一文定義
音声合成（TTS）とは、テキストを自然な音声に変換するAI技術です。OpenAI TTS・ElevenLabsなどが代表的で、読み上げ・音声AIに活用されます。
詳細解説
音声合成（Text-to-Speech / TTS）とは、入力されたテキストをAIモデルが処理し、人間の声に近い自然な音声として出力する技術です。
TTSが重要な理由は、視覚障害者向けのアクセシビリティ向上から、音声インターフェース・ポッドキャスト自動生成・カスタマーサポートの自動化まで、幅広いユースケースがあるためです。特に最新のニューラルTTSはイントネーション・感情・話速のバリエーションが豊かで、従来のロボット音声とは大きく異なります。
主要サービスとして、OpenAI TTS API（alloy・echo・fable等の音声スタイルを選択可能）、ElevenLabs（声のクローニングや感情制御が可能）などがあります。音声合成と音声認識（STT）を組み合わせることで、音声対話型AIエージェントを構築できます。
参考情報・出典
- ▸OpenAI Text-to-Speech API Documentation— OpenAI（参照日: 2026-02-26）
- ▸ElevenLabs Documentation— ElevenLabs（参照日: 2026-02-26）
最終更新: 2026-02-26← 用語集一覧へ