音声合成（TTS） おんせいごうせい
音声合成TTSテキスト音声変換自然な音声ニューラルTTSアクセシビリティ
音声合成ってロボット声から変わったの？
簡単に言うとこんな感じ！
めちゃくちゃ変わったよ！昔のTTSは「いかにもロボットな機械的な声」だったけど、今は感情・抑揚・話者の個性まで再現できて、人間の声と聞き分けるのが難しいくらいリアルになったんだ。議事録の音声版・有声書籍・コールセンター自動化などで実用化が進んでるよ。
音声合成（TTS）とは
音声合成（TTS：Text-to-Speech） とは、テキスト（文字列）を人間の声に近い自然な音声に変換する技術です。「Speech Synthesis」とも呼ばれます。
深層学習（ニューラルTTS）の登場により、2010年代後半から音声品質が飛躍的に向上しました。現在は、わずか数秒のサンプル音声から特定の人物の声をクローニングするモデルも登場しています。
音声合成の技術進化
| 世代 | 技術 | 音質 |
|---|---|---|
| 第1世代 | ホルマント合成・連結合成 | 機械的・不自然 |
| 第2世代 | HMM統計的パラメトリック合成 | 改善されたが平坦 |
| 第3世代 | ニューラルTTS（WaveNet等） | 人間に近い自然な音声 |
| 現在 | 大規模モデル（VALL-E等） | 数秒で声クローニング可能 |
主な音声合成サービス
| サービス | 特徴 |
|---|---|
| Google Cloud TTS | 多言語・WaveNetベースの高品質音声 |
| Amazon Polly | AWS マネージドTTS |
| Azure Cognitive Services | Microsoftのカスタム音声対応TTS |
| ElevenLabs | 声クローニング・高品質TTS SaaS |
| VOICEVOX | 日本語特化のOSS TTS |
活用例
| 用途 | 内容 |
|---|---|
| アクセシビリティ | 視覚障害者向けスクリーンリーダー |
| オーディオブック | テキスト記事・書籍の音声化 |
| コールセンター自動化 | AIによる自動音声応答 |
| ナビゲーション | カーナビの音声案内 |
| 動画コンテンツ | 解説動画のナレーション自動化 |
歴史と背景
- 1950〜80年代：ホルマント合成等の初期TTS開発
- 2016年：Google WaveNetが「端から端まで」学習するニューラルTTSを発表
- 2023〜：声クローニング技術の普及でフェイク音声問題が社会課題に