韻律を表すパラメータ

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かなくてはならない. しかし本研究では録音編集方式による 音声合成を前提としており, 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ので, 孤立単語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.

本手法では,各合成単位,すなわち音節が持つ 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, 単語内のモーラ位置と単語のモーラ数で 代表させることができると仮定した.