1 歴史
1.1 機械式音声合成
音声合成の歴史は18世紀後半にさかのぼる。1779年、ロシアの学者クリスティアン・ゴットリープ・クラッツェンシュタインが母音を模倣する機械装置を開発した。1791年にはオーストリアのヴォルフガング・フォン・ケンペレンが「話す機械」を製作し、木製の管と風箱を用いて母音や子音を含む単語を生成した。これらの機械式装置は空気の流れを物理的に制御することで音声を模倣したが、限られた音しか出力できなかった。
1.2 電子式・デジタル音声合成
20世紀初頭、電子技術の進歩により音声合成は新たな段階に入った。1939年、ベル研究所のホーマー・ダドリーが「ボコーダー（Vocoder）」を開発し、音声の分析と合成を電気的に行う基盤を築いた。
1.2.1 フォルマント合成
フォルマント合成は、音声の周波数特性を模倣する方式である。1960年代にパテントが取得され、限られた計算資源で音声を生成できることから広く利用された。フォルマント合成では、声道の共鳴特性を模したフィルタを用いて有声・無声音を生成する。この方式は人工的な音質が特徴であったが、明瞭性は比較的高かった。
1.2.2 波形接続合成
波形接続合成は、実際の人間の音声から切り出した波形断片を接続して音声を生成する方式である。1980年代から1990年代にかけて発展し、より自然な音質を実現した。この方式では、記録された音声データベースから最適な単位を選択し、継ぎ目を滑らかに接続する必要がある。
1.3 ニューラル音声合成の登場
2010年代半ば以降、深層学習の技術革新によりニューラル音声合成が急速に発展した。2016年にディープマインド社がWaveNetを発表し、従来の手法を大幅に上回る自然な音声生成を実現した。ニューラルネットワークを用いることで、韻律や抑揚の細かな変化を学習し、人間の声に極めて近い品質の合成が可能となった。
2 技術的方式
2.1 規則ベース合成
規則ベース合成は、言語学的規則と音響的規則に基づいて音声を生成する方式である。音声の物理的モデルと発音規則を組み合わせて、テキストから音声波形を計算によって生成する。
2.1.1 テキスト解析
テキスト解析は、入力された文字列を言語学的に解析する処理である。
2.1.1.1 言語モデル
言語モデルは、テキストの単語分割、読み推定、アクセント位置の決定などを担当する。形態素解析や構文解析を用いて、単語間の関係や文の構造を理解する。日本語の場合、漢字の読み分けや複合語のアクセント規則が重要な役割を果たす。
2.1.1.2 韻律生成
韻律生成は、文の内容に応じたピッチ（高さ）、持続時間、ポーズ（間）を決定する処理である。文の種類（平叙文、疑問文など）や強調すべき箇所を考慮して、自然な抑揚パターンを生成する。
2.1.2 音響モデル
音響モデルは、韻律情報に基づいて音声波形を生成するための音響パラメータを計算する。フォルマント周波数や声道断面積などのパラメータを時系列で制御し、最終的に音声波形を合成する。
2.2 コーパスベース合成
コーパスベース合成は、大量の録音音声データ（コーパス）を元に音声を生成する方式である。
2.2.1 波形接続方式
波形接続方式は、録音データから適切な波形断片（単位）を選択し、それらを接続して目的の音声を生成する。単位として音素や半音節、音節などが用いられる。接続点の不連続性を最小化するために、波形の整列処理やスムージング処理が行われる。
2.2.2 ユニット選択方式
ユニット選択方式は、より大きな音声単位（単語やフレーズ単位）をデータベースから選択する方式である。目的のテキストに近い発話単位を検索し、最適な接続を計算する。大規模なデータベースを用意することで高品質な合成が可能だが、未登録の表現への対応が難しいという課題がある。
2.3 ニューラルネットワーク合成
ニューラルネットワーク合成は、深層学習モデルを用いてテキストから直接音声波形を生成する方式である。
2.3.1 エンドツーエンドモデル
エンドツーエンドモデルは、テキスト入力から音声波形出力までを一つのニューラルネットワークで実現する。代表的なモデルとして、TacotronやFastSpeechなどがある。これらのモデルは、テキストを音響特徴量（メルスペクトログラムなど）に変換する役割を担う。エンドツーエンドの学習により、人手による特徴設計が不要となる。
2.3.2 アップサンプリングとボコーダー
ニューラルネットワークが生成した音響特徴量を最終的な音声波形に変換するのがボコーダーである。WaveNetやHiFi-GANなどのニューラルボコーダーは、高品質な波形生成を可能にする。アップサンプリング処理により、低解像度の特徴量から高精細な波形を復元する。
3 主な応用分野
3.1 アクセシビリティ支援
3.1.1 スクリーンリーダー
スクリーンリーダーは、視覚障害者がコンピュータやスマートフォンを操作するための音声読み上げ機能である。画面上のテキストやメニューをリアルタイムで音声に変換し、情報へのアクセスを支援する。
3.1.2 コミュニケーションエイド
音声機能に障害がある人々のための補助コミュニケーションツールとして、文字入力を音声に変換する装置が用いられる。入力方法には視線入力やスイッチ操作など、個人の能力に応じた選択肢が用意されている。
3.2 エンターテインメント
3.2.1 音声コンテンツ制作
オーディオブックやポッドキャストなどの音声コンテンツ制作において、合成音声が活用される。ナレーションや朗読を自動生成することで、制作コストの削減や多言語展開が容易になる。
3.2.2 ゲーム・アニメ
ゲームキャラクターの音声やアニメの吹き替えに合成音声が用いられる。特に大量のセリフが必要なオープンワールドゲームや、制作期間が短いウェブアニメなどで利用が広がっている。
3.3 音声アシスタントとスマートデバイス
スマートスピーカーやスマートフォンに搭載される音声アシスタント（Siri、Alexa、Googleアシスタントなど）は、TTS技術を中核として動作する。ユーザーの問い合わせに対する応答を自然な音声で返すことで、直感的な対話インターフェースを実現している。
3.4 教育・学習支援
語学学習アプリケーションでは、正しい発音でテキストを読み上げる機能が提供される。学習者は任意の文の音声を聞くことでリスニング力や発音練習に活用できる。また、教材の音声化により、目の不自由な学習者も同等の学習機会を得ることができる。
4 品質評価と課題
4.1 自然性と明瞭性
音声合成の品質評価において、自然性（人間の声らしさ）と明瞭性（聞き取りやすさ）は基本的な指標である。自然性は主観評価（MOS: Mean Opinion Score）で測定されることが多く、明瞭性は単語認識率などの客観指標で評価される。近年のニューラル合成は高い自然性を達成しているが、長文や複雑な文での品質低下が課題として残る。
4.2 韻律の多様性と感情表現
人間の音声は状況や感情によって韻律が大きく変化する。現在のTTSでは、中立な発話の品質は高いが、喜びや悲しみなどの感情表現、強調や疑問などの韻律パターンの多様性は限定的である。感情ラベル付きデータや韻律制御手法の研究が進められている。
4.3 多言語・方言対応
多言語対応はTTSの重要な課題である。各言語の音韻体系や韻律規則は異なり、言語ごとに学習データやモデルが必要となる。また、日本語でも関西方言や九州方言など、地域による発音やアクセントの違いを合成する技術は発展途上である。
4.4 話者再現・声クローン技術
わずかな音声サンプルから特定の個人の声を再現する声クローン技術が登場している。この技術はパーソナライズされた音声対話システムや、故人の声の再現などに応用される一方で、悪用による詐欺やプライバシー侵害のリスクも指摘されている。技術的には短時間の学習で高品質な再現が可能になりつつあるが、倫理的なガイドラインと法規制の整備が急務である。