音声合成（テキスト読み上げ）はどんな仕組み？ニューラルTTSとは

TTSシステムの3つの段階

1. テキストの正規化。システムが文章を、声に出せる言葉に書き換えます。「Dr. Lee paid $25 on 3/4」は、「Doctor Lee paid twenty-five dollars on March fourth」（ロケールによっては「the third of April」）のようにならなければなりません。読み間違いの多くは、声ではなくここで起きます。
2. 言語解析。単語を、言語の音の単位である音素に変え、アクセント、フレージング、イントネーションを予測します。綴りが同じでも読みが違う語（現在形と過去形の「read」など）や、複数の読みを持つ漢字は、文脈から判断する必要があります。
3. 波形の生成。音とそのタイミングを、音声のサンプルに変えます。古いシステムは録音した断片をつなぎ合わせたり（連結合成）、フォルマントモデルを使ったりしたため、ロボットのような声になりました。ニューラル方式は、ネットワークで音声そのものを予測します。

古典的なニューラル設計の Tacotron 2 は、現代の役割分担をはっきり示しました。1つ目のネットワークがテキストをメルスペクトログラム（音声の時間と周波数の画像）に変換し、2つ目のネットワークであるボコーダがその画像を波形にします。開発者による聴取テストでは、プロの録音に近いスコアを出しました。新しいシステムは、これらの段階を統合したり、言語モデルのようなネットワークで圧縮した音声トークンを生成したりすることが多く、短いサンプルから話者の声を再現できます。

ニューラルTTSとブラウザのシステム音声の違い

Webページは、独自のモデルを持たなくても Web Speech API で話せます。speechSynthesis オブジェクトは、プラットフォームが提供する音声のどれかを使って、SpeechSynthesisUtterance を読み上げます。

各音声は localService フラグを持ちます。仕様では、ローカルの合成エンジンなら true、リモートのサービスなら false です。リモート音声はネットワークが必要になったり、遅延が加わったりすることがあります。

const u = new SpeechSynthesisUtterance("Your order has shipped.");
u.lang = "en-GB";
u.rate = 0.9;   // 1 is normal; spec allows 0.1 to 10
u.pitch = 1.0;  // 0 to 2, 1 is the voice default
u.volume = 1.0; // 0 to 1
const voices = speechSynthesis.getVoices();
u.voice = voices.find(v => v.lang === "en-GB") || null;
speechSynthesis.speak(u);

音声はページの開始後に読み込まれることが多く、getVoices() は最初は空のリストを返すことがあります。voiceschanged イベントを待ちましょう。たとえば cv.cm の音声合成ツールは、まさにこの内蔵音声を使い、速度とピッチを調整できます。下書きをさっと聞いて確認するには便利ですが、ニューラル音声の生成ツールではなく、音声の一覧は端末によって変わります。

SSML：間と発音をコントロールする

音声合成マークアップ言語（SSML）はW3C標準のXMLで、TTSエンジンに文章の読み方を指示します。多くのクラウドTTSが対応しています。Web Speech の仕様はutterance内でのSSMLを認めていますが、一部のタグに非対応のエンジンはそれを取り除いて残りのテキストを読む決まりなので、ブラウザでの対応は一様ではありません。

<speak>
  Your code is <say-as interpret-as="characters">A7K</say-as>.
  <break time="500ms"/>
  Please call <sub alias="World Health Organization">WHO</sub>
  before <prosody rate="90%" pitch="+2st">Friday at noon</prosody>.
  The word is <phoneme alphabet="ipa" ph="təˈmɑːtoʊ">tomato</phoneme>,
  and it is <emphasis level="strong">not</emphasis> optional.
</speak>

サービスがSSMLを無視する場合でも、プレーンテキストで調整できます。間にはカンマと句点、数字は文字で書き下し、難しい名前は発音に近い表記に書き換えます。

声に出して自然に聞こえる文章の書き方

• 短い文にします。長い節が続くと、声が自然に息継ぎする場所がなくなります。
• 読み方が重要な場合は、数字を読ませたい形で書きます。「two thousand twenty-six」や「twenty twenty-six」のようにします。
• 聞き手に聞かせたい略語や単位は展開します。「km/h」は1文字ずつ読まれることがあります。
• 正しい言語と地域を設定します。スペイン語の名前を en-US の声で読んだり、英語を zh-CN の声で読んだりすると、誤った音体系が使われます。
• 公開前に結果を一度通して聞きます。名前、数字、読みが2通りある語を確認します。

声のクローン：同意と法律

最近のモデルは、短い録音から声を真似られます。自分の動画の吹き替えや、声を失った人に声を取り戻すのに役立つ一方、親族や会社役員になりすます電話のような詐欺にも使われます。どんな声も、話者に属する個人データとして扱いましょう。

信頼できるクローンサービスは、声を作る前に、話者に同意の言葉を録音するよう求めます。こうした確認なしに、どんなクリップからでも誰の声でもクローンできるツールは、公開するものには使わないでください。