TTSText-to-Speech

まず声に出せる形に文字を整えます

画面の文字には、そのままでは音に変えられないものが混ざっています。数字、単位記号、略語、括弧、通貨表示のようなものです。最初の段階は、こうしたものをすべて読める言葉に開いていく作業です。

同じ数字でも場面によって読み方が変わります。階数を数えるときと個数を数えるとき、電話番号のときとで読み方はまるで違いますし、日付と時刻もそれぞれ別の方式で開かなければなりません。この段階を雑に通り過ぎると、後でどれだけ声が良くてもぎこちなく聞こえます。

日本語もここでやることが多い言語です。助数詞は何を数えるかによって読み方だけでなく音そのものが変わり、外来語と漢字が混じると、どちらの発音規則に従うかも決めなければなりません。

どう読むかを決めます

整えた文字を音の最小単位に置き換えます。文字そのままではなく実際に発音される通りに書き直す段階なので、音がつながって変わったり、弱まったりする規則がここで適用されます。

同じ漢字を違う読み方で読む言葉が一番厄介です。「人気」は「にんき」なのか「ひとけ」なのかは、文字だけでは決まりません。前後の文をあわせて見てどちらかを選ばなければならず、短い文をひとつだけ渡すと間違える確率が上がります。

人名や店名、新しくできた言葉もよく揺れます。サービスによっては読み方を直接書き込めるようにしていることもあります。

抑揚と間は文字にありません

文字にはどの単語を強く言うか、どこで息を継ぐか、文末を上げるか下げるかが書かれていません。**声に変えるときに、この情報を新しく作って付け加えなければなりません。**抑揚のない朗読がロボットのように聞こえるのは、ここに理由があります。

手がかりは句読点と文の組み立てです。疑問符が付けば語尾を上げ、読点ではひと呼吸置き、長い修飾語が前にあればその後ろで一度区切ります。同じ文章でも句読点を変えると読み方が違って聞こえるのはそのためです。

それでも人ほど状況を知っているわけではありません。うれしい知らせなのか悪い知らせなのか、からかっているのか真剣なのかは文字に表れないからです。感情を込めたい場面では、抑揚を別に指定する方がよい結果になります。

最後になってはじめて実際の音になります

ここまではまだ音ではありません。どの発音をどれくらいの長さで、どんな高さで出すかを書いた設計図に近いものです。最後の段階でこの設計図を本物の波形に変える部分が別にあり、その部分をボコーダーと呼びます。

前段がうまく描けても後段が粗ければ金属的な音やこもった響きが残り、後段が良くても前段が抑揚を描き違えれば、はっきりしているのにぎこちない朗読になります。声が自然かどうかは、この二つの部分がいっしょに作り出します。

前から流し出します

長い文章を丸ごと作ってから聞かせると、最初の音が出るまで長く待つことになります。そこで文や句の単位で作りながら前から送り出します。氷が全部凍るのを待たず、凍った分から取り出すのと同じことです。

よく使う案内文はあらかじめ作っておくこともあります。反対に人ごとに違う名前や金額が入る文章はそのつど作るしかないので、二つの方式を混ぜて使う場合が多いです。