定義
TTS（音声合成）とは、テキストデータを人間らしい音声に変換するAI技術のこと。ナレーション・コールセンター・音声UIなど幅広い用途で使われ、2026年現在は人間と聞き分けにくい品質が標準となっている。
TTS (音声合成)とは（詳しく解説）
TTS（Text-to-Speech）は、入力テキストを人間らしい音声に変換するAI技術の総称。かつてはロボット的な棒読みが主流だったが、Transformerベースのニューラルネットにより感情・抑揚制御が可能な高品質音声が標準化されつつある。 2026年の実運用では、ElevenLabsやOpenAI TTS、Google Cloud TTS、AWS Pollyなどが代表的な選択肢。相場感は1文字あたり0.0001〜0.002ドル前後で、月間利用量と要求品質によって大きく差がある。 現場での落とし穴として最も多いのが「日本語の発音ブレ」と「固有名詞の誤読」。商品名・人名・業界用語はSSMLタグで読み方を明示補正するのが定石で、本番投入前の校正コストを必ず見込んでおきたい。 AI PICKSで確認できる事例では、コールセンターIVR自動応答やポッドキャスト自動生成での活用が急増。一方、声優ボイスのクローニングは各国の法規制が整備途中のため、商用利用前に利用規約の確認が必須。コスト削減を狙う現場では、定型短文はオンデバイスTTS（無料〜低コスト）、顧客接点の重要シーンのみクラウドTTSという使い分けが広がっている。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「TTS (音声合成)とは」 https://aipicks.jp/glossary/tts
TTS (音声合成)の使用例
- SynthflowでAI音声エージェントを構築する際、TTSエンジンにElevenLabsを設定してナチュラルな日本語応答を実現。固有名詞はSSMLで読み仮名を補正。
- コールセンターIVR自動化でTTS採用。月間500万文字でコスト約500ドル。感情ラベル付きSSMLで「お待たせして申し訳ございません」のトーンを調整。
