1 歴史
1.1 機械式音声合成の黎明期
テキスト読み上げの起源は18世紀後半に遡る。1791年、ハンガリーの科学者ヴォルフガング・フォン・ケンペレンが「声の機械」を開発し、舌や唇の動きを模倣した機械部品によって母音や子音を生成した。これが音声合成の初期の試みとされる。1930年代には、ベル研究所のホーマー・ダドリーがボコーダーの原理に基づく「ヴォーダー」を製作し、電子回路を用いた音声合成の可能性を示した。この時代のシステムは物理的な機構に依存しており、自然性は限定的であった。
1.2 デジタル信号処理による発展
1960年代から1970年代にかけて、コンピュータの登場とデジタル信号処理技術の進歩により、音声合成は飛躍的に発展した。1971年、日本の研究者・藤崎博也が韻律制御モデル（藤崎モデル）を提唱し、基本周波数パターンの数学的記述を可能にした。1970年代後半には、テキスト解析と音声生成を統合した最初の商用TTSシステム（DECtalkなど）が登場した。これらのシステムは波形のデジタル加工に基づくため、安定した発音を実現したが、人間らしい抑揚には依然として課題が残った。
1.3 ニューラルネットワーク時代への移行
2010年代以降、深層学習の台頭によりTTSの品質は劇的に向上した。2016年、DeepMindがWaveNetを発表し、自己回帰型ニューラルネットワークを用いて生の音声波形を直接生成する手法を確立した。同年、GoogleのTacotronがエンドツーエンドのテキストからメルスペクトログラムへの変換を実現し、従来のパイプライン型システムを置き換えた。現在ではTransformerベースのモデル（FastSpeech、VITSなど）が主流となり、ほぼ人間と区別がつかない自然な音声の生成が可能となった。
2 技術的基盤
2.1 テキスト分析
2.1.1 書記素-音素変換
テキスト読み上げの第一段階として、入力文字列を音素（最小の音声単位）に変換する処理が必要である。英語などの表音文字では比較的単純だが、日本語や中国語のように漢字を含む言語では形態素解析と読み推定が不可欠となる。辞書ベースの手法や統計的アプローチ（隠れマルコフモデル）、近年ではニューラルネットワークによるエンドツーエンドの変換が用いられる。同音異義語や固有名詞の処理は特に難しい。
2.1.2 韻律予測
韻律とは、発話全体のリズム、強勢、イントネーションを指す。韻律予測では、文の構造、品詞、構文木、感情などの情報を基に、各音節の基本周波数（ピッチ）、持続時間、音量を決定する。統計モデルとしてCRF（条件付き確率場）やRNN、Transformerが利用され、最近では事前学習モデル（BERTなど）を活用した文脈理解の導入により精度が向上している。
2.2 音声合成方式
2.2.1 波形合成
2.2.1.1 ユニット選択合成
大規模な音声データベースから、テキストの音素や韻律条件に合致した音声断片（ユニット）を選択し、それらをつなぎ合わせて音声を生成する方式。各ユニットはディップホン（音素間の遷移を含む）やハーフ音節などの単位で記録され、コスト関数を用いて最適な組み合わせが選択される。自然性が高い反面、未登録の音韻パターンに対しては品質が低下しやすく、データベースの構築に多大なコストがかかる。
2.2.2 パラメトリック合成
2.2.2.1 隠れマルコフモデル
音声のスペクトル特徴量（メルケプストラムなど）を統計モデル（HMM）でモデル化し、テキストから直接パラメータ系列を生成する手法。HMMにより動的特徴量を考慮した滑らかな音声が得られる。ただし、波形はパラメトリックフィルタ（STRAIGHTなど）を通して再合成されるため、ユニット選択合成に比べ自然性で劣る場合があった。
2.2.2.2 ニューラルボコーダー
深層生成モデルを用いて、メルスペクトログラムなどの低次元特徴から波形を合成するモジュール。WaveNet（自己回帰型）、Parallel WaveGAN（非自己回帰型）、HiFi-GAN（GANベース）などが代表的である。ニューラルボコーダーは従来のボコーダー（WORLDなど）に比べ、歪みが少なく高忠実な波形生成を可能にし、パラメトリック合成の自然性を大幅に向上させた。
2.2.3 エンドツーエンド合成
2.2.3.1 Tacotron
Googleが2017年に発表したエンドツーエンドTTSモデル。テキストを直接メルスペクトログラムに変換するSeq2Seqアーキテクチャ（エンコーダ-デコーダ+注意力機構）を採用。従来のパイプライン型システムのように個別のモジュール（テキスト解析、韻律生成、音響モデル、ボコーダ）を必要とせず、単一ニューラルネットワークで学習可能。Tacotron 2ではWaveNetボコーダとの統合により高品質化が図られた。
2.2.3.2 WaveNet
DeepMindが2016年に提案した生成モデル。条件付き自己回帰ネットワークを用いて、過去のサンプル点から次のサンプル点を予測することで波形を直接生成する。音声の微小な時間構造を捉えることができ、非常に自然な音声を生成できる。ただし計算量が大きくリアルタイム生成には適さないため、後に確率的蒸留や逆自己回帰流（IAF）を用いた高速化手法（Parallel WaveNet）が開発された。
3 応用分野
3.1 アクセシビリティ
3.1.1 スクリーンリーダー
視覚障害者向けの画面読み上げソフトウェアの中核技術としてTTSが利用されている。OS標準の機能（Windowsのナレーター、macOSのVoiceOver）やサードパーティ製品（JAWS、NVDA）が対応し、電子文書やWebページの内容を音声で伝達する。近年では自然性の向上により、長時間のリスニング疲労が軽減された。
3.1.2 コミュニケーション支援装置
発話障害を持つユーザーが文字入力により音声を出力するAAC（拡大代替コミュニケーション）機器にTTSが組み込まれている。感情表現や話速調整の機能を備えた製品も登場し、意思伝達の質を高めている。
3.2 商業サービス
3.2.1 音声アシスタント
スマートスピーカー（Amazon Alexa、Googleアシスタント、Apple Siri）やスマートフォンの音声対話システムでは、ユーザーからの応答生成にTTSが不可欠である。各社は自社ブランドの音声キャラクターを開発し、ブランド認知や親しみやすさに活用している。
3.2.2 自動音声応答システム
コールセンターのIVR（自動音声応答）や銀行のATM案内、駅の放送などで広く利用される。固定された音声メッセージに加え、動的にテキストを生成して読み上げるシステムが増加している。
3.3 エンターテインメントと教育
3.3.1 オーディオブック
TTS技術は電子書籍の音声化に応用され、プロのナレーターによる収録に比べ低コストで大量のコンテンツを提供可能にする。AmazonのAudibleでは一部タイトルにTTSを採用し、ユーザーの読書体験を拡張している。
3.3.2 言語学習アプリ
外国語学習アプリ（Duolingo、Rosetta Stoneなど）では、学習者の発音練習のためにTTSが使用される。正しい発音の手本として再生するほか、ユーザーの発音を認識してフィードバックを行う機能と連携している。
4 評価と課題
4.1 品質評価指標
4.1.1 自然性評価
合成音声が人間の音声にどれだけ近いかを主観評価で測定する。代表的な手法としてMOS（Mean Opinion Score）があり、評価者が5段階で「自然である」から「全く自然でない」までを評定する。ラボ環境でのテストと実環境でのワーカー評価（CrowdMOS）の両方が行われる。
4.1.2 了解性評価
合成音声の明瞭さと聞き取りやすさを測る。WER（単語誤り率）や等価雑音レベルなどが用いられ、ノイズ環境下や高速再生時の了解性も評価対象となる。リスナーによる聴取テストに加え、音声認識システムの認識精度を代理指標とする場合もある。
4.2 技術的課題
4.2.1 多言語・多アクセント対応
同一のTTSシステムで複数の言語や方言を扱うためには、言語ごとに異なるテキスト解析ルールと韻律パターンが必要となる。近年では多言語音声コーパスと転移学習により、一種類のニューラルモデルで複数言語をカバーする手法（多言語TTS）が研究されているが、データが豊富な言語とそうでない言語の品質格差が課題である。
4.2.2 感情表現の制御
現在のTTSは中立な発話では高い自然性を達成しているが、喜び、悲しみ、怒りなどの感情を意図的に付与することは依然として難しい。感情ラベル付きデータセットの不足と、韻律パラメータと感情の複雑な非線形関係が原因である。感情埋め込みベクトルやスタイル転送技術の導入が進められている。
4.2.3 低リソース言語への拡張
世界に数千ある言語のうち、音声データが十分に収集されているのはごく一部に限られる。言語リソースが乏しい言語に対しては、教師なし学習、少数ショット学習、クロスリンガル転移学習などの手法が研究されており、UNESCOの言語多様性保護の観点からも重要な課題である。
5 将来の展望
5.1 パーソナライズ音声
TTS技術を用いて、ユーザー自身の声や特定の人物の声を合成する試みが進んでいる。少数サンプルから声質を学習するボイスクローニング技術は、カスタマーサービスや故人の声の再現など倫理的課題も伴うが、各プラットフォームで音声カスタマイズ機能として実用化され始めている。将来的には、各個人が自分専用の高品質音声を持ち、あらゆる端末で利用できるようになると期待される。
5.2 リアルタイム対話との統合
自然言語処理の進歩により、TTSは単なる読み上げから、リアルタイム対話システムの一部としての役割を増している。特に感情認識や文脈適応型の韻律制御を組み合わせることで、人間同士の会話に近いインタラクションが実現しつつある。低遅延と高品質の両立が技術的な焦点であり、エッジAIや量子化技術の進展により、スマートフォンやIoTデバイス上でも高品質なTTSが動作可能になりつつある。