この記事でわかること
- 音声合成(TTS)の一文の定義
- 文字から声ができるまでの 4 つの手順
- AIで声が自然になった理由(研究の数字つき)
- 研修動画で音声合成を使うときの注意
- 吹き替え・ボイスクローンとの違い
まず読む: AI吹き替えの仕組みとは?声ができるまでの4つの段階と限界
音声合成(TTS)とは?
音声合成(TTS)とは、文字で書かれた文章から、コンピューターが人の声を作る技術のことです。TTS は英語の Text-To-Speech(文字から音声へ)の頭文字です。駅の案内放送、カーナビの道案内、スマートフォンの読み上げの機能など、身の回りで多く使われています。
ウェブの音声合成の書き方を定めた W3C の規格 SSML は、Text-To-Speech を「文字や、印を付けた文字の入力から、話し声の出力を自動で作り出す処理」と定義しています[1]。
身近な言い方をすれば、音声合成は「台本を渡すと読み上げてくれる、声の係」です。台本の書き方しだいで、読み方や間の取り方が変わる点も、人のナレーターと似ています。
文字から声ができるまでの手順は?
W3C の規格は、音声合成の処理をいくつかの段階に分けて説明しています。大きくまとめると、次の 4 つの手順です。
- 文字を読みの形に直す
数字・記号・略語を、声に出す読み方へ直します - 言葉ごとの読み方を決める
文字を、発音の単位(音素)の並びに置きかえます - 抑揚・間・速さを決める
文のどこを高く・強く読み、どこで区切るかを決めます - 音の波を作る
決めた発音と抑揚から、実際に聞こえる音の波を作ります
1 つ目の「読みの形に直す」について、規格は、どの言語の書き言葉にも、書いた形から話す形への変換が要る特別な表し方があり、それを自動で変換するのがこの処理だと説明しています[1]。例として、英語で「$200」と書いてあれば「two hundred dollars」と読むことがある、と挙げています[1]。
3 つ目の抑揚について、規格は、声の高さ(抑揚)、リズム、間、話す速さ、言葉の強調などをまとめて「韻律(プロソディ)」と呼び、人らしい韻律を作ることが声を自然に聞かせるために大切だとしています[1]。
4 つ目は、決めた発音と韻律の情報から音の波を作る段階です[1]。
SSML という書き方を使うと、作る人が発音・音量・高さ・速さなどを指定できるようになっています[1]。

AIで声はどれくらい自然になった?
音声合成の声は、以前は «いかにも機械» という聞こえ方が当たり前でした。これを大きく変えたのが、ニューラルネットワーク(人の脳のつながりをまねた計算の仕組み)を使った研究です。
2016 年に公開された研究は、音の波そのものを、深いニューラルネットワークで 1 点ずつ作り出す方法を示しました[2]。続いて、2018 年に音声・信号処理の国際会議 ICASSP で発表された研究は、文字から声の特徴を予測し、その特徴から音の波を作る 2 段の仕組みで、とても自然な声を作れることを報告しています[3]。
この研究では、聞いた人が 5 点満点で自然さを採点する方法(MOS)で比べました。合成した声は 4.53 点で、プロが録音した声の 4.58 点に近い評価でした[3]。
ただし、この数字は研究で用意した文を読んだ場合の評価です。どんな文でも同じ自然さになるわけではありません。専門用語の多い文や、話者の少ない言語では、仕上がりが変わることがあります。
音声合成で何ができる?
研修やマニュアルの動画づくりで、音声合成は次のように使えます。
- ナレーションを録音せずに作る:台本の文章から、読み上げのナレーションを作れます
- 多言語の音声を作る:翻訳した文章を読み上げれば、各言語の音声ができます
- 直すのが速い:文を 1 か所直したいとき、録音し直さずに読み上げ直せます
- 声の大きさや速さをそろえる:何本の動画でも、同じ聞こえ方にそろえやすくなります
AIの吹き替えでは、話し声を文字にし、翻訳し、その訳を音声合成で読み上げる、という流れの中で使われます。その全体の仕組みは、AI吹き替えの仕組みで説明しています。
koevo の吹き替えの声は、AI の声から自動で選ばれます[4]。タイ語・ネパール語は、決まった 1 つの声で読み上げるナレーションでお届けしています[4]。
音声合成を使うときに気をつけることは?
音声合成でいちばん気をつけたいのは、読み間違いと不自然な間です。とくに次のような所で起きやすくなります。
| 起きやすい所 | 起きること | 気をつけ方 |
|---|---|---|
| 数字・単位・記号 | 桁や単位の読み方を誤る | 読み方が分かれる所は、台本を言葉で書く |
| 略語・社内の呼び方 | アルファベットを一字ずつ読む、別の読みにする | 読み方を決めて台本に書く |
| 同じ字で読みが違う言葉 | 前後の意味と違う読みをする | 聞き直して確かめる |
| 長い一文 | 区切りがずれて、意味が取りにくくなる | 文を短く区切る |
もう 1 つ、文章と音声を別々に直すときの食い違いにも注意します。koevo では、字幕を直しても吹き替えの音声は変わりません[4]。字幕を大きく直した場所は、声と字幕の言い回しが違ってもよいかを確かめておきましょう。

似た言葉とはどう違う?
| 言葉 | 意味 | 音声合成との関係 |
|---|---|---|
| 音声認識 | 声を文字にする技術 | 音声合成の反対向き |
| 吹き替え | 動画の話し声を別の言語の声に置きかえる作業 | 音声合成を使って作ることがある |
| 合成音声ナレーション | 合成した声で読み上げるナレーション | 音声合成の使い方の一つ |
| ボイスクローン | 特定の人の声に似せて合成する技術 | 声の作り方の一つ。本人の了承など注意が要る |
| SSML | 読み方・速さなどを指定する書き方 | 音声合成への指示に使う |
合成した声のナレーションと吹き替えの違いは、合成音声ナレーションと吹き替えの違いで比べています。特定の人の声に似せる技術の注意点は、ボイスクローンとはにまとめています。
よくある質問
音声合成とTTSは同じものですか?
ほぼ同じ意味で使われます。TTS は Text-To-Speech の略で、文字から音声を作ることを指します。音声合成は、文字以外のデータから声を作るものも含む、少し広い呼び方です。
音声合成の声は、どれくらい自然ですか?
研究では、人の録音に近い評価が出ています。2018年に公開された研究では、5点満点の聞き取りの評価で、合成した声が4.53、プロが録音した声が4.58でした[3]。ただし、文の内容や言語によって仕上がりは変わります。
音声合成は読み間違いをしますか?
します。同じ書き方で読みが違う言葉や、数字・略語・固有名詞は間違えやすい所です。W3C の規格も、数字や記号を読みの形に直す処理の難しさを例を挙げて説明しています。
音声合成と吹き替えは何が違いますか?
音声合成は文字から声を作る技術そのもので、吹き替えは動画の話し声を別の言語の声に置きかえる作業です。AIの吹き替えでは、翻訳した文章を音声合成で読み上げる手順が含まれます。
音声合成(TTS)とは、文字から人の声を作る技術です。読みの形に直す・読み方を決める・抑揚を決める・音の波を作る、という手順で声ができます。AI で自然さは大きく上がりましたが、数字や略語の読み間違いは起きるので、仕上がりは人の耳で確かめましょう。
おわりに
音声合成(TTS)について、いかがでしたか?文字から声を作る技術で、読みの形に直す・読み方を決める・抑揚を決める・音の波を作る、という手順で進み、AIで自然になった一方で読み間違いは人の耳で確かめるのでしたね。
ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。日本語の研修動画から各言語の吹き替えや読み上げのナレーションを作り、字幕と一緒に届けたいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。
よくある質問
音声合成とTTSは同じものですか?
ほぼ同じ意味で使われます。TTS は Text-To-Speech の略で、文字から音声を作ることを指します。音声合成は、文字以外のデータから声を作るものも含む、少し広い呼び方です。
音声合成の声は、どれくらい自然ですか?
研究では、人の録音に近い評価が出ています。2018年に公開された研究では、5点満点の聞き取りの評価で、合成した声が4.53、プロが録音した声が4.58でした。ただし、文の内容や言語によって仕上がりは変わります。
音声合成は読み間違いをしますか?
します。同じ書き方で読みが違う言葉や、数字・略語・固有名詞は間違えやすい所です。W3C の規格も、数字や記号を読みの形に直す処理の難しさを例を挙げて説明しています。
音声合成と吹き替えは何が違いますか?
音声合成は文字から声を作る技術そのもので、吹き替えは動画の話し声を別の言語の声に置きかえる作業です。AIの吹き替えでは、翻訳した文章を音声合成で読み上げる手順が含まれます。
参考文献
論文 1海外の資料 2自社の一次資料 1
この記事は 4 本の出典をもとに書いています。うち 4 本は、引用した文が出典のページにあることを確かめています(2026年11月20日)。
- W3C「Speech Synthesis Markup Language (SSML) Version 1.1」(W3C Recommendation)海外の資料
- van den Oord et al. (2016) WaveNet: A Generative Model for Raw Audio. arXiv:1609.03499. DOI: 10.48550/arXiv.1609.03499海外の資料
- Shen et al. (2018) Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions. ICASSP 2018. arXiv:1712.05884論文
- koevo ヘルプ(使い方・料金)自社の一次資料









