用語：音声合成（TTS）
AI用語の分類：生成AI・言語・検索・推論
ひとことで：音声合成（TTS）は、入力テキストを人間の発話に似た合成音声へ変換する技術です。
音声合成（Text-to-Speech、TTS）は、入力されたテキストを人間の発話に似た音声へ変換する技術です。読み上げアプリ、カーナビ、アクセシビリティ機能、音声アシスタント、動画のナレーションなどで使われます。
現在のTTSは、単に文字ごとに録音済み音声をつなぐ方式ではありません。ニューラルネットワークを用いて、発音、イントネーション、リズム、声質などを生成する方式が主流です。ただし製品によってモデル構成は異なり、内部方式が公開されているとは限りません。
目次
TTSの入力と出力
基本的な入力はテキストです。サービスによってはSSML（Speech Synthesis Markup Language）のような記法を使い、読み上げ速度、ポーズ、発音、強調などを指定できます。出力はWAV、MP3などの音声データです。[1]
MicrosoftのSpeech Serviceでは[2]、TTSをテキストから人間らしい合成音声へ変換する機能と説明し、標準音声やカスタム音声を提供しています。この定義から分かるように、TTSの中心は「テキスト→発話音声」という方向です。
音声認識（ASR）とは逆方向
ASRは音声→テキスト、TTSはテキスト→音声です。似た名称ですが役割は逆です。
音声アシスタントでは、ASRでユーザーの音声を文字へ変換し、言語モデルが応答文を作り、TTSで読み上げます。会話全体を「音声AI」と呼ぶと、この三つが一体に見えるため、どこで誤りが起きたのか分かりにくくなります。
たとえば応答内容が間違っているなら言語モデル側の問題かもしれません。文章は正しいのに固有名詞の読み方だけが違うならTTS側の問題です。
「自然な声」を分解する
TTSの自然さは一つの要素ではありません。発音が正しいか、抑揚が適切か、文末のイントネーションが自然か、ポーズ位置が正しいか、長文で声質が安定するかなどが関係します。
感情的な表現や会話では、同じ文章でも話し方で意味が変わります。「本当に？」を疑問、驚き、皮肉のどれとして読むかで印象は大きく異なります。そのため高度なTTSでは、スタイルや感情の条件付けが重要になります。
カスタム音声とvoice cloning
一部のサービスでは、特定の話者に似せたカスタム音声を作れます。これはTTSの一種ですが、すべてのTTSがvoice cloningを行うわけではありません。
実在人物の声を模倣できる場合、本人同意、なりすまし、詐欺、著名人の権利などの問題があります。サービス提供者が録音者の同意確認や利用制限を設けることがあります。したがって「TTS対応」という情報だけから、任意の人の声を複製できるとは推論できません。
多言語対応の読み方
「100言語対応」と書かれていても、すべての言語で同じ品質とは限りません。言語ごとの音声数、方言、話者スタイル、発音辞書、感情表現が異なることがあります。
さらに、一つの声が複数言語を自然に話せるmultilingual voiceと、言語ごとに別の声を選ぶ方式は違います。製品を比較するときは、単純な対応言語数より、必要な言語と話者での品質を見る方が実務的です。
速度と品質のトレードオフ
リアルタイム対話では、文章ができてから音声が始まるまでの遅延が重要です。一方、動画ナレーションでは多少時間がかかっても高音質の方が重要かもしれません。
「リアルタイムTTS」という表現を見るときは、生成が実時間より速いという意味なのか、最初の音声がすぐ再生される低レイテンシを意味するのかを確認します。長い音声の総生成速度と、会話開始までの待ち時間は別です。
音声生成AIとの境界
TTSは音声生成AIの代表例ですが、音声生成AIの範囲はより広い場合があります。テキストなしで会話音声を続ける、効果音を生成する、映像から環境音を生成するといった処理はTTSではありません。
一方、記事によっては「音声生成AI」をTTSの意味だけで使っていることもあります。原文がText-to-Speech、speech synthesis、voice generationのどれかを確認すると境界が分かります。
具体例で読む
ニュース記事の自動読み上げを作る場合、単に自然な声であるだけでは足りません。人名、地名、英字略語、数字、記号の読みを正しく扱い、見出しと本文で適切に間を変える必要があります。
ゲームキャラクターの会話ではさらに、感情、速度、キャラクター声の一貫性、短い応答の低遅延が重要です。同じTTSでも用途で評価軸が変わります。
元の文脈へ戻ったときのチェックリスト
- 入力はテキストまたはSSMLか。
- 出力は発話音声か。
- ASRと方向を混同していないか。
- 「自然さ」は発音、抑揚、声質、長時間安定性のどれで評価しているか。
- カスタム音声やvoice cloningの有無を確認したか。
- 対応言語数だけでなく、必要言語での品質を確認したか。
- リアルタイム性は総生成速度か、初動レイテンシか。
TTSを理解するコツは、文章内容の生成と、その文章を声として表現する工程を分けて考えることです。
関連するAI用語
- 音声生成AI
audio-generation-ai - 音声認識（ASR）
automatic-speech-recognition - Speech-to-Speech
speech-to-speech
注・出典
AI協働制作について
本記事は、著者が独自に設計した指示、参照資料、出典確認規則、著作権確認および監査工程を組み込んだChatGPT等の生成AIを、情報収集の補助、資料整理、構成検討、草稿作成、文章校正および監査補助に使用して制作しました。記事の対象範囲、情報源の採否、構成、解釈および最終表現は著者が判断し、最終稿を承認しています。著者は、本記事の正確性、独自性、引用、著作権処理および公開内容について責任を負います。 制作工程の詳細は「AI協働制作方針」をご覧ください。