音声合成(Text-to-Speech)

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。

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。

TTSはこんな場面で使われています

• 本を音声にしたオーディオブックで、移動中や家事の合間に耳から読めます
• カーナビや地図アプリが、曲がる場所を声で教えてくれます
• YouTubeやショート動画の解説ナレーションを作れます
• 画面の文字を読み上げるソフトが、目の不自由な方や、耳で文章を確かめたい人を助けます
• 「ご用件の方は1を押してください」のような、電話の自動応答（IVR）の案内に使われます
• スマートスピーカーやチャットボットが声で返事をするときにも動いています

使う場面

個人事業主・小さな会社での使いどころ

派手な使い方を狙わなくても、TTSは地味に効きます。

• 商品説明の動画に、台本から作った説明音声を載せる
• 営業時間外の案内や予約受付など、電話の自動応答メッセージを用意する
• オンライン講座のスライド原稿を読み上げて、音声教材の下地にする
• SNSのショート動画に、短いナレーションを足す
• 自分が書いた長文をTTSに読ませて、不自然なところを耳で見つける

「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。

• 商品名や会社名など、読み方を間違えると困るもの
• 金額、日付、時間、住所など、聞き間違いが事故につながるもの
• 医療、法律、金融など、誤解されたときの影響が大きいもの
• 冗談や皮肉など、声色で印象が変わるもの

公開の前に、3か所で聴いてみてください

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。

1. 名前・数字・日付を正しく読んでいるか
2. 文が長すぎて、息継ぎが不自然になっていないか
3. 声の明るさが、お店やサービスの雰囲気に合っているか
4. AIの音声だと伝える案内や、利用条件に問題がないか

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。

関連用語

• 音声認識（Speech-to-Text） — 人が話した声を文字に変える、TTSとは逆向きの技術です。
• マルチモーダル — 文字・画像・音声など、複数の種類の情報をまとめて扱える性質です。

やってみよう