画像・動画・音声 初級
音声合成（TTS）
Text-to-Speech
テキストを人の声のような音声に変換する技術です。ナレーション、読み上げ、音声アシスタント、電話の自動応答などに使われます。
別の呼び方TTS、Text-to-Speech、読み上げ
例社内研修動画のナレーションを TTS で作り、専門用語の読みだけ辞書に登録した。
詳しく
- 声の種類、話す速さ、感情や抑揚を指定できるモデルが増えています。
- 料金は文字数や音声の長さで決まることが多いです。
- 日本語では、漢字の読み間違いやアクセントの不自然さが課題になりやすいため、読み仮名の指定や辞書登録の機能があるかを確認します。
- 会話用途では、話し始めるまでの待ち時間（レイテンシ）が重要になります。
- 実在の人物の声を再現する場合は、本人の同意と提供元の規約の確認が必要です。
あわせて知りたい言葉
- 音声認識（STT）音声を聞き取ってテキストに変換する技術です。会議の議事録づくり、字幕の作成、コールセンターの通話記録などに使われます。
- Text-to-Xテキストを入力として画像・動画・音声・音楽などを生成することを表す呼び方です。X の部分に出力の種類が入り、Text-to-Image（画像）、Text-to-Video（動画）のように使います。
- リップシンク音声に合わせて、映像の人物やキャラクターの口の動きを自動で合わせる技術です。吹き替え動画、多言語化、アバターによる説明動画などに使われます。
- ボイスクローン短い録音をもとに、特定の人の声に似た音声を合成できるようにする技術です。本人のナレーションの多言語化や、収録の手間の削減に使われます。