特開 2025-33170 音声合成支援装置、音声合成支援方法、および音声合成支援プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025033170

(43)【公開日】2025-03-13

(54)【発明の名称】音声合成支援装置、音声合成支援方法、および音声合成支援プログラム

(51)【国際特許分類】

   G10L 13/06 20130101AFI20250306BHJP

【ＦＩ】

G10L13/06 200

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023138706

(22)【出願日】2023-08-29

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(71)【出願人】

【識別番号】301063496

【氏名又は名称】東芝デジタルソリューションズ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】倉田 宜典

(57)【要約】

【課題】テキストを正確な言語情報に容易に変換可能とする。
【解決手段】音声合成支援装置１０は、変換部２０Ａと、受付部２０Ｃと、登録部２０Ｄと、を備える。変換部２０Ａは、言語辞書１６Ａを用いてテキストを解析しテキストを、合成音声データの生成に用いる合成音声辞書１６Ｂに入力するための言語情報に変換する。受付部２０Ｃは、言語情報の少なくとも一部の修正を受付ける。登録部２０Ｄは、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する。
【選択図】図１

【特許請求の範囲】

【請求項1】

言語辞書を用いてテキストを解析し前記テキストを、合成音声データの生成に用いる合成音声辞書に入力するための言語情報に変換する変換部と、
前記言語情報の少なくとも一部の修正を受付ける受付部と、
前記テキストと修正後の前記言語情報とを対応付けて前記言語辞書に登録する登録部と、
を備える音声合成支援装置。

【請求項2】

前記テキストと前記変換部によって変換された前記言語情報と、を含む第１表示画面を表示する表示制御部を備え、
前記表示制御部は、
前記言語情報の少なくとも一部の修正を受付けた時に、前記テキストと修正を受付けた修正後の前記言語情報との対応を表す第２表示画面を表示し、
前記登録部は、
前記第２表示画面を介して登録指示を受け付けた時に、前記第２表示画面に含まれる前記テキストと修正後の前記言語情報とを対応付けて前記言語辞書に登録する、
請求項１に記載の音声合成支援装置。

【請求項3】

前記登録部は、
前記第２表示画面に含まれる前記テキストと修正後の前記言語情報と、前記テキストの属するカテゴリと、を対応付けて前記言語辞書に登録する、
請求項１に記載の音声合成支援装置。

【請求項4】

前記表示制御部は、
前記テキストに対応する互いに異なる複数の前記言語情報の内の１つを選択可能に表示し、
前記登録部は、
前記テキストと、表示された複数の前記言語情報の内の選択を受け受けた１の前記言語情報と、を対応付けて前記言語辞書に登録する、
請求項１に記載の音声合成支援装置。

【請求項5】

前記言語情報の再生指示を受付けた時に、該言語情報および前記合成音声辞書を用いて合成音声データを生成する音声合成部と、
前記合成音声データを再生する再生部と、
を備える請求項１に記載の音声合成支援装置。

【請求項6】

音声合成支援装置によって実行される音声合成支援方法であって、
言語辞書を用いてテキストを解析し前記テキストを、合成音声データの生成に用いる合成音声辞書に入力するための言語情報に変換する変換ステップと、
前記言語情報の少なくとも一部の修正を受付ける受付ステップと、
前記テキストと修正後の前記言語情報とを対応付けて前記言語辞書に登録する登録ステップと、
を含む音声合成支援方法。

【請求項7】

言語辞書を用いてテキストを解析し前記テキストを、合成音声データの生成に用いる合成音声辞書に入力するための言語情報に変換する変換ステップと、
前記言語情報の少なくとも一部の修正を受付ける受付ステップと、
前記テキストと修正後の前記言語情報とを対応付けて前記言語辞書に登録する登録ステップと、
をコンピュータに実行させるための音声合成支援プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、音声合成支援装置、音声合成支援方法、および音声合成支援プログラムに関する。

【背景技術】

【0002】

言語辞書を用いてテキストを解析し、文章を構成する音素列、アクセントの位置、等の言語情報を生成し、言語情報から音声合成辞書を用いて合成音声データを生成する技術が開示されている。

【0003】

しかしながら従来技術では、テキストの解析結果である言語情報に誤りがある場合、ユーザによる操作指示等によって解析の度に毎回言語情報を修正する必要があり、テキストを正確な言語情報に容易に変換することは困難であった。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２２－０８１６９１号公報

【特許文献2】特開２０２３－０３８９５７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明が解決しようとする課題はテキストを正確な言語情報に容易に変換することができる、音声合成支援装置、音声合成支援方法、および音声合成支援プログラムを提供することである。

【課題を解決するための手段】

【0006】

実施形態の音声合成支援装置は、変換部と、受付部と、登録部と、を備える。変換部は、言語辞書を用いてテキストを解析し前記テキストを、合成音声データの生成に用いる合成音声辞書に入力するための言語情報に変換する。受付部は、前記言語情報の少なくとも一部の修正を受付ける。登録部は、前記テキストと修正後の前記言語情報とを対応付けて前記言語辞書に登録する。

【図面の簡単な説明】

【0007】

【図1】図１は、音声合成支援装置の一例を示す図である。

【図2A】図２Ａは、表示画面の一例の模式図である。

【図2B】図２Ｂは、表示画面の一例の模式図である。

【図2C】図２Ｃは、表示画面の一例の模式図である。

【図3A】図３Ａは、表示画面の一例の模式図である。

【図3B】図３Ｂは、表示画面の一例の模式図である。

【図3C】図３Ｃは、表示画面の一例の模式図である。

【図4】図４は、音声合成支援装置が実行する情報処理の流れの一例を示すフローチャートである。

【図5】図５は、ハードウェア構成図である。

【発明を実施するための形態】

【0008】

以下に添付図面を参照して、音声合成支援装置、音声合成支援方法、および音声合成支援プログラムを詳細に説明する。

【0009】

図１は、本実施形態の音声合成支援装置１０の一例を示す図である。

【0010】

音声合成支援装置１０は、テキストの正確な言語情報への変換を支援する情報処理装置である。

【0011】

音声合成支援装置１０は、通信部１２と、ＵＩ（ユーザ・インターフェース）部１４と、記憶部１６と、処理部２０と、を備える。通信部１２、ＵＩ部１４、記憶部１６、および処理部２０は、バス１８を介して通信可能に接続されている。

【0012】

通信部１２は、ネットワーク等を介して外部の他の情報処理装置と通信する。ＵＩ部１４は、表示部１４Ａと、入力部１４Ｂと、音声出力部１４Ｃと、を含む。

【0013】

表示部１４Ａは、各種の情報を表示する。表示部１４Ａは、例えば、ＬＣＤ（Liquid Crystal Display）、有機ＥＬ（Electro-Luminescence）などのディスプレイや、投影装置などである。

【0014】

入力部１４Ｂは、ユーザの操作を受付ける。入力部１４Ｂは、例えば、デジタルペン、マウス、またはトラックボール等のポインティングデバイスや、キーボード等の入力デバイスである。なお、表示部１４Ａと入力部１４Ｂの少なくとも一部とを一体的に備えた、タッチパネルとして構成してもよい。

【0015】

音声出力部１４Ｃは、音声を出力するスピーカである。

【0016】

記憶部１６は、各種のデータを記憶する。記憶部１６は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等である。なお、記憶部１６は、音声合成支援装置１０の外部に設けられた記憶装置であってもよい。また、記憶部１６は、記憶媒体であってもよい。具体的には、記憶媒体は、プログラムや各種情報を、ＬＡＮ（Local Area Network）やインターネットなどを介してダウンロードして記憶または一時記憶したものであってもよい。また、記憶部１６を、複数の記憶媒体から構成してもよい。

【0017】

本実施形態では、記憶部１６は、言語辞書１６Ａおよび合成音声辞書１６Ｂを記憶する。言語辞書１６Ａおよび合成音声辞書１６Ｂの詳細は後述する。

【0018】

次に、処理部２０について説明する。処理部２０は、各種の情報処理を実行する。処理部２０は、変換部２０Ａと、表示制御部２０Ｂと、受付部２０Ｃと、登録部２０Ｄと、音声合成部２０Ｅと、再生部２０Ｆと、を備える。変換部２０Ａ、表示制御部２０Ｂ、受付部２０Ｃ、登録部２０Ｄ、音声合成部２０Ｅ、および再生部２０Ｆは、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。

【0019】

また、上記各部の少なくとも１つおよび記憶部１６に記憶される情報の少なくとも一部は、クラウド上で処理を実行するクラウドサーバ等に搭載されていてもよい。

【0020】

変換部２０Ａは、言語辞書１６Ａを用いてテキストを解析し、テキストを言語情報に変換する。

【0021】

テキストとは、コンピュータで扱われる文字列や文章などの文字データである。テキストの言語は限定されない。テキストの言語は、例えば、日本語、英語、等の言語である。本実施形態では、テキストの言語が日本語である形態を一例として説明する。テキストの言語が日本語である場合、テキストは、例えば、漢字、平仮名、カタカナ、英数字、ローマ字、等の何れで表現されていてもよい。

【0022】

言語辞書１６Ａとは、テキストを解析し言語情報を出力するための辞書である。言語辞書１６Ａには、例えば、テキストと、言語情報と、が対応付けて登録されている。言語辞書１６Ａに登録されるテキストの単位は、例えば、形態素を少なくとも１つ含む単位であればよい。

【0023】

言語情報とは、テキストから抽出された言語の特長量である。言語情報は、言語特徴量と称される場合がある。例えば、言語情報は、前後の音素、発音に関する情報、アクセントの位置、漢字のよみ、文節（アクセントの句）の区切り、句末位置、文長、アクセント句長、モーラ長、モーラ位置、アクセント型、品詞、係り受け、等の情報である。

【0024】

変換部２０Ａは、ユーザによる入力部１４Ｂの操作指示なとによって指定されたテキストを取得する。例えば、変換部２０Ａは、記憶部１６または外部の情報処理装置等から、ユーザによる入力部１４Ｂの操作指示等によって指定されたテキストを読取ることで、テキストを取得する。

【0025】

そして、変換部２０Ａは、取得したテキストに対応する言語情報を言語辞書１６Ａから読み取ることで、テキストを言語情報に変換する。

【0026】

表示制御部２０Ｂは、各種の画像を表示部１４Ａに表示する。

【0027】

図２Ａは、表示画面３０Ａの一例の模式図である。本実施形態では、表示画面３０に表示される文字が、日本語である場合を一例として説明する。表示画面３０Ａは、表示部１４Ａに表示される表示画面３０の一例である。また、表示画面３０Ａおよび後述する表示画面３０Ｂは、第１表示画面の一例である。第１表示画面は、テキストと変換部２０Ａによる該テキストの変換により得られた言語情報の表示、および該言語情報の修正を受付けるための表示画面３０である。

【0028】

表示画面３０Ａは、テキスト表示欄４０Ａと、言語情報表示欄４０Ｂと、再生ボタン４０Ｃと、保存／次へボタン４０Ｐと、を含む。

【0029】

テキスト表示欄４０Ａは、変換部２０Ａによる変換対象のテキストの表示欄である。言語情報表示欄４０Ｂは、テキスト表示欄４０Ａに表示されているテキストに対応する言語情報の表示欄および該言語情報に対する編集の受付を行うための表示欄である。再生ボタン４０Ｃは、言語情報表示欄４０Ｂに表示された言語情報に応じた合成音声データの再生を指示するときにユーザによって操作されるボタン画像領域である。保存／次へボタン４０Ｐは、テキスト表示欄４０Ａに表示されているテキストを他のテキストに変更するときにユーザによって操作されるボタン画像領域である。

【0030】

変換部２０Ａがテキスト情報を言語情報に変換すると、表示制御部２０Ｂは、該テキスト情報をテキスト表示欄４０Ａに表示し、該言語情報を言語情報表示欄４０Ｂに表示する。

【0031】

図１に戻り説明を続ける。

【0032】

ここで、テキストから言語辞書１６Ａを用いて変換された言語情報の少なくとも一部が、該テキストの正確な音素やアクセント等の言語情報とは異なる場合がある。テキストから言語情報への変換は言語辞書１６Ａを用いて行われる。このため、言語辞書１６Ａに間違った言語情報が登録されている場合、同じテキストを言語情報に変換する場面では、常に間違った言語情報への変換が行われることとなる。

【0033】

そこで、受付部２０Ｃは、言語情報の少なくとも一部の修正を受付ける。

【0034】

例えば、図２Ａに示す表示画面３０Ａが表示部１４Ａに表示された場面を想定する。また、言語情報表示欄４０Ｂに表示されている言語情報の一部が間違った情報である場合を想定する。この場合、ユーザは、入力部１４Ｂを操作することで、言語情報表示欄４０Ｂに表示されている言語情報の少なくとも一部を正しい情報に変更する。

【0035】

図２Ｂは、表示画面３０Ｂの一例の模式図である。

【0036】

表示画面３０Ｂは、表示画面３０の一例である。また、表示画面３０Ｂは、第１表示画面の一例である。表示画面３０Ｂは、言語情報の修正の受付場面で表示部１４Ａに表示される表示画面３０の一例である。表示画面３０Ｂは、修正完了ボタン４０Ｄを含む。修正完了ボタン４０Ｄは、合成音声辞書１６Ｂへの言語情報の保存指示を行う時にユーザによって操作されるボタン画像領域である。

【0037】

例えば、ユーザは入力部１４Ｂを操作することで、表示画面３０Ａ（図２Ａ参照）の言語情報表示欄４０Ｂに表示されている言語情報の少なくとも一部を正しい情報に変更する（図２Ｂの表示画面３０Ｂの言語情報表示欄４０Ｂ中の下線部参照）。

【0038】

そして、ユーザは、言語情報表示欄４０Ｂに表示されている言語情報の少なくとも一部を正しい情報に変更すると、入力部１４Ｂを操作することで修正完了ボタン４０Ｄを表示する。

【0039】

図１に戻り説明を続ける。

【0040】

ユーザによる入力部１４Ｂの操作指示によって修正完了ボタン４０Ｄが操作されることで、受付部２０Ｃが修正完了指示を受付けると、表示制御部２０Ｂは、テキストと修正を受付けた修正後の言語情報との対応を表す第２表示画面を表示部１４Ａに表示する。

【0041】

図２Ｃは、表示画面３０Ｃの一例の模式図である。表示画面３０Ｃは、表示画面３０の一例である。また、表示画面３０Ｃは、第２表示画面の一例である。

【0042】

表示画面３０Ｃは、カテゴリ表示欄４０Ｅと、テキスト表示欄４０Ｆと、言語情報表示欄４０Ｇと、登録ボタン４０Ｈと、報告ボタン４０Ｉと、を含む。

【0043】

カテゴリ表示欄４０Ｅは、テキストの属するカテゴリの表示欄である。テキスト表示欄４０Ｆは、テキストの表示欄である。言語情報表示欄４０Ｇは、該テキストに対して入力を受付けた修正後の言語情報の表示欄である。登録ボタン４０Ｈは、テキスト表示欄４０Ｆに表示されているテキストと言語情報表示欄４０Ｇに表示されている言語情報とを対応付けて言語辞書１６Ａに登録するときにユーザによって操作されるボタン画像領域である。報告ボタン４０Ｉは、表示画面３０Ｃのテキスト表示欄４０Ｆに表示されているテキストと言語情報表示欄４０Ｇに表示されている言語情報との対を学習データとして変換部２０Ａへ出力するときにユーザによって操作されるボタン画像領域である。

【0044】

表示制御部２０Ｂは、テキストと修正を受付けた修正後の言語情報との対応を表す第２表示画面の一例である表示画面３０Ｃを、第１表示画面の一例である表示画面３０Ｂ上に重畳してポップアップ表示してもよい。また、表示制御部２０Ｂは、第２表示画面の一例である表示画面３０Ｃを、表示部１４Ａの表示面における、第１表示画面の一例である表示画面３０Ｂとは非重複な位置に表示してもよい。また、表示制御部２０Ｂは、表示画面３０Ｂに替えて、表示画面３０Ｃを表示部１４Ａに表示してもよい。

【0045】

表示制御部２０Ｂは、テキストを公知の学習モデル等を用いて解析することで、該テキストの属するカテゴリをカテゴリ表示欄４０Ｅに表示すればよい。また、表示制御部２０Ｂは、ユーザによる入力部１４Ｂの操作指示によって入力された、テキストの属するカテゴリをカテゴリ表示欄４０Ｅに表示してもよい。また、表示制御部２０Ｂは、表示画面３０Ｂの言語情報表示欄４０Ｂに表示された修正後の言語情報の内、修正前の言語情報と異なる文字を含む連続する文字列を選択的に抽出し、抽出した文字列を修正後の言語情報として言語情報表示欄４０Ｇに表示してもよい。この場合、表示制御部２０Ｂは、該修正後の言語情報に対応するテキストをテキスト表示欄４０Ｆに表示すればよい。

【0046】

ユーザによる入力部１４Ｂの操作指示によって報告ボタン４０Ｉが操作されることで報告指示の入力を受付けると、表示制御部２０Ｂは、表示画面３０Ｃに含まれるテキスト表示欄４０Ｆに表示されているテキストと言語情報表示欄４０Ｇに表示されている言語情報との対を学習データとして変換部２０Ａへ出力する。また、表示制御部２０Ｂは、表示画面３０Ｃに含まれるカテゴリ表示欄４０Ｅに表示されているカテゴリを更に含む学習データを変換部２０Ａへ出力してもよい。

【0047】

学習データを受付けた変換部２０Ａは、過去に受け受けた学習データを含む複数の学習データを用いて、テキストを入力とし、修正後の言語情報を出力とする学習モデルを公知の方法を用いて学習してもよい。

【0048】

ユーザによる入力部１４Ｂの操作指示によって修正完了ボタン４０Ｄまたは登録ボタン４０Ｈが操作されることで、受付部２０Ｃが修正完了指示を受付けると、登録部２０Ｄは、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する。本実施形態では、表示画面３０Ｄは、ユーザによる入力部１４Ｂの操作指示によって表示画面３０Ｃに表示されている登録ボタン４０Ｈが操作されることで修正完了指示を受付けた時に、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する。

【0049】

このとき、登録部２０Ｄは、例えば、記憶部１６に登録されている、該テキストに対応する言語情報を、修正後の言語情報に上書き記録することで言語辞書１６Ａに登録する。これらの処理により、言語辞書１６Ａに登録されている該テキストに対応付けられていた誤った言語情報が、修正後の正確な言語情報に更新される。

【0050】

なお、登録部２０Ｄは、表示画面３０Ｃを介して受け付けたテキストの属するカテゴリを更に対応付けて言語辞書１６Ａに登録してもよい。また、記憶部１６には、カテゴリごとに言語辞書１６Ａが記憶されていてもよい。この場合、登録部２０Ｄは、表示画面３０Ｃを介して受け付けたテキストの属するカテゴリに対応する言語辞書１６Ａに、テキストおよび該テキストに対応する修正後の言語情報を対応付けて登録すればよい。

【0051】

なお、上記には、言語辞書１６Ａには、テキストと、言語情報と、が１対１で対応付けて登録されている場合を想定して説明した。しかし、言語辞書１６Ａには、１つのテキストに対して、互い異なる複数の言語情報が対応付けて登録されていてもよい。

【0052】

この場合、変換部２０Ａは、ユーザによる入力部１４Ｂの操作指示などによって指定されたテキストを取得すると、取得したテキストに対応する複数の言語情報を言語辞書１６Ａから読取ることで、１つのテキストを複数の言語情報に変換する。

【0053】

そして、表示制御部２０Ｂは、該テキストを表示画面３０に表示する。また、表示制御部２０Ｂは、該テキストに対応する複数の言語情報を選択可能に表示画面３０に表示する。

【0054】

図３Ａおよび図３Ｂは、表示画面３０の一例の模式図である。図３Ａには、表示画面３０の一例として表示画面３０Ｅを示す。図３Ｂには、表示画面３０の一例として表示画面３０Ｆを示す。表示画面３０Ｅおよび表示画面３０Ｆは、第１表示画面の一例である。

【0055】

表示画面３０Ｅおよび表示画面３０Ｅは、テキスト表示欄４０Ａと、言語情報表示欄４０Ｂと、再生ボタン４０Ｃと、修正完了ボタン４０Ｄと、次候補ボタン４０Ｊと、を含む。

【0056】

表示制御部２０Ｂは、取得したテキストをテキスト表示欄４０Ａに表示する。また、表示制御部２０Ｂは、該テキストに対応する複数の言語情報の内の１つを、言語情報表示欄４０Ｂに表示する。そして、ユーザによる入力部１４Ｂの操作指示によって次候補ボタン４０Ｊが操作されることで次候補表示指示が入力されるごとに、表示制御部２０Ｂは、該テキストに対応する複数の言語情報の内の他の１つを、言語情報表示欄４０Ｂに表示する。例えば、表示制御部２０Ｂが表示画面３０Ｅを表示部１４Ａに表示した状態でユーザによる入力部１４Ｂの操作指示によって次候補ボタン４０Ｊが操作されると、表示制御部２０Ｂは、例えば、該テキストに対応する現在表示されている言語情報とは異なる言語情報を言語情報表示欄４０Ｂに表示した表示画面３０Ｆを表示部１４Ａに表示する（図３Ａ、図３Ｂ参照）。このため、ユーザは、１つのテキストに対する異なる複数の言語情報を順次確認することが可能となる。

【0057】

そして、ユーザは、複数の言語情報の内、テキストに対する正しい言語情報が言語情報表示欄４０Ｂに表示されたときに、入力部１４Ｂを操作することで修正完了ボタン４０Ｄを操作する。登録部２０Ｄは、修正完了ボタン４０Ｄが操作されたときに言語情報表示欄４０Ｂに表示されていた言語情報を修正後の正確な言語情報として受け付ける。そして、登録部２０Ｄは、言語辞書１６Ａにおける、該テキストに対応する複数の言語情報の内、修正後の言語情報として受け付けた言語情報に正確な言語情報であることを表すフラグを付与する。

【0058】

また、登録部２０Ｄは、言語辞書１６Ａにおける該テキストに対応する複数の言語情報の内の１つに該フラグが既に付与されている場合、該フラグを、修正後の言語情報として受け付けた言語情報に付け替えてもよい。この場合、言語辞書１６Ａに登録されている１のテキストに対応する複数の言語情報の内の１つに、正確な言語情報であることを表すフラグが付与された状態となる。

【0059】

また、登録部２０Ｄは、言語辞書１６Ａにおける該テキストに対応する複数の言語情報の内の少なくとも１つに該フラグが既に付与されている場合、修正後の言語情報として受け付けた言語情報に更にフラグを付与すればよい。この場合、言語辞書１６Ａに登録されている１のテキストに対応する複数の言語情報の各々に、０、１または複数のフラグが付与された状態となる。

【0060】

なお、表示制御部２０Ｂは、次回の表示画面３０Ｅおよび表示画面３０Ｆの表示時には、言語辞書１６Ａにおける１のテキストに対応する複数の言語情報の内、より多い数の該フラグの付与された言語情報から順に言語情報表示欄４０Ｂに表示されるように制御してもよい。そして、ユーザによる入力部１４Ｂの操作指示によって次候補ボタン４０Ｊが操作されるごとに、より付与されたフラグの数の少ない言語情報を言語情報表示欄４０Ｂに順次表示するように制御してもよい。

【0061】

また、表示制御部２０Ｂは、表示画面３０Ｅおよび表示画面３０Ｆにおける修正完了ボタン４０Ｄが操作された場合、上記同様に、表示画面３０Ｃを表示部１４Ａに表示し（図２Ｃ参照）、上記と同様の処理を実行してもよい。

【0062】

また、表示制御部２０Ｂは、言語辞書１６Ａにおける、変換部２０Ａで取得したテキストに対応する複数の言語情報の一覧を選択可能に表示画面３０に表示してもよい。

【0063】

図３Ｃは、表示画面３０Ｇの一例の模式図である。表示画面３０Ｇは、表示画面３０の一例である。また、表示画面３０Ｇは、第１表示画面および第２表示画面の一例である。

【0064】

表示画面３０Ｇは、テキスト表示欄４０Ａと、複数の言語情報表示欄４０Ｂ（言語情報表示欄４０Ｂ１～言語情報表示欄４０Ｂ４）と、複数の言語情報表示欄４０Ｂの各々の表示枠内に配置された複数の再生ボタン４０Ｃ（再生ボタン４０Ｃ１～再生ボタン４０Ｃ４）、再生ボタン４０Ｍと、修正完了ボタン４０Ｄと、を含む。

【0065】

表示制御部２０Ｂは、取得したテキストをテキスト表示欄４０Ａに表示する。また、表示制御部２０Ｂは、該テキストに対応する複数の言語情報を、複数の言語情報表示欄４０Ｂ（言語情報表示欄４０Ｂ１～言語情報表示欄４０Ｂ４）にそれぞれ表示する。図３Ｃには、４つの言語情報を言語情報表示欄４０Ｂ１～言語情報表示欄４０Ｂ４にそれぞれ表示した状態を一例として示す。これらの言語情報表示欄４０Ｂ１～言語情報表示欄４０Ｂ４の各々の表示枠内には、再生ボタン４０Ｃ１～再生ボタン４０Ｃ４がそれぞれ配置されている。再生ボタン４０Ｃ１～再生ボタン４０Ｃ４は、再生ボタン４０Ｃの一例である。

【0066】

そして、ユーザは入力部１４Ｂを操作することで、表示画面３０Ｇに表示された複数の言語情報の内、テキストに対する正しい言語情報の表示欄を選択した上で、修正完了ボタン４０Ｄを操作する。登録部２０Ｄは、修正完了ボタン４０Ｄが操作されたときに、表示画面３０Ｇに表示されている複数の言語情報の内、選択を受付けた言語情報を修正後の言語情報として受け付ける。そして、言語辞書１６Ａにおける、該テキストに対応する複数の言語情報の内、修正後の言語情報として受け付けた言語情報に正確な言語情報であることを表すフラグを付与すればよい。

【0067】

そして、上記と同様に、登録部２０Ｄは、言語辞書１６Ａにおける該テキストに対応する複数の言語情報の内の１つに該フラグが既に付与されている場合、該フラグを、修正後の言語情報として受け付けた言語情報に付け替えてもよい。この場合、言語辞書１６Ａに登録されている１のテキストに対応する複数の言語情報の内の１つに、正確な言語情報であることを表すフラグが付与された状態となる。

【0068】

また、登録部２０Ｄは、言語辞書１６Ａにおける該テキストに対応する複数の言語情報の内の少なくとも１つに該フラグが既に付与されている場合、修正後の言語情報として受け付けた言語情報に更にフラグを付与すればよい。この場合、言語辞書１６Ａに登録されている１のテキストに対応する複数の言語情報の各々に、０、１または複数のフラグが付与された状態となる。

【0069】

なお、表示制御部２０Ｂは、次回の表示画面３０Ｇの表示時には、言語辞書１６Ａにおける１のテキストに対応する複数の言語情報の内、より多い数の該フラグの付与された言語情報から順に言語情報を並べ替えた上で、より多い数のフラグの付与された言語情報の優先順位が高くなるように表示画面３０Ｇ中に配置し表示するように制御してもよい。

【0070】

また、表示制御部２０Ｂは、表示画面３０Ｅ～表示画面３０Ｇにおける修正完了ボタン４０Ｄが操作された場合、上記同様に、表示画面３０Ｃを表示部１４Ａに表示し（図２Ｃ参照）、上記と同様の処理を実行してもよい。

【0071】

図１に戻り説明を続ける。

【0072】

音声合成部２０Ｅは、言語情報の再生指示を受付けた時に、該言語情報および合成音声辞書１６Ｂを用いて合成音声データを生成する。

【0073】

音声合成部２０Ｅは、ユーザによる入力部１４Ｂの操作指示によって操作された再生ボタン４０Ｃの表示されている表示画面３０内に１つの言語情報表示欄４０Ｂのみが示されている場合、該言語情報表示欄４０Ｂに表示されている言語情報を用いて合成音声データを生成する。

【0074】

具体的には、例えば、図３Ｂに示す表示画面３０Ｆが表示部１４Ａに表示されている状態で再生ボタン４０Ｃが操作指示された場合、音声合成部２０Ｅは、該表示画面３０Ｆの言語情報表示欄４０Ｂに表示されている言語情報を用いて合成音声データを生成する。

【0075】

また、音声合成部２０Ｅは、ユーザによる入力部１４Ｂの操作指示によって操作された再生ボタン４０Ｃの表示されている表示画面３０内に複数の言語情報表示欄４０Ｂが示されている場合、操作された再生ボタン４０Ｃの配置されている言語情報表示欄４０Ｂ内に表示されている言語情報を用いて合成音声データを生成する。

【0076】

具体的には、例えば、図３Ｃに示す表示画面３０Ｇが表示部１４Ａに表示されている状態で再生ボタン４０Ｃ２が操作指示された場合を想定する。この場合、音声合成部２０Ｅは、該表示画面３０Ｇの言語情報表示欄４０Ｂ２に表示されている言語情報を用いて合成音声データを生成する。

【0077】

音声合成部２０Ｅは、再生対象の言語情報と、合成音声辞書１６Ｂと、を用いて合成音声データを生成する。

【0078】

合成音声辞書１６Ｂとは、音声合成に用いられる辞書であり、声質をモデル化した音響モデルや、抑揚・リズムなどの韻律をモデル化した韻律モデル、その他の音声合成に必要な各種情報を含む。韻律モデルは、言語情報を入力とし、抑揚・リズム等の韻律パターンを出力とする学習モデルである。韻律パターンは、例えば、声の高さ（基本周波数）の時間変化パターン（ピッチ包絡とも称される）と、各音韻の長さと、によって表される。音響モデルは、韻律パターンを入力とし、音声波形によって表される合成音声データを出力する学習モデルである。

【0079】

音声合成部２０Ｅは、再生対象の言語情報を合成音声辞書１６Ｂに含まれる韻律モデルへ入力することで、韻律パターンを得る。そして、音声合成部２０Ｅは、得られた韻律パターンを音響モデルへ入力することで、合成音声データを得る。これらの処理により、音声合成部２０Ｅは、合成音声データを生成する。

【0080】

再生部２０Ｆは、音声合成部２０Ｅによって生成された合成音声データを再生する。合成音声データを再生するとは、該音声データによって表される音声を音声出力部１４Ｃから出力することを意味する。

【0081】

このように、音声合成部２０Ｅがユーザによって指示された言語情報を用いて合成音声データを生成し、再生部２０Ｆが合成音声データを再生する。このため、ユーザは、選択または修正した言語情報から生成される合成音声データを試聴しながら、言語情報の修正を入力することが可能となる。

【0082】

次に、本実施形態の音声合成支援装置１０が実行する情報処理の流れの一例を説明する。

【0083】

図４は、本実施形態の音声合成支援装置１０が実行する情報処理の流れの一例を示すフローチャートである。

【0084】

変換部２０Ａは、言語辞書１６Ａを用いてテキストを解析し、テキストを言語情報に変換する（ステップＳ１００）。

【0085】

表示制御部２０Ｂは、ステップＳ１００で解析されたテキストおよび変換された言語情報を含む表示画面３０を表示部１４Ａに表示する（ステップＳ１０２）。ステップＳ１０２の処理によって、例えば、図２Ａに示す表示画面３０Ａが表示部１４Ａに表示される。

【0086】

受付部２０Ｃは、表示画面３０の言語情報表示欄４０Ｂに表示された言語情報の少なくとも一部の修正を受付けたか否かを判断する（ステップＳ１０４）。ユーザは、入力部１４Ｂを操作することで、言語情報表示欄４０Ｂに表示されている言語情報の少なくとも一部を正しい情報に変更する。受付部２０Ｃは、ユーザによる操作指示によって入力された修正後の言語情報を受付けたか否かを判別することによって、ステップＳ１０４の判断を行う。ステップＳ１０４で否定判断すると（ステップＳ１０４：Ｎｏ）、後述するステップＳ１０８へ進む。ステップＳ１０４で肯定判断すると（ステップＳ１０４：Ｙｅｓ）、ステップＳ１０６へ進む。ステップＳ１０４で肯定判断した場合、例えば、図２Ｂの表示画面３０Ｂに示すように、言語情報表示欄４０Ｂに表示されている言語情報の少なくとも一部が修正される。図２Ｂ中、言語情報表示欄４０Ｂに表示されている言語情報の内、下線の示された箇所が修正箇所を意味する。

【0087】

次に、受付部２０Ｃは、修正完了指示を受付けたか否かを判断する（ステップＳ１０６）。受付部２０Ｃは、ユーザによる入力部１４Ｂの操作指示によって修正完了ボタン４０Ｄが操作されることで該入力部１４Ｂから修正完了指示の入力を受付けたか否かを判別することでステップＳ１０６の判断を実行する。ステップＳ１０６で否定判断すると（ステップＳ１０６：Ｎｏ）、ステップＳ１０８へ進む。

【0088】

ステップＳ１０８では、受付部２０Ｃは、再生指示を受付けたか否かを判断する（ステップＳ１０８）。受付部２０Ｃは、ユーザによる再生ボタン４０Ｃの操作指示によって再生指示信号の入力を受付けたか否を判別することで、ステップＳ１０８の判断を行う。

【0089】

ステップＳ１０８で否定判断すると（ステップＳ１０８：Ｎｏ）、上記ステップＳ１０４へ戻る。ステップＳ１０８で肯定判断すると（ステップＳ１０８：Ｙｅｓ）、ステップＳ１１０へ進む。

【0090】

ステップＳ１１０では、音声合成部２０Ｅは、ユーザによる入力部１４Ｂの操作指示によって操作された再生ボタン４０Ｃに応じた位置に表示されている言語情報および合成音声辞書１６Ｂを用いて合成音声データを生成する（ステップＳ１１０）。再生部２０Ｆは、ステップＳ１１０で生成された合成音声データを再生する（ステップＳ１１２）。そして、上記ステップＳ１０４へ戻る。

【0091】

一方、ステップＳ１０６で修正完了指示を受付けたと判断すると（ステップＳ１０６：Ｙｅｓ）、ステップＳ１１４へ進む。

【0092】

ステップＳ１４１では、表示制御部２０Ｂが、ステップＳ１００で変換対象としたテキストとステップＳ１０４で修正を受付けた修正後の言語情報との対応を表す第２表示画面を表示部１４Ａに表示する（ステップＳ１１４）。ステップＳ１１４の処理によって、例えば、図２Ｃに示す表示画面３０Ｃが表示部１４Ａに表示される。

【0093】

ユーザによる入力部１４Ｂの操作指示によって表示画面３０Ｃにおける登録ボタン４０Ｈが操作されることで、受付部２０Ｃが修正完了指示を受付けると（ステップＳ１１６）、登録部２０Ｄは、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する（ステップＳ１１８）。そして、本ルーチンを終了する。

【0094】

以上説明したように、本実施形態の音声合成支援装置１０は、変換部２０Ａと、受付部２０Ｃと、登録部２０Ｄと、を備える。変換部２０Ａは、言語辞書１６Ａを用いてテキストを解析しテキストを、合成音声データの生成に用いる合成音声辞書１６Ｂに入力するための言語情報に変換する。受付部２０Ｃは、言語情報の少なくとも一部の修正を受付ける。登録部２０Ｄは、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する。

【0095】

従来技術では、テキストの解析結果である言語情報に誤りがある場合、ユーザによる操作指示等によって解析の度に毎回言語情報を修正する必要があり、テキストを正確な言語情報に容易に変換することは困難であった。

【0096】

一方、本実施形態では、登録部２０Ｄは、テキストと修正後の言語情報とを対応付けて言語辞書１６Ａに登録する。

【0097】

このため、言語辞書１６Ａに誤った言語情報が登録されていた場合であっても、ユーザによって修正された言語情報が言語辞書１６Ａに容易に登録される。よって、テキストから合成音声データを生成する生成時には、修正された言語情報の登録された言語辞書１６Ａにより変換された言語情報を用いて合成音声データを作成することが可能となる。

【0098】

従って、本実施形態の音声合成支援装置１０は、テキストを正確な言語情報に容易に変換可能とすることができる。

【0099】

また、ユーザは、表示画面３０の言語情報表示欄４０Ｂに表示された言語情報を視認しながら入力部１４Ｂを操作することで、該言語情報の少なくとも一部を容易に修正することができる。また、本実施系Ａ地の音声合成支援装置１０では、テキストを正確な言語情報に変換可能な言語辞書１６Ａを提供することが可能となる。

【0100】

また、本実施形態の音声合成支援装置１０では、１つのテキストに対して複数の言語情報を候補として表示し、複数の言語情報からユーザによって選択された１つの言語情報を、該テキストに対する正確な言語情報として言語辞書１６Ａに登録する。このため、ユーザは、複数の言語情報の中から正確な言語情報を容易に選択し、言語辞書１６Ａに登録するように操作指示することができる。

【0101】

また、音声合成部２０Ｅは、ユーザによって選択された言語情報から合成音声データを生成し、再生部２０Ｆは該合成音声データを再生する。このため、ユーザは、言語情報から生成される合成音声データを試聴しながら、言語情報を容易に修正することが可能となる。

【0102】

次に、本実施形態の音声合成支援装置１０のハードウェア構成を説明する。

【0103】

図５は、本実施形態の音声合成支援装置１０の一例のハードウェア構成図である。

【0104】

本実施形態の音声合成支援装置１０は、ＣＰＵ１０Ａなどの制御装置と、ＲＯＭ（Read Only Memory）１０ＢやＲＡＭ（Random Access Memory）１０Ｃなどの記憶装置と、ＨＤＤ（ハードディスクドライブ）１０Ｄと、ネットワークに接続して通信を行うＩ／Ｆ１０Ｅと、各部を接続するバス１０Ｆと、を備える。

【0105】

本実施形態の音声合成支援装置１０で実行されるプログラムは、ＲＯＭ１０Ｂ等に予め組み込まれて提供される。

【0106】

本実施形態の音声合成支援装置１０で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disc）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

【0107】

さらに、本実施形態の音声合成支援装置１０で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、本実施形態にかかる音声合成支援装置１０で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

【0108】

本実施形態の音声合成支援装置１０で実行されるプログラムは、コンピュータを上述した音声合成支援装置１０の各部として機能させうる。このコンピュータは、ＣＰＵ１０Ａがコンピュータで読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

【0109】

なお、上記実施形態では、音声合成支援装置１０が、単体の装置として構成されていることを想定して説明した。しかし、音声合成支援装置１０は、物理的に分離されてネットワークなどを介して通信可能に接続された複数の装置により構成されていてもよい。

【0110】

また、上記実施形態の音声合成支援装置１０は、クラウドシステム上で動作する仮想マシンとして実現されていてもよい。

【0111】

なお、上記には、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0112】

１０ 音声合成支援装置
２０Ａ 変換部
２０Ｂ 表示制御部
２０Ｃ 受付部
２０Ｄ 登録部
２０Ｅ 音声合成部
２０Ｆ 再生部

【図1】

【図2A】

【図2B】

【図2C】

【図3A】

【図3B】

【図3C】

【図4】

【図5】