TTS音声合成の仕組み、通勤ニュースで誤読が起きる場面
画像出典: ぱくたそ (PAKUTASO)
AIの音声合成(TTS)は、文章を読み・品詞・アクセントの情報へ変換するフロントエンドと、その情報から声の波形を作るバックエンドの2段階で動いています。日本語は単語ごとに音の高低(ピッチアクセント)を持つため抑揚の予測が難しく、同じ表記で読みが変わる語や固有名詞で誤読が起きやすくなります。読みの正確さは辞書登録やSSMLというマークアップでの指定によって作られています。
音声読み上げの声は、ここ数年でずいぶん人間に近づきました。棒読みではなく、文の終わりで少し下がり、強調したい語でわずかに上がる。この抑揚は録音の切り貼りではなく、文章を解析した結果から毎回計算されています。
だからこそ、解析が外れた瞬間だけ音がおかしくなります。全体は自然なのに固有名詞でつまずくのは、仕組みから見るとかなり筋の通った現象です。音の高低をどこで作っているのかが分かると、聞き流していても「ここは誤読かもしれない」と見当がつくようになります。
TTS(音声合成)は文章をどうやって声にしているのか?
TTSは Text To Speech の略で、文章を音声に変換する技術のことです。現代のニューラルTTS(ニューラルネットワークを使った音声合成)は、大きくフロントエンドとバックエンドの2段階に分かれています。
- フロントエンド(テキスト解析)文章を形態素解析(文を単語の単位に区切り、それぞれの品詞を判定する処理)にかけ、各単語の読み方・品詞・アクセント型といった情報(言語特徴量)に変換します。「東京都」をどこで区切り、どう読み、どこで音を上げるか、という楽譜に近いものを作る工程です。
- バックエンド(音声波形生成)その言語特徴量から音響特徴量(声の高さ・大きさ・音色を数値で表した、音の設計図にあたるデータ)を経て、実際の波形、つまり人間の声として聞こえる音を生成します。楽譜を演奏する工程にあたります。
つまり、声そのものの質と、読みの正しさは別の工程が担当しています。声が流暢で自然に聞こえることと、読み方が正しいことは、技術的にまったく別の話です。ここが分かれているので、きれいな声のまま堂々と誤読する、という聞き手にはやや困る状況が生まれます。
Tacotronが変えたのは「作り込む場所」
かつては、テキスト解析のフロントエンド・音響モデル・音声合成モジュールという複数の専門コンポーネントを、それぞれ個別に作り込む必要がありました。Googleが2017年に発表した「Tacotron」は、テキストから直接音声を合成するエンド・ツー・エンド型の生成モデルで、テキストと音声のペアデータだけから学習できる点が特徴です。
人手で積み上げるルールの集合から、データから学ぶ一つのモデルへ。この流れが、いま通勤中に聞いている自然な声の背景にあります。
自然な抑揚はどこで決まっているのか?
抑揚の決め方は、文末を下げるといった固定ルールだけでは足りません。ニューラルTTSは、前後の単語の情報や構文・形態素情報を手がかりに、どこで音の高さを上げ下げするか(ピッチアクセント)と、文全体の韻律を予測するモデルを内部に持っています。
Amazon Pollyの日本語エンジンも、周辺単語の情報や統語的・形態的情報を使って、単語の読み方・ピッチアクセント・イントネーションを予測する複数の機械学習モデルを採用しています。読みと抑揚は「調べる」のではなく「予測する」対象だ、というのが要点です。
予測である以上、手がかりが足りなければ外れます。そして日本語は、その手がかりを集めるのがとりわけ難しい言語です。
日本語が難しいのは、表記と高低の二重苦
日本語は漢字・ひらがな・カタカナが混在する表記体系を持ち、さらに単語ごとに高低のピッチアクセント(抑揚)を持つ「ピッチアクセント言語」です。このため、英語のような強勢アクセント言語に比べて、エンド・ツー・エンド音声合成の難度が高いとされています。
強勢アクセントの言語では、単語の中のどの音節を強く読むかが問題になります。日本語では、それに加えて音の高さが単語の意味を分けます。表記から読みを当てる作業と、読みから高低を当てる作業が二段で重なるわけです。
研究面では、Tacotronに自己注意機構(セルフアテンション。文中の離れた語同士の関係に重みを置いて参照するしくみ)を組み込み、文内で離れた位置にある単語同士のピッチアクセントの長期的な依存関係を捉えることで、より自然な日本語の抑揚を再現する試みが報告されています。遠い語の情報まで見にいく必要があるほど、日本語の抑揚は文全体に依存しているということです。
読み間違いは、どんな場面で起きるのか?
誤読が起きる場面は、だいたい決まった型に収まります。
- 同じ表記で読み・意味が変わる語(同形異音語)。「橋/箸」「雨/飴」のように、前後の文脈から読みを推定しきれない場合
- 人名・地名・製品名などの固有名詞。一般的な読み上げ辞書の範囲から外れやすい
- 専門用語・新語・業界用語。辞書の更新が追いついていない語
- 数字や日付。桁として読むのか、一桁ずつ読むのかが文脈で変わる
固有名詞や専門用語・新語の誤読は、そのままコンテンツの信頼性低下に直結する課題として指摘されています。ニュースという、固有名詞の密度が最も高いジャンルで聞いていれば、遭遇率が上がるのは当然です。
最新エンジンでもどのくらい外すのか
読みの正確さを公表している例があります。音声合成エンジン「AITalk」を提供する株式会社エーアイは、2023年5月16日付のプレスリリースで、ニュース記事を対象にエンジンの版ごとの読み・アクセントの誤りを比較した社内検証の結果を公表しています。
| 検証の対象 | ニュース記事139本(5,464文・203,454文字) |
|---|---|
| 比較したエンジン版 | 2018年8月版 / 2020年3月版 / 2022年12月版 |
| 2022年12月版の正読率 | 94.07% |
株式会社エーアイの公表データ(2023年5月16日、同社の社内検証)をもとに作成
上の表の数字を裏から読むと、ニュース文の読み・アクセントのうち6%弱は、最新エンジンでも誤りが残る計算になります(この割合の言い方は公表値からの算出で、エーアイ自身がこう表現しているわけではありません)。読み上げ全体のなかで、ときどき違和感のある語に当たる、という体感と重なる水準です。
これは特定のエンジンの特定のバージョンを、同社が自社検証した結果です。2026年11月時点で、国内のニュース読み上げアプリが実際にどれくらい誤読するかを示す公表データは見つかっていません。「AIは固有名詞が苦手」と全体に広げるのではなく、「このエンジンのこの版で、ニュース文を対象にこの値だった」という範囲で受け取るのが正確です。
人名の読み上げはなぜ特別に難しいのか?
人名は、誤読の影響が最も大きい語です。読みを推定する手がかりが文脈にほとんどなく、同じ表記でも読みが複数あり、そして間違えたときに当事者が傷つきます。
スマートスピーカーのニュース見出し読み上げでも、見出しに人名が含まれる場合に音声合成器が正しく読み上げることが難しい、という課題が国内の研究・解説で指摘されています。2017年には、Spectee社のAIアナウンサー「ゆいさん」でも人名の読み上げが課題とされていました。
人名は、文脈から推測するという仕組みの土台そのものが効きにくい領域です。「高橋」の「橋」を正しく読めても、その人が「たかはし」か別の読みかは、文章のどこにも書かれていません。だから後述のとおり、辞書に人が書き込む以外に方法がないのです。
誤読を防ぐ仕組みは何が用意されているのか?
誤読への対処は、予測に任せきらず人が答えを渡す方向に進みます。大きく2つの道具があります。
辞書登録 — 読みとアクセントを固定する
エーアイの「AITalk Web読み職人」のようなサービスでは、固有名詞や新語など読み間違いが起きやすい単語をユーザーが辞書登録し、フレーズ単位でアクセントを調整できる機能が用意されています。読み間違いは、利用者側の辞書登録でカバーするのが実務上の標準的な対処法だ、という前提に立った設計です。
SSML — 文章の中に読み方を書き込む
Amazon Pollyなどのクラウド系TTSでは、SSML(Speech Synthesis Markup Language。読み上げ方を指定するためのマークアップ言語)を使えます。たとえば <say-as interpret-as="digits"> と指定すれば、数字を一桁ずつ読ませることができます。固有名詞については、独自の発音辞書(pronunciation lexicon)に読みを事前登録して誤読を回避する仕組みも用意されています。
つまり、精度の高い読み上げは「賢いモデル」だけで実現しているわけではありません。モデルの予測と、人が登録した辞書・指定の二階建てで成り立っています。ニュース音声サービスの読みが日々まともであるのは、提供側が固有名詞辞書を継続的に更新しているからでもあります。
聞くときに何に気をつけておけばいいのか?
読み上げの誤りは、聞き手が完全に避けることはできません。ただ、どこで起きやすいかを知っていれば、受け取り方を変えられます。
- 固有名詞・人名・新しい製品名の箇所は、読みがずれている可能性を前提に聞く
- 聞き取りにくい固有名詞が出たら、前後の文脈から読み方を推測する(これは業界でも標準的な対処として示されている考え方)
- 人名・社名・数字が意思決定に関わる話題なら、音声を一次情報と見なさず、あとで文字で確認する
- 読みが変でも内容が壊れているとは限らない。逆に、流暢に聞こえても読みが正しい保証はない
ここで効いてくるのが、最初に見た二段構えです。声の自然さを担当する工程と、読みの正しさを担当する工程は別。耳に心地よいかどうかは、正確さの手がかりにならないと覚えておくだけで、音声ニュースとの距離の取り方がちょうどよくなります。
固有名詞の正確さが要る場面——取引先の社名や担当者名を初めて知るとき、数字を記録するとき、人名を人に伝えるとき——は、音声で済ませないほうが安全です。読み上げの誤りは「間違っているように聞こえない」形で起きるので、聞き手が気づける保証がありません。聞き流しは全体像をつかむために使い、固有名詞と数字は文字で取る、という分担が現実的です。
この仕組みを知ると、何が変わるのか?
TTSの誤読は、AIが雑に作られているから起きているのではありません。表記から読みを当て、読みから高低を当て、文全体の流れに合わせる——この連続した予測のどこか一つが外れた結果です。
そして、外れやすい場所はほぼ決まっています。文脈に答えが書かれていない語、つまり固有名詞と新語です。仕組みが分かると、誤読は「ランダムな事故」ではなく「予測しやすい弱点」に変わります。
通勤の20分で、世の中で何が動いているかをつかむ。そのうえで、名前と数字だけは目で確かめる。この使い分けができれば、音声ニュースは十分に実用的な情報源です。
よくある質問
TTS(音声合成)はどのような仕組みで文章を音声にしているのですか?
現代のニューラルTTSは2段階で構成されています。まずフロントエンドが文章を形態素解析(文を単語の単位に区切り、品詞を判定する処理)にかけ、各単語の読み方・品詞・アクセント型などの情報(言語特徴量)に変換します。次にバックエンドがその情報から音響特徴量(声の高さ・大きさ・音色を数値で表したデータ)を経て、人間の声として聞こえる波形を生成します。声の自然さと読みの正確さは、それぞれ別の工程が担当しています。
日本語の音声合成はなぜ英語より難しいのですか?
日本語は漢字・ひらがな・カタカナが混在する表記体系を持つうえ、単語ごとに高低のピッチアクセント(抑揚)を持つ「ピッチアクセント言語」です。このため、英語のような強勢アクセント言語に比べてエンド・ツー・エンド音声合成の難度が高いとされています。表記から読みを推定する作業と、読みから音の高低を推定する作業が二重に必要になります。
音声合成が読み間違いをするのはどんな単語ですか?
「橋/箸」「雨/飴」のように同じ表記で読み・意味が変わる語(同形異音語)と、人名・地名・製品名などの固有名詞、専門用語・新語・業界用語で起きやすいとされています。固有名詞や新語は一般的な読み上げ辞書の範囲から外れやすく、文脈から読みを推定する手がかりも乏しいためです。
読み間違いを減らすにはどんな方法がありますか?
サービス提供側の対処として、読み間違いが起きやすい単語をユーザーが辞書登録し、フレーズ単位でアクセントを調整できる機能が用意されているものがあります(エーアイの「AITalk Web読み職人」など)。Amazon Pollyなどのクラウド系TTSでは、SSMLというマークアップ言語で数字や日付の読み方を明示したり、発音辞書に固有名詞の読みを事前登録して誤読を回避できます。
※記事で使用した内容・数値は変更される場合があります。最新情報は公式サイトをご確認ください。