対話ロボットや情報案内システムにおいて，自然な 音声合成は重要な機能の一つである．高品質な合成音 声を生成するためには，豊富な計算資源を前提とした 最先端の End-to-End 型音声合成器を利用できること が望ましいが，ロボットや IoT 機器，スマートフォンと いった計算資源の限られたデバイス上でそのような音 声合成器を駆動することは現実的ではない．こうした 問題に対し，Google Cloud の Text-to-Speech API*1 や，Amazon Polly API*2といったクラウドベースの 音声合成 API を利用する方法も考えられるが，Web に アクセスできない環境でロボットやシステムを動作さ せる場合には不向きである．そこで本研究では，LAN 内で動作する高品質な日本語音声合成サーバを提案す る．本サーバは GPU マシン上で動作し，ソケット通 信によって入力テキストを受け取り，End-to-End 型 音声合成器を用いて自然な合成音声を生成し，クラ イアントに送り返す．合成音声の波形情報だけでな く，合成音声中の各音素の時刻情報も併せて送信され るため，CG アバター [1] やヒューマノイドロボット のリップシンクに用いることも可能である．また，本 サーバでは，入力テキストの音素列に加えて，g2p に よって抽出されたアクセント句の情報も音声合成器の Text2Mel に明示的に入力する．これにより，音素列 のみを入力とする標準的な End-to-End 音声合成器よ りも自然なイントネーションの合成音声を生成するこ とができる．本稿で述べた音声合成サーバは，オープ ンソースソフトとして一般公開される予定である*3．