Text-to-speech(音声合成)
Text-to-speech(TTS、音声合成)とは、書かれたテキストを話し言葉の音声に変えるソフトウェアです。現在のTTSは、テキストから発話の音を予測し、それを波形として描き出すニューラルネットワークを使います。
別名: TTS, speech synthesis, AI voice generator
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
TTSは、スクリーンリーダー、ナビゲーションアプリ、オーディオブック、音声エージェントの声です。古いシステムは、録音した発話の断片をつなぎ合わせていました。ニューラルTTSは代わりに、何時間もの録音された声から、テキストがどう聞こえるべきかを学びます。
仕組み
GoogleのTacotron 2は、古典的な2段階の設計を示しています。1つ目のネットワークは文字をメルスペクトログラム、つまり音のエネルギーが時間とともにどう変わるかを表す図に対応付けます。2つ目のネットワークであるボコーダーが、その図を音声に変えます。新しいモデルの多くはスペクトログラムを省き、言語モデルが単語を予測するのと同じように、音声のトークンを直接予測します。
TTSモデルの選び方
開発者にとって重要なのは、自然さ、最初の音声までのレイテンシ、対応言語、速さや感情の制御、1文字あたりの料金です。ElevenLabsのようなホスト型サービスが、ノートPCで動くKokoro 82Mのような小さなオープンなモデルと競っています。
関連用語
TTSはspeech-to-textの逆です。TTSを特定の1人の声のように聞こえさせるのがボイスクローニングです。リアルタイムの会話では、speech-to-speechモデルがテキストのステップを完全に置き換えることができます。
限界
TTSは名前、数字、略語を読み間違えることがあり、長い文章では口調がずれていくことがあります。人間らしく聞こえる出力は、他人になりすますために悪用されるおそれがあります。
関連用語
- Speech-to-text(音声認識)
- Speech-to-text(音声認識)とは、自動音声認識(ASR)とも呼ばれ、話し言葉の音声を書き言葉のテキストに変換するソフトウェアです。書き起こし、字幕、音声コマンド、そして音声エージェントの聞き取りの部分を支えています。
- ボイスクローニング
- ボイスクローニング(voice cloning)とは、AIを使い、特定の人の録音から学んだその人の声で音声合成システムに話させることで す。短いサンプルだけで済むシステムもあります。
- Speech-to-speechモデル
- Speech-to-speechモデル(音声対音声モデル)とは、話し言葉の音声を受け取り、いったんテキストに変換して戻すことなく、直接話し言葉の音声を出力するモデルです。リアルタイムの音声会話や翻訳に使われます。
- 音声エージェント
- 音声エージェント(voice agent)とは、リアルタイムで音声の会話を行うAIエージェントです。人の話を聞き、何を言うか、何をするかを決め、合成音声で答えます。多くの場合、電話回線やアプリを通じて使われます。
- Text-to-music(音楽生成)
- Text-to-music(音楽生成)とは、ジャンル、雰囲気、楽器、テンポなどの書かれた説明から音楽の音声を生成するタスクです。歌詞を書いて歌うシステムもあります。