前のページ 1/3 次のページ

音声合成(おんせいごうせい、Speech synthesis)とは、人間の音声を人工的に作り出すことである。これを行うシステムをスピーチ・シンセサイザー(Speech synthesizer)と呼ぶ。

◆ 音声合成技術の概要

人工的に人の声を合成するシステムであり、テキスト(文章)を音声に変換できることから、しばしばテキスト読み上げ(text-to-speech、略してTTS)システムとも呼ばれる。また、発音記号を音声に変換するシステムもある。

◆ 歴史

◇ 機械式

現代的な電子信号処理が発明されるずっと以前から、音声を合成する試みがなされてきた。初期の試みとしては、のちに教皇シルウェステル2世となるオーリヤックのジェルベール(1003年没)、アルベルトゥス・マグヌス(1280年没)、ロジャー・ベーコン(1294年没)などの人物が音声合成を試みている。1779年、ドイツ人クリスティアン・クラッツェンシュタインは母音 (a, e, i, o, u) を発声できる機械を製作した[外部リンク] History and Development of Speech Synthesis (Helsinki University of Technology) - 英語。

この流れはふいごを使った機械式音声合成器を作ったオーストリア(ハンガリー)のヴォルフガング・フォン・ケンペレンに引き継がれた。彼は1791年に論文Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine(音声の仕組みとしゃべる機械の解説)を発表し、その機械について説明している。この機械は舌と唇をモデル化しており、母音だけでなく子音も発音できた。

1837年、チャールズ・ホイートストンはフォン・ケンペレンのデザインを元にしゃべる機械を製作し、1857年、M. FaberはEuphoniaを製作した。ホイートストンの機械は1923年Pagetによって再現されているMattingly, Ignatius G. Speech synthesis for phonetic and phonological models. In Thomas A. Sebeok (Ed.), Current Trends in Linguistics, Volume 12, Mouton, The Hague, pp. 2451-2487, 1974.。

1930年代、ベル研究所はヴォコーダー (Vocoder) を開発した。キーボード操作の電子式の音声分析・音声合成マシンで、その発声はクリアで知的だった。ホーマー・ダドリー()はこれを改良したVODERを製作し、ニューヨーク万国博覧会 (1939年)に出展した。1940年代、ハスキンズ研究所(Haskins Laboratories)のフランクリン・S・クーパー()らはという名の機械の開発に取り組み、1950年に完成した。この機械にはいくつかのバージョンがあるが、実際に機能したのは一つだけである。この機械は、スペクトル形式の音声パターンの図を音に変換するものであった。アルヴィン・リバーマン()らはこれを音声学の研究に利用した。

◇ 電子式

初期の電子式スピーチ・シンセサイザーはロボット的で驚くほど知的である。その音声は本物と区別するのが難しいと言われた。それとは別に人間型ロボットに発声させるため、機械式音声合成も研究が続けられた。

電子式ではスピーカーの音質に制限されるが、ロボットで人間の体の構造を模倣した機械式音声合成なら、もっと人間に近い発声になると考えられていた[外部リンク] Anthropomorphic Talking Robot Waseda-Talker Series。最初のコンピュータを使った音声合成システムは1950年代終盤に開発され、最初のテキスト読み上げシステムは1968年に開発されている。1961年、物理学者John Larry Kelly, Jr.とLouis Gerstmenhttp://query.nytimes.com/search/query?ppds=per&v1=GERSTMAN%2C%20LOUIS&sort=newest Louis Gerstmanの死亡記事(NYタイムス)はベル研究所にてIBM 704を使って音声合成を行った。そして"Daisy Bell"という歌をコンピュータに歌わせた。友人のJohn Pierceを訪ねてベル研究所に来ていたアーサー・C・クラークは、このデモを聴いた。クラークはこれに感銘を受け、『2001年宇宙の旅』でHAL 9000が歌うクライマックスシーンが生まれた[外部リンク] Bell Labs: Where "HAL" First Spoke (Bell Labs Speech Synthesis website)。

◆ 実用例

音声合成技術は文字を読むことが困難な障害者や、文字が読めない人(幼児、外国人など)に画面読み上げソフト(スクリーンリーダー)として長く利用されてきており、言葉を発することが困難な人が代替手段として利用することも多い。また、2000年頃から家電製品の音声ガイダンスや、公共交通機関や防災関係のアナウンス用途として音声合成されたものが広く使用されるようになっている。

これは、人間が発声したものを録音すると、台詞の変更の度にその部分を録音をし直さなければならないが、音声合成であればデータの作成で済むためである。実際に、鉄道用アナウンスでは、駅が追加されたり名称変更があっても、その箇所のみが変更されている。

また、最近では個人向けのソフトウェアなどにも活用されてきている。

◇ テキスト読み上げシステム

テキスト読み上げシステムは、フロントエンドとバックエンドのふたつの部分からなる。一般に、フロントエンドは入力したテキストから記号化言語表現 (symbolic linguistic representation) を出力する。バックエンドはフロントエンドで合成された音声の波形を出力する。音声合成の自然さは、出力される音声がいかに現実の人間の音声に似ているか、明瞭度は聴きやすさ(出力音声の理解しやすさ)で評価される。

; フロントエンド

: フロントエンドにはふたつの大きな仕事がある。ひとつはテキストの中の数字や省略表現を読み上げるときの表現に変換することである。これは、「テキストの正規化」、「プリプロセッシング」、「トークン化」などと呼ばれる。もうひとつは各単語を発音記号に変換し、テキストを熟語や文節、文などの韻律単位に分割することである。単語に発音記号を割り当てる処理をテキスト音素(text-to-phoneme、略してTTP)変換または書記素音素(grapheme-to-phoneme、略してGTP)変換と呼ぶ。発音記号と韻律情報を組み合わせて記号化言語表現を作成し、フロントエンドの出力とする。

:; 訳注

:: この部分は言語によってかなり違いがある。日本語の場合、わかち書きをしない為、文章を正確に処理するためには単語を分割する作業が必要となる。

; バックエンド

: フロントエンドの出力結果を元に、より自然な音声にするため韻律などの音声の調整を行い、実際の音声データを出力する。この処理にて音声の性質が決定されるため、音声合成ソフト独自色が出ることが多い。また、一般的に「話言葉」を目指す物が多いが、歌声の様な調整を行なう音声合成ソフトもある。

◇ オペレーティングシステムでの音声合成

; アップル

: 1984年、アップルコンピュータにMacInTalk機能を搭載した。その後も新しいOSバージョンでは音質が改善されている。また、音声認識も導入しており、これらの機能を統合したPlainTalkは視覚障害者のためのサポートプログラムであった。Mac OS X v10.4以降にはVoiceOverという音声合成機能になっている。

; AmigaOS

前のページ 1/3 次のページ

・音声合成 page1

・音声合成 page2

・音声合成 page3