一般に音声合成を行う場合，韻律の扱いが重要である．CHATR[7]など の通常の波形接続型音声合成では，ToBIモデルや藤崎モデルで韻律モデルを推 定し，推定したピッチ周波数に類似した音素素片を，録音した音声データのな かから選択する．しかし，特定話者の単語発話を合成音声に使用する場合，単 語のモーラ情報(モーラ数とモーラ位置)が決まれば，単語によらずピッチ周波 数がほぼ決定されることが知られている[2]．また，一般名詞の 場合，名詞のモーラ情報に，名詞のアクセント型を加えることによって，非常 に高い品質の音声が得られる[4]．文節発声の場合では，発話速度 が遅い音声の場合には，文節単位でゆっくりと区切るためピッチが初期化され る．それにより，文節発声の音声も一般名詞のみの発話と同様に扱うことがで きる[5]．
音節波形接続型音声合成は，これらの事柄を利用して，韻律情報を，主に， モーラ数，モーラ位置，アクセント位置から得ている．また，音節継続時間の 情報は，主に，音節の前後環境と，モーラ長およびモーラ位置から得ている． そして，調音結合の情報は，主に，音節の前後の環境から得ている．