---
title: "音声合成（TTS）とは？テキスト読み上げ API の仕組み | BroadRouter"
description: "音声合成（TTS）は、書かれたテキストを話し言葉の音声に変えます。TTS API の仕組み、SSML で制御できること、出力形式、BroadNet が音声認識は提供しても TTS は提供しない理由を解説します。"
url: https://broadrouter.com/ja/glossary/text-to-speech/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/glossary/text-to-speech/)（2026-11-15 更新）。

# 音声合成（TTS、text-to-speech）

更新日 2026-11-15

音声合成（TTS、text-to-speech）とは、書かれたテキストを話し言葉の音声に変換する技術です。TTS API はテキスト、声、MP3 や WAV などの出力形式を受け取り、生成した音声を返します。音声をテキストにする音声認識とは逆方向の処理です。

別名： TTS、テキスト読み上げ、読み上げ API、音声合成 API、テキスト音声変換、text-to-speech、text to speech、speech synthesis

音声認識は聞き取り、音声合成は話し返します。音声アシスタントには両方が必要です。

## 仕組み

TTS API が受け取るのは、テキスト、声、音声形式の 3 つです。OpenAI のガイドにある Python の例は次のような形です。

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

ガイドは `/v1/audio/speech` エンドポイント、13 種類の組み込みの声、出力形式として MP3（デフォルト）、Opus、AAC、FLAC、WAV、PCM を説明しています。PCM はヘッダーのない生の 24 kHz・16 ビットのサンプルです。チャンク転送エンコーディングによるストリーミングに対応しているので、ファイルが完成する前に再生を始められ、最速の応答には WAV か PCM を勧めています。またガイドは `tts-1`、`tts-1-hd`、`gpt-4o-mini-tts` を非推奨とし、2027 年 1 月 6 日に提供終了としています。モデルを選んで開発する前に、最新のモデル一覧を確認してください。

多くのエンジンは、W3C の音声合成用 XML マークアップである SSML も受け付けます。ルートの `<speak>` 要素で `version="1.1"` と `xml:lang` を宣言します。ほかに、間を入れる `<break>`、日付や数字を示す `<say-as>`、正確な発音（たとえば IPA）を指定する `<phoneme>`、別の言語の語句を示す `<lang>` などの要素があります。

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## なぜ重要か

-   **音声プロダクトはパイプライン。** 音声ボットは[音声認識](https://broadrouter.com/ja/glossary/speech-to-text/)、チャットモデル、TTS の順に処理します。各段階で[レイテンシ](https://broadrouter.com/ja/glossary/latency/)とコストが加わり、それぞれ別のプロバイダーでもかまいません。
-   **形式の選択。** 出力形式がサイズと再生できる環境を決めます。たとえば WhatsApp は [Ogg Opus](https://broadrouter.com/ja/glossary/ogg-opus/) のボイスメッセージを再生します。
-   **開示。** OpenAI は、TTS の声が AI 生成であることをエンドユーザーに伝えるよう求めています。

## BroadNet Inference の場合

BroadNet は音声合成を提供していません。API リファレンスにあるのは `POST /v1/chat/completions` と `POST /v1/audio/transcriptions` だけです。提供しているのは逆方向で、[BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) と [BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) が WAV や MP3 の音声をテキストに変換します。料金は 1 分あたりそれぞれ $0.0042 と $0.002 です。BroadNet はライブやリアルタイムの音声も提供していません。

プロダクトに話させる必要があるなら、BroadNet の文字起こしとチャットに、別の TTS プロバイダーを組み合わせてください。[テキスト、音声、画像](https://broadrouter.com/ja/blog/text-speech-vision/)では BroadNet がどの仕事をカバーし、どこで別のサービスが必要かを整理しており、[WhatsApp チャットボットのアーキテクチャ](https://broadrouter.com/ja/blog/arabic-whatsapp-chatbot-architecture/)の記事ではパイプラインのボイスメッセージ側を紹介しています。

## よくある間違い

-   **TTS と STT を混同する。** 音声認識 API は音声を生成しません。「speech」という単語だけでなく、エンドポイントの一覧を確認してください。
-   **SSML がどこでも使えると思い込む。** 多くの API はプレーンテキストか、SSML の一部しか受け付けません。

## よくある質問

### BroadNet Inference は音声合成を提供していますか？

いいえ。BroadNet のドキュメントにあるエンドポイントは、chat completions と音声文字起こしの 2 つです。/v1/audio/speech はありません。アプリに話させる必要があるなら、別の TTS プロバイダーを使ってください。

### SSML とは何ですか？

Speech Synthesis Markup Language のことで、W3C 勧告（バージョン 1.1、2010 年）です。合成音声の発音、間、ピッチ、速さ、言語の切り替えを制御する XML です。対応状況は TTS プロバイダーによって異なります。

### 声が AI 生成であることをユーザーに伝える必要はありますか？

OpenAI の TTS ガイドが引用する利用ポリシーは、声が AI 生成であることをはっきり開示するよう求めています。利用するプロバイダーの規約と現地の法律を確認してください。

## 関連項目

-   [音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/)（用語）
-   [マルチモーダル AI（multimodal AI）](https://broadrouter.com/ja/glossary/multimodal/)（用語）
-   [Ogg Opus](https://broadrouter.com/ja/glossary/ogg-opus/)（用語）
-   [WAV](https://broadrouter.com/ja/glossary/wav/)（用語）
-   [ストリーミング（streaming）](https://broadrouter.com/ja/glossary/streaming/)（用語）
-   [テキスト、音声、画像のどれを使う？まずタスクから考える](https://broadrouter.com/ja/blog/text-speech-vision/)（記事）
-   [アラビア語 WhatsApp チャットボットの構成：ボイスメッセージから返信まで](https://broadrouter.com/ja/blog/arabic-whatsapp-chatbot-architecture/)（記事）

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-text-to-speech&utm_content=page-cta) ·

**出典**

-   [OpenAI API ドキュメント、音声合成ガイド：/v1/audio/speech、声、出力形式、開示ルール（2026-11-15 確認）](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C、Speech Synthesis Markup Language（SSML）Version 1.1、勧告（2026-11-15 確認）](https://www.w3.org/TR/speech-synthesis11/)
-   [BroadNet Inference API リファレンス：chat completions と音声文字起こしのエンドポイント（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-text-to-speech&utm_content=sources)
