N-gramモデルを用いたtext-to-speechシステムに応じた入力テキスト合成手法

摘要

TTSにおける音声合成において、自然な発話を得るためには、韻律情報が非常に重要となる。韻律合成では、複数の自立語が接続された場合のアクセント変化は複雑であり、高性能なTTSシステムを実現しようとする努力がなされている一方で、TTSシステムは与えられており、その内部には立ち入ることができない場合もある。この場合にはTTSを高性能化することはできない。そこで、本研究では与えられたTTSシステムを使うことを前提に、自然な発話の実現を目的としている。具体的には、N-gramモデルを用いた入力テキストの解析手法を参考して、入力テキストの合成手法を提案する。どれだけ自然なアクセントを有する発声を実現するかが焦点となるので、日本語の標準語に存在するアクセントルールが性能の低いTTSシステムに果たして存在するか自体が疑わしいことから、明確なルールを扱う手法ではなく、アクセント位置を確率的に扱うN-gram方式が適していると考えられる。