音声合成（TTS）

音声合成（TTS。Text-to-Speech）は、文章を、人が話すような音声に変える技術です。文章の読み上げ、音声での案内、対話する AI の応答などに使います。

現在の音声合成のサービスは、深層ニューラルネットワークを使い、人の録音に近い音声を作ります。少量の録音とその書き起こしから、特定の声に合わせた音声を作る機能を持つサービスもあります。

読み方、間、速さ、高さなどを指定する書式に、SSML（Speech Synthesis Markup Language）があります。XML をもとにした書式で、バージョン 1.1 は、2010年9月7日に W3C（World Wide Web Consortium）の勧告になりました。

読み

おんせいごうせい

正式な名前

Text-to-Speech

業界

製造業、小売・流通、医療・福祉、建設、金融・保険、教育機関

業務

研修と教育、動画、AI 活用

出典の確認日

2026年10月7日

「気になる」に追加用語集の一覧へ

関係する用語

• 音声認識（ASR）：音声認識（ASR。Automatic Speech Recognition）は、人が話した音声を文字に変える技術です。Speec…
• マルチモーダル AI：マルチモーダル AI は、文章、画像、音声、動画など、種類の違う複数の情報（モダリティ）を合わせて扱う AI です。たとえば、画…
• 生成 AI：生成 AI は、文章、画像、プログラムなどを新しく作り出す AI の総称です。日本の「AI 事業者ガイドライン」（第1.2版）と…

このサイトの関連するページ

• AI で動画をつくるとき、何を確かめますか。音声合成、AI アバター、来歴の表示
• AI で研修の動画をつくるとき、何が不安ですか。読み間違い、声、内容の正しさ、資料の扱い

出典

• Microsoft Learn: Text to speech overview - Speech service（2026年1月31日更新）（別のタブで開きます）
• W3C: Speech Synthesis Markup Language (SSML) Version 1.1（W3C Recommendation、2010年9月7日）（別のタブで開きます）