音声合成とは

音声合成（TTS：Text-to-Speech）は、文字で書かれた文章を、コンピューターが声にして読み上げる技術です。スマートフォンの読み上げ機能、駅や電話の自動音声、動画のナレーション、声で話せる AI など、身の回りの多くの声が音声合成で作られています。

いまの合成音声は、人の声と聞き分けにくいほど自然になりました。しくみを知っておくと、読み間違いの直し方や、会話に使うときの工夫、声をまねる技術と付き合うときの注意点がわかります。

音声合成は何をしているのか

音声合成は、録音しておいた声を流すのとは違い、渡された文章をその場で声にします。たとえば、ヨガ教室が「台風のため、明日の朝のクラスはお休みです」という案内を電話の自動音声で流したいとき、録音し直さなくても、文章を書き換えるだけで新しい案内を作れます。

かつては、人の声を細かく切って録っておき、それをつなぎ合わせる方式が中心でした。いまは、大量の声と文章の組から学んだニューラルネットワーク（大量の例から学ぶ計算のしくみ）が声を作る方式が広く使われ、つなぎ目の不自然さが大きく減りました。

音声合成は、たとえば次のような場面で使われます。

• オンライン講座の教材や、小さな会社のお知らせを声でも届ける
• 営業時間外の電話で、休みや受付時間を自動の音声で案内する
• 動画に、文章から作ったナレーションを付ける
• 画面を読み上げて、目の見えにくい人がサイトを使えるようにする

音声合成はどう動くのか

文章を「読み」にする

最初の仕事は、文章をどう読むかを決めることです。数字・日付・記号・略語は、書いてあるままでは読み方が決まりません。「4/1 10:00〜」は「しがつ ついたち じゅうじから」と読む必要があります。

日本語では、漢字の読み分けも大切です。「1日」は「ついたち」とも「いちにち」とも読み、「今日」は「きょう」とも「こんにち」とも読みます。音声合成は、前後の文脈からどちらが合うかを選びます。

読み方が決まったら、アクセント（音の高低）と区切りを決めます。日本語には、「橋」と「箸」のように、音の高低で意味が変わる言葉があります。

声の設計図を作り、音にする

次に、モデルが「どの高さの音を、どれくらいの長さと強さで出すか」という声の設計図を作ります。設計図には、音の高さごとの強さを時間に沿って並べたもの（メルスペクトログラム）がよく使われます。最後に、ボコーダーと呼ばれる部分が、設計図から実際の音の波を作ります。

最近は、音を短い記号の並びとして扱い、続きの記号を予測しながら声を作るモデルもあります。文章の続きを予測する大規模言語モデル（LLM）と似た考え方です。

声の自然さは何で決まるのか

自然に聞こえるかどうかは、声そのものと話し方の両方で決まります。

• 声：高さ・太さ・かすれ方など、その人らしさを作る音の質
• 抑揚（プロソディ）：文の中での音の上がり下がり、速さ、間の取り方、強調

同じ声でも、抑揚が不自然だと機械らしく聞こえます。問いかけの終わりが上がらない、区切る場所が違う、大事な言葉が埋もれる、といったことが起きると、内容も伝わりにくくなります。

読み間違いや不自然な抑揚は、次のような方法で直せることが多くあります。

困ること	直し方の例
教室の名前や人の名前を読み間違える	読み方の辞書に登録する。ひらがなで書く
数字や日付の読み方が違う	「4/1」ではなく「4月1日」のように書く
区切りがなく聞き取りにくい	文を短くする。読点を足す
大事なところが目立たない	間や強調を指定できる機能を使う

開発の場面では、W3C（Web の標準を決める団体）の SSML（音声合成マークアップ言語）という標準で、読み方・間・高さ・速さ・音量などを文章に書き添える方法も使われます。どこまで指定できるかは、サービスによって違います。

会話で使うときは何が大事か

声で話せる AI や電話の自動応答では、返事が始まるまでの待ち時間が大切です。10 の言語の会話を比べた研究では、話し手が交代するまでの間は、平均で 0.2 秒ほどでした。人はこの短い間に慣れているので、返事が遅れると、聞こえなかったのか、通じなかったのかと不安になります。

声で話せる AI の多くは、音声認識で文字にし、LLM で返事を作り、音声合成で声にします。どの段階にも時間がかかるので、次のような工夫で待ち時間を短くします。

• 返事を全部作り終える前に、最初の文から声にし始める（ストリーミング）
• 返事を短くして、長い説明は画面や文字に任せる
• 相手が話し始めたら読み上げを止めて、話を聞く

声だけで伝えるのに向かない内容もあります。URL や長い番号、表は、耳で聞いただけでは覚えにくいので、文字でも送ると親切です。

声をまねる技術とどう付き合えばよいのか

音声合成では、特定の人の声に似せた声を作ることもできます。これをボイスクローンと呼ぶことがあります。数秒から数十秒の録音で、本人に似た声を作れるモデルやサービスもあります。

役に立つ使い方もあります。たとえば、病気で話す力を失うおそれのある人が自分の声を残しておき、打った文字をその声で話す、という使い方です。スマートフォンにも、そのための機能が入っているものがあります。

一方で、声はその人のものです。事業で使うときは、次の点を守ると安心です。

1. 声を使わせてもらう人から、使い道・期間・取り下げ方を書いた同意をもらう
2. 合成した声だと、聞く人にわかるようにする
3. ほかの人、特に有名な人の声をまねて宣伝に使わない（権利の侵害になるおそれがあります）
4. 声の作り方や使い方の決まりを、サービスの利用規約で確かめる

大手のサービスには、声の持ち主が同意の言葉を読み上げた録音がないと、声を作れないものもあります。

まねた声を使った詐欺にも備えておきます。家族や取引先、上司を名乗る電話で、お金や秘密の話が出たら、いったん切って、知っている番号にかけ直して確かめます。声が似ているだけでは、本人とは限りません。

読み上げはアクセシビリティにどう役立つのか

音声合成は、文字を読むことが難しい人にとって大切な道具です。目の見えない人や見えにくい人は、画面の内容を声で読み上げるソフト（スクリーンリーダー）で Web サイトを使います。文字を読むのが苦手な人や、小さな文字が読みづらい人、手や目がふさがっている人にも、読み上げは役立ちます。

自分のサイトを読み上げで使いやすくするには、次の点を押さえます。

• ページの言語を指定する（<html lang="ja">）。W3C のウェブ・アクセシビリティのための開発のヒントでも勧められています。言語がわかると、スクリーンリーダーはその言語の発音のルールで読めます
• 画像には、内容を言葉で伝える代わりの文（代替テキスト）を付ける
• 見出しを使って、ページの組み立てを伝える
• 「こちら」ではなく、行き先がわかる言葉をリンクにする

教室の申し込みフォームやオンライン講座のページも、読み上げで聞いたときに順番どおりに意味が通るかを、一度確かめておくと安心です。