歴史的な音声合成ソフト「XKL」で遊ぶ(3) ～時変パラメータ編～

XKLで遊ぶ記事の第3弾。時間に応じて合成パラメータを変化させてみます。



d: パラメータを時間変化させる

コマンドメニューの「d  CHANGE synthesis parameter time function」をダブルクリックすると、パラメータを時間変化させる画面になります。

ここでは パラメータ F0 (基本周波数, 声の高さに相当する) を時間変化させてみます。

グラフが開きます。続いて時刻を入力します。ここでは 100 ms の位置の値を設定することにします。

続いて、パラメータの値を入力します。ここでは 100 ms 地点を 100.0 Hz にしたいので 1000 を入力します。

このあとは、時刻と値を交互に入力していきます。たとえばこんな感じ。

入力したパラメータ設定はグラフにも反映されていきます。入力した値が直線で結ばれていくイメージです。

音声合成するとこんな感じ。声の高さを時間変化させることができました。

これと同様に、他のパラメータ（フォルマントなど）も時間変化させることができます。



v: 時間変化させたパラメータを見る

現在の時間変化パラメータを確認するには「v  PRINT (screen) varied parameters」を選びます。




チャレンジ: 音声 /ba/ を合成する

以上で時間変化のための操作説明はおしまいです。せっかくなので、このやりかたでひとつ音声を作ってみます。今回は、有声子音と母音からなる「ば」(/ba/) の音声を作ります。


/ba/ の具体的なパラメータ設定は、上智大学・荒井研究室のサイトのページを参考にしました。

F2開始周波数と調音位置 その2 (F2-onset frequency and place of articulation Part 2)


このページの元になった論文は以下から閲覧できます。

K. Tomaru and T. Arai: "Role of labeling mediation in speech perception: Evidence from a voiced stop continuum perceived in different surrounding sound contexts" (2016)


論文では、以下のようにパラメータを変化させることで、/ba/ や /da/ の音声が作成されています。

[Tomaru and Arai, 2016] の Fig.1 より引用


この図を参考に、XKLへ入力するパラメータ設定をまとめてみます。

まずはデフォルトパラメータから。これらを「c」コマンド（デフォルトパラメータの変更）で設定していきます。

  • DU (duration) = 330
  • UI (update interval) = 1
  • SR (sampling rate) = 11025
  • NF (number of formants) = 5
  • OQ (open quotient) = 80
  • TL (spectral tilt) = 8
  • AV = 0
  • F0 = 1250
  • F1 = 790
  • B1 = 60
  • F2 = 1190
  • B2 = 105
  • F3 = 2640
  • B3 = 150
  • F4 = 3700
  • B4 = 200
  • F5 = 4800
  • B5 = 1000

続いて、時変パラメータです。これらを「d」コマンド（時変パラメータの変更）で入力します。

  • AV
    • 0 (ms) : 0
    • 95 (ms) : 0
    • 100 (ms) : 60
    • 230 (ms) : 60
    • 330 (ms) : 0
  • F0
    • 0 (ms) : 1250
    • 100 (ms) : 1250
    • 150 (ms) : 1300
    • 200 (ms) : 1350
    • 300 (ms) : 1300
    • 330 (ms) : 1250
  • F1
    • 0 (ms) : 385
    • 100 (ms) : 385
    • 122 (ms) : 790
    • 330 (ms) : 790
  • F2
    • 0 (ms) : 885
    • 100 (ms) : 885
    • 122 (ms) : 1190
    • 330 (ms) : 1190

これらの設定をXKLにポチポチと入力したら、最後に「s」コマンドで合成します。

荒井研究室のサイトとそっくりな /ba/ の音声が生成できました。以下で試聴できます。



以上がXKLでの音声合成操作です。あとはこの応用で、さまざまな音声が合成できることになります。

もっと多様な音声を作るために、パラメータの意味を把握したくなります。次回は合成エンジンのしくみとパラメータについて見ていきます。

(4) ～仕組み編～ に続きます。

コメント

コメントを投稿

このブログの人気の投稿

基本波形の生成

イメージ
オーディオやマルチメディア関連のプログラムを書いていると、手早くノコギリ波や矩形波を生成したいことがある。 そこで、簡単にいろいろな波形を生成する方法をまとめる。 1. ノコギリ波 1サンプルごとに少しずつ値を足していくと、直線的に増加していく波形ができる。 値が 1.0 を超えた瞬間に 0.0 へ戻すことで、ノコギリ状の周期波形が生成できる。 これは、値の小数点以下のみを取り出すことで実装できる。 実装してみる。 以下のコードでは、オーディオ信号として扱いやすいよう出力値の範囲を 0〜1 から -1〜1 へ変換している。 double sawtooth(double 周波数, double サンプルレート) { static double phase = 0.0; // 初期値 phase += 周波数 / サンプルレート; phase -= floor(phase); // 整数部分を引き算 return 2.0 * (phase - 0.5); // -1.0～1.0 の範囲に広げる } 「小数点以下を取り出す」を「1.0で割ったときの剰余」として実装する方法もある。 double another_sawtooth(double 周波数, double サンプルレート) { static double phase = 0.0; // 初期値 phase += 周波数 / サンプルレート; phase = fmod(phase, 1.0); // 小数部分を取り出す return 2.0 * (phase - 0.5); // -1.0～1.0 の範囲に広げる } プログラミング言語によっては（C# など）、浮動小数点数（float や double）に対して剰余演算子 % が使えるので、この実装方法のほうがシンプルに書ける。 2. 矩形波 ノコギリ波が 0.5 を超えたら 1.0、超えなければ -1.0 を出力する。 条件を「0.75 を超えたら 1.0 を出力」に変えれば、デューティ比25%の矩形波になる。 double pulse(double 周波数, double サンプルレート) { static double phase =...
続きを読む

(1)C言語で音声合成もどき ～WAVファイルを生成する～

この記事は素人が音声合成で遊んでいるだけの記事です。完全に行き当たりばったりなので、紹介している内容の保証はできません。 また、記事の内容を予告なく変更することがあります。 「C言語で音声合成もどき」ということで、このシリーズではフォルマント合成と呼ばれる手法を使った音声合成プログラムをC言語で作っていきます。 本題の音声合成に入る前に、まずは肩慣らしとして 音声ファイルを作るプログラム をつくります。 今回は  8bit, 44100Hz, 1ch  の WAV形式 のファイルを作成するプログラムを書いてみます。 ( この記事では、比較的実装が簡単なWAV形式を扱います。 ひょっとするとMP3形式等のほうが馴染み深いかもしれませんが、MP3ではデータ圧縮にやや複雑なアルゴリズムを使うことになります。) なお、WAVファイルの構造については WAVファイルフォーマット WAVE file format を参考にしました。
続きを読む

(2)C言語で音声合成もどき ～母音の生成～

イメージ
この記事は素人が音声合成で遊んでいるだけの記事です。完全に行き当たりばったりなので、紹介している内容の保証はできません。また、記事の内容を予告なく変更することがあります。 生成した「お」の波形 今回は本題の音声合成に移っていきます。 前回 は波形データをWAVファイルに書き出す部分を作ったので、ここからはさっそく母音の合成をしていきます。 ざっくりいうと人間の声は、 声帯 で基となる音がつくられ、 声道 で加工されたものです。 今回のプログラムは、この「声帯→声道」という構成を参考にして音声を合成していきます。 まずは、声帯にあたる部分から実装することにします。 声帯が振動すると、周期的な波が発生します。 つまり、なんらかの周期的な波を使えば模倣できそうです。 一般的なシンセサイザーのようにノコギリ波や三角波を使うこともできますが、ここでは声帯振動の波を模倣した Rosenberg波 とよばれる波形を使います。 以下がRosenberg波の式です。 出典： https://dspace.jaist.ac.jp/.../896paper.pdf のP14 (2.1)、一部式の変形・表記変更あり τ1は 声門開大期 *1 の長さ 、τ2は 声門閉小期 *2 の長さ を表します。 *1 声門開大期……声門が閉じた状態から開ききるまでの時間 *2 声門閉小期…… 声門が開いた状態から閉じきるまでの時間 これらの値は、τ1 + τ2 が 0〜1 の範囲におさまるように決めます。 今回は  τ1 = 0.90, τ2 = 0.05 としました。 Cで書くとこんな感じです。 double GenRosenberg(double freq) { /* Rosenberg波を生成 */ static double t = 0; double tau = 0.90; /* 声門開大期 */ double tau2 = 0.05; /* 声門閉小期 */ double sample = 0.0; t += freq / (double)サンプリング周波数; t -= floor(t); if (t <= tau) { ...
続きを読む