従来研究[2]より，音節波形接続型音声合成法の有用性が示された． しかしこの手法では，音節素片選択時に言語情報が全て一致する音節素片が必要 であるため，作成できる音声が少ない．例えば，ATR単語発話データベースAset （5,240単語）を使用して同一発話内容の音声を作成する場合，5,240単語中の 470単語しか作成できない[2]．その問題に対して，従来研究 [4,5]では，音節波形接続型音声合成に，言語情報とMFCCの距 離尺度の両方を用いた木に基づくクラスタリングを適用している．その結果，理 論上全ての音声が作成可能であると示された．