本来，自然な文章の音声合成を目指すのであれば，文章全体に渡って韻律的特 徴を予測し，呼気段落レベル，文節レベル，音節レベル，と徐々に細部の特徴 を決定していく必要がある．しかし本論文では録音編集方式によるガイダンス 文の中の可変部の音声合成を前提とし，同一話者が大量の単語を全て発声でき た場合と同じ音声が得られることを目標としている．そこで固有名詞の音声を 合成する場合について考える．
韻律を構成する具体的なパラメータとして，ピッチ周波数，パワー，音韻継続 長などが考えられる．通常はモデルを用いてこれらのパラメータを予測し，合 成音声が予測された値を持つように合成単位の波形をデータベースから選択し たり，選択した波形に処理を加えたりする[3]．
本論文では，各合成単位が持つ韻律的特徴(高さ，強さ，長さなど)を個別のパ ラメータで扱うのではなく，固有名詞（単語）内のモーラ位置と固有名詞（単 語）のモーラ数で代表させることができると仮定する．