の種別Ｃ毎に指定する構成も採用され得る。
【００５６】
＜第５実施形態＞
第３実施形態および第４実施形態では、記憶装置１４に事前に記憶された限界情報ＱCを利用して限界設定部４２が遷移区間ＥA内に限界時点ＴAを設定した。第５実施形態では、音声素片Ｖを解析した結果を利用して限界設定部４２が限界時点ＴAを設定する。
【００５７】
図１１は、第５実施形態における音声合成部３６のブロック図である。図１１に示すように、第５実施形態の音声合成部３６は、第３実施形態の音声合成部３６（図８）に指標算定部４８を追加した構成である。指標算定部４８は、素片選択部３４が選択した音声素片Ｖの音素区間Ｓ2のうち遷移区間ＥA内の複数のフレームの各々について、そのフレームの１個の単位データＵを反復することで生成される合成音の聴感的な自然性の尺度となる指標値Ｋを算定する。
【００５８】
１個の単位データＵを反復した場合に合成音が聴感的に不自然な音声となる典型的なフレームは、有声音と比較して音量が小さいフレームや、調和成分（基音成分および各倍音成分）に対する非調和成分の強度が高いフレームである。具体的には、破裂音や破擦音等の音素の音素区間Ｓ1の直後に位置する遷移区間ＥA内の前方のフレームの単位データＵを反復した場合に合成音は聴感的に不自然な音声となる。以上の傾向を考慮して、指標算定部４８は、各フレームの音量に関する指標値Ｋ1と、各フレームの非調和成分の強度に関する指標値Ｋ2とを、素片選択部３４が選択した音声素片Ｖの遷移区間ＥA内のフレーム毎に指標値Ｋとして算定する。
【００５９】
各フレームの指標値Ｋ1は、例えば、所定の音量Ａ0に対するそのフレームの音量Ａの比（Ｋ1＝Ａ／Ａ0）として算定される。所定の音量Ａ0は、例えば遷移区間ＥA内の最後のフレームの音量（遷移区間ＥA内の最大値である可能性が高い）である。したがって、遷移区間ＥA内で音量Ａが大きいフレーム（すなわち、単位データＵを反復した合成音が聴感的に自然な音声となる可能性が高いフレーム）ほど、指標値Ｋ1は大きい数値となる。
【００６０】
各フレームの指標値Ｋ2は、そのフレームの音声成分から非調和成分を低減または除去した場合の平均パワーＰSに対するそのフレームの平均パワーＰの比（Ｋ2＝Ｐ／ＰS）として算定される。図１２には、遷移区間ＥA内の１個のフレームの単位データＵで指定された周波数スペクトルＳP1が図示されている。周波数スペクトルＳP1は、各調波周波数Ｆn（基本周波数および各倍音周波数）にて強度がピークとなる調和成分に加えて各調波周波数の間に存在する非調和成分を含んで構成される。
【００６１】
図１２には、周波数スペクトルＳP1から非調和成分を除去した周波数スペクトルＳP2（斜線部）が併記されている。周波数スペクトルＳP2は、周波数スペクトルＳP1の各調波周波数Ｆnに所定の調波成分Ｈを配置し、各調波成分Ｈの強度を周波数スペクトルＳP1の包絡線ＥNVに合致するように調整したスペクトルである。指標算定部４８は、周波数スペクトルＳP2の平均パワーＰSに対する周波数スペクトルＳP1の平均パワーＰの比を指標値Ｋ2としてフレーム毎に算定する。したがって、調和成分に対する非調和成分の強度が低いフレーム（すなわち、単位データＵを反復した合成音が聴感的に自然な音声となる可能性が高いフレーム）ほど、指標値Ｋ2は小さい数値となる。
【００６２】
第５実施形態の限界設定部４２は、遷移区間ＥA内の各フレームの指標値Ｋ（Ｋ1，Ｋ2）に応じて限界時点ＴAを設定する。すなわち、限界設定部４２は、遷移区間ＥA内の複数のフレームのうち指標値Ｋが示す合成音の自然性が目標値を上回る最先のフレームの時点を限界時点ＴAとして設定する。
【００６３】
具体的には、指標算定部４８は、遷移区間ＥAの先頭から順次にフレームを選択してそのフレームの指標値Ｋ1と指標値Ｋ2とを算定し、限界設定部４２は、指標値Ｋ1が所定の閾値Ｋth1を上回るか否か（すなわち音量が目標値を上回るか否か）および指標値Ｋ2が所定の閾値Ｋth2を下回るか否か（すなわち調和成分に対する非調和成分の強度が目標値を下回るか否か）を判定する。限界設定部４２は、指標値Ｋ1の判定と指標値Ｋ2の判定との双方の結果が肯定となる最先のフレームの時点を限界時点ＴAとして設定する。すなわち、調和成分に対する非調和成分の強度が充分に低くて音量が大きい時点（単位データＵの反復で生成される合成音が聴感的に自然な音声となる時点）が限界時点ＴAとして設定される。したがって、第５実施形態においても結果的には、第４実施形態と同様に、音素区間Ｓ1の音素の種別Ｃに応じた時点が限界時点ＴAとして設定される。例えば、音素区間Ｓ1の音素が種別Ｃ2に属する場合の限界時点ＴAは、音素区間Ｓ1の音素が種別Ｃ1に属する場合の限界時点ＴAよりも時間的に遅い時点となる。境界設定部４４や合成処理部４６の動作は第３実施形態や４実施形態と同様である。
【００６４】
第５実施形態においても第３実施形態と同様の効果が実現される。また、第５実施形態では、遷移区間ＥA内のフレーム毎に算定された指標値Ｋ（Ｋ1，Ｋ2）に応じて限界時点ＴAが設定されるから、限界時点ＴAを規定する限界情報ＱCが事前に用意された第１実施形態や第２実施形態と比較して、各音声素片Ｖの特性に応じた適切な限界時点ＴAを設定できるという利点がある。
【００６５】
＜第６実施形態＞
図１３は、第６実施形態における音声合成部３６のブロック図である。図１３に示すように、第６実施形態の音声合成部３６は、第１実施形態の音声合成部３６に指標算定部６０を追加した構成である。指標算定部６０は、図１４に示すように、素片選択部３４が選択した音声素片Ｖの遷移区間ＥA内の複数（Ｍ個）のフレームの各々について音色指標値Ｙ[m]（ｍ＝１〜Ｍ）を算定する。音色指標値Ｙ[m]は、遷移区間ＥA内の第ｍ番目のフレームと遷移区間ＥA内の特定のフレーム（以下「基準フレーム」という）との音色の相違を示す尺度である。以下の説明では、遷移区間ＥA内の最後（第Ｍ番目）に位置する１個のフレームを基準フレームとして選定した場合を例示する。
【００６６】
第６実施形態において有声音の音素に対応する１個の単位データＵは、図１４に示すように、各フレームの周波数スペクトルを示すデータに加えて包絡形状データＥを含んで構成される。包絡形状データＥは、音声の周波数スペクトルの包絡線の形状的な特徴を示す複数の変数で構成される。第１実施形態の包絡形状データＥは、例えば励起波形エンベロープｅ1と胸部レゾナンスｅ2と声道レゾナンスｅ3と差分スペクトルｅ4とを含むＥｐＲ（Excitation plus Resonance）パラメータを要素とするベクトルであり、公知のＳＭＳ（Spectral Modeling Synthesis）分析で生成される。なお、ＥｐＲパラメータやＳＭＳ分析については、例えば特許第３７１１８８０号公報や特開２００７−２２６１７４号公報にも開示されている。
【００６７】
励起波形エンベロープ（Excitation Curve）ｅ1は、声帯振動のスペクトルの包絡線を近似する変数である。胸部レゾナンス（Chest Resonance）ｅ2は、胸部共鳴特性を近似する所定個のレゾナンス（帯域通過フィルタ）の帯域幅と中心周波数と振幅値とを指定する。声道レゾナンス（Vocal Tract Resonance）ｅ3は、声道共鳴特性を近似する複数のレゾナンスの各々について帯域幅と中心周波数と振幅値とを指定する。差分スペクトルｅ4は、励起波形エンベロープｅ1と胸部レゾナンスｅ2と声道レゾナンスｅ3とで近似されるスペクトルと音声のスペクトルとの差分（誤差）を意味する。
【００６８】
包絡形状データＥは、各フレームの音色を示す変数として利用可能である。そこで、指標算定部６０は、各フレームの包絡形状データＥと基準フレームの包絡形状データＥとに応じて両者間の相違を示す音色指標値Ｙ[m]を算定する。具体的には、指標算定部６０は、以下の数式(2)の演算で音色指標値Ｙ[m]を算定する。
Ｙ[m]＝Ｄ{Ｅ(M)，Ｅ(m)}／Ｄ{Ｅ(M)，Ｅ(1)} ……(2)
数式(2)の演算子Ｄ{Ｅ(m1)，Ｅ(m2)}は、遷移区間ＥA内の第ｍ1番目のフレームの包絡形状データＥ(m1)と第ｍ2番目のフレームの包絡形状データＥ(m2)との距離（例えば各包絡形状データＥが示すベクトル間のユークリッド距離）を意味する。すなわち、数式(2)の分子の距離Ｄ{Ｅ(M)，Ｅ(m)}は、基準フレームの包絡形状データＥ(M)と遷移区間ＥAの第ｍ番目のフレームの包絡形状データＥ(m)との距離であり、数式(2)の分母の距離Ｄ{Ｅ(M)，Ｅ(1)}は、基準フレームの包絡形状データＥ(M)と遷移区間ＥAの最初のフレームの包絡形状データＥ(1)との距離である。
【００６９】
音声素片Ｖの音色は、遷移区間ＥAの始点ＧAから終点ＧBにかけて音素区間Ｓ1の音素の音色から音素区間Ｓ2の音素の音色に経時的に変化するから、距離Ｄ{Ｅ(M)，Ｅ(m)}は、遷移区間ＥAの最初のフレームで最大値Ｄ{Ｅ(M)，Ｅ(1)}となり、概略的には時間の経過とともに減少して最後のフレーム（基準フレーム）で最小値０となる。数式(2)の距離Ｄ{Ｅ(M)，Ｅ(1)}による除算は、音色指標値Ｙ[m]を０以上かつ１以下の範囲内の数値に正規化する演算を意味する。すなわち、音色指標値Ｙ[1]〜Ｙ[M]は、図１４に示すように、遷移区間ＥAの最初のフレームにて最大値１となり、概略的な傾向として時間の経過とともに減少して最後のフレーム（基準フレーム）にて最小値０となる。
【００７０】
以上の説明から理解されるように、音色指標値Ｙ[m]は、受聴者が知覚する音色の変化（発声者の口の開き具合の変化）に対して線形に変化する変数として機能する。例えば、遷移区間ＥAのうち直前の音素区間Ｓ1の音素と音素区間Ｓ2の音素との中間の音色となるフレーム（例えば発声者が口を半分だけ開いた状態のフレーム）では音色指標値Ｙ[m]は０.５となり、直前の音素区間Ｓ1の音素の音色と音素区間Ｓ2の音素の音色とを２：８の割合で混合した音色のフレーム（例えば発声者が口を２割だけ開いた状態のフレーム）では音色指標値Ｙ[m]は０.２となる。
【００７１】
第６実施形態の境界設定部４４は、遷移区間ＥA内の音色指標値Ｙ[m]の時間的な遷移において、音色指標値Ｙ[m]が、明瞭度変数αに線形に対応した数値となる時点を、境界時点ＴBとして選定する。具体的には、境界設定部４４は、明瞭度変数αに応じて０から１までの範囲内で線形に変化する数値（１−α）を算定し、図１４に示すように、遷移区間ＥA内で音色指標値Ｙ[m]が数値（１−α）に合致する時点ｔyを境界時点ＴBとして設定する。例えば明瞭度変数αが０.５である場合には、遷移区間ＥAのうち音色指標値Ｙ[m]が０.５となる時点（フレーム）が境界時点ＴBとして設定され、明瞭度変数αが０.２である場合には、遷移区間ＥAのうち音色指標値Ｙ[m]が０.８となる時点が境界時点ＴBとして設定される。
【００７２】
ところで、図１４では音色指標値Ｙ[m]が時間経過とともに単調減少する場合を例示したが、図１５に示すように、音声素片Ｖによっては音色指標値Ｙ[m]が単調減少しない可能性がある。音声素片Ｖが遷移区間ＥA内で増加および減少する場合、遷移区間ＥA内の複数の時点（フレーム）ｔyにて音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）に合致し得る。以上のように音色指標値Ｙ[m]が複数の時点ｔyにて明瞭度変数αに応じた数値（１−α）となる場合、境界設定部４４は、複数の時点ｔyのうち最も後方の時点を境界時点ＴBとして選択する。
【００７３】
第６実施形態においても、音声素片Ｖのうち境界時点ＴBの前方の適用区間Ｗが音声信号ＶOUTの生成に利用されるから、第１実施形態と同様に、発声者が口を充分に開かずに発声したような合成音を生成することが可能である。また、第６実施形態では、遷移区間ＥA内の音色の変化（発声者の口の開き具合の変化）に対して線形に変化する音色指標値Ｙ[m]が算定され、利用者から指示された明瞭度変数αに応じた数値（１−α）に音色指標値Ｙ[m]が合致する時点が境界時点ＴBとして設定される。したがって、第１実施形態と同様に、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感を低減することが可能である。具体的には、利用者が明瞭度変数αを最大値１から半分に変化させた場合には、口の開き具合を半分に変化させたように合成音の音色が変化する。
【００７４】
しかも、第６実施形態では、音声素片Ｖ毎に算定された音色指標値Ｙ[m]の時間遷移に応じて境界時点ＴBが設定されるから、明瞭度変数αと境界時点ＴBの位置との関係が事前に確定された第１実施形態から第５実施形態と比較して、利用者が指定する明瞭度変数αの変化と合成音の音色変化との不整合感が低減されるように各音声素片Ｖの特性に応じた適切な境界時点ＴBを設定できるという利点がある。また、第６実施形態では、時間軸上の複数の時点ｔyにて音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）となる場合に、複数の時点ｔyのうち最も後方の時点が境界時点ＴBとして選択される。以上の構成では、例えば複数の時点ｔyのうち最も前方の時点を境界時点ＴBとして選択する構成と比較して、音声素片Ｖ内の多くの単位データＵが単位データ群Ｚ1として音声信号ＶOUTの合成に使用され、１個の単位データＵを反復する単位データ群Ｚ2の時間長は相対的に短縮される。したがって、聴感的に自然な合成音を生成できるという利点がある。
【００７５】
なお、第３実施形態から第５実施形態の限界設定部４２を第６実施形態に追加することも可能である。すなわち、限界設定部４２が設定した限界時点ＴAから遷移区間ＥAの終点ＧBまでの変動区間ＥC内の各フレームについて音色指標値Ｙ[m]が算定され、音色指標値Ｙ[m]が明瞭度変数αに応じた数値（１−α）となる変動区間ＥC内の時点ｔyが境界時点ＴBとして選定される。
【００７６】
＜変形例＞
以上の各形態は多様に変形され得る。具体的な変形の態様を以下に例示する。以下の例示から任意に選択された２以上の態様を適宜に併合することも可能である。
【００７７】
（１）明瞭度変数αと境界時点ＴB（境界変数β，γ）との関係を各素片データＤにて指定することで音声素片Ｖ毎に個別に設定することも可能である。また、限界時点ＴAを指定する限界情報ＱCを各素片データＤに含ませることで限界時点ＴAを音声素片Ｖ毎に個別に指定することも可能である。
【００７８】
（２）第３実施形態および第４実施形態では、遷移区間ＥAのうち限界時点ＴAから状態境界ＧBまでの時間の割合Ｒを指定したが、遷移区間ＥAのうち音素境界ＧAから限界時点ＴAまでの時間の割合Ｒを指定することも可能である。
【００７９】
（３）前述の各形態では単位データＵの反復で伸長音（母音の定常的な伸ばし音）が生成されるから、各音声素片Ｖの音素区間Ｓ2のうち定常区間ＥBを省略することも可能である。
定常区間ＥBを省略した構成によれば、素片群ＱAのデータ量を削減できるという利点がある。ただし、単位データＵの反復で生成される伸長音は実際に収録された伸長音と比較して不自然な音声となる場合があるから、定常区間ＥBを含むように音声素片Ｖの素片データＤを生成し、発音期間Ｘ2が短い場合には定常区間ＥBを含む音声素片Ｖをそのまま合成音の生成に使用する前述の各形態の構成が好適である。以上の例示から理解されるように、遷移区間ＥAは、音声素片Ｖのうち音素区間Ｓ2の一部（定常区間ＥB以外）または全部の区間を意味する。
【００８０】
（４）各音素の種別Ｃは適宜に変更される。例えば、相前後する母音の音素の間に無音区間が介在するように音声素片Ｖが生成（収録）された場合に母音を種別Ｃ1に分類すると、第４実施形態では、無音区間が過度に伸長されて不自然な合成音となり得るため、前述の例示のように母音を種別Ｃ2に分類した構成が好適である。しかし、無音区間の伸長が発生しない場合（例えば相前後する母音の音素の間に無音区間が存在しない場合）や特段の問題とならない場合には、母音の音素を種別Ｃ1に分類することも可能である。
【００８１】
（５）前述の各形態では、利用者からの指示に応じて明瞭度変数αを制御したが、明瞭度変数αの設定の方法は任意である。例えば、合成音に指定されたテンポに応じて明瞭度変数αを制御することも可能である。例えば、合成音に指定されたテンポが所定の基準値（例えば１２０ＢＰＭ（Beat Per Minute）等の一般的な数値）に設定された場合に明瞭度変数αを最大値１２７に設定し、基準値からテンポが離れる（例えば基準値を超えて上昇する）ほど明瞭度変数αを低下させる構成が好適である。また、例えばテンポと発音期間Ｘ2とに応じて各合成音の実際の継続長を算定し、継続長が所定の閾値（例えば音声素片Ｖで収録された音素の継続長の所定倍の時間）を下回る場合に明瞭度変数αを低下させることも可能である。以上のようにテンポや継続長に応じて明瞭度変数αを制御する構成によれば、早口で発音するほど明瞭度が低下するという実際の発音の傾向を合成音にて再現することが可能である。
【００８２】
（６）前述の各形態のように単位データＵの反復のみで生成された合成音は人工的で不自然な音声と知覚される可能性がある。そこで、実際の発声音から抽出された変動成分（伸長音のうち時間的に微細に変動する揺れ成分）を、単位データＵの時系列から生成された音声に付加する構成も好適である。
【００８３】
（７）第５実施形態における指標値Ｋは適宜に変更される。例えば、音量の指標値Ｋ1および非調和成分の指標値Ｋ2の一方のみを利用して限界時点ＴAを設定する構成や、指標値Ｋ1および指標値Ｋ2以外の指標値Ｋを利用して限界時点ＴAを設定する構成も採用され得る。また、指標値Ｋ1や指標値Ｋ2の算定方法も適宜に変更される。例えば、前述の例示では、音量が大きいほど指標値Ｋ1が大きい数値となり、非調和成分の強度が低いほど指標値Ｋ2が小さい数値となる場合を例示したが、音量が大きいほど指標値Ｋ1が小さい数値となり、非調和成分の強度が低いほど指標値Ｋ2が大きい数値となるように指標値Ｋ1および指標値Ｋ2を算定することも可能である。
【００８４】
（８）第６実施形態では、単位データＵが指定するＥｐＲパラメータを音色の情報として利用して音色指標値Ｙ[m]を算定したが、音声素片Ｖの音色を示す情報はＥｐＲパラメータに限定されない。例えば、単位データＵが示す周波数スペクトルから算定されるケプストラムをＥｐＲの代わりに音色の情報として利用して音色指標値Ｙ[m]を算定することも可能である。
【００８５】
（９）前述の各形態では、素片群ＱAを記憶する記憶装置１４が音声合成装置１００に搭載された構成を例示したが、音声合成装置１００とは独立した外部装置（例えばサーバ装置）が素片群ＱAを保持する構成も採用される。音声合成装置１００（素片選択部３４）は、例えば通信網を介して外部装置から音声素片Ｖ（素片データＤ）を取得して音声信号ＶOUTを生成する。同様に、音声合成装置１００から独立した外部装置に合成情報ＱBを保持することも可能である。以上の説明から理解されるように、素片データＤや合成情報ＱBを記憶する要素（前述の各形態における記憶装置１４）は音声合成装置１００の必須の要素ではない。
【符号の説明】
【００８６】
１００……音声合成装置、１２……演算処理装置、１４……記憶装置、２２……表示装置、２４……入力装置、２６……放音装置、３２……表示制御部、３３……変数設定部、３４……素片選択部、３６……音声合成部、４２……限界設定部、４４……境界設定部、４６……合成処理部、４８，６０……指標算定部。
【特許請求の範囲】
【請求項１】
音声波形が経時的に変化する遷移区間を含む音声素片を順次に選択する素片選択手段と、
利用者からの指示に応じて明瞭度変数を可変に設定する変数設定手段と、
前記遷移区間内に境界時点を設定する手段であって、前記明瞭度変数が第１値から所定量だけ変化した場合の前記境界時点の移動量と、前記明瞭度変数が第１値とは相違する第２値から前記所定量だけ変化した場合の前記境界時点の移動量とが相違するように、前記変数設定手段が設定した前記明瞭度変数に応じて前記境界時点の位置を可変に設定する境界設定手段と、
前記素片選択手段が選択した音声素片のうち前記境界時点の前方の区間を利用して音声信号を生成する合成処理手段と
を具備する音声合成装置。
【請求項２】
前記境界設定手段は、前記明瞭度変数と前記境界時点の位置との関係が複数の音声素片について共通するように前記明瞭度変数に応じて前記境界時点の位置を設定する
請求項１の音声合成装置。
【請求項３】
前記複数の音声素片の各々は、相異なる音素に対応する第１音素区間と第２音素区間とを含み、前記第２音素区間は前記遷移区間を含み、
前記境界設定手段は、前記明瞭度変数と前記境界時点の位置との関係が、前記音声素片のうち前記第１音素区間の音素の種別に応じて相違するように、前記明瞭度変数に応じて前記境界時点の位置を設定する
請求項１の音声合成装置。
【請求項４】
基準フレームに対する各フレームの音色の相違を示す音色指標値を前記遷移区間内の複数のフレームの各々について算定する指標算定手段を具備し、
前記境界設定手段は、前記音色指標値の時間的な遷移において音色指標値が前記明瞭度変数に応じた数値となる時点を前記境界時点に設定する
請求項１の音声合成装置。
【請求項５】
前記境界設定手段は、前記音色指標値の時間的な遷移において音色指標値が複数の時点にて前記明瞭度変数に応じた数値となる場合に、前記複数の時点のうち最も後方の時点を前記境界時点に設定する
請求項４の音声合成装置。
【請求項１】
音声波形が経時的に変化する遷移区間を含む音声素片を順次に選択する素片選択手段と、
利用者からの指示に応じて明瞭度変数を可変に設定する変数設定手段と、
前記遷移区間内に境界時点を設定する手段であって、前記明瞭度変数が第１値から所定量だけ変化した場合の前記境界時点の移動量と、前記明瞭度変数が第１値とは相違する第２値から前記所定量だけ変化した場合の前記境界時点の移動量とが相違するように、前記変数設定手段が設定した前記明瞭度変数に応じて前記境界時点の位置を可変に設定する境界設定手段と、
前記素片選択手段が選択した音声素片のうち前記境界時点の前方の区間を利用して音声信号を生成する合成処理手段と
を具備する音声合成装置。
【請求項２】
前記境界設定手段は、前記明瞭度変数と前記境界時点の位置との関係が複数の音声素片について共通するように前記明瞭度変数に応じて前記境界時点の位置を設定する
請求項１の音声合成装置。
【請求項３】
前記複数の音声素片の各々は、相異なる音素に対応する第１音素区間と第２音素区間とを含み、前記第２音素区間は前記遷移区間を含み、
前記境界設定手段は、前記明瞭度変数と前記境界時点の位置との関係が、前記音声素片のうち前記第１音素区間の音素の種別に応じて相違するように、前記明瞭度変数に応じて前記境界時点の位置を設定する
請求項１の音声合成装置。
【請求項４】
基準フレームに対する各フレームの音色の相違を示す音色指標値を前記遷移区間内の複数のフレームの各々について算定する指標算定手段を具備し、
前記境界設定手段は、前記音色指標値の時間的な遷移において音色指標値が前記明瞭度変数に応じた数値となる時点を前記境界時点に設定する
請求項１の音声合成装置。
【請求項５】
前記境界設定手段は、前記音色指標値の時間的な遷移において音色指標値が複数の時点にて前記明瞭度変数に応じた数値となる場合に、前記複数の時点のうち最も後方の時点を前記境界時点に設定する
請求項４の音声合成装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【公開番号】特開２０１３−５０７０６（Ｐ２０１３−５０７０６Ａ）
【公開日】平成２５年３月１４日（２０１３．３．１４）
【国際特許分類】
【出願番号】特願２０１２−１４８１９３（Ｐ２０１２−１４８１９３）
【出願日】平成２４年７月２日（２０１２．７．２）
【出願人】（０００００４０７５）ヤマハ株式会社 (5,930)
【公開日】平成２５年３月１４日（２０１３．３．１４）
【国際特許分類】
【出願日】平成２４年７月２日（２０１２．７．２）
【出願人】（０００００４０７５）ヤマハ株式会社 (5,930)
[ Back to top ]