TTS（音声合成）

一言で

TTSとは「Text-to-Speech（テキスト・トゥ・スピーチ）」の略で、文字をAIが読み上げて音声に変換する技術のことです。

もう少し詳しく

カーナビの音声案内やスマートスピーカーの返答も広い意味ではTTSですが、近年は生成AI（ディープラーニング）型のTTSが主流になり、人間と区別がつかないほど自然な声を出せるようになりました。

2024年以降は「指示できるTTS」が登場し、「優しいカスタマーサポートの口調で読んで」「ニュースキャスター風に」と自然文で話し方を指定できるようになっています。2026年5月にOpenAIが公開した「Realtime-2」では音声認識（Whisper）と音声合成が1つのモデルに統合され、対話の遅延がほぼ感じられないレベルまで来ました。

主要なTTSサービスは、ElevenLabs、OpenAI TTS、Google Cloud TTS、Microsoft Azure TTS、Amazon Polly、Cartesiaなど。Google Cloudは380以上の声・75以上の言語に対応し、用途で選び分ける時代になっています。

主な特徴

• 自然さ: 抑揚や感情表現が人間に近い
• 多言語対応: 主要TTSはおおむね50〜140言語をカバー
• スタイル指定: プロンプトで口調・速度・感情をコントロール可能

使われ方の例

• 動画ナレーション・YouTube解説の自動音声化
• カスタマーサポートのAI電話応答（ボイスエージェント）
• 視覚障害者向けのスクリーンリーダー、オーディオブック制作

関連する話題

声の権利保護も論点で、有名人や声優の声を本人の許可なく合成することへの規制議論が世界各国で進んでいます。