2026年8月、テキスト読み上げ(TTS)・ナレーションAIは「文章を読む」段階を超え、会話の流れや話し方の指示まで理解する方向に進んでいる。Deepgramが発表した会話文脈対応のTTSモデル、OpenAIの「話し方」を自然言語で指示できる機能、Google CloudやMicrosoft Azureの音声品質・多言語対応の強化、そしてEU AI Actを背景に広がる音声透かし技術まで、今週のTTS・ナレーション分野の主要トピックをまとめた。
会話の「流れ」を読むTTSが登場——Deepgram Flux TTS
Deepgramは、企業向け音声エージェント向けに設計した会話文脈対応のTTSモデル「Flux TTS」を発表した。従来の多くのTTSは1文ごとに音声を生成するが、Flux TTSは会話全体を文脈として扱い、割り込みやターンの切り替わり(誰が今話しているか)を踏まえて声の調子・速さ・感情の表れ方を調整する。人間同士の実際の会話データから学習しており、最初の音声が出るまでの時間(Time to First Audio)は最短80ミリ秒とされ、リアルタイム性が求められるコールセンターや音声アシスタント用途を主なターゲットにしている。
「何を話すか」だけでなく「どう話すか」を指示する——OpenAIのスタイルプロンプト
OpenAIは次世代音声モデル群のTTS機能で、生成する音声に対して自然言語で話し方を指示できる「instructions」パラメータを提供している。「同情的なカスタマーサポート担当者のように話して」といった指示だけで、アクセント・抑揚・話す速さ・感情の起伏・ささやき声まで制御できる。API公式ガイドによれば、13種類の組み込みボイスと47以上の言語での自然な音声生成に対応し、対話デモ「OpenAI.fm」で挙動を試すことができる(この指示機能はgpt-4o-mini-ttsで利用可能で、旧世代のtts-1/tts-1-hdでは使えない)。
声のバリエーションと「自分だけの声」——Google Cloud Chirp 3 HD
Google Cloud Text-to-Speechの「Chirp 3: HD」は、DeepMindの音声合成研究とGeminiの技術をベースにした高品質な音声合成で、300以上の音声・70以上の言語・地域バリエーションに対応する。ページ送りや一時停止、発音のカスタマイズなど細かな読み上げ制御に加え、低遅延のストリーミング再生にも対応している。特徴的なのが「Instant Custom Voice」機能で、わずか10秒程度の音声サンプルから独自の音声モデルを作成できる(30以上のロケールに対応)。ナレーターの声質を個別ブランド向けにカスタマイズしたい場合などに使える。
品質を保ちつつコストを下げる——Microsoft Azure Neural HD
Microsoft Azure AI Speechは、Neural HD 2.5で長文コンテンツの安定性や抑揚、感情表現を改善しつつ、価格を100万文字あたり30ドルから22ドルへ引き下げた。さらに公開プレビュー中の「Neural HD V3」ではプロンプトによる話し方の指示制御が可能になり、リアルタイム用途向けに高速合成の「HD Flash」ボイスも用意されている。品質・速度・コストのバランスを取りながら、コールセンターや音声アシスタントなど実務用途を意識した強化が続いている。
見えない透かしで「AI生成」を証明する——SynthIDとEU AI Act
2026年8月13日に発効したEU AI Act第50条の透明性義務を背景に、AI生成音声への「透かし」対応が急速に広がっている。Google DeepMindのSynthIDは、人には聞き取れない形で音声データに埋め込む電子透かし技術で、切り出しや圧縮を経ても検出可能な設計になっている。OpenAIは発効直前にChatGPT VoiceやAPI経由の音声出力にSynthIDを組み込み、ElevenLabsやApple、NVIDIA、Kakaoなども採用を進めている。ナレーションAIを業務利用する際は、生成物がAI製であることを開示する義務が地域によって課される可能性があるため、利用するサービスが透かしや開示機能を備えているかを確認しておく価値がある。
主要サービスの比較
| サービス | 特徴 | 対応言語・音声数 | 料金目安 | API |
|---|---|---|---|---|
| Deepgram Flux TTS | 会話文脈・ターン交代に対応、低遅延 | 主要言語(詳細は公式要確認) | 要問い合わせ(エンタープライズ向け) | あり |
| OpenAI TTS(gpt-4o-mini-tts) | 自然言語による話し方の指示 | 13ボイス・47言語以上 | 従量課金(文字数ベース) | あり |
| Google Cloud Chirp 3: HD | 高音質・カスタム音声(10秒で作成) | 300以上の音声・70以上の言語 | 100万文字あたり約30ドル | あり |
| Microsoft Azure Neural HD 2.5 | 長文の安定性・プロソディ改善、価格改定 | 多言語対応(継続拡大中) | 100万文字あたり22ドル | あり |
料金・対応言語は変更される可能性があるため、利用前に各公式ページで最新情報を確認してほしい。
主な情報源
- Introducing Flux TTS(Deepgram)
- Introducing next-generation audio models in the API(OpenAI)
- Text to speech(OpenAI API Docs)
- Chirp 3: HD voices(Google Cloud Documentation)
- Chirp 3: Instant Custom Voice(Google Cloud Documentation)
- Azure Speech – Neural HD Text to Speech: Recent Voice Updates(Microsoft)
- SynthID(Google DeepMind)
音声クローン等は本人の同意と各サービス規約の遵守が前提です。生成物の権利・商用条件は各規約をご確認ください。情報は公開時点のものです。収集・要約はAI、公開判断は人が行っています。