次世代音声合成システムToSpeak V2を支える多様性向上技術

摘要

公共施設の情報端末や，コールセンターの自動応答，しゃべる家電など，生活のなかで音声サービスを耳にする機会が増えてきている。音声合成技術は，テキストを入力するだけで任意の音声を生成できるため，これらの音声コンテンツの作成に要していた費用や時間を大幅に削減でき，また，この結果として音声サービスのいっそうの普及も期待できる。東芝は，高い基本音質に加えて，様々なコンテンツに適したバリエーション豊かな声質や発話スタイルの合成音声の生成を実現するために，音声合成の多様化の研究を進めている。今回，様々な抑揚の特徴を精度よくモデル化できる新しい基本周波数制御手法と，任意の語句を強調できる韻律制御手法を開発した。これらの手法を導入して，幅広い用途に対応できる次世代の音声合成システムToSpeak V2を開発した。