ストーリー

音声合成（TTS）の概要

主要なTTSサービス

TTS技術の進化

第1世代: 規則合成         → 機械的で不自然
第2世代: 統計的パラメトリック → やや自然だが平坦
第3世代: ニューラルTTS      → 人間に近い自然さ
第4世代: ゼロショットTTS    → 数秒のサンプルで声を再現

OpenAI TTSの実装

基本的な音声生成

from openai import OpenAI
from pathlib import Path

client = OpenAI()

def text_to_speech(
    text: str,
    voice: str = "alloy",
    model: str = "tts-1-hd",
    output_path: str = "output.mp3"
) -> str:
    """テキストから音声を生成"""
    # 利用可能な声: alloy, echo, fable, onyx, nova, shimmer
    response = client.audio.speech.create(
        model=model,       # tts-1（高速）or tts-1-hd（高品質）
        voice=voice,
        input=text,
        speed=1.0          # 0.25〜4.0
    )

    response.stream_to_file(output_path)
    return output_path


# 使用例: 通知メッセージの音声化
text_to_speech(
    text="本日の売上レポートです。売上合計は1億2千万円で、前日比105%でした。",
    voice="nova",
    output_path="daily_report.mp3"
)

長文テキストのバッチ処理

def batch_tts(
    texts: list[str],
    voice: str = "alloy",
    output_dir: str = "audio_output"
) -> list[str]:
    """複数テキストの一括音声生成"""
    Path(output_dir).mkdir(parents=True, exist_ok=True)
    output_files = []

    for i, text in enumerate(texts):
        # OpenAI TTSの入力上限は4096文字
        if len(text) > 4096:
            chunks = split_text_for_tts(text, max_chars=4000)
            chunk_files = []
            for j, chunk in enumerate(chunks):
                path = f"{output_dir}/part_{i}_{j}.mp3"
                text_to_speech(chunk, voice=voice, output_path=path)
                chunk_files.append(path)
            # チャンクを結合
            merged_path = f"{output_dir}/merged_{i}.mp3"
            merge_audio_files(chunk_files, merged_path)
            output_files.append(merged_path)
        else:
            path = f"{output_dir}/audio_{i}.mp3"
            text_to_speech(text, voice=voice, output_path=path)
            output_files.append(path)

    return output_files


def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
    """テキストを文単位で分割"""
    sentences = text.replace("。", "。\n").split("\n")
    chunks = []
    current_chunk = ""

    for sentence in sentences:
        if len(current_chunk) + len(sentence) > max_chars:
            if current_chunk:
                chunks.append(current_chunk.strip())
            current_chunk = sentence
        else:
            current_chunk += sentence

    if current_chunk.strip():
        chunks.append(current_chunk.strip())

    return chunks

Google Cloud TTSの実装

SSMLを使った高度な音声制御

from google.cloud import texttospeech

def synthesize_with_ssml(
    ssml_text: str,
    output_path: str = "output.wav",
    language_code: str = "ja-JP",
    voice_name: str = "ja-JP-Neural2-B"
) -> str:
    """SSMLで音声を生成（ポーズ、強調、速度制御）"""
    client = texttospeech.TextToSpeechClient()

    input_text = texttospeech.SynthesisInput(ssml=ssml_text)

    voice = texttospeech.VoiceSelectionParams(
        language_code=language_code,
        name=voice_name
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        speaking_rate=1.0,
        pitch=0.0
    )

    response = client.synthesize_speech(
        input=input_text,
        voice=voice,
        audio_config=audio_config
    )

    with open(output_path, "wb") as out:
        out.write(response.audio_content)
    return output_path


# SSML例: 自然なナレーション
ssml = """
<speak>
    <p>
        <s>本日の会議のアジェンダをお伝えします。</s>
        <break time="500ms"/>
        <s>第一に、<emphasis level="strong">売上報告</emphasis>です。</s>
        <s>第二に、新商品の企画について議論します。</s>
        <break time="300ms"/>
        <s>それでは始めましょう。</s>
    </p>
</speak>
"""
synthesize_with_ssml(ssml)

業務活用パターン

パターン1: eラーニングナレーション自動生成

def generate_elearning_audio(
    script: list[dict],
    voice: str = "nova"
) -> list[str]:
    """eラーニング用のナレーション音声を自動生成

    script例:
    [
        {"slide": 1, "text": "本講座では..."},
        {"slide": 2, "text": "最初に..."},
    ]
    """
    audio_files = []
    for item in script:
        path = f"slide_{item['slide']}.mp3"
        text_to_speech(
            text=item["text"],
            voice=voice,
            output_path=path
        )
        audio_files.append({
            "slide": item["slide"],
            "audio": path,
            "text": item["text"]
        })
    return audio_files

パターン2: 多言語カスタマーサポート

def generate_multilingual_announcement(
    message_ja: str,
    target_languages: list[str] = ["en", "zh", "ko"]
) -> dict[str, str]:
    """日本語メッセージを多言語音声に変換"""
    results = {"ja": None}

    # 日本語音声生成
    results["ja"] = text_to_speech(message_ja, voice="nova", output_path="msg_ja.mp3")

    # 翻訳 + 音声生成
    for lang in target_languages:
        translated = translate_text(message_ja, target_lang=lang)
        voice = select_voice_for_language(lang)
        path = f"msg_{lang}.mp3"
        results[lang] = text_to_speech(translated, voice=voice, output_path=path)

    return results

パターン3: レポートの音声化

日次レポート（テキスト）
    │
    ▼
[要約生成] → LLMで3分以内に収まる要約を生成
    │
    ▼
[TTS] → 自然な音声に変換
    │
    ▼
[配信] → 社内ポッドキャストとして配信

倫理とガイドライン

音声AI利用時の注意点

社内ガイドライン（推奨）

1. AI生成音声であることを明示する
2. 個人の声のクローニングには書面での同意を取得する
3. 外部公開する音声には「AI Generated」の注記を含める
4. 声優・ナレーターの権利を尊重する
5. 定期的にガイドラインを見直す

まとめ

チェックリスト

• 主要なTTSサービスの特徴とコストを比較できる
• OpenAI TTSを使った音声生成を実装できる
• SSMLによる高度な音声制御を理解した
• 業務活用パターン（eラーニング、多言語対応、レポート音声化）を把握した
• 音声AI利用時の倫理的配慮を説明できる

次のステップへ

次は動画分析の技術を学び、映像データからの情報抽出方法を習得します。

推定読了時間: 30分