結論

Text to Speech(TTS・音声合成)とは、文字で書かれた文章をコンピューターが音声に変えて読み上げる技術です。無料で使うなら Windows のナレーター(Windows ロゴ キー+Ctrl+Enter)か Mac の「選択項目を読み上げる」(Option+Esc)、アプリに組み込むなら Google・Azure・Amazon Polly・OpenAI の API を、文字数(またはトークン)の従量課金で使います。

この記事でわかること

  • OS の無料の読み上げと、4社の TTS API の違い・料金・無料枠
  • 同じ文でも提供元で課金の文字数が変わる理由と、計算の実行結果
  • SDK が実際に送るリクエストの形と、SSML のつまずき原文

2026年11月18日更新|Python 3.13・boto3 1.44.5・openai 3.55.0・espeak-ng 1.52.0で実行確認

この記事で実際に動かしたもの:オフラインの音声合成エンジン espeak-ng で WAV を作って長さを測り、3社の Python SDK と Azure の REST の形を 127.0.0.1 の模擬サーバーに向けて送り、届いたリクエストを記録しました。本物の API には一度も送っていません。

flowchart TD
    T[文章] --> A[テキスト解析<br>読み・区切り・アクセント]
    A --> F[音の特徴を作る<br>高さ・長さ・声色]
    F --> V[ボコーダー<br>波形にする]
    V --> W[音声ファイル<br>WAV・MP3]
    S[SSML<br>間・読み方・速さ] -.-> A

よく調べられることの答えを先にまとめます。

知りたいこと 答え 詳しい節
text to speech とは 文字を音声に変える技術。TTS・音声合成・テキスト読み上げとも呼ぶ Text to Speechとは
無料で使いたい Windows のナレーター、Mac の読み上げ、ブラウザーの speechSynthesis 無料で使う方法
API はどれがある Google Cloud Text-to-Speech・Azure Speech・Amazon Polly・OpenAI の音声 API API の比較表
料金はいくら 100万文字あたり 4〜160 米ドル(声の種類で変わる)。無料枠あり 料金と無料枠
費用の見積もり方 提供元ごとの数え方で文字数を出し、無料枠を引いて単価を掛ける 文字数から費用を計算
間や読み方を変えたい SSML の break・sub・phoneme・prosody を使う SSML の基本
長い文章を読ませたい 1回の上限があるので、文の区切りで分けるか非同期の合成を使う 長い文章の上限と分割
商用で使ってよいか 提供元の最新の規約を確かめる。AI の声だと示すよう求める提供元もある 声の利用条件

確認環境:Ubuntu 24.04.5 LTS の上で、Python 3.13.18 の venv に espeakng-loader 0.2.4(espeak-ng 1.52.0 のライブラリを同梱)を入れ、ctypes で呼んで WAV を作り、ffprobe 6.1.1 で長さと形式を確かめました。SDK は boto3 1.44.5(botocore 1.44.5)、google-cloud-texttospeech 2.38.0(REST の通信方式)、openai 3.55.0 で、送り先はすべて 127.0.0.1 の自作の模擬サーバーです。外へ出ないよう、プロキシを 127.0.0.1 の使われていないポートに向け、127.0.0.1 以外への接続を拒む仕掛けを入れてから動かしました。Azure は REST の形を curl 8.5.0 で同じ模擬サーバーに送っています。ブラウザーの speechSynthesis は Chromium 153.0.8010.12(ヘッドレス)で、127.0.0.1 の自分のページだけを開いて確かめました。料金・上限・機能は Google Cloud・Microsoft Learn・Azure の料金ページ・AWS の公式ドキュメントと料金ページ・OpenAI の開発者向けドキュメント、Windows と Mac の操作は Microsoft と Apple のサポートページで確かめた範囲だけを書いています。Windows・Mac の実機と、本物の API の音声はこの環境では確かめていません。図は mermaid 11.16.0 で描画を確かめています(確認日 2026年11月18日)。

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「Text to Speech(音声合成)とは|無料で使う方法とAPIの使い方・料金」

Text to Speech(TTS・音声合成)とは

この節では、Text to Speech の意味と呼び方、どんな場面で使われているかが分かります。

Text to Speech は、文章(テキスト)を入力すると、それを読み上げた音声を出力する技術です。略して TTS、日本語では「音声合成」「テキスト読み上げ」とも呼ばれます。逆向きの、音声を文字にする技術は Speech to Text(音声認識・文字起こし)です。

Text to Speech(音声合成)

入力:文章 出力:音声

例:読み上げ機能・案内の音声・動画のナレーション

API の例:Amazon Polly・Google Cloud Text-to-Speech

Speech to Text(音声認識)

入力:音声 出力:文章

例:会議の文字起こし・字幕・音声入力

例:Whisper などの文字起こしのモデル

IBM の解説では、最初の電気式の音声合成装置は1930年代ごろに作られ、2000年代にディープラーニング(ニューラルネットワーク)が使われるようになって、人の声に近い自然さになったと説明されています。今の主な使い道は次のとおりです。

  • アクセシビリティ:画面の文字を読み上げるスクリーンリーダー(Windows のナレーター、Mac の VoiceOver など)
  • 案内の音声:カーナビ、駅や施設の放送、電話の自動応答
  • コンテンツ:動画のナレーション、記事やニュースの音声版、オーディオブック、語学の教材
  • 対話:音声アシスタント、チャットボットの返事を声で返す

文字起こしのほうを詳しく知りたいときは、関連記事「Whisper文字起こし|Pythonコードとfaster-whisperの速さ比較」で扱っています。

音声合成の仕組み(テキスト解析と波形の生成)

この節では、TTS が文章を音声にするまでの流れと、日本語で「読み」がなぜ大事なのかが、実際の出力で分かります。

TTS は大きく「テキスト解析」と「音声の生成」の2段に分かれます。テキスト解析で、漢字の読み、数字や略語の読み方、文の区切り、アクセントを決め、音声の生成で、その読みを声の高さ・長さの特徴にしてから、ボコーダーと呼ばれる部分で波形(音のデータ)にします。IBM と AWS の解説も、この2段で説明しています。

読みの段を外すと何が起きるかを、オフラインで動く espeak-ng(日本語の辞書を持たない、規則で音を作る方式のエンジン)で確かめました。かなは読めますが、漢字は日本語として読めず、英語で「Chinese letter(中国語の文字)」と読み上げました。

'こんにちは'            5 chars 0.757 sec | k,onnit_s\'iha
'今日は良い天気です'    9 chars 5.668 sec | _:(en)tS'aIni:z(ja)l'et@ _:(en)tS'aIni:z(ja)l'et@ h'a ...
'きょうはよいてんきです' 11 chars 1.317 sec | k_j,ouh,ajo,iteNkid'esu
'2026年11月18日'       11 chars 4.79 sec  | n,i:_! sen n,i d_zu_!r'oku_! _:(en)tS'aIni:z(ja)l'et@ ...
'API'                   3 chars 0.844 sec | _:(en)'eI _:p'i: _:'aI(ja)
5.67秒漢字まじり9字漢字ごとに英語の説明を読み上げた
1.32秒同じ文のかな11字「は」を「ha」と読んだ
0.02秒23秒分の英語の合成規則で作る方式は軽い

右の列は espeak-ng が出した発音記号です。助詞の「は」を「ha」と読んだことも分かります。クラウドの日本語の声は、この読みの段を日本語の辞書とモデルで持っているため漢字も読めますが、固有名詞や業界の言葉は読み違えることがあり、そのときに使うのが後で説明する SSML の sub・phoneme や、提供元のカスタム辞書(Amazon Polly の lexicon など)です。

Text to Speechを無料で使う方法(Windows・Mac・ブラウザー)

この節では、インストールや登録をせずに、今の PC で文章を読み上げさせる方法が分かります。

読み上げるだけなら、OS に付いている機能で無料で使えます。手順は Microsoft と Apple のサポートページに書かれた範囲です。画面の名前は版によって違うことがあります。

Windows のナレーター

1

Windows ロゴ キー+Ctrl+Enter を押す

ナレーターが起動します。同じキーをもう一度押すと止まります。

起動・停止

2

設定は Windows ロゴ キー+Ctrl+N

ナレーターの設定が開き、「ナレーターの使用」のトグルでも切り替えられます。サインイン後に自動で起動させる項目もあります。

設定

3

声を足すときは「自然な音声の追加」

ナレーターの設定の画面にあるボタンから、より自然な声を追加できます。

声

4

声だけ止めるのはナレーター キー+Shift+S

ナレーター キーは、既定では Caps Lock キーまたは Insert キーです。もう一度押すと声が戻ります。

一時的に止める

Mac の「選択項目を読み上げる」

1

設定をオンにする

アップルメニュー →「システム設定」→ サイドバーの「アクセシビリティ」→「リーダーと読み上げ」で「選択項目を読み上げる」をオンにします。

最初に1回

2

文字を選んで Option+Esc

選んだ文字を読み上げます。もう一度押すと止まります。何も選んでいないと、今のウインドウの読める文字を読み上げます。

読み上げ

3

アプリのメニューからも使える

多くのアプリでは「編集」→「スピーチ」から読み上げの開始と停止ができます。読み上げ中に出るコントローラで速さの変更や一時停止もできます。

別の方法

声と言語は同じ画面の「システムの声」「読み上げ言語」で変えられ、追加した声はダウンロードが終わるまで使えません。Apple は、使える機能は macOS の版によって違うと説明しています。

ブラウザーの speechSynthesis(Web Speech API)

Web ページに読み上げを付けるなら、ブラウザーの speechSynthesis が無料で使えます。MDN は、この機能が2018年9月以降すべてのブラウザーで使えると説明しています。いちばん短い書き方は次のとおりです。

const u = new SpeechSynthesisUtterance('こんにちは');
u.lang = 'ja-JP';
u.rate = 1.0;   // 速さ
speechSynthesis.speak(u);

声はブラウザーではなく端末(OS)が持っています。ヘッドレスの Chromium 153(Linux)で自分のページを開いて確かめると、声は0個で、ページを開いただけでの読み上げは not-allowed になりました。

{"hasAPI":true,"defaults":{"lang":"","rate":1,"pitch":1,"volume":1},"voicesNow":0,"onerror":"not-allowed","voicesLater":[],"voicesCount":0,"speaking":false}

声の一覧は voiceschanged のイベントのあとに増えることがあるので、getVoices() はイベントを待ってから読みます。読み上げはボタンを押したときなど、利用者の操作のあとに始めると止められにくくなります。

Text to Speech APIの比較表(Google・Azure・Amazon Polly・OpenAI)

この節では、主な4つの TTS API で、声の種類・SSML・出力形式・上限がどう違うかが一覧で分かります。

4つとも「文章を送ると音声のデータが返る」形は同じで、違いは声の種類、細かい指定のしかた、課金の単位です。優劣ではなく、事実を並べます(2026年11月18日時点、各社の公式ドキュメント)。

項目 Google Cloud Text-to-Speech Azure Speech(Foundry Tools) Amazon Polly OpenAI 音声 API
声の種類 Chirp 3: HD・Neural2・WaveNet・スタジオ・標準・Gemini-TTS など 標準音声(100以上の言語とロケールのニューラル音声)、カスタム音声 標準・ニューラル・ロングフォーム・生成の4エンジン 13の声(marin・cedar など)。英語向けに調整
細かい指定 SSML(input.ssml) SSML(本文そのものが SSML) SSML(エンジンごとに使えるタグが違う) instructions(話し方を文章で指示)
出力形式の例 LINEAR16(WAV のヘッダー付き)・MP3・OGG_OPUS・MULAW・ALAW・PCM・M4A(SDK の定義) riff-24khz-16bit-mono-pcm・MP3・Opus など mp3・ogg_opus・ogg_vorbis・pcm・mulaw・alaw(SDK の定義) MP3・Opus・AAC・FLAC・WAV・PCM
1回の上限 1リクエスト 5,000 バイト REST は音声 10分で切り捨て。長いものはバッチ合成 課金対象 3,000 文字(合計 6,000 文字) 取得したガイドに記載なし
課金の単位 文字数(Gemini-TTS はトークン) 文字数 文字数 料金ページで確かめる

名前と提供状況について、着手前に公式で確かめたことが2つあります。

  • Azure:Microsoft Learn は、テキスト読み上げを「Foundry Tools の一部である Speech サービス」「Foundry Tools の Azure Speech」と書いています。検索では Azure AI Speech の名前で出てくることもあります。
  • OpenAI:OpenAI の非推奨の一覧では、tts-1・tts-1-hd・gpt-4o-mini-tts は 2027年1月6日に提供を終える予定で(告知は 2026年10月1日)、置き換え先は Realtime API の gpt-realtime-2.1-mini です。ガイドには、この置き換え先は /v1/audio/speech では使えないと書かれています。今から作るなら、移行の予定を先に立てておくと手戻りが減ります。

日本語の声は、Amazon Polly では Mizuki(標準)、Takumi(標準・ニューラル)、Kazuha・Tomoko(ニューラル)の4つが一覧にあります。ElevenLabs のような声の生成のサービスは、関連記事「ElevenLabsとは|使い方・料金・日本語設定・APIを実例で解説」で扱っています。

Text to Speechの料金と無料枠(2026年11月18日時点)

この節では、各社の TTS API が、声の種類ごとにいくらで、どれだけ無料で使えるかが分かります。

多くは「100万文字あたり何ドル」の従量課金で、自然な声ほど高くなります。次の表は、Google Cloud と Amazon Polly の公式の料金ページの記載です。

提供元 声の種類 100万文字あたり 無料枠(料金ページの記載)
Google Chirp 3: HD 30 米ドル 100万文字
Google Neural2 16 米ドル 100万文字
Google WaveNet・標準 4 米ドル 400万文字(2つは同じ SKU)
Google スタジオ 160 米ドル 100万文字
Google インスタント カスタム音声 60 米ドル なし
Amazon Polly 標準 4 米ドル 月500万文字
Amazon Polly ニューラル 16 米ドル 月100万文字(最初の12か月)
Amazon Polly ロングフォーム 100 米ドル 月50万文字(最初の12か月)
Amazon Polly 生成 30 米ドル 月10万文字(最初の12か月)
  • Google の Gemini-TTS は文字数ではなくトークンで数え、たとえば Gemini 2.5 Flash TTS は入力のテキスト 100万トークンあたり 0.50 米ドル、出力の音声 100万トークンあたり 10.00 米ドル、音声は1秒あたり25トークンです。無料枠は「利用不可」と書かれています。
  • Azure は、料金ページに無料(F0)でニューラルのテキスト読み上げが月50万文字までと書かれています。有料の単価は、取得した文面に金額が出なかったため、Azure の料金ページと料金計算ツールで確かめます。
  • OpenAI は、取得した料金ページの文面に音声の API の金額が出なかったため、ここには載せていません。
  • AWS の新しいアカウントは、2025年7月15日以降、Amazon Polly にも使える最大200米ドルのクレジットを受け取れ、無料プランはアカウント作成から6か月と説明されています。

料金は変わるので、使う前に各社の料金ページで最新の金額を確かめます。

文字数から費用を計算する方法(数え方は提供元で違う)

この節では、同じ文章でも提供元によって課金の文字数が変わる理由と、月の費用を計算した結果が分かります。

「何を1文字と数えるか」が提供元ごとに違います。公式の説明は次のとおりです。

  • Google:スペース・改行も含めた合計の文字数。SSML のタグも数える(<mark> を除く)。日本語は1文字を1文字として数える。
  • Azure:文字・数字・スペース・句読点・マークアップを数える(<speak> と <voice> のタグを除く)。日本語の漢字は1字を2文字として数える。
  • Amazon Polly:SSML のタグは課金の文字数に入れない。

この決まりをそのまま式にして、同じ文の数を出しました(各社の請求額そのものではなく、公式の説明からの概算です)。

import re
def is_kanji(c): return 0x4E00 <= ord(c) <= 0x9FFF or 0x3400 <= ord(c) <= 0x4DBF
def google(s): return len(re.sub(r'<mark\b[^>]*/>', '', s))
def azure(s):
    t = re.sub(r'</?(speak|voice)\b[^>]*>', '', s)
    return sum(2 if is_kanji(c) else 1 for c in t)
def polly(s): return len(re.sub(r'<[^>]+>', '', s))
plain len 38 kanji 16
plain len 38 google 38 azure 54 polly 38
ssml len 133 google 116 azure 93 polly 39

38字の文(うち漢字16字)は、Azure の数え方では54文字になりました。間(break)と目印(mark)を足した SSML では、タグを数える Google が116文字、タグを数えない Polly が39文字です。SSML を多く使うときと、漢字の多い文章を送るときは、見積もりの文字数を提供元の数え方で出し直します。

次に、月の文字数ごとの費用を、無料枠を引いてから単価を掛けて計算しました(単位は米ドル。Polly のニューラル・生成・ロングフォームは最初の12か月の無料枠で計算)。

月の文字数 Google Chirp 3: HD Google Neural2 Polly ニューラル Polly 生成
10万文字 0.00 0.00 0.00 0.00
100万文字 0.00 0.00 0.00 27.00
300万文字 60.00 32.00 32.00 87.00
1,000万文字 270.00 144.00 144.00 297.00

同じ計算で、1,000万文字のとき Google の WaveNet・標準は 24.00、Polly の標準は 20.00、Polly のロングフォームは 950.00 米ドルでした。式は「(月の文字数 − 無料枠) ÷ 100万 × 100万文字あたりの単価」で、無料枠より少ないときは0です。為替と税は含めていません。

SSMLの基本(間・読み方・速さの指定)

この節では、SSML とは何かと、よく使うタグの書き方、提供元による違いが分かります。

SSML(音声合成マークアップ言語)は、読み上げの間・読み方・速さ・高さ・音量を指定する XML の書き方です。Microsoft Learn は、SSML でピッチの調整、一時停止、発音の改善、話す速さ・音量の変更、1つの文書への複数の声の割り当てができると説明しています。

<speak>
  本日の会議は<break time="300ms"/>午後3時からです。
  <sub alias="ダブリューエイチオー">WHO</sub>の資料を使います。
  <prosody rate="90%">ここはゆっくり読みます。</prosody>
</speak>
タグ 働き 提供元の違い(公式の記載)
break 間を入れる(time="500ms" など) Polly は4エンジンとも使える
sub 別の読みに置き換える Google・Polly とも使える
phoneme 発音を記号で指定 Google は yomigana も指定できる。Polly の生成は一部だけ
prosody 速さ・高さ・音量 Polly のニューラル・生成は一部だけ
emphasis 強調 Polly のニューラル・ロングフォーム・生成では使えない
mark 目印(時刻の取得に使う) Google は課金の文字数に数えない

AWS のドキュメントは、標準・ニューラル・ロングフォームの声で使えないタグを送るとエラーになると書いています。声を変えたら、使っているタグがその声で使えるかを一覧で確かめ直します。

SSML の効き方を espeak-ng で測りました。間を1.5秒入れると長さが約1.1秒延び、SSML として扱う指定を外すとタグそのものを読み上げて、3倍以上の長さになりました。

nobreak      {'sec': 2.068}   <speak>Hello. Welcome to the test.</speak>
break1500    {'sec': 3.203}   Hello.<break time="1500ms"/> Welcome ...
prosody50    {'sec': 3.906}   <prosody rate="50%">...</prosody>
ssml_as_text {'sec': 6.849}   break1500 と同じ文を、SSML の指定なしで合成

SSML の送り方

やってはいけないSSML をふつうの文章の欄(Polly の TextType が text のまま、Google の input.text)に入れて送る。タグを読み上げたり、記号のまま扱われたりする
→
代わりにSSML 用の欄で送る(Polly は TextType="ssml"、Google は input.ssml、Azure は Content-Type: application/ssml+xml)

確かめ方:合成した音声の長さが、文の量に比べて長すぎないか

Text to Speech APIの使い方(Python SDKが送るリクエスト)

この節では、各社の SDK で音声を作るコードと、そのとき実際に送られる HTTP のリクエストの形が分かります。

どの SDK も、最後は「声の指定+文章(または SSML)+出力形式」を1つの POST で送ります。送り先を 127.0.0.1 の模擬サーバーにして、3つの SDK を動かしました。認証情報は模擬用の文字列で、本物の鍵は使っていません。

EP = 'http://127.0.0.1:18669'   # 模擬サーバー(本物には送らない)

# Amazon Polly(boto3)
import boto3
p = boto3.client('polly', region_name='ap-northeast-1', endpoint_url=EP,
                 aws_access_key_id='testing', aws_secret_access_key='testing')
r = p.synthesize_speech(Text='<speak>こんにちは。<break time="500ms"/>テストです。</speak>',
                        TextType='ssml', VoiceId='Kazuha', Engine='neural',
                        OutputFormat='mp3', LanguageCode='ja-JP')

# Google Cloud Text-to-Speech(REST の通信方式)
from google.cloud import texttospeech as tts
from google.auth.credentials import AnonymousCredentials
g = tts.TextToSpeechClient(credentials=AnonymousCredentials(), transport='rest',
                           client_options={'api_endpoint': EP})
resp = g.synthesize_speech(
    input=tts.SynthesisInput(ssml='<speak>こんにちは。<break time="500ms"/>テストです。</speak>'),
    voice=tts.VoiceSelectionParams(language_code='ja-JP', name='ja-JP-Neural2-B'),
    audio_config=tts.AudioConfig(audio_encoding=tts.AudioEncoding.LINEAR16,
                                 speaking_rate=1.1, sample_rate_hertz=24000))

# OpenAI
from openai import OpenAI
c = OpenAI(api_key='sk-dummy-for-mock', base_url=EP + '/v1')
with c.audio.speech.with_streaming_response.create(
        model='gpt-4o-mini-tts', voice='coral', input='こんにちは。テストです。',
        instructions='落ち着いた声で', response_format='wav') as res:
    res.stream_to_file('openai.wav')

模擬サーバーに届いたリクエストです(ヘッダーは一部、長い値は省略)。

POST /v1/speech            ← Amazon Polly
  authorization: AWS4-HMAC-SHA256 Credential=testing/20261118/ap-northeast-1/...
  body: {"Text": "<speak>こんにちは。<break time=\"500ms\"/>テストです。</speak>", "TextType": "ssml",
         "VoiceId": "Kazuha", "Engine": "neural", "OutputFormat": "mp3", "LanguageCode": "ja-JP"}

POST /v1/text:synthesize   ← Google Cloud Text-to-Speech
  x-goog-api-client: gl-python/3.13.18 grpc/1.85.3 gax/2.44.0 gapic/2.38.0 ...
  body: {"input": {"ssml": "..."}, "voice": {"languageCode": "ja-JP", "name": "ja-JP-Neural2-B"},
         "audioConfig": {"audioEncoding": "LINEAR16", "speakingRate": 1.1, "sampleRateHertz": 24000}}

POST /v1/audio/speech      ← OpenAI
  authorization: Bearer sk-dummy-for-mock
  body: {"model":"gpt-4o-mini-tts","input":"こんにちは。テストです。","voice":"coral",
         "instructions":"落ち着いた声で","response_format":"wav"}

POST /cognitiveservices/v1 ← Azure の REST の形(curl で送った)
  content-type: application/ssml+xml
  x-microsoft-outputformat: riff-24khz-16bit-mono-pcm
  body: <speak version='1.0' xml:lang='ja-JP'><voice name='ja-JP-NanamiNeural'>こんにちは。...

1Python の引数名と JSON の名前が違う

Google の SDK の speaking_rate・sample_rate_hertz は、送るときに speakingRate・sampleRateHertz になった。REST で直接書くときは JSON の名前を使う。

2Polly は送る前に入力を調べる

VoiceId を抜くと、送る前に botocore が止めた(下の原文)。模擬サーバーには何も届かなかった。

3返り方が違う

Google は JSON の audioContent に base64 で音声が入り、Polly・OpenAI・Azure は本文がそのまま音声のデータ。

polly ParamValidationError: Parameter validation failed:
Missing required parameter in input: "VoiceId"

Google の応答の audioContent は base64 の文字列で、LINEAR16 を選ぶと WAV のヘッダーが付くと公式に書かれています。base64 の扱いは関連記事「Base64エンコード各言語コード一覧|sha256ハッシュのコマンド早見表」で扱っています。boto3 の例外の受け方は、関連記事「boto3のエラーハンドリング|ClientErrorのコード取得とリトライ設定」で扱っています。

長い文章を読み上げるときの上限と分割

この節では、記事1本のような長い文章を API で音声にするときの上限と、分け方が分かります。

1回のリクエストで送れる量には上限があり、日本語はバイト数で上限に早く届きます。Google は1リクエスト 5,000 バイトで、ja-JP では1文字が複数バイトになると注記しています。Amazon Polly の SynthesizeSpeech は課金対象 3,000 文字(合計 6,000 文字)まで、非同期の StartSpeechSynthesisTask は課金対象 100,000 文字までです。Azure の REST は、音声が10分を超える分を切り捨てます。

句点や改行の位置で、5,000 バイトを超えないように分ける関数を書いて試しました。

import re
def split_bytes(text, limit=5000):
    parts, cur = [], ''
    for s in re.split(r'(?<=[。!?\n])', text):
        if not s: continue
        if len((cur + s).encode()) > limit and cur:
            parts.append(cur); cur = s
        else:
            cur += s
    if cur: parts.append(cur)
    return parts
chars 6300 utf8 bytes 18900 bytes/char 3.0
parts 4 [(1657, 4971), (1661, 4983), (1657, 4971), (1325, 3975)]
rejoined equal True

かなと漢字の文は UTF-8 で1文字3バイトになり、6,300字は4つに分かれました。かなと漢字だけの文なら、Google に1回で送れるのはおよそ1,600字が目安です。分けた音声は順番どおりにつなぎます。ファイルの結合や形式の変換は、関連記事「ffmpegの使い方|コピペ用早見表20とMOV→MP4・圧縮・切り出し」で扱っています。

オフラインのTTSでWAVを作って長さを測る(espeak-ng)

この節では、ネットにつながずに音声ファイルを作る方法と、読み上げの速さと音声の長さの関係が分かります。

オフラインの TTS なら、送信も課金もなく音声ファイルを作れます。espeak-ng は多くの言語に対応したオープンソースのエンジンで、pip の espeakng-loader にライブラリが入っていたので、apt を使わずに動かせました。速さ(1分あたりの語数)を変えて、30語の英文を合成した結果です。

espeak-ng 1.52.0 sample_rate 22050
EN words 30 chars 185
rate=80  sec=23.592 wpm_measured=76
rate=120 sec=16.666 wpm_measured=108
rate=175 sec=11.401 wpm_measured=158
rate=250 sec=7.879  wpm_measured=228
rate=350 sec=5.368  wpm_measured=335

指定した速さより実際の語数はやや少なく、文の区切りの間が入るためです。読み上げの長さは「文字数(語数)÷ 1分あたりの量」で見積もれますが、句読点の間の分だけ長くなります。できた WAV を ffprobe で見ると、22,050Hz・16ビット・モノラルの PCM でした。

stream|codec_name=pcm_s16le|sample_rate=22050|channels=1|bits_per_sample=16
format|duration=2.331565|size=102866

WAV の大きさは「サンプリング周波数 × 2バイト × 秒数 + 44バイト(ヘッダー)」で、22,050 × 2 × 2.3316 + 44 ≒ 102,866 バイトと一致します。1時間分なら約159MB になるので、配るときは MP3 や Opus にします。日本語の自然な声をオフラインで使う方法としては、VOICEVOX を扱った「ずんだもんの使い方|VOICEVOXで読み上げる手順・利用規約とクレジット表記」の記事も用意しています。

声の利用条件と「AIの声」の表示(提供元の説明)

この節では、作った音声を公開や商用で使う前に、何を確かめるかが分かります。

使ってよい範囲は提供元ごとに決まっていて、変わることもあるので、使う前にその時点の規約を確かめます。ここでは提供元の説明を紹介するだけで、使ってよいかどうかを保証するものではありません。

  • OpenAI:ガイドには、聞いている TTS の声が人の声ではなく AI が作ったものだと、利用者にはっきり示すことを利用規約が求めていると書かれています。
  • Azure:カスタム音声は、責任ある使い方のためにアクセスが制限されていて、Microsoft Learn から「合成音声テクノロジの責任あるデプロイのためのガイドライン」「開示設計のガイドライン」などに案内されています。
  • 無料の読み上げソフト・キャラクターの声:クレジットの表記の決まりがあるものがあります(VOICEVOX の各キャラクターなど)。
  • 1商用で使える範囲提供元の最新の規約と、所属先の決まりで確かめる
  • 2クレジットの表記要るか・書き方の決まりがあるか
  • 3AI の声だと示すか求める提供元がある。動画の概要欄や画面に一言書く
  • 4送る文章の中身機密情報・個人情報を送る前に、データの扱いを提供元の説明で確かめる
  • 5実在の人の声に似せない声のクローンは本人の同意と提供元の条件を確かめる

音声で情報を届けるときは、文字でも読めるようにしておくと、聞けない場面の人にも届きます。Web の読みやすさの基準は、関連記事「WCAG 2.2チェックリスト|A・AA全55項目と確認方法・axe検査手順」で扱っています。

Text to Speechのよくあるエラー・つまずき

この節では、TTS を使い始めたときに出やすいエラーと症状、その直し方が原文つきで分かります。

多いのは「SSML が XML として壊れている」「声とタグの組み合わせが合わない」「上限を超えている」の3つです。SSML は XML なので、文章の中の & や < をそのまま書くと壊れます。Python の XML パーサーで確かめた原文です。

ParseError: not well-formed (invalid token): line 1, column 16 | <speak>R&D部の資料です。</speak>
ParseError: not well-formed (invalid token): line 1, column 10 | <speak>3 < 5 です。</speak>
ParseError: mismatched tag: line 1, column 31 | <speak>こんにちは<break time="1s"></speak>
escaped OK: <speak>R&amp;D部の資料で、3 &lt; 5 です。</speak>

文章を SSML に入れる前に、xml.sax.saxutils.escape() などで記号を置き換えると直りました。

症状・原文 原因 直し方
not well-formed (invalid token) SSML の中に & や < がそのまま入っている エスケープしてから SSML に入れる
mismatched tag break などの閉じ忘れ(/> が無い) 空のタグは <break time="1s"/> と書く
タグを読み上げる・音声が長い SSML を文章の欄で送った SSML 用の欄・指定で送る
Missing required parameter in input: "VoiceId" Polly で声を指定していない VoiceId を付ける(声とエンジンの組み合わせも確かめる)
Polly で SSML のエラー その声のエンジンで使えないタグ(emphasis など) エンジンごとのタグの一覧で確かめる
Google で長い文章が通らない 1リクエスト 5,000 バイトを超えた 文の区切りで分ける。長い音声の合成を使う
Azure で 401 キー・トークンが無効か、リージョンが違う リソースのリージョンに合うエンドポイントか確かめる
Azure で 415 Content-Type が違う application/ssml+xml にする
Azure で 429 1分あたりの回数の上限を超えた 間を空けて再試行する。上限は提供元の割り当て・クォータの説明で確かめる
漢字や固有名詞を読み違える テキスト解析の読みの誤り sub・phoneme、カスタム辞書で読みを指定する
ブラウザーで声が出ない(not-allowed) 利用者の操作の前に読み上げようとした、声が端末に無い ボタンを押したときに speak する。voiceschanged を待つ

Azure の 401・415・429 の意味は、Microsoft Learn のテキスト読み上げ REST API のページの状態コードの表の記載です。この環境では本物の API に送っていないので、これらの応答そのものは出していません。

判断表:どのText to Speechを選ぶか

この節では、目的ごとに、どの方法から試すとよいかが分かります。

  1. 1自分で文章を聞きたいだけ → OS の読み上げWindows のナレーター、Mac の「選択項目を読み上げる」。無料で登録も不要
  2. 2自分の Web ページに読み上げボタン → speechSynthesis声は見る人の端末によって変わる
  3. 3ネットにつながず音声ファイルを作る → オフラインの TTSespeak-ng(日本語の漢字は苦手)、日本語なら VOICEVOX など
  4. 4アプリ・サービスに組み込む → クラウドの TTS APIいま使っているクラウド(Google Cloud・Azure・AWS)のものから試すと設定が少ない
  5. 5話し方を文章で指示したい → instructions のある APIOpenAI の gpt-4o-mini-tts は 2027年1月6日に終了予定。移行先も確かめる
やりたいこと 向いている方法 確かめること
費用をできるだけ抑えたい Google の WaveNet・標準、Polly の標準 無料枠(Google 400万文字、Polly 標準は月500万文字)
自然な日本語の声 ニューラル系の声(Neural2・Chirp 3: HD・Polly ニューラル・Azure のニューラル音声) 聞き比べる。漢字の多い文は Azure の数え方に注意
口の動き・字幕と合わせたい Polly のスピーチマーク、Azure の口形素、SSML の mark Azure の口形素は en-US のニューラル音声だけ
オーディオブックのような長い音声 Polly の非同期の合成、Azure のバッチ合成、Google の長い音声の合成 1回の上限と、できたファイルの受け取り方
自社専用の声 Google のインスタント カスタム音声、Azure のカスタム音声、Polly の Brand Voice 利用の条件・申し込み・同意の取り方

Text to Speechのよくある質問

この節では、Text to Speech について検索でよく調べられる疑問への答えが分かります。

Q. Text to Speech と音声合成は同じ意味ですか?
ほぼ同じ意味で使われます。Text to Speech(TTS)は「文字から音声へ」という向きを表す言い方で、音声合成は声を作る技術全体を指す言い方です。

Q. TTS は何の略ですか?
Text To Speech の頭文字です。テキスト読み上げとも呼ばれます。

Q. 無料で使えますか?
Windows のナレーター、Mac の読み上げ、ブラウザーの speechSynthesis は無料です。クラウドの API にも無料枠があり、Google の WaveNet・標準は400万文字、Polly の標準は月500万文字、Azure の無料(F0)は月50万文字と料金ページに書かれています。

Q. 日本語の読み上げで、漢字を読み違えるのはなぜですか?
読みを決めるテキスト解析の段で誤るからです。日本語の辞書を持たない espeak-ng では、漢字を英語の説明で読み上げました。クラウドの声でも固有名詞は誤ることがあり、SSML の sub・phoneme やカスタム辞書で直します。

Q. 料金の「文字数」に SSML のタグは入りますか?
提供元で違います。Google は mark 以外のタグを数え、Azure は speak と voice 以外のタグを数え、Polly はタグを課金の文字数に入れません。

Q. 日本語は1文字いくらで計算すればよいですか?
Google は日本語も1文字として数えます。Azure は漢字を1字2文字として数えるので、漢字の多い文章は文字数が増えます。手元の38字の例では54文字になりました。

Q. 作った音声を YouTube などで使えますか?
提供元ごとに条件が違い、変わることもあるため、使う前にその時点の規約を確かめます。AI の声だと示すよう求める提供元や、クレジットの表記が要るソフトもあります。

Q. 1回にどれくらいの長さを送れますか?
Google は5,000バイト(日本語でおよそ1,600字)、Polly の SynthesizeSpeech は課金対象3,000文字、Azure の REST は音声10分までです。長いものは分けるか、非同期・バッチの合成を使います。

Q. 出力は WAV と MP3 のどちらがよいですか?
加工するなら WAV(PCM)、配るなら MP3 や Opus が向いています。手元の WAV は2.33秒で約100KB で、1時間なら約159MB になる計算です。

Q. OpenAI の tts-1 はこれからも使えますか?
OpenAI の非推奨の一覧では、tts-1・tts-1-hd・gpt-4o-mini-tts は2027年1月6日に提供を終える予定です。置き換え先は Realtime API の gpt-realtime-2.1-mini と案内されています。

Q. API を試すのに、本物のアカウントが要りますか?
音声を作るには各社のアカウントと認証情報が要ります。リクエストの形を確かめるだけなら、この記事のように SDK の送り先を 127.0.0.1 の模擬サーバーに向けると、送信も課金もなく確かめられます。

まとめ

この節では、この記事の要点を5つにまとめます。

  • Text to Speech(TTS・音声合成)は、文章を音声に変える技術で、テキスト解析(読み)と波形の生成の2段でできています。
  • 無料で聞くだけなら OS の機能:Windows は Windows ロゴ キー+Ctrl+Enter、Mac は「選択項目を読み上げる」をオンにして Option+Esc。
  • API の料金は100万文字あたり4〜160米ドルで、自然な声ほど高く、無料枠があります(2026年11月18日時点)。
  • 課金の文字数の数え方は提供元で違う:タグを数えるか、漢字を2文字と数えるかで、同じ文でも38文字が54文字や116文字になりました。
  • SSML は XML:記号のエスケープ、声ごとに使えるタグ、1回の上限を確かめ、公開の前には提供元の最新の規約を確かめます。

参考・出典

この節では、この記事で確かめた公式の情報の出どころが分かります(確認日 2026年11月18日)。

  • Google Cloud:Text-to-Speech の料金 https://cloud.google.com/text-to-speech/pricing?hl=ja
  • Google Cloud:SSML の説明 https://docs.cloud.google.com/text-to-speech/docs/ssml?hl=ja
  • Google Cloud:割り当てと上限 https://docs.cloud.google.com/text-to-speech/quotas?hl=ja
  • Google Cloud:REST の text.synthesize https://docs.cloud.google.com/text-to-speech/docs/reference/rest/v1/text/synthesize
  • Microsoft Learn:テキスト読み上げの概要 https://learn.microsoft.com/ja-jp/azure/ai-services/speech-service/text-to-speech
  • Microsoft Learn:テキスト読み上げ REST API https://learn.microsoft.com/ja-jp/azure/ai-services/speech-service/rest-text-to-speech
  • Azure:Speech サービスの料金 https://azure.microsoft.com/ja-jp/pricing/details/cognitive-services/speech-services/
  • AWS:Amazon Polly の料金 https://aws.amazon.com/polly/pricing/
  • AWS:Amazon Polly で使える SSML のタグ https://docs.aws.amazon.com/polly/latest/dg/supportedtags.html
  • AWS:Amazon Polly の上限 https://docs.aws.amazon.com/polly/latest/dg/limits.html
  • AWS:Amazon Polly の声の一覧 https://docs.aws.amazon.com/polly/latest/dg/available-voices.html
  • AWS:テキスト読み上げソフトウェアとは https://aws.amazon.com/jp/what-is/text-to-voice-software/
  • OpenAI:Text to speech のガイド https://developers.openai.com/api/docs/guides/text-to-speech
  • OpenAI:非推奨の一覧 https://developers.openai.com/api/docs/deprecations
  • Microsoft サポート:ナレーターの概要 https://support.microsoft.com/ja-jp/Accessibility/windows/narrator/chapter-1-introducing-narrator
  • Microsoft サポート:ナレーター完全ガイド https://support.microsoft.com/ja-jp/windows/ナレーター完全ガイド-e4397a0d-ef4f-b386-d8ae-c172f109bdb1
  • Apple サポート:Mac で画面上のテキストを読み上げる https://support.apple.com/ja-jp/guide/mac-help/mh27448/mac
  • Apple サポート:Mac の読み上げに使う声 https://support.apple.com/ja-jp/guide/mac-help/mchlp2290/mac
  • MDN:SpeechSynthesis https://developer.mozilla.org/ja/docs/Web/API/SpeechSynthesis
  • IBM:Text to Speechとは https://www.ibm.com/jp-ja/topics/text-to-speech

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「Text to Speech(音声合成)とは|無料で使う方法とAPIの使い方・料金」

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。

WE ARE HIRING

RJCで一緒に開発しながら、
成長を楽しみませんか?

RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!

  • 127日年間休日
  • 12時間平均残業時間
  • 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!

ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。

ABOUT RJC RJCがどんな会社か知る 考え方、研修、働き方、福利厚生、社員の前職まで。RJCのことが丸わかり! RJC丸わかりページへ JOB DESCRIPTION 仕事内容・待遇を見てみる 仕事内容、給与・待遇、選考の流れ。経験者も未経験も!応募前に知りたいこと、まとめました! 募集要項を見る ENTRY エントリーする エントリーは1〜2分・履歴書不要です。まずは話を聞いてみたい、という方でも歓迎です! エントリーフォームへ

成長のヒミツ、 ぜんぶ丸わかり