技術

音声合成とは

TTS / Text-to-Speech / テキスト読み上げ

テキストから人間の音声を生成する技術。ニューラル方式の登場で自然さが向上した

ひとことで言うと

文章を人間の声で読み上げる技術。最近は本人そっくりの声を数秒のサンプルから再現できるまでになっている。

概要

音声合成（TTS）とは、テキストから人間の音声を生成する技術を指す。従来は録音素片の接続や統計モデルによる方式が主流だったが、ニューラルネットワークによる波形生成の登場で自然さが向上した。近年は、数秒のサンプルから話者の声質を再現するボイスクローニング、感情や話速の制御、LLMと組み合わせたリアルタイム音声対話への展開が進む。一方で、本人になりすました音声による詐欺や偽情報への悪用も課題として議論されている。

歴史

ニューラル音声合成の転機としては、2016年にDeepMindの発表した波形生成モデルWaveNetが知られる。

アーキテクチャ

従来の主流構成は、テキストを音素等に変換しメルスペクトログラムを予測する音響モデル（Tacotron2等）と、そのスペクトログラムから波形を生成するボコーダー（WaveNet、HiFi-GAN等）を組み合わせる2段構成だった。近年は、音声を離散的なトークン（音声コーデック）として表現し、テキストからそのトークン列を自己回帰的に生成するニューラルコーデック言語モデル方式（VALL-E等）や、拡散モデルによる波形生成も登場している。

ワークフロー

テキストを正規化・音素変換 → 音響モデルが韻律とスペクトログラム（または音声トークン）を予測 → ボコーダーまたはデコーダーが波形へ変換 → 音声を出力する。

コード例

OpenAI TTS APIでの音声合成

from openai import OpenAI

client = OpenAI()
response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="こんにちは、音声合成のテストです。",
)
response.stream_to_file("output.mp3")

利点

数秒程度の音声サンプルから話者の声質を再現するボイスクローニングが可能になった
感情表現や話速、抑揚を制御し、自然な韻律の音声を生成できる
LLMと組み合わせることで、テキスト生成から音声応答までを一貫して自動化できる

欠点

本人の同意なく声を模倣するボイスクローニングは、なりすましや詐欺への悪用リスクがある
高品質なリアルタイム生成には相応の計算資源が必要になる
学習データに乏しい感嘆詞やまれな固有名詞などは、発話が不自然になることがある

比較

Whisper — Whisperが音声をテキストへ変換する音声認識モデルであるのに対し、音声合成はテキストから音声を生成する逆方向の技術

よくある質問

ボイスクローニングとは？

数秒〜数十秒程度の音声サンプルから特定の話者の声質・話し方を再現し、任意のテキストをその声で読み上げさせる技術。

Whisperとの違いは？

Whisperは音声をテキストへ変換する音声認識（ASR）モデルであるのに対し、音声合成（TTS）はテキストから音声を生成する逆方向の技術。