現在，カーナビゲーションシステムや電車の車内アナウンスなどのように， 音声ガイダンスを利用したシステムやサービスが様々な場面において利用されている． このようなシステムでは，録音編集方式が広く使われている． 録音編集方式では，まず，システムやサービスに必要となる音声を， システム利用者の入力やサービスの利用される場所・時間などに依存するような 比較的短い単語音声（以下，「可変部」）と， それ以外の比較的長い文節・文音声（以下，「固定部」）に区別する． そして，可変部と固定部を別々に録音しておき， 必要に応じて組み合わせることで出力音声を構築する．
例えばカーナビゲーションシステムにおいて， 「目的地は○○でよろしいですか．」というガイダンス音声を出力したい場合， ○○の部分には，駅名や建物名などの単語音声が挿入される． ユーザーが目的地に「東京駅」を指定した場合， ガイダンス文は「目的地は``東京駅''でよろしいですか．」となる． 例の場合， 「東京駅」などの駅名や建物名などの単語音声が可変部， 「目的地は〜」という部分が固定部となる．
録音編集方式を用いた音声合成においては， 可変部と固定部を接続した場合の違和感を軽減するために， 一般に同一話者の音声が必要となる． 可変部と固定部を分離して録音することにより， 必要となるすべての音声を録音する場合に比べて話者に対する負担は若干軽減されるが， 可変部に挿入する単語が増大した場合，同一話者から全ての音声を録音することは困難となる． さらに，録音環境の違いにより発話速度や1#1周波数にばらつきが出るため， 安定した品質の音声を得ることは非常に困難となる．
そこで，可変部や固定部に必要になる音声をすべて音声合成によって作成する方法が 考えられる．例えば，音素や音節を単位とした規則音声合成がある． 規則音声合成は，古くからTTS音声合成において用いられてきた方法であり， 基本的には，音声の特徴をパラメータとして抽出し，変形することによって合成音声を作成する． PSOLA方式による音声合成については，現在も多くの研究がなされている． また，最近ではHMMを用いて直接音声を合成する研究も行われている[4][5]． しかし，いずれの場合においても，直接人の声を録音した音声のように，高い品質を安定して得ることが難しい点が 問題である[6]．
一方，録音した音声波形の一部（以下「音声素片」）を用いて別の音声を合成する 方法がある． その代表的な手法がCHATR[8]である． CHATRは，あらかじめ合成したい話者の音声を録音しておき，そこから部分的に切り出した音声波形を信号処理をせずに音声を合成する手法である．
これと似た手法で単語の音声合成を行うのが音節波形接続方式である． 音節波形接続方式は，あらかじめ録音しておいた音声波形を，音素単位や音節単位などで分割し，接続することで合成音声を作成する方法である． この場合，波形に信号処理を行わずに接続することにより，話者性と高い自然性が保たれる特徴がある．
しかし，波形接続型音声合成においては，音声波形に信号処理を加えないため，韻律の扱いが問題となる． 尤も，波形接続型音声合成に限らず，一般に音声合成において， 韻律制御は重要な課題であるが[9]， 音声合成の対象として小さな単位である単語を合成する場合においては， 地名などの固有名詞では1#1周波数のばらつきが比較的小さく， アクセント型がほぼ一意に決まるため， 1#1周波数とモーラ情報の依存関係を効果的に利用することが可能である[1]． そして，固有名詞を対象とした実験では，実用的な品質が得られたことが報告されている． また，普通名詞に適用した場合も，明瞭性の高い合成音声が作成でき，さらにアクセント情報としてアクセント型を考慮することで，より自然音声に近い合成音声の作成が可能であることが示されている[2][3]．
本研究では，文節に対して音節波形接続方式を適用し，有効性の確認を行う． ただし，文節は名詞単体に比べてアクセントが複雑になるため，通常の発話の音声では音声合成が困難だと考えられる． そこで，本研究では実験に文節発声で発話速度が遅い音声を使用する． また，作成した合成音声の問題点から，音声波形の選択条件を追加し，さらに自然音声に近い合成音声の作成を目指した．
以降，2章で音節波形接続方式を用いた音声合成について説明する． そして，3章で評価実験に関する説明を行い，4章で実験結果を報告する． 実験により現れた問題点を5章で述べ，6章で改善策を提案する． そして，改善案に沿った実験を7章で行い，結果について8章で考察する．