可変長の音素環境依存音素列を単位とする波形接続型音声合成

摘要

筆者らはさきに86時間分の大規模な音声データベースを基本とした音声合成システムで利用する探索単位として,単語とクラスタリングされたトライフォンを提案した。 しかし,はとんどの単語は音声データベース内に存在する場合でも,前後の音素環境を満たし,なおかつ十分なデータ数が存在する単語は,評価用オープンデータのテキストに使われる単語の2割程度しかなかった。 そこで,本稿では,単語に制限されない音素環境依存音素列を用いることにより,前後の音素環境を満たす音声素片で接続する音声合成手法を提案する。 提案法によって得られた合成音声に対して,自然性に関する主観評価実験を行なった結果,1）平均評価が3．6となり,「不自然な部分はあるが気にならない」と「少し気になる」の間の自然性を持つ合成音声が得られること,2）音声データベースが大きくなると自然性も向上するが43時間を越えたところでほぼ飽和すること,3）音声データベースの規模を大きくしても合成処理時間はそれほど増加しないこと,を明らかにした。