株式市況音声合成システムの開発

3.1 数値音声合成の概要

数値音声合成の概要を1図に示す。数値が入力されると，数値音声合成エンジンは3.2節で述べる音声データベースの基本単位「前後の音声を考慮してクラスタリングされた桁」に分割する。例えば，「1,234円」が入力された場合には，「一千（二百)」，「（千）二百（三十)」，「（百）三十四円」に分割する。ここで，「（千）二百（三十)」は，前が「千」で後ろが「三十」であるような「二百」を意味する。

音声データベースには目的の基本単位の数値を読み上げている音声データが，通常，複数存在する。例えば，「一千（二百)」の音声データが２個，「（千）二百（三十)」の音声データが５個，「（百）三十四円」の音声データが10個ある場合を仮定すると，目的の数値「1,234円」を実現するための音声データの組み合わせは100（＝２×５×10）通りになる。そこで，隣り合う音声波形データの音響的な特徴がなるべく類似する音声データの組み合わせを選択し，自然性の高い音声を合成することにした。また，株価の終値の場合には「～円」と読むが，前日比の場合には「～円高」または「～円安」と読むので，下２桁の数値に「円」と「円高」と「円安」の語尾が付く音声をそれぞれ別の基本単位として用意した。なお，前日比が０円の場合には「変わらず」である。

3.2 音声データベースの構築と基本単位

数値を合成する音声データベースの基本単位を下２桁，百，千，万下２桁，百万，千万の６種類の桁とした。ただし，「株式市況」の場合には各桁の間に無音区間を入れる時間的な余裕がないので，調音結合を考慮して音声データベースを構築した。「前後の数値と桁が異なる音声」を全て録音することができれば良いが，その場合には基本単位の数が約４万にもなる。そこで，下記の条件の桁は同じ調音結合を持つ音声と見なして１つにまとめ，「前後の音声を考慮してクラスタリングされた桁」として扱うことにする。

1. 前の桁が十で終わる桁（十，二十，三十，…，九十）と，前の桁が百で終わる桁（百，二百，三百，…，九百）と，前の桁が千で終わる桁（一千，二千，三千，…，九千）と，前の桁が万で終わる桁（一万，二万，…，九万，十万，…など）をクラスタリングされた同じ桁とする。
2. 後ろの桁が十で始まる桁（十一，十二，十三，…，十九）と，二十で始まる桁（二十，二十一，二十二，…，二十九）と，三十，四十，五十，六十，七十，八十，九十で始まる桁をそれぞれクラスタリングされた同じ桁とする。なお，十と十一を区別した理由は音声の長さが異なるからである。

上記のクラスタリングによって，１から１億未満の整数に含まれる基本単位の数を5,330に削減することができた。

3.3 音声データベース構築のための読み上げ文の抽出

２章で述べたように，放送品質を満たす音声を合成するためには，合成時に必要となる音声が全て音声データベースに含まれていなければならない。ここでは，株式市況の終値と前日比を放送品質の音声で合成するための音声データベースを構築するために必要な読み上げ文の抽出法について述べる。音声の収録作業を効率よく行うためには，読み上げ文はできるだけ少ない方が望ましい。一方，放送品質の音声を合成するためには，合成時に必要となる基本単位を音声データベースに少なくとも１個は含ませる必要がある。

このため，まず，各基本単位を一個以上含む読み上げ文の集合を作成し，次に，読み上げ文の集合から読み上げ文の数がなるべく少なくなるように，以下のアルゴリズムで読み上げ文を抽出した。ここでは，読み上げ文の集合が１から１億未満の整数を合成する場合を例として示す。

1. 最初に，１文に含まれる基本単位の最大数を記憶するカウンターの初期値を０とする。
2. 読み上げ文の候補から順に１文ずつ選択し，その文に含まれている基本単位の数を数える。ただし，既に採用が決まっている文に含まれている基本単位はカウントしない。例えば，選択された文を「1,234円」とすると，その文に含まれている基本単位は「一千（二百)」，「（千）二百（三十)」，「（百）三十四円」であり，「一千（二百)」が既に採用が決まっている文に含まれているとすると，基本単位の数は２である。
3. １文に含まれる基本単位の数が，基本単位の最大数を記憶するカウンターの値以上の場合にはこの文を採用する。また，基本単位の数がカウンターの値より大きい場合にはカウンターの値をその数に置き換える。例の場合には，基本単位の数がカウンターの値０より大きいので，カウンターの値を２に置き換える。
4. ②から③を読み上げ文の候補に含まれる全ての文について逐次繰り返し，採用する文を増やしていく。
5. ④の操作を行った後，基本単位の最大数を記憶するカウンターの値が０でない場合には，採用した文を保持したまま，①の初期化を行い②から④を採用した文を除いて再び繰り返す。
6. ④の操作を行った後，基本単位の最大数を記憶するカウンターの値が０の場合には，読み上げ文の集合の全ての基本単位が採用した文に含まれることになるので，文を抽出する操作を終了する。

株式市況音声合成システムの音声データベースを構築するために読み上げ文を抽出した結果，読み上げ文の数を4,486にすることができた。株式市況の番組を担当している男性のアナウンサーが4,486のテキストを防音室で読み上げた音声を収録して音声データベースを構築した。

3.4 合成音声の評価実験

開発した手法で合成した音声の自然性を評価するために合成音声の品質評価実験を行った¹⁴⁾。

評価用の数値として，百円台・千円台・一万円台・十万円台・百万円台・千万円台の数値をランダムにそれぞれ40個，合計で240個選択した。ただし，音声データベースには含まれない数値とした。240個の数値を終値と前日比の２通りで評価させるために，480個の音声を合成した。480個の合成音声の他に，比較のために同じアナウンサーが読み上げた自然音声（原音）の終値を40個，前日比を40個追加して，合計560個の音声を評価した。

評価実験は防音室内でスピーカーを用いて行った。評定者は音声の評価実験の経験の無い20歳代の男性５名，女性５名である。音声をランダムな順序で提示し，評定者には自然性の違いを５（自然である)，４（不自然な部分はあるが気にならない)，３（少し気になる)，２（気になる)，１（非常に気になる）の５段階で評価するように指示した。ただし，評価を行う前に，音声データベース内の音声（原音）を３つ聞かせ，これと同じ程度の品質であれば，評価５（自然である）と評価するように指示した。また，各音声の評価は１回だけとした。なお，適切な時間で休憩を取りながら評価実験を行った。

結果を2図に示す。合成音声の全体の平均評価値は4.90，自然音声の平均評価値は4.98であり，合成した音声の自然性は十分に高いことが示された。

4.1 株式市況音声合成システムの概要

開発した株式市況音声合成システムの概要を3図に示す。株式市況音声合成システムは外部の通信社から株価データを受信するFTPサーバーと，音声データの制作および送出を行う音声合成サーバーとで構成される。株価データの送信時間になると，電子化された株価データが株価データ提供元である通信社から専用回線を通して放送センター内のFTPサーバーに送信される。

FTPサーバーと音声合成サーバーはファイルを共有しているので，音声合成サーバー上で動作している制作プログラムが株価データの更新を自動的に検知する。制作プログラムは株価データに存在する銘柄名・終値・前日比の音声を全て含んだ１つの大きな音声ファイルを作成する。放送中に銘柄名・終値・前日比の音声ファイルを読み込み順次再生することもできるが，放送中にファイルの入出力エラーが起こらないようにするために，事前に１つの大きな音声ファイルにまとめている。

制作時に必要となる銘柄名の音声は収録した音声をそのまま使用し，終値と前日比の音声は開発した手法で合成した。

ところで，東京証券取引所では，株価は「呼値の刻み^*2」の整数倍でしか取引できない。また，前日比も「制限値幅^*3」までしか変動しない。そこで，これらの制限を利用して，１億未満の終値と前日比について想定される数値を検討した。その結果，終値の種類は9,499個，前日比の種類は5,560個であることが分かった。そこで，これらの数値については事前に音声を合成し，音質に問題がないことを確認した後，株式市況音声合成システムへその音声を登録した。すなわち，これらの数値に対してはその度に合成するのではなく，事前に登録した合成音声をそのまま使うことにした。ただし，「呼値の刻み」や「制限値幅」が変更されることもあるので，株式市況音声合成システムでは任意の終値と前日比の音声を合成できるようにしている。

一方，音声合成サーバー上で動作する送出プログラムは制作プログラムが出力する音声ファイルの更新を自動的に検知し，放送開始時刻になると，音声ファイルを自動的に送出する。放送時間内に830銘柄の音声が収まるように，話速を絶えず調整しながら再生する。従って，途中でいくつかの銘柄の再生をやめたり，一時停止をしたり，終了する時刻を変更したりしても，指定した時刻までに正確に読み終えることが可能である。

なお，株式市況音声合成システムは全て２重化されており，一方の回線やサーバーが壊れた場合にも，放送には支障がないようになっている。

4.2 話速変換

明瞭に発声された音声データベースを作成するために，アナウンサーは実際に株式市況で読み上げる音声よりもゆっくりとした速度で数値を読み上げた。従って，数値音声合成エンジンで音声を合成しただけでは放送時間の45分で830銘柄を読み終えることはできない。そこで，話速変換¹³⁾ で合成音声の読み上げ速度を速くした。母音や半母音など音声波形が周期的に繰り返されている所では基本周期単位で波形を間引き，子音や無音区間などでは擬似的な基本周期単位を求めて，その単位で波形を間引いた。このような間引きを行うことで，声の高さや音質を損なわずに話速を変換することができた。話速変換率は番組の長さ，株価データ，読み上げる銘柄数に依存するが，通常の運用では，株式市況音声合成システムで元の音声波形を約84％に縮めている。

また，銘柄名，終値，前日比の接続部において，接続部の無音の長さが短く，声の高さや話速の差が大きい場合には不自然に聞こえることがある。そこで，自然性を保つために，接続部の無音の長さを少なくとも80ms以上とし，接続部の声の高さや話速の差が大きくなる場合には無音区間を更に長くするようにした¹⁵⁾。

4.3 検討課題

開発した株式市況音声合成システムは運用開始当初から安定して運用されている。しかし，運用中に今後に向けた課題が２つ明らかになった。

１つは，銘柄名の変更に伴う作業である。銘柄名の変更は会社の商号変更，合併，新規上場に伴い，数か月に１回程度の割合で生じる。現状ではその度に音声データベースを構築したアナウンサーに新規銘柄名を読み上げてもらう必要があるが，将来にわたって同じアナウンサーを確保することは難しい。そこで，新規銘柄名の音声を同じアナウンサーを使わずに合成できるようにすることが求められている。当所では，音声データベースの不足分を異なる話者の音声の一部で補って，新規銘柄名の音声を高品質に合成できることを示しており¹⁶⁾，この技術を利用した新規銘柄作成システムの開発が期待されている。

他の１つは，システムの障害時におけるバックアップ方法の改善である。現状の株式市況音声合成システムでは，本番系に障害があった場合には手動で予備系に切り替えることになっている。しかし，現状では本番系と予備系が同じ内容を同時に再生しているので，障害時に本番系で放送できなかった銘柄を予備系ですぐに放送し直すことができない。そのため，本番系でどの銘柄まで放送されたのかを予備系で監視して，本番系に問題があった場合には，予備系でまだ放送されていない銘柄から放送するようにすることが望ましい。その際，話速を再度調整し，終了時刻に読み終えるようにすることは技術的には可能である。