音声合成の基础
- 2. 2 音声の合成 録音合成 編集合成 パラメータ合成 テキスト音声合成 (Text-to-Speech) – 物理シミュレーション – フォルマント合成 – 波形接続合成 – HMM合成 文を全部録音 単語単位で録音 実際の声を元に合成?携帯電話
- 3. 3 テキスト音声合成 (TTS) 文字列を音声に変換する技術 文字列 形態素解析 音素列 単語列 構文解析 単語アクセン ト 韻律句 韻律合成 ピッチ系 列 音声合成 エンジン 音声
- 4. 4 形態素解析 文を単語に分割 – 犬が歩く → 犬/が/歩く 読み?品詞の推定 – 犬 犬 イヌ 名詞-一般 – が が ガ 助詞-格助詞 – 歩く 歩く アルク 動詞-五段
- 5. 5 単語アクセント 音の強さ vs. 音の高さ – 音の強さ(stress): 英語など – 音の高さ(pitch): 日本語など アクセントの単位 – 音節 vs. モーラ
- 6. 6 日本語（標準語）のアクセン ト モーラごとの音の高さによる 高音から低音に移るモーラ（アクセン ト核）による分類 – 0型：LHHH.. （端 おすすめ 希望 谷 底） – 1型：HLLL... （箸 漢方 シュール） – 2型：LHLL... （橋 ビタミン 坂道） – 3型：LHHLL.. （宝物 細雪 ハンバー グ） – ４型：LHHHL.. （美しい 恐ろしい）
- 7. 7 単語の接続とアクセント アクセント型による助詞のアクセント変 化 – 端を駆ける はしをかける – 箸を書ける はしをかける – 橋を架ける はしをかける 複合語のアクセント – ビーフ(1)+ハンバーグ(3)=ビーフハンバーグ (6) – 漢方(1)+処方(0)=漢方処方(5)
- 8. 8 韻律の推定 アクセント句(Intonational phrase) – 単一のアクセント核を持つ1つ以上の文節 の連接単位 ? つめたいこうちゃ （0型） ? ひとりだけのこる （7型） – 元の単語のアクセント型によって決まるが ， 規則は複雑
- 9. 9 アクセントからピッチへ 60 80 100 120 140 160 おやゆず り の む て ぽ で こどもの と き から そんばかりし ている フレーズ成 分 アクセント成分藤崎モデル
- 11. 11 ロボットによる発声 (Talking Head) ロボットによって人間 の発声器官を模倣する – 写真は早稲田大学高西 研究室の Waseda Talker 7RII – デモビデオあり
- 12. 12 物理シミュレーション (Articulatory Synthesis) 声帯の振動，声道の物理的特性をシ ミュレーション i i i k Q m = 21 3 2 ( ) ( ) g g g g c Uc Z A t A t = + 2 2 1 1 a b c z R j L j A A z Aj C j c ω ρ ω ω ω ω ρ = + = + = = iA gA ( )p t
- 13. 13 フォルマント合成 (Formant Synthesis) 声帯から出る波と、声道による音色の 変化をマネすることによって音を出す 音の高さ 音の強さ 音の強さ 音の高さ × ＝ 音の高さ 音の強さ
- 15. 15 フォルマント合成 デモをどうぞ 利点 – 母音（ a, i, u, e, o等）については、どんな 声でも原理的に作れる 欠点 – 自然な声を出すのが難しい – 子音（p, s, d などの音）の品質が良くない
- 16. 16 波形（素片）接続合成 (Concatenative Synthesis) 本物の声をたくさん記録しておき、そ の中から適宜取り出してきてつなぐ – 編集合成の高度なやつ – 利点 ? （もとが本物なので）自然な声が作りやすい – 欠点 ? 大量の元音声が必要 ? 任意の声は作れない
- 17. 17 波形素片の接続 接続方法 1. 合成するための音素系列?継続時間系列? ピッチ系列を用意 2.音素系列に対応する素片を選ぶ 3.素片の長さとピッチを調整して接続 基本的な問題点 – 接続点が多いほど不自然 – 素片の変更量（長さ，ピッチ）が多いほど 不自然
- 18. 18 波形素片 各音素の波形を接続 各音節の波形を接続 o sh k a e 波形素片 o sh i k a k e i k a k
- 19. 19 波形素片 2音素の組み合わせ(diphone, CV-VC) 母音の途中で波形を接続(VCV) o sh-i ei-k k-a a-k k-eo-sh o eo-sh-i i-k-a a-k-e
- 22. 22 TD-PSOLA (Time-Domain Pitch-Synchronous Overlap Add) 基本周期に同期して波形を切り出し， それを再び重ね合わせる
- 23. 23 TD-PSOLA (Time-Domain Pitch-Synchronous Overlap Add) 波形を何度も重ね合わせると音を伸ば すことができる
- 24. 24 TD-PSOLA (Time-Domain Pitch-Synchronous Overlap Add) 重ね合わせの周期を変えるとピッチ変 換が実現できる