JP4809918B2 - 音素分割装置、方法及びプログラム - Google Patents

Description

この発明は、音声から、音素の境界時刻を自動的に決定する技術に関する。

事前に決定された音素境界の前後に探索窓を設定し、音素境界付近のスペクトルパターンを学習したマルコフモデルを用いて、更に精度が高い音素境界を求める技術が知られている（例えば、非特許文献１参照）。

Lijuan Wang, Yong Zhao, Min Chu, Frank K. Soong, Jian-Lai Zhou and Zhigang Cao, "Context-Dependent Boundary Model for Refining Boundaries Segmentation of TTS Units," IEICE Transactions 89-D(3), pp.1082-1091, 2006

しかしながら、非特許文献１では、各音素境界を独立して推定しており、推定された音素境界が全体として最適になっていないという課題があった。

上記の課題を解決するために、スペクトルテンプレート記憶部には、各音素境界を構成する各フレームの音声特徴量を示すスペクトルテンプレートが記憶されており、入力された音声の各フレームの音声特徴量を抽出する。フレームのマッチングスコアをそのフレームをスペクトルテンプレートの中心とした場合に上記入力された音声との距離が最も近くなるスペクトルテンプレートの数として、上記スペクトルテンプレート記憶部から予め推定された初期音素境界に対応する複数のスペクトルテンプレートを読み込み、上記初期音素境界を含む予め定められたフレーム区間に含まれる各フレームを上記読み込んだ各スペクトルテンプレートの中心として上記読み込んだ各スペクトルテンプレートと上記入力された音声との距離を上記音声特徴量を用いて計算し、上記フレーム区間に含まれるフレームの中で上記各読み込んだスペクトルテンプレートと上記入力された音声との距離が最も近くなるフレームを求めて、各フレームのマッチングスコアを計算する。マッチングスコアの極大値に対応するフレームを上記初期音素境界の音素境界候補として決定する。探索スコア関数は、音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長との差の絶対値について広義単調減少し、音素境界候補の組により分割される各音素の継続長の分散について広義単調増加し、音素境界候補の組の各音素境界候補のマッチングスコアについて広義単調増加する関数として、Ｒを２以上の整数として、連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、それらの音素境界候補の組のそれぞれの探索スコアを、上記探索スコア関数にその音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長と、複数の音素の継続長の分散が記憶された継続長分布記憶部から読み込んだその音素境界候補の組により分割される各音素の継続長の分散と、その音素境界候補の組の各音素境界候補のマッチングスコアとの少なくともひとつを入力して計算し、その探索スコアを最大にする音素境界候補の組を構成する音素境界を最適な音素境界とする。

連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、それらの連続するＲ個の音素の全体を考慮して最適な音素境界候補の組を選択することにより、音素境界の推定の精度が従来よりも高くなる。

音素分割装置の例の機能ブロック図。 マッチングスコア計算部の例の機能ブロック図。 最適音素境界探索部の例の機能ブロック図。 音素分割方法の例の流れ図。 マッチングスコア計算部の処理の例の流れ図。 最適音素境界探索部の処理の例の流れ図。 スペクトルテンプレートを説明するための図。 音素境界候補計算部の処理を説明するための図。 最適音素境界探索部の処理を説明するための図。

以下、この発明の実施形態を詳細に説明する。

図１は、この発明による音素分割装置の例の機能ブロック図である。図４は、この発明による音素分割方法の例の流れ図である。

音素分割装置は、音声特徴量抽出部１、探索範囲決定部２、マッチングスコア計算部３、スペクトルテンプレート記憶部４、音素境界候補計算部５、最適音素境界探索部６、継続長分布記憶部７を例えば含む。

＜ステップＳ１＞
入力された音声は、音声特徴量抽出部１に入力される。音声特徴量抽出部１は、入力された音声を一定時間長のフレームに分割して、各フレームごとに音声特徴量を計算する（ステップＳ１）。各フレームの音声特徴量は、マッチングスコア計算部３に送られる。

音声特徴量としては、その音声特徴量を用いてフレームに音素を割り当てることができるものであればどのような音声特徴量を用いてもよい。例えば、音声特徴量として、音声認識等でよく用いられるＭＦＣＣ、ケプストラム、メルケプストラム、フィルタバンク、メルフィルタバンク等を用いることができる。

＜ステップＳ２＞
予め推定された初期音素境界についての情報が、探索範囲決定部２に入力される。探索範囲決定部２は、予め推定された初期音素境界から、探索範囲を決定する（ステップＳ２）。探索範囲は、初期音素境界を含むフレーム区間であり、後述するマッチングスコア計算部３はそのフレーム区間に含まれる各フレームについてのマッチングスコアを計算する。

例えばｎを０から１までの実数として、初期音素境界によって区切られるモーラ（ポーズ除く）の平均長のｎ倍を探索範囲とする。例えばｎを０．５〜０．７とする。

＜ステップＳ３＞
スペクトルテンプレート記憶部４には、各音素境界を構成する各フレームの音声特徴量を示すスペクトルテンプレートが記憶されている。スペクトルテンプレートは、例えば図７に示すように、音素境界を含む予め定められたフレーム区間の各フレームの音声特徴量と、その音素境界を構成する前音素、後音素のそれぞれの音素の中心を含む予め定められたフレーム区間の各フレームの音声特徴量とを含む。スペクトルテンプレートの中心は、音素境界を含むフレームである。

音素境界を含む予め定められたフレーム区間の各フレームの音声特徴量のうち、音素境界を含むフレームを音素境界パタン、音素境界を含まないフレームの音声特徴量（音素境界を含むフレームの前後のフレームの音声特徴量）を音声境界近傍パタン、音素境界を構成する前音素、後音素のそれぞれの音素の中心を含む予め定められたフレーム区間の各フレームの音声特徴量を音素中心近傍パタンと呼ぶ。

マッチングスコア計算部３は、初期音素境界を含むフレーム区間（探索範囲）に含まれる各フレームについてのマッチングスコアを計算する（ステップＳ３）。各フレームのマッチングスコアは、音素境界候補計算部５に送られる。フレームのマッチングスコアは、そのフレームをスペクトルテンプレートの中心とした場合に上記入力された音声との距離が最も近くなるスペクトルテンプレートの数である。

以下、マッチングスコア計算部３の具体例について説明する。マッチングスコア計算部３は、図２に例示するように、スペクトルテンプレート選択部３１、距離計算部３２、フレーム選択部３３、累積部３４、制御部３５を含む。マッチングスコア計算部３の処理の流れを図５に例示する。

スペクトルテンプレート選択部３１は、スペクトルテンプレート記憶部４から予め推定された初期音素境界に対応する複数のスペクトルテンプレートを読み込む（ステップＳ３１）。例えば、初期音素境界を構成する２つの音素が共通する音素境界のスペクトルテンプレート、すなわち初期音素境界が／Ａ／−／Ｗ／である場合には、音素境界／Ａ／−／Ｗ／のスペクトルテンプレートを読み込む。また、調音方法、調音位置、有声／無声の少なくともひとつが一致するスペクトルテンプレートを読み込んでもよい。スペクトルテンプレート選択部３１が読み込んだ初期音素境界に対応する音素境界のスペクトルテンプレートの数をＮとする。

距離計算部３２は、初期音素境界を含む予め定められたフレーム区間に含まれる各フレームを上記読み込んだ各スペクトルテンプレートの中心として上記読み込んだ各スペクトルテンプレートと入力された音声との距離を音声特徴量を用いて計算する（ステップＳ３２）。距離としては、コサイン距離、ユークリッド距離、マハラノビス距離の何れかを用いることができる。

例えば次式により、スペクトルテンプレートｎの中心をフレームｍとした場合の、スペクトルテンプレートｎと入力された音声との距離ｄ（ｍ，ｎ）を計算する。計算された距離ｄ（ｍ，ｎ）は、フレーム選択部３３に送られる。

Ｖは音声特徴量の次元の数、αは音声境界近傍パタンのフレームの数、βは音素中心近傍パタンの中心フレームを除き中心フレームから左又は右にあるフレームの数、Ｃ_ｒｅｆ（ｍ，ｖ）は入力された音声のフレームｍの音声特徴量のｖ次元目の値、Ｃ_{ｔｅｍ，Ｂｏｕｎｄ}（ｎ，ｖ）はスペクトルテンプレートｎの音素境界パタンの音声特徴量のｖ次元目の値、Ｃ_{ｔｅｍ，Ｃｅｎｔｅｒ，Ｌ}（ｉ，ｎ，ｖ）はスペクトルテンプレートｎの前音素の音素中心近傍パタンの左からｉ番目のフレームの音声特徴量のｖ次元目の値、Ｃ_{ｔｅｍ，Ｃｅｎｔｅｒ，Ｒ}（ｉ，ｎ，ｖ）はスペクトルテンプレートｎの後音素の音素中心近傍パタンの左からｉ番目のフレームの音声特徴量のｖ次元目の値、Ｃ_{ｔｅｍ，Ｒｏｕｎｄ，Ｌ}（ｉ，ｎ，ｖ）はスペクトルテンプレートｎの左側の音素境界近傍パタンの左からｉ番目のフレームの音声特徴量のｖ次元目の値、Ｃ_{ｔｅｍ，Ｒｏｕｎｄ，Ｒ}（ｉ，ｎ，ｖ）はスペクトルテンプレートｎの右側の音素境界近傍パタンの左からｉ番目のフレームの音声特徴量のｖ次元目の値、Ｌ_ｌは初期音素境界が含まれるフレームと初期音素境界の前音素の中心を含むフレームとの距離、Ｌ_ｒは初期音素境界が含まれるフレームと初期音素境界の後音素の中心を含むフレームとの距離である。Ｌ_ｌ及びＬ_ｒの単位はフレームの数である。距離計算部３２が、初期音素境界についての情報からＬ_ｌ及びＬ_ｒを求める。

このように、初期音素境界を含むフレームと初期音素境界の前音素の中心を含むフレームとの距離だけスペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する前音素の中心を含むフレームとの距離を離し、初期音素境界を含むフレームと初期音素境界の後音素の中心を含むフレームとの距離だけスペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する後音素の中心を含むフレームとの距離を離して、スペクトルテンプレートと入力された音声との距離を計算することにより、入力された音声の発話速度に対応させた距離計算が可能となり、音素境界の推定精度が増す。

フレーム選択部３３は、スペクトルテンプレートｎについて、距離ｄ（ｍ，ｎ）を最小にするフレームを、探索範囲のフレームＲの中から選択する（ステップＳ３３）。例えば、Ｓ（・）を以下に示すサブスコア関数として、Ｓ（ｄ（ｍ，ｎ））を計算して、最小にするフレームを１としてカウントする。サブスコア関数値Ｓ（ｄ（ｍ，ｎ））は、累積部３４に送られる。

制御部３５がｎ＝Ｎであるかどうかを判定し（ステップＳ３４）、ｎ＝ＮであればステップＳ３５に進み、ｎ＝Ｎでなければｎを１インクリメントして（ステップＳ３６）、ステップＳ３１に戻る。これにより、各スペクトルテンプレートについてｎ（ｎ＝１，…，Ｎ）について、ステップＳ３２からステップＳ３３の処理を行う。Ｎは、スペクトルテンプレート選択部３１が読み込んだ初期音素境界に対応する音素境界のスペクトルテンプレートの数である。

累積部３４は、スペクトルテンプレートｎ（ｎ＝１，…，Ｎ）についてのＳ（ｄ（ｍ，ｎ））を加算して、その加算値をフレームｍについてのマッチングスコアＭＳ（ｍ）とする（ステップＳ３５）。

上記式では、スペクトルテンプレートｎについてのＳ（ｄ（ｍ，ｎ））について重みを考慮していないが、下記式のように重みを考慮してＳ（ｄ（ｍ，ｎ））を加算してもよい。

ｗ_ｎはスペクトルテンプレートｎの重みであり、例えば０から１までの実数であり、求める仕様、性能に応じて適宜設定される。例えば、初期音素境界を構成する音素とスペクトルテンプレートｎの音素境界を構成する音素とが一致していればそのスペクトルテンプレートｎの重みｗ_ｎ＝１とし、調和方法が一致していれば重みｗ_ｎ＝０．８とし、調和位置が一致していれば重みｗ_ｎ＝０．６とする。すなわち、初期音素境界とスペクトルテンプレートの一致度が高いほど重みを大きくする。

＜ステップＳ４＞
音素境界候補計算部５は、マッチングスコアが大きいフレームを初期音素境界の音素境界候補として選択する（ステップＳ４）各初期音素境界の音素境界候補についての情報は、最適音素境界探索部６に送られる。

例えば、マッチングスコアの極大値に対応するフレームを初期音素境界の音素境界候補として選択する。例えばある初期音素境界を含む探索範囲のフレーム区間のマッチングスコアが図８に示すように与えられる場合には、２つの極大値に対応するフレームｍ_１、ｍ_２がその初期音素境界に対応する音素境界候補として選択される。図８はイメージ図であるため、フレームとマッチングスコアの関係を表すグラフを連続関数として記載しているが、フレーム番号は離散値であるため実際にはフレームとマッチングスコアの関係を表すグラフは不連続関数となる。

＜ステップＳ５＞
最適音素境界探索部６は、Ｒを２以上の整数として、連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、音素境界候補の組のそれぞれについて探索スコアを求めて、探索スコアを最大にする音素境界候補の組を構成する音素境界を最適な音素境界とする（ステップＳ５）。

図９を用いてＲ＝３の場合を例に挙げて、最適音素境界探索部６の処理のイメージを説明する。初期音素境界／Ａ／−／Ｗ／の音素境界候補がＡ１、Ａ２の２つあり、初期音素境界／Ｗ／−／Ａ／の音素境界候補がＢ１、Ｂ２の２つある場合には、図９に示すように、音素境界候補の組は４（＝２×２）個ある。すなわち、（Ａ１，Ｂ１）の音素境界候補の組、（Ａ１，Ｂ２）の音素境界候補の組、（Ａ２，Ｂ１）の音素境界候補の組、（Ａ２，Ｂ２）の音素境界候補の組がある。最適音素境界探索部６は、各音素境界候補の組についての探索スコアを求めて、探索スコアを最大にする音素境界候補の組を構成する音素境界を最適な音素境界とする。

探索スコアは、音素境界候補の組の確からしさを表す指標であり、探索スコア関数の値を計算することにより計算される。探索スコア関数は、例えば、音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長との差の絶対値について広義単調減少し、音素境界候補の組により分割される各音素の継続長の分散について広義単調増加し、音素境界候補の組の各音素境界候補のマッチングスコアについて広義単調増加する関数である。探索スコア関数を以下に例示する。

Ｓ_ｐｒはｒ番目の音素のマッチングスコアである。ｒ番目の音素とｒ−１番目の音素との音素境界のマッチングスコア、又は、ｒ番目の音素とｒ＋１番目の音素との音素境界のマッチングスコアをｒ番目の音素のマッチングスコアとする。ｗ_ｐ、ｗ_ｄは重みであり、例えば０から１の範囲で０．１刻みで変えて行き、音素境界推定結果が最も良好になる重みを用いる。

Ｓ_ｄｒはｒ番目の音素の継続長スコアであり、ｄ_ｒは音素境界候補の組により区切られるｒ番目の音素の継続長、ｍ’_ｒは初期音素境界の組により区切られるｒ番目の音素の継続長、σ_ｒ ^２はｒ番目の音素の継続長の分散である。

最適音素境界探索部６は、図３に例示するように、継続長スコア計算部６１、探索スコア計算部６２、最適候補列探索部６３、制御部６４を含む。最適音素境界探索部６の処理の流れを図６に例示する。

制御部６４はｒ＝１とする（ステップＳ５１）。

継続長スコア計算部６１は、音素境界候補の組により区切られるｒ番目の音素の継続長ｄ_ｒとｒ番目の音素に対応する初期音素境界の組により区切られるｒ番目の音素の継続長ｍ’_ｒと、複数の音素の継続長の分散を記憶する継続長分布記憶部７から読み込んだそのｒ番目の音素の継続長の分散とを用いて、例えば（２）式により定義されるｒ番目の音素の継続長スコアを計算する（ステップＳ５２）。計算された継続長スコアＳ_ｄｒは探索スコア計算部６２に送られる。

制御部６４がｒ＝Ｒであるかどうかを判定し（ステップＳ５３）、ｒ＝ＲであればステップＳ５５に進み、ｒ＝Ｒでなければｒを１インクリメントして（ステップＳ５４）、ステップＳ５２に戻る。これにより、ｒ（ｒ＝１，…，Ｒ）番目の音素のそれぞれについての継続長スコアＳ_ｄｒを計算する。

探索スコア計算部６２は、計算された継続長スコアＳ_ｄｒと、音素境界候補の組の各音素境界候補のマッチングスコアとを用いて、例えば（１）式により定義される探索スコアを計算する（ステップＳ５５）。計算された探索スコアは、最適候補列探索部６３に送られる。

制御部６４は、音素境界候補の組の全てについて探索スコアを計算したかを判断して（ステップＳ５６）、まだ探索スコアを計算していない音素境界候補の組がある場合には、そのまだ探索スコアを計算していない音素境界候補の組についてステップＳ５１からステップＳ５５の処理を行わせる。これにより、音素境界候補の組の全てについての探索スコアを計算する。

最適候補列探索部６３は、探索スコアを最大にする音素境界候補の組を選択して、その音素境界候補の組を構成する音素境界を最適な音素境界とする（ステップＳ５７）。

このように、連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、それらの連続するＲ個の音素の全体を考慮して最適な音素境界候補の組を選択することにより、音素境界の推定の精度が従来よりも高くなる。

［変形例］
上記の例では、予め推定された初期音素境界が探索範囲決定部２に入力されたが、図１に破線で示す初期音素境界推定部８を設けて、初期音素境界推定部８が入力された音声から初期音素境界を推定して、その推定された初期音素境界についての情報を探索範囲決定部２を送ってもよい。初期音素境界の推定は既存の音素境界技術を用いる。この発明では初期音素境界を基にしてより精度の高い音素境界の推定を行うため、初期音素境界の推定は大まかな推定でよい。

上記の例では、探索スコア関数は、上記探索スコア関数にその音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長と、複数の音素の継続長の分散を記憶する継続長分布記憶部から読み込んだその音素境界候補の組により分割される各音素の継続長の分散と、その音素境界候補の組の各音素境界候補のマッチングスコアとの全てを入力としたが、これらの少なくともひとつを入力することにより探索スコア関数の値を計算してもよい。

音素分割装置は、コンピュータによって実現することができる。この場合、この装置が有すべき各機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、これ装置における各処理機能が、コンピュータ上で実現される。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、これらの装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

この発明は、上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。

１ 音声特徴量抽出部
２ 探索範囲決定部
３ マッチングスコア計算部
３１ スペクトルテンプレート選択部
３２ 距離計算部
３３ フレーム選択部
３４ 累積部
３５ 制御部
４ スペクトルテンプレート記憶部
５ 音素境界候補計算部
６ 最適音素境界探索部
６１ 継続長スコア計算部
６２ 探索スコア計算部
６３ 最適候補列探索部
６４ 制御部
７ 継続長分布記憶部
８ 初期音素境界推定部

Claims (5)

1. 入力された音声の各フレームの音声特徴量を抽出する音声特徴量抽出部と、
   各音素境界を構成する各フレームの音声特徴量を示すスペクトルテンプレートが記憶されたスペクトルテンプレート記憶部と、
   フレームのマッチングスコアをそのフレームをスペクトルテンプレートの中心とした場合に上記入力された音声との距離が最も近くなるスペクトルテンプレートの数として、上記スペクトルテンプレート記憶部から予め推定された初期音素境界に対応する複数のスペクトルテンプレートを読み込み、上記初期音素境界を含む予め定められたフレーム区間に含まれる各フレームを上記読み込んだ各スペクトルテンプレートの中心として上記読み込んだ各スペクトルテンプレートと上記入力された音声との距離を上記音声特徴量を用いて計算し、上記フレーム区間に含まれるフレームの中で上記各読み込んだスペクトルテンプレートと上記入力された音声との距離が最も近くなるフレームを求めて、各フレームのマッチングスコアを計算するマッチングスコア計算部と、
   マッチングスコアの極大値に対応するフレームを上記初期音素境界の音素境界候補として決定する音素境界候補決定部と、
   探索スコア関数は、音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長との差の絶対値について広義単調減少し、音素境界候補の組により分割される各音素の継続長の分散について広義単調増加し、音素境界候補の組の各音素境界候補のマッチングスコアについて広義単調増加する関数として、Ｒを２以上の整数として、連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、それらの音素境界候補の組のそれぞれの探索スコアを、上記探索スコア関数にその音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長と、複数の音素の継続長の分散が記憶された継続長分布記憶部から読み込んだその音素境界候補の組により分割される各音素の継続長の分散と、その音素境界候補の組の各音素境界候補のマッチングスコアとの少なくともひとつを入力して計算し、その探索スコアを最大にする音素境界候補の組を構成する音素境界を最適な音素境界とする最適音素境界探索部と、
   を含む音素分割装置。
2. 請求項１に記載の音素分割装置において、
   スペクトルテンプレートは、音素境界を含む予め定められたフレーム区間の各フレームの音声特徴量と、その音素境界を構成する前音素、後音素のそれぞれの音素の中心を含む予め定められたフレーム区間の各フレームの音声特徴量とを含み、音素境界を含むフレームをスペクトルテンプレートの中心として、複数の音素境界のスペクトルテンプレートが記憶されたスペクトルテンプレート記憶部と、
   上記マッチングスコア計算部は、上記初期音素境界を含むフレームと上記初期音素境界の前音素の中心を含むフレームとの距離だけ、上記読み込んだ各スペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する前音素の中心を含むフレームとの距離を離し、上記初期音素境界を含むフレームと上記初期音素境界の後音素の中心を含むフレームとの距離だけ、上記読み込んだ各スペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する後音素の中心を含むフレームとの距離を離して、上記読み込んだ各スペクトルテンプレートと上記入力された音声との距離を計算する、
   ことを特徴とする音素分割装置。
3. スペクトルテンプレート記憶部には、各音素境界を構成する各フレームの音声特徴量を示すスペクトルテンプレートが記憶されており、
   音声特徴量抽出部が、入力された音声の各フレームの音声特徴量を抽出する音声特徴量抽出ステップと、
   マッチングスコア計算部が、フレームのマッチングスコアをそのフレームをスペクトルテンプレートの中心とした場合に上記入力された音声との距離が最も近くなるスペクトルテンプレートの数として、上記スペクトルテンプレート記憶部から予め推定された初期音素境界に対応する複数のスペクトルテンプレートを読み込み、上記初期音素境界を含む予め定められたフレーム区間に含まれる各フレームを上記読み込んだ各スペクトルテンプレートの中心として上記読み込んだ各スペクトルテンプレートと上記入力された音声との距離を上記音声特徴量を用いて計算し、上記フレーム区間に含まれるフレームの中で上記各読み込んだスペクトルテンプレートと上記入力された音声との距離が最も近くなるフレームを求めて、各フレームのマッチングスコアを計算するマッチングスコア計算ステップと、
   音素境界候補決定部が、マッチングスコアの極大値に対応するフレームを上記初期音素境界の音素境界候補として決定する音素境界候補決定ステップと、
   最適音素境界探索部が、探索スコア関数は、音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長との差の絶対値について広義単調減少し、音素境界候補の組により分割される各音素の継続長の分散について広義単調増加し、音素境界候補の組の各音素境界候補のマッチングスコアについて広義単調増加する関数として、Ｒを２以上の整数として、連続するＲ個の音素を区切る音素境界候補の組が複数ある場合には、それらの音素境界候補の組のそれぞれの探索スコアを、上記探索スコア関数にその音素境界候補の組により区切られる各音素の継続長とその各音素に対応する初期音素境界の組により区切られる音素の継続長と、複数の音素の継続長の分散が記憶された継続長分布記憶部から読み込んだその音素境界候補の組により分割される各音素の継続長の分散と、その音素境界候補の組の各音素境界候補のマッチングスコアとの少なくともひとつを入力して計算し、その探索スコアを最大にする音素境界候補の組を構成する音素境界を最適な音素境界とする最適音素境界探索ステップと、
   を含む音素分割方法。
4. 請求項３に記載の音素分割方法において、
   スペクトルテンプレートは、音素境界を含む予め定められたフレーム区間の各フレームの音声特徴量と、その音素境界を構成する前音素、後音素のそれぞれの音素の中心を含む予め定められたフレーム区間の各フレームの音声特徴量とを含み、音素境界を含むフレームをスペクトルテンプレートの中心とし、スペクトルテンプレート記憶部には、複数の音素境界のスペクトルテンプレートが記憶されており、
   上記マッチングスコア計算ステップは、上記初期音素境界を含むフレームと上記初期音素境界の前音素の中心を含むフレームとの距離だけ、上記読み込んだ各スペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する前音素の中心を含むフレームとの距離を離し、上記初期音素境界を含むフレームと上記初期音素境界の後音素の中心を含むフレームとの距離だけ、上記読み込んだ各スペクトルテンプレートの音素境界を含むフレームとその音素境界を構成する後音素の中心を含むフレームとの距離を離して、上記読み込んだ各スペクトルテンプレートと上記入力された音声との距離を計算する、
   ことを特徴とする音素分割方法。
5. 請求項１又は２に記載された音素分割装置の各部としてコンピュータを機能させるための音素分割プログラム。

Images