一般に音声合成を行う場合，韻律の扱いが重要である．CHATR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[3]．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 [6]．
音節波形接続型音声合成は，これらのことがらを利用して，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．