テキスト読み上げ（TTS）とは？わかりやすく解説
テキスト読み上げは、書かれた言葉を話し言葉の音声に変換する技術です。このガイドでは、最新のAI音声の仕組み、自然に聞こえる声と機械的に聞こえる声の違い、そしてこの技術が本当に役立つ場面を、専門用語を使わずにご説明します。
著者： Abdul Waheed公開日: 7 分で読めます
テキスト読み上げをひとことで言うと
テキスト読み上げ（TTS）は音声合成とも呼ばれ、文章を声に出して読み上げるソフトウェアです。文を入力すると、その文を話す声が音声ファイルやリアルタイムの音声として返ってきます。この声は、人があなたの文章をそのまま読み上げた録音ではありません。特定の声が音や単語、文をどのように発音するかを学習したコンピューターモデルが、その場で生成したものです。
TTSは、すでにほとんどの方が耳にしているはずです。カーナビの案内、電話の自動音声メニュー、視覚障害のある方が使うスクリーンリーダー、電子書籍の「読み上げ」機能、そして最近ではYouTubeのナレーションやショート動画でもますます使われています。
最新のTTSシステムの仕組み
現在のシステムの多くは、大きく分けて3つの段階で動いています。普段は目に見えませんが、この流れを知っておくと、特定の文章でなぜ問題が起きるのかを理解しやすくなります。
1. テキストを読み取り、正規化する
まず、システムは実際に何と読むべきかを判断します。たとえば「1日」は「ついたち」とも「いちにち」とも読めます。「2026年」は「にせんにじゅうろくねん」、「¥500」は「ごひゃくえん」と読み替える必要があります。また、文章を文単位に区切り、それぞれの語をどう発音するかも決めます。これは見た目以上に難しい作業です。たとえば「今日」は「きょう」と読むのが普通ですが、「こんにち」と読む場面もあります。
2. 音の設計図をつくる
次に、ニューラルネットワークが文の聞こえ方を予測します。どこにアクセントを置くか、音の高さがどこで上がり下がりするか、それぞれの音をどのくらいの長さで発音するか、どこで短く息継ぎをするか、といったことです。このメロディーとリズムを韻律（プロソディ）と呼びます。人間らしく聞こえる声と、機械がリストを読み上げているように聞こえる声との一番大きな違いは、この韻律にあります。
3. 音声を生成する
最後に、別のモデル（ボコーダーと呼ばれることが多いです）が、その設計図を実際に再生できる音の波形に変換します。古いシステムは、あらかじめ録音された細かな音声の断片をつなぎ合わせていたため、ぎこちなく聞こえていました。ニューラル方式のシステムは波形を直接生成するため、現在の音声はなめらかに聞こえるのです。
音声の聞こえ方に差が出る理由
- 韻律。 自然なリズムと抑揚は、音質そのものよりも重要です。音がクリアでも平板な声は、やはり人工的に聞こえます。
- 言語とアクセントの一致。 ある言語向けに学習された音声は、ほかの言語の単語をうまく読めないことがよくあります。テキストの言語に合った音声を選び、できれば聞き手が想定しているアクセントの音声を選びましょう。
- テキストそのもの。 略語、珍しい名前、句読点の抜け、とても長い文は、不自然な結果になる最も一般的な原因です。対処法はテキスト読み上げ用の台本の書き方のガイドで解説しています。
- 速度とピッチの設定。 少しの調整で大きく改善しますが、極端な設定にするとどの声も不自然になります。
テキスト読み上げの主な活用方法
- アクセシビリティ。 読む代わりに聴くことで、弱視、ディスレクシア（読字障害）、疲労、その他の読む困難を抱える方の助けになります。アクセシビリティのためのテキスト読み上げをご覧ください。
- 動画のナレーション。 自分の声を録音できない、または録音したくないクリエイターが、YouTubeの解説動画、チュートリアル、ショート動画にTTSを使っています。YouTubeナレーションの作り方をご覧ください。
- 語学学習。 ネイティブのアクセントを持つ声で、ゆっくりした速度で文を聴くと、発音の練習に役立ちます。語学学習のためのテキスト読み上げをご覧ください。
- 校正。 自分の文章を読み上げてもらうのは、ぎこちない文や抜けている言葉を見つける最も手早い方法のひとつです。
- オーディオブックや長時間のリスニング。 TTSでオーディオブックをナレーションする方法をご覧ください。
テキスト読み上げがまだ苦手なこと
優れたAI音声でも、珍しい人名やブランド名、外来語を読み間違えることがあります。人間のナレーターのように文章の意味を理解しているわけではないため、冗談や皮肉、強い感情は平坦に聞こえてしまうことがよくあります。また、合成音声は今やとてもリアルなので、実在の人物になりすましたり、聞き手をだましたりする目的で使ってはいけません。
こうした限界の多くに対する現実的な解決策は、声と格闘するのではなく、テキストを編集することです。読みにくい名前は発音どおりに書き、長い文は区切り、間を置きたいところには句読点を入れましょう。
Open Text to Speech で試してみる
よくある質問
テキスト読み上げは音声の録音と同じものですか？
いいえ。録音は、人が特定の言葉を読んだものを記録したものです。テキスト読み上げは、声のモデルを使って、入力したどんなテキストからでも新しい音声を生成します。
音声が一部の言葉を読み間違えるのはなぜですか？
人名、略語、外来語は、表記だけから読み方を推測するのが難しいためです。言葉を発音どおりに書いたり、略語を正式な形に書き直したりすると、たいていは解決します。
テキスト読み上げと音声認識（音声入力）の違いは何ですか？
両者は正反対の技術です。テキスト読み上げは文字を音声に変換し、音声認識は話された音声を文字に変換します。
このサイトでテキスト読み上げを使うのにアカウントは必要ですか？
いいえ。スタジオを開いてテキストを貼り付け、声を選んで再生ボタンを押すだけです。