音声合成(Text-to-Speech)とは何ですか?

入力した文字を、コンピューターが合成音声に変えて読み上げる技術です。原稿を渡せばナレーションの音声ができ、原稿を直せば何度でも作り直せます。

音声合成は、小さな商売でも使いどころがありますか?

あります。商品説明の動画に載せる説明音声、電話の自動応答メッセージ、講座の音声教材、ショート動画のナレーションなどです。自分の長文を読ませて、不自然な箇所を耳で探すこともできます。

公開の前に、最後まで聴いて確かめてください。固有名詞の読み間違い、数字の読み方、略語、専門用語、間の取り方には、サービスや音声によって差が出ます。

はっきり知らせるよう求めている提供元があります。告知の決まり、音声クローン、商用利用の条件はサービスや地域で違うため、使う前に公式規約を確認してください。

ざっくり言うと

音声合成（Text-to-Speech, TTS）とは、入力した文字をコンピューターが合成音声に変えて読み上げる技術です。

原稿を渡せば、ナレーションの音声がその場でできあがります。人間らしさや発音のよさは、サービス・モデル・言語・原稿によって変わります。

逆向き、つまり声を文字に変えるほうはSpeech-to-Text（STT）と呼ばれます。名前がよく似ているので、矢印の向きで見分けると迷いません。

イメージ

身近なところでは、カーナビの案内、スマホの読み上げ機能、動画のナレーション、電話の自動応答などがあります。

ただし、人が録音した音声を流している場合もあります。音が出る仕組みのすべてがTTSというわけではありません。

正確には

TTSは、受け取った文字をデジタルの音声データに変えるしくみです。書き出せる形式にはMP3やWAVなどがあります。使える形式や声、抑揚・間・感情の付け方は、サービスとモデルによって違います。

主要なクラウド各社が、それぞれ公式にTTSのサービスを出しています。

提供元	サービス名	特徴（公式情報より）
OpenAI	Audio API（Text to speech）	内蔵の音声と、話し方の指示に対応。カスタム音声は一部の対象顧客に限定
Google Cloud	Text-to-Speech AI	テキスト・SSML・自然言語プロンプトによる制御を、対応モデルごとに案内
Microsoft Azure	Azure Speech in Foundry Tools	Text to speechとCustom Neural Voiceを提供
Amazon Web Services	Amazon Polly	複数の言語・音声に加え、辞書やSSMLによる発音・抑揚の制御を提供

表にあるSSMLとは、読み方や間の取り方を細かく指定するための書き方のことです。

料金、対応している言語の数、選べる声の種類は更新が多いため、各社の公式ドキュメントで具体的な数値を確かめてください。

使う場面

派手な使い方を狙わなくても、TTSは地味に効きます。

「自分の声で録るほどではないけれど、無音も寂しい」。そんな場面と特に相性がよいです。

注意点

よくある勘違い

TTSが引き受けるのは、文字を音にするところまでです。原稿の中身までよくしてくれるわけではありません。

読み上げが自然でも、文が長すぎたり、説明の順番が分かりにくかったりすると、聞き手には伝わりにくくなります。

特に気をつけたいのは、次のような原稿です。

画面で原稿を読むだけでは、音の聞こえ方までは分かりません。できた音声を、スマホのスピーカー、イヤホン、少し騒がしい場所の3か所で再生してみてください。

小さなスピーカーだと聞き取りにくい言葉、イヤホンだと強く響きすぎる息づかい、周りの音に埋もれる単語が見つかります。

聴きながら確かめるのは、次の4つだけで十分です。

料金、商用利用、声の種類、クローン音声の扱いは、サービスや時期によって変わります。使う前に公式ページと利用規約を見る、というひと手間を前提にしておくと安心です。