まとめ

本論文では，大量の固有名詞を同一話者の音声で出力する方法として，音声出 力が必要な単語の一部のみを録音し，録音した単語音声から以下のパラメータ に基づいて音節波形を切りだして接続することで，録音していない単語の音声 を合成する方法を提案した．

1

単語のモーラ数

2

単語内のモーラ位置

3

前後の音素環境

録音すべき地名の件数を調査したところ， $4\sim 6$ モーラの日本の地名 105,000 件を合成対象とした場合，約17,000 件の録音で合成対象全体をカバー できることが分かった．

また，5モーラ語においてナレータ2名で音声を合成して評価試験を行った．そ の結果，平均の単語了解度は98.5%，オピニオン評価は4.08が得られた．一方， 自然音声では，単語了解度は98.8%，オピニオン評価は4.89であった．また， 市販の合成音声は，単語了解度は92.6%，オピニオン評価は1.74であった．

したがって，自然音声と比較すると若干音質は落ちるものの，市販の合成音声 と比較すると，極めて了解度が良く自然性が高い合成音声が得られることが示 された．