TTS（テキスト音声合成）

TTS（Text-to-Speech、テキスト音声合成）とは、テキストデータを自然な音声に変換する技術です。ニューラルネットワークベースのTTSの登場により、従来のロボット的な音声から、人間の発話に近い自然な抑揚・感情表現を持つ音声合成が実現しています。AIアシスタント・有声コンテンツ制作・アクセシビリティ技術などで広く活用されています。

技術の発展として、(1)連結型合成（録音音声の切り貼り）→(2)パラメトリック合成（音声の数学的モデル化）→(3)ニューラルTTS（WaveNet・Tacotron・VITS等のディープラーニングモデル）→(4)大規模LLMベースTTS（感情・スタイル制御が可能）という進化を経ています。

代表的なサービスとして、(1)OpenAI TTS API：6種類の音声（Alloy・Echo・Fable・Onyx・Nova・Shimmer）を提供。高品質で安価なAPIアクセス、(2)ElevenLabs：感情・スタイル・抑揚の細かい制御が可能。声のクローニング（少量サンプルから話者の声を複製）機能が注目、(3)Google Cloud TTS：WaveNet/Neural2音声を提供。多言語・日本語対応、(4)Amazon Polly：AWS統合で低レイテンシのリアルタイム音声合成があります。

AIアバター・音声エージェント・有声コンテンツ制作でのTTSの普及に伴い、声のなりすまし・フィッシング詐欺への悪用対策として、合成音声検出技術（Deepfake Audio Detection）の研究も進んでいます。ElevenLabsは悪用防止のため音声クローニングに使用承諾確認を導入しています。