[发明专利]定量的F0轮廓生成装置及方法、以及用于生成F0轮廓的模型学习装置及方法

说明书

技术领域

本发明涉及声音合成技术，特别是涉及声音合成时的基频轮廓 (fundamentalfrequencycontours)的合成技术。

背景技术

声音的基频的时间变化轮廓(以下称为“F0轮廓”)有助于使句子的 划分明确、表现音调(accent)位置、或者区分单词。F0轮廓还在传递伴 随于发声的感情等非语言的信息方面发挥着很大作用。进而，F0轮廓对 于发声的自然度也会产生较大影响。特别是，为了使发声中的焦点所在的 位置明了，从而使句子的构造明确，需要使句子以适当的语调来发声。若 F0轮廓不适当，则有损于合成声音的可理解性。因此，在声音合成中， 如何合成期望的F0轮廓成为大的问题。

作为F0轮廓的合成方法，存在后述的非专利文献1中公开的被称为 藤崎模型的方法。

藤崎模型是通过少量的参数来定量地描述F0轮廓的F0轮廓生成过 程模型。参照图1，该F0轮廓生成过程模型30是将F0轮廓作为短语成 分、音调成分与基底成分F_b之和来表现的模型。

所谓短语成分是指在发声之中按照下述方式变化的成分，即，该成分 具有在一个短语开始之后立即上升到顶峰，然后直至短语结束为止缓慢下 降。所谓音调成分是指由与词对应的局部凹凸来表征的成分。

参照图1的左侧，在藤崎模型中，由短语控制机构42针对在短语的 起始处产生的脉冲型的短语指令40的响应来表征短语成分。另一方面， 音调成分同样由音调控制机构46针对台阶状的音调指令44的响应来表征。 通过利用加法器48将这些短语成分、音调成分与基底成分F_b的对数 log_eFb进行加法运算，从而可获得F0轮廓50的对数表现log_eF0(t)。

在该模型中，音调成分及短语成分、与发声的语言学信息及副语言学 信息之间的对应关系是明确的。另外，还具有仅通过改变模型参数就能容 易地确定句子的焦点的特征。

然而，在该模型中，存在难以决定适当的参数的问题。在最近的声音 技术中，随着计算机的发展，根据大量收集到的声音数据来构筑模型的方 法成为主流。在藤崎模型中，难以根据在声音语料库中观测到的F0轮廓 来自动获得模型参数。

另一方面，作为根据大量收集到的声音数据来构筑模型的方法的典型 方法，有如后述的非专利文献2所记载的根据在声音语料库中观测到的 F0轮廓来构筑HMM(HiddenMarcovModel：隐马尔可夫模型)的方法。 该方法由于能够从声音语料库获得各种各样的发声语境中的F0轮廓来进 行模型化，因此在实现合成声音的自然度及信息传递功能上是极为重要的。

参照图2，按照该方法的现有的声音合成系统70包括：模型学习部 80，其根据声音语料库进行F0轮廓合成用的HMM模型的学习；和声音 合成部82，其按照利用通过学习获得的HMM而得到的F0轮廓，对与所 输入的文本对应的合成声音信号118进行合成。

模型学习部80包括：声音语料库存储装置90，其存储标注了音素的 语境标签的声音语料库；F0提取部92，其根据声音语料库存储装置90 所存储的声音语料库内的各发声的声音信号来提取F0；频谱参数提取部 94，其同样根据各发声来提取梅尔倒谱(mel-cepstrum)参数来作为频谱 参数；和HMM学习部96，其利用由F0提取部92提取出的F0轮廓、从 声音语料库存储装置90获得的与F0轮廓对应的发声中的各音素的标签、 及从频谱参数提取部94赋予的梅尔倒谱参数，生成各帧的特征向量，若 被赋予了由成为生成对象的音素的语境标签构成的标签串，则进行HMM 的统计性学习，以输出在该帧中各F0频率与梅尔倒谱参数的组被输出的 概率。在此，所谓语境标签是声音合成用的控制符号，是对该音素赋予了 该音素环境等各种各样的语言信息(context)的标签。