テキスト読み上げ（TTS）とは？

オランダ語のChatGPTはドイツ語訛りで話すことがあります。意図的なら意地悪ですが、そうでなければ興味深い現象です。

いずれにせよ、AI音声アシスタントはMicrosoftのSamから大きく進化したと言えるでしょう。実際、私が数年前に音声技術を学んでいた頃からも、かなり進歩しています。

そして今、どこまで進化したのかをお伝えします。

合成音声については、少なくとも1968年の『2001年宇宙の旅』でHALロボットが登場して以来、私たちは神話のように語ってきました。

今や、合成音声は特別で未来的なものではなくなり、標準的な機能となりました。消費者の89%が音声対応の有無でデバイスを選んでいます。

つまり、「ただ助けてくれるだけじゃなくて、話しかけてほしい」ということです。

この記事では、テキストを音声に変換するテキスト読み上げについて解説します。仕組みや、さまざまな業界での活用方法についても紹介します。

テキスト読み上げとは？

TTSは、テキストを合成音声に変換する技術です。初期のTTSは人間の声道を機械的に模倣したり、録音音声をつなぎ合わせたりしていました。現在では、ディープニューラルネットワークを使い、より人間らしい発話を実現しています。

用途に応じてさまざまなモデルがあり、会話モデル向けのリアルタイム生成や、表現のコントロール、声の再現などが可能です。

テキスト読み上げはどのように動作するのか？

TTSには主に3つのステップがあります。まず、入力されたテキストから記号や表現、略語を展開します。次に、処理されたテキストをニューラルネットワークに通して音響表現（スペクトログラム）に変換します。最後に、その表現を音声に変換します。

先ほど述べたように、研究者たちはTTSのためにさまざまなアプローチを試してきました。現在主流となっているのは、ニューラルネットワークを使った音声合成です。しばらくはこの方法が続くでしょう。

発音、速度、イントネーションなど、発話に影響する言語現象をモデル化するのは複雑な作業です。

ニューラルネットワークの高度な機能があっても、TTSシステムは複数の要素を組み合わせて音声を近似しています。

一つの決まったパイプラインを定義するのは難しく、新しい技術が次々と登場して従来の手法を置き換えています。

ほとんどのTTSシステムには、何らかの形で共通する基本的な構成要素があります。

1. テキスト処理

テキスト処理は、TTSシステムがどの単語を発話するかを決定する段階です。略語、日付、通貨記号などを展開し、句読点は除去されます。

これは必ずしも簡単ではありません。「Dr.」はドクターなのかドライブなのか？CADはカナダドルかコンピュータ支援設計か？

テキスト処理では、自然言語処理（NLP）を活用して、文脈に応じた正しい解釈を予測できます。たとえば「Dr. Perron advised against it」という文では、NLPがdr.をドクターと判断します。

2. 言語解析

テキスト処理が終わると、モデルは「何を話すか？」から「どう話すか？」に焦点を移します。

言語解析は、文をどのようなピッチ、トーン、長さで発話するかを決めるTTSの要素です。つまり：

• 各音や音節、単語はどれくらいの長さで発音すべきか？
• イントネーションは上がるべきか？下がるべきか？
• どの単語が強調されているか？
• 音量の変化でどんな感情を表現できるか？

なぜプロソディ（韻律）が重要なのか

私がTTSモデル開発チームのコンサルをしたとき、プロソディが文の聞き取りやすさを大きく左右することを実感しました。例を挙げます。

「Whoa, were you expecting that?」という文の3つの発話例を紹介します。

最初の例は素晴らしいです。「Whoa」の後の間、そして「expecting」の2音目（ex-PEC-ting）の上昇調。満点です。

2つ目は、最後の単語（「... expecting THAT」）でかろうじて疑問文らしさを出していますが、それ以外は音の長さや音量、ピッチにほとんど変化がありません。クライアントには「やり直し」と伝えるでしょう。

最後の例は興味深いケースです。「whoah」は素晴らしく、音量が大きく長く、下降調です。疑問文らしい上昇調は「were you」の部分で現れ、全体的にピッチが一定です。

多くの中堅TTSシステムはここで止まります： 一応自然に聞こえますが、実際の会話ではあまり使われない話し方です。

従来のシステムでは、これらの特徴は別々の要素で予測されていました。あるモデルが音の長さを決め、別のモデルがピッチの変化を決めていました。

現在では、これらの境界は曖昧になっています。

ニューラルネットワークは、大規模な学習データから微妙なパターンを自動的に学習します。

3. 音響モデリング

音響モデリングでは、正規化されたテキスト（および予測された言語特徴）がニューラルネットワークに入力され、中間表現が出力されます。

スペクトログラムと音声表現

中間表現としては、通常スペクトログラム（音声信号の時間と周波数の関係を示すもの）が使われますが、最近は変化も見られます。

TTSモデルが「Whoa, were you expecting that?」という入力テキストから生成した表現がこちらです：

‍

この2次元画像は、実際には縦に146スライスあり、それぞれ80の周波数を含みます。明るい部分は強い周波数、暗い部分は弱い周波数を示します。

これが、10番目のタイムステップ（または列）を右に90度回転させたものです:

個々の周波数とそのエネルギーが確認できます。

一見スペクトログラムは分かりにくいですが、明確な言語現象が現れています。

• 波のようなはっきりした線は、母音や/w/、/r/、/l/のような母音に近い音を示しています。
• 暗い部分は無音、つまり句読点などによる間です。
• 高い位置にまとまっているエネルギーは、/s/、/sh/、/f/などのノイズ音を示しています。

実際、注意深く見ればスペクトログラム上で単語の位置を合わせることもできます。

スペクトログラムは、さまざまな形で音声技術に広く使われており、生の音声とテキストの間をつなぐ優れた中間表現です。

同じ文を異なる話者が録音した場合、波形は大きく異なりますが、スペクトログラムは非常に似ています。

4. 音声合成（ボコーディング）

合成の段階では、スペクトログラムが音声に変換されます。

この変換を行う技術はボコーダーと呼ばれます。これは、スペクトログラム表現に基づいて音声信号を再構成するように訓練されたニューラルネットワークモデルです。

この表現と音声信号のモデリングを別々のモジュールに分ける理由は、コントロール性にあります。最初のモジュールは単語の発音や発話の正確なモデリングに関わり、次のモジュールは話し方のスタイルや自然さに関わります。

スペクトログラムがあれば、/s/と/sh/、または/ee/（heatのような）と/ih/（hitのような）を区別できますが、話し方のスタイルや個性はボコーダーによって生み出される細かな違いから生まれます。

こちらは、さまざまな音響モデルとボコーダーの組み合わせ比較です。研究者たちが音響モデルとボコーダーを組み合わせて最適な結果を追求している様子がわかります。

ただし、他のコンポーネントと同様に、最近ではスペクトログラムを使わず、オールインワンモデルへと移行が進んでいます。

TTSのユースケースとは？

動的な音声言語を生成できることは、さまざまな業界で不可欠なツールとなっています。

これは高度なロボットだけの話ではなく、効率性、アクセシビリティ、安全性の向上にも役立っています。

チャットボットと音声アシスタント

これを言うと思っていましたよね 😉

コマンドの理解、買い物リストの更新、予定の設定など、AIエージェントの合成音声の高度さと重要性は、つい当たり前に感じてしまいます。

良いエージェント（つまり使いやすいもの）は、指示を促すのに十分親しみやすく、ユーザーが「このAIならできそうだ」と思えるほど人間らしい声でなければなりません。

AIアシスタントの声が「正しい」と感じられるかどうか、ほんの一瞬でユーザーの心をつかむために多くの研究と工夫がなされています。

ビジネス面でも、チャットボットはブランドの顔です。TTS技術の進歩により、より良いボイスブランディングや効果的なカスタマーサービスが可能になっています。

ナビゲーションと交通

運転中にGPSが通りの名前を聞き取れないほど間違って発音したときほど、良いTTSの重要性を実感することはありません。

GPSナビゲーションはTTSが活躍する代表例です。目がふさがっている状況で、音声による情報提供は利便性だけでなく、安全性にも直結します。

これは空港や公共交通機関でも同様です。複雑で利用者の多い駅や空港ターミナルでは、合成音声が不可欠です。

TTSがなければ、生放送のアナウンスに頼ることになりますが、これは急ぎすぎて聞き取りにくかったり、名前や時刻などをつなぎ合わせた録音は正直聞きづらいものです。

自然さと聞き取りやすさの関係を示す研究もあり、高品質なTTSは強固な交通インフラに欠かせません。

エンターテインメントとメディア

ナレーションや多言語メディアは、合成音声技術の進歩によってより身近になりました。

才能を置き換えるのではなく、音声技術は演技をより豊かにするために活用されています。

バル・キルマーは喉頭がんで声を失いましたが、『トップガン マーヴェリック』（2022年）でAIの力により元の声で感動的な演技を披露しました。

TTSによって、ゲーム開発者はノンプレイヤーキャラクター（NPC）に多様で表現力豊かなセリフを与えることができるようになりました。これは従来は実現困難でした。

医療

TTSの進化は、あらゆる分野でアクセシビリティの向上にもつながっています。

高齢者ケア技術では、話し相手と支援の両方を同時に提供する必要があります。この分野ではTTSのカスタマイズ性が重要で、思いやりのある声色や速度、丁寧なイントネーションが効果的かつ尊厳あるサポートを実現します。

TTSは若い世代のアクセシビリティ向上にも活用されています。

Acapela Groupは、発話障害のある子ども向け技術などを開発しています。合成音声は、子どもたちの表現力や自立性を高めつつ、声の個性も保つことができます。

教育とインクルーシブ学習

語学学習アプリで合成音声を耳にしたことがあるかもしれませんが、それはほんの一例に過ぎません。

例えば、自主学習の障壁のひとつは「読む力」です。子どもや視覚障害者、特定の学習障害を持つ人にとって、これは必ずしも簡単ではありません。そのため、過密な教室で教師の負担が増えてしまいます。

カリフォルニア州の学区ではTTSを導入して特別支援が必要な生徒にも包括的な学習環境を提供しています。

高齢者ケアと同様に、教育分野でも思いやりのある声で明瞭かつ強調して伝えることが求められます。パラメータを調整できることで、教師は授業にこれらの技術を取り入れやすくなり、生徒の包摂感も高まります。

あなたのニーズに最適なTTSを選ぼう

どの業界でも、音声AIは重要な存在です。そして、導入するTTSは文字通りあなたのビジネスの「声」となるため、信頼性とカスタマイズ性が求められます。

Botpressは、さまざまな統合や主要なコミュニケーションチャネルへの展開に対応した、強力で高いカスタマイズ性を持つボットを構築できます。あなたの音声エージェントは、印象的なだけでなく、確実に機能します。

今すぐ構築を始めましょう。無料です。

よくある質問

TTSシステムが対応しにくい言語や方言はありますか？

はい、TTSシステムが対応しにくい言語や方言は存在します。特に、録音音声やテキストの大規模なデータセットが不足しているリソースの少ない言語では困難です。地域方言や声調言語、先住民族の言語などは、標準モデルが学習していない微妙な発音規則やプロソディ（韻律）が必要なため、対応が難しい場合があります。広く話されている言語でも、方言の違いによって不自然な発音や違和感のある音声になることがあります。

TTSの音声は、ピッチや速度、感情などどの程度カスタマイズできますか？

現在のTTS音声は、ピッチや速度、感情表現などを細かく調整できるようになっています。最新のニューラルネットワーク技術により、韻律やスタイルを詳細にコントロールできます。多くの商用TTSシステムでは、話す速さやイントネーション、音量、表現力のあるトーンなどを用途に合わせて調整可能です（例：落ち着いたナレーション、興奮したアナウンス、共感的な対話など）。ただし、調整できる範囲はベンダーによって異なり、速度やピッチのみの簡単なスライダーしかない場合もあれば、感情や声質まで細かく設定できる場合もあります。

TTSシステムで処理される音声データのセキュリティはどの程度確保されていますか？

TTSシステムで処理される音声データのセキュリティは、提供元や導入方法によって大きく異なります。クラウド型TTSサービスでは、通常データは転送時・保存時ともに暗号化されますが、適切な契約やGDPR・HIPAAなどのコンプライアンスがない場合、外部サーバーに機密情報を送信することでプライバシーリスクが生じる可能性があります。オンプレミスやエッジでの導入であれば、音声やテキストが組織外に出ないため、第三者への漏洩リスクを低減できます。

高品質なTTSソリューションをビジネスで導入する場合の費用はどのくらいですか？

高品質なTTSソリューションをビジネスで導入する費用は、クラウドAPIを中程度の利用で使う場合は月数百ドルから、カスタム音声開発やオンプレミスのエンタープライズ導入では数万〜数十万ドルに及ぶこともあります。費用にはライセンス料、文字数や分単位の従量課金、統合・開発コスト、カスタム音声作成時の声優費用などが含まれます。小規模事業者はサブスクリプション型サービスから始めることが多く、大企業はブランド一貫性やプライバシーのために専用ソリューションへ投資する場合があります。

高品質なTTS音声を構築するには、どのくらいの学習データが必要ですか？

高品質なTTS音声を構築するには、同じ話者による一貫した録音環境で収録された、数時間から数十時間分のクリアな音声データが必要です。TacotronやFastSpeechなどの最新ニューラルTTSシステムでは、2〜5時間程度のデータでも一定の品質が得られますが、より自然で表現力豊か、かつ堅牢な音声を目指す場合は10〜20時間以上が必要です。声のクローンや非常に表現力のある音声を作る場合は、さらに多様なスタイル・感情・状況をカバーした大規模なデータセットが求められます。