本ページは、Unixの知識があるMac OS Xユーザーで、なおかつText-to-speechで遊んでみたい、Appleの音声合成技術に興味のある人向けの内容です。

一般ユーザーで、だた単にMac OS Xで日本語音声合成を利用したいユーザー向きではありません。

アプリケーションとしてMac OS X上で日本語音声合成を利用したい人は、SSFactoryさんによるiSpeechという素晴らしいソフトがあるのでそちら使ってください(検索すればすぐヒットします)。iSpeechは形態素解析Chasenも含まれているので、かな・漢字まじりの文章でもそこそこ正確に読み上げてくれる上に、翻訳・要約機能もあり、ここで紹介するcshスクリプトとは比べ物になりません。

はじめに

往年のマックユーザーであれば、MacOS 8の頃に付録としてOSについてきた日本語Text-to-speech(TTS)を一度は体験したことと思います。 その後、日本語版MacOSには日本語TTSは付属されなくなってしまいましたが、英語版では常に英語TTSが付属されています。 私は仕事で、MacOS 9時代は日本語版よりはむしろ英語版を良く使っていたのですが、英語TTSがデフォルトでインストールされた上にアクティブになっていたりしたので、新規インストールをした後に突然英語でMacに喋りかけられたときにはちょっとびっくりしました。 (会社の帰り際に新規インストールを実行して翌朝続きを行おうとしたとき、一晩中Macが英語で喋りつづけてたと守衛さんが不安がっていた、なんてこともありました。)

さて、時は流れ、Mac OS Xになっても英語版TTSは健在で、かなり声の自然性も良くなってきているようです(LeopardのAlexはかなり良くなっていますね！...あくまで個人的な感想ですが...)。 Mac OSが単一インストーラーCD,DVDで多言語対応になったため、日本語ユーザーでも英語Text-to-speechがデフォルトで利用できるようになりましたが、それほど使用している日本語圏の人は少ないのではないでしょうか。(というか、私は現在海外の大学に勤務しているのですが、職場のMacユーザーでもあまりTTSを使っている人は少ないようです...使っていても時報とか警告メッセージの読み上げぐらいでしょうか..)

英語TTSが一般ユーザーにどれだけ有用かはともかく、面白いのは、最近のMac OS XではXcodeをインストールすると、"Repeat After Me"と呼ばれる合成音を調教(?)できるソフトまでついてくることです(*)。このソフトは英文をタイプすると、北米英語の音素(Phoneme)に分解してAppleの英語TTSで用いられている独自の音素表記の文字列へと変換し、さらにTTSによる合成音の音素の長さ・ピッチの時間変化をグラフとして表示してくれます。そしてこの音素の再生時間、ピッチの変化をGUIで自由に調整したり、さらにマイクから録音した音声や、AIFFファイルに予め記録してある音声を使って、発話時間やピッチの当てはめ(自動では音素の対応はそれほど正確ではない)を行ってくれます。 また、英文を打ち込まなくても、この音素表記をAppleの"Speech Synthesis Programming Guide"のAppendix Bを見て直接入力して同様の作業を行うことも可能です。

(*)/Developer/Applications/Utilities/Speech/にあるはずです

日本語仮名-英語訛り音声合成用cshスクリプト: say_jp.csh

たまたま仕事で既存の英語TTSをあれこれ調査・使用する機会があり、特にこの"Repeat After Me"を使って、録音した英語音声と同期した合成音を作る必要にせまられました。このためAppleの英語音素表記や調整方法を学ぶこととなり、その過程でこの"Repeat After Me"で調整できる音声合成のパラメータが、テキストベースで全て処理可能なことがわかりました。

と、いうことは...「入力文字列をテキスト処理で強引にこの英語音素に対応させてやれば、日本語だって話せるのではないか？」と思いつき、Unixのお家芸のひとつのテキスト処理で、単純なひらがな-> Apple英語TTS音素変換を行ってみたところ、まるで外人さんがたどたどしく日本語を喋るように、いとも簡単にMac OS Xが日本語をしゃべってくれるようになりました。

たいした中身では無いのですが、まぁ他の皆さんの参考にもなるように、そのcshスクリプトを公開しておきたいと思います。(なぜcshかと言うとtcsh好きの私の趣味だからです)

使用方法は、日本語の仮名の読みのテキストファイルを文字コードEUCで作成して、それを以下のようにターミナルやX11のxtermなどから打ち込んで使用します。 (実行フラグを立てて、自分のパスの中にコピーしておくと良いでしょう)

   % csh say_jp.csh <テキストファイル>

   % csh say_jp.csh -v <声モデル> <テキストファイル>

声モデルは"システム環境設定"の"スピーチ"の"システムの声"から、どんな声モデルが使えるかを確認できます。(デフォルトは"ゴノレゴ"さんでも使われているであろうWhisperになっています)。 スクリプトの中身は至って簡単で、仮名からApple音素へ変換した後、Mac OS X組み込みの'say'コマンド(ターミナルから音声合成を行うコマンド)を呼び出し、'say'コマンドでAIFFファイルを作ってそれを別の'afplay'コマンドで再生しています。

ダウンロード

どうでしょう？　いかにも「外人さんが喋りそうな日本語」を喋ってくれるではありませんか！

注意事項

• 配布・改良は非営利目的であれば自由に行っていただいて結構です。営利目的利用の場合はご相談ください。(っていうかこの程度の事で金儲けしようとするか？)
• 単純な仮名から英語TTSで利用できる読みへの変換を行っているだけですので、高度な読み上げはできません：喋らせたい通りの読みを入力してください。(例：「私は川へ行きました」であれば「わたくしわかわえいきました」と読みで入力してください)
• サポートは一切しません。(致命的な誤り等の報告には対応したいと思います。)このページに書かれている情報を読んでも理解できない人は使わない方が無難です。最低限、Unixを使いこなせる人を対象にしています。
• 仮名->Apple音素変換は、やっつけ仕事で適当に作ったので、抜けている表現があるかもしれません...（いや、きっとあるでしょう）...見つけたら自分で補ってください...
• ちなみに、上述の抜けている表現に遭遇すると、Apple TTSは動作してくれません。(全角文字が変換後も残るため、TTSがエラーを返す)
• 変換が記載されていても、音素の組み合わせによっては発声できずに、その場所以降が無視させることもあります。(その場合は、おそらく子音-母音の組み合わせ、特に母音を修正すれば正常に発話されます：ひょっとすると子音を入力ミスしていることも考えられます)
• 漢字や全角数字、記号等には対応していません。平仮名もしくは片仮名入力のみです。
• 長音符'ー'による長音はいくつ'ー'の数を増やしても出力は一つの場合と同じです。(ただし例外で、'あーー'だけはサンプルとして長めになるように定義してあります。...ですが、今ひとつっぽい感じですね)
• 文末に?を入れると、英語のTTSの都合上、英語の疑問文のような抑揚がついてしまいます。
• くどいようですが、入力はEUCのみ対応です。UTFやSJIS、JISの日本語テキストでは動きません。EUC対応のエディタ(emacs, miなど)を自分で用意してテキストを作成してください。Unixエキスパートならnkfでもかまして他のコードからEUCに変換してください。(っていうか、Unixエキスパートならわざわざそんな事言わなくてもわかってるって...)

上級者向け内部情報

• Unixエキスパートなら一目瞭然ですが、スクリプト内部では、sedの置換パターンファイルの作成、sedを用いた文字列変換とawkによる付加情報出力により、入力文字列をApple音素への変換を行っています。
• Apple音素変換では、基本的に[[Inpt PHON]]モードでの音素指示と、長音符'ー'による長音を[[Inpt TUNE]]モードを使って母音を長く発話する指示との、二通りの指示を用いています。
• sedの変換は以下の三段階に分けています：
  • 片仮名から平仮名への変換
  • 長音符'ー'を含む平仮名からApple音素への変換：母音部分を[[Inpt TUNE]]モードで{D 400}で長く発話するように変換、ただし長さの400msは全ての入力に対し一定
  • 上記以外での平仮名からApple音素への変換
• Unixエキスパートなら言わずもがなですが、sedの置換パターンを変更・追加する場合は、元のパターンが長いものから順に記載してください。
• Apple TTSによる読み上げには'say'コマンドを呼びだしています。(AIFF変換の場合は-oオプションにてファイル出力、afplayコマンドによる再生)
• Apple TTS音素表記に慣れてくれば、制御コマンドを直接入力テキストに組み込むことも可能です。(あくまでこのcshスクリプトは全角仮名を置換しているだけなので、制御コマンドはそのまま出力されますので。）
• "Repeat After Me"のように[[Inpt TUNE]]モードで音素の長さ、ピッチを細かく指定すればより自然な日本語になるはずです。ただ、そうするにはこの例のような単純な変換だけでは足りないのでかなりの工夫が必要です。

• (疑問)"Repeat After Me"の"Tune"機能は非常に面白いと思うのですが、デフォルトのTTSが使っているTUNE情報を何とかプログラム中から取得できないものでしょうか？入力文字列からApple音素への変換はTextToPhonemes()で実装されているのですが、実際にsayコマンド等で喋る時のTUNE情報を取得する関数は無いように見受けられます。(特に時間軸情報が得られれば顔アニメーションの同期生成に役立つのですが...)　どなたかご存知の方がいらっしゃいましたら、是非ご教授お願いいたします。

• "Repeat After Me"にスペクトル表示も追加できると良いですね。Apple様、ソース公開とは言いませんので、是非機能追加をお願いします！

参考

<音素> {D <ミリ秒での長さ> P <周波数>:<指定位置>}

[[inpt TUNE]]
~
AA {D 111; P 132.0:0 164.4:90}
~
m {D 40; P 168.0:0}
EH {D 90; P 167.0:0 136.6:87}
~
n {D 70; P 132.0:0}
IY {D 70; P 121.0:0 108.7:88}
~
m {D 70; P 107.0:0}
OW {D 60; P 102.0:0 102.0:88}
~
m {D 70; P 102.0:0}
AA {D 50; P 102.0:0 102.0:88}
~
k {D 131; P 102.0:0 102.0:92}
EH {D 70; P 102.0:0 102.0:11 102.0:22 102.0:89 102.0:94}
~
z {D 101; P 102.0:0}
UW {D 151; P 102.0:0 102.0:88}
~
k {D 363; P 102.0:0 102.0:92}
AA {D 60; P 102.0:0 102.0:10 102.0:19 102.0:90 102.0:95}
~
z {D 60; P 102.0:0}
EH {D 60; P 148.0:0 151.0:88}
~
n {D 80; P 152.0:0}
IY {D 30; P 154.0:0 151.0:88}
~
m {D 72; P 151.0:0}
OW {D 79; P 113.0:0 113.0:90}
~
m {D 67; P 113.0:0}
AA {D 67; P 97.0:0 97.0:91}
~
k {D 106; P 97.0:0 97.0:92}
EH {D 67; P 97.0:0 96.6:10 96.0:24 93.4:90 93.2:95}
~
z {D 155; P 93.0:0}
UW {D 110; P 94.0:0 93.0:100}
% {D 217}
% {D 595}
~
y {D 68; P 113.0:0}
UW {D 68; P 106.0:0 106.0:88}
~
k {D 58; P 106.0:0 106.0:92}
IY {D 49; P 109.0:0 114.0:13 151.0:27}
~
n {D 39; P 151.0:0}
IY {D 57; P 136.0:0 119.0:87}
~
m {D 97; P 111.0:0}
OW {D 87; P 111.0:0 111.0:88}
~
n {D 87; P 111.0:0}
AA {D 67; P 111.0:0 111.0:88}
~
t {D 57; P 111.0:0 111.0:75 111.0:88}
s {D 67; P 111.0:0 111.0:13 111.0:27 111.0:93}
UH {D 57; P 112.0:0 113.0:17 115.0:33}
~
n {D 30; P 155.0:0}
OW {D 158; P 148.0:0}
~
AA {D 30; P 148.0:0 148.0:89}
~
t {D 30; P 148.0:0 148.0:75 148.0:88}
s {D 115; P 148.0:0 148.0:13 148.0:27 148.0:93}
UH {D 30; P 148.0:0 147.0:15 146.0:31 145.0:85}
~
s {D 30; P 113.0:0 109.0:94}
AA {D 30; P 109.0:0 109.0:12 105.0:24}
~
n {D 30; P 103.0:0}
IY {D 30; P 103.0:0 103.0:87}
~
m {D 30; P 103.0:0}
OW {D 56; P 103.0:0 103.0:88}
~
m {D 66; P 103.0:0}
AA {D 66; P 103.0:0 103.0:88}
~
k {D 105; P 103.0:0 103.0:92}
EH {D 37; P 103.0:0 103.0:14 103.0:29}
~
n {D 66; P 103.0:0}
UW {D 85; P 103.0:0 103.0:88 103.0:94}
~
J {D 177; P 103.0:0}
OW {D 140; P 127.0:0 148.0:54 149.6:90 149.8:95}
~
b {D 30; P 150.0:0 154.1:83}
UW {D 61; P 155.0:0 146.2:88}
~
n {D 30; P 145.0:0}
AA {D 112; P 141.0:0 136.0:88}
~
k {D 102; P 136.0:0 136.0:92}
AA {D 30; P 136.0:0 136.0:17 136.0:33}
~
l {D 30; P 136.0:0}
AA {D 51; P 136.0:0 136.0:90 136.0:95}
~
d {D 61; P 136.0:0 136.0:75}
AA {D 50; P 136.0:0}
~
OW {D 111; P 120.0:0 107.3:91}
~
m {D 93; P 106.0:0}
OW {D 144; P 103.0:0 104.8:91}
~
C {D 144; P 105.0:0 104.0:96}
IH {D 126; P 104.0:0 103.8:6 103.4:15 100.0:100}
% {D 30}
% {D 40}
. {D 1750}
[[inpt TEXT]]

どうでしょう？かなり良く聞こえますよね？(最後の方はピッチの調整が手抜きになってしまって前半ほど良くは無いですが...)

参考までに、最初の例にあるような本スクリプトによる音素指定のみだと以下のようになります。先の場合と同様に再生してみると、違いが歴然とするはずです。

[[inpt PHON]]
_AA_mEH_nIY_mOW _mAA_kEH_zUW _kAA_zEH_nIY_mOW _mAA_kEH_zUW @.%_yUW_kIY_nIY_mOW _nAA_tsUH_nOW_AA_tsUH_sAA_nIY_mOW_mAA_kEH_nUW _JOW_bUW_nAA_kAA_lAA_dAA_OW_mOW_CIH @.%
[[inpt TEXT]]

結局、このような調整は言語ごとに必要なので、Appleはそこまで多言語対応はできないので英語TTSのみを提供しているんでしょうかね。

ここでは、ごく基本的な制御機能しか利用していませんが、他にもアクセントなども指定可能なので、全ての機能をうまく使えばかなり高度な音声合成ができるのではないかと思われます。(ひょっとすると自家製ボーカロイドなんかも可能かも？...修士ぐらいの学生向けの研究テーマにちょうど良いかも？)

ちなみに最初に述べたiSpeechという素晴らしいフリーソフトですが、かな-\gt Apple音素変換は似たような感じですが(違っていたらごめんなさい)、UIの充実はもとより、形態素解析のChasenも組み込まれているので、通常の文章を読み上げるなど実用上非常に役立つソフトです。(Leopardでは動作してくれないようですね...少し残念です...)

ご意見等はまで

Kuratate0のホームページに戻る