TTSの概略と比較

テキストを音声に変換するツールはText-to-Speech(TTS:音声合成)と呼ばれます。

Pythonから利用できるTTSには、さまざまな方式があります。

ここでは、次の6種類のTTSを比較・説明します。

TTS

位置づけ

主な特徴

Windows TTS (pyttsx3)

基本

軽量、高速、多言語

VOICEVOX

基本

手軽で自然な日本語音声

Edge TTS

基本(クラウド)

多言語、特に英語の読み上げに便利。Microsoft Edgeのニューラル音声を利用

Gemini Flash TTS

発展(クラウド)

文脈理解による極めて自然な発話、指示文でのトーン制御

Qwen3-TTS

発展(ローカル)

高品質なニューラルTTS、話者・話し方の指定

Irodori-TTS

発展(ローカル)

高品質なニューラルTTS、参照音声による声質指定

通常の音声読み上げであれば、まず pyttsx3、VOICEVOX、Edge TTS を利用するとよいでしょう。日本語はVOICEVOX、英語を含む多言語はEdge TTS、短い確認や通知はpyttsx3、という使い分けが実用的です。

Qwen3-TTSやIrodori-TTS、Gemini Flash TTSは、より自然な音声生成、文脈に応じた読み分け、声質や話し方の制御など、生成AIを利用した高度な音声合成を試したい場合の発展的な例です。


6種類のTTSの比較

pyttsx3

VOICEVOX

Edge TTS

Gemini Flash TTS

Qwen3-TTS

Irodori-TTS

導入

簡単

簡単

簡単(pip install edge-tts)

APIキー設定のみ(簡単)

やや複雑

やや複雑

動作環境

ローカル(GPU不要)

ローカル(GPU不要可)

クラウド(要通信・GPU不要)

クラウドAPI(要通信)

ローカル(GPU推奨)

ローカル(GPU推奨)

費用

無料

無料

無料で利用可能(APIキー不要)

有料(API従量課金)

無料

無料

起動

非常に高速

Engineを起動

即時(通信のみ)

即時(起動不要)

モデル読込が必要

モデル読込が必要

音声生成速度

非常に高速

高速

高速(通信環境に依存)

遅い(通信+生成待ち)

比較的遅い

比較的遅い

音声品質

標準的

自然

自然(ニューラル音声)

極めて自然(文脈理解)

高品質

高品質

話者

Windows音声

多数の話者

多数のMicrosoft Neural Voice

複数プリセット(Puck等)

モデル内の話者

参照音声など

話し方の変更

限定的

Style/速度/Pitch等

速度・音量・ピッチ

プロンプト指示

instruct

caption

多言語

Windows音声追加

主に日本語

多言語(英語・日本語など)

多言語・文脈自動認識

モデルに依存

モデルに依存

Python利用

pyttsx3

HTTP API

edge-tts

google-genai SDK

モデル直接利用

モデル直接利用

主な用途

手軽・通知・多言語

ナレーション・動画

英語・多言語ナレーション

講義・自然な文脈ナレーション

高度な生成AI TTS

声質指定・クローン

大きく分けると、

                                  TTS
                                   │
          ┌────────────────────────┼────────────────────────┐
          │                        │                        │
     手軽に利用 (ローカル)        クラウド型AI (API)        高度な生成AI (ローカル)
          │                        │                        │
     ┌────┴────┐                   │                   ┌────┴────┐
  pyttsx3   VOICEVOX    Edge TTS / Gemini Flash    Qwen3      Irodori
     │          │                  │                   │          │
 Windows TTS   Engine      Microsoft / Google      AIモデル   AIモデル

と考えることができます。


手軽に利用できるTTS

Windows TTS (pyttsx3)

pyttsx3 は、Windowsに用意されているTTS機能をPythonから利用する方法です。

Python
  ↓
pyttsx3
  ↓
Windows TTS
  ↓
音声

特徴は、

  • インストールが簡単

  • GPU不要

  • 非常に高速

  • モデルの読み込みが不要

  • WindowsにインストールしたTTS音声を利用できる

  • Windowsに各言語の音声を追加することで多言語に対応できる

という点です。

簡単な読み上げ、プログラムからの音声通知、多言語の読み上げなどであれば、非常に手軽に利用できます。


VOICEVOX

VOICEVOXは、VOICEVOX Engineを利用して音声を生成します。

Python
  ↓
tktts_voicevox.py
  ↓
HTTP API
  ↓
VOICEVOX Engine
  ↓
ニューラル音声合成
  ↓
WAVファイル

VOICEVOXは特に日本語の音声生成に便利です。

特徴は、

  • 導入が比較的簡単

  • 自然な日本語音声

  • 多数の話者

  • 話者ごとに複数のStyle

  • PythonからHTTP APIで簡単に利用可能

という点です。

日本語の教材や動画のナレーションなど、手軽さと自然な日本語音声の両方が必要な用途に適しています。


Edge TTS

Edge TTSは、Pythonパッケージ edge-tts からMicrosoftのニューラル音声を利用する方法です。APIキーやGPUは不要ですが、音声生成時にはインターネット接続が必要です。

Python
  ↓
tktts_edge.py
  ↓
edge-tts
  ↓
Microsoft Edge の音声サービス
  ↓
MP3ファイル

導入は次の1行です。

pip install edge-tts

特徴は、

  • 多数の言語・地域・話者のニューラル音声を選べる

  • 英語などの外国語ナレーションに適している

  • GPU不要で、モデルのダウンロードも不要

  • APIキーなしで利用できる

  • 速度(rate)、音量(volume)、ピッチ(pitch)を指定できる

  • 出力はMP3で、既存の動画作成処理ではWAVへ変換して利用できる

という点です。

今回のTTSツール群では、tktts_edge.py をバックエンドとして追加し、tktts.py、speak.py、GUI、および動画・音声作成用のBATファイルから tts=edge を指定できるようにしています。標準の日本語音声には Nanami を利用できます。英語講義には、聞き取りやすさを確認しながら米国英語の en-US-AvaNeural、en-US-EmmaNeural、en-US-AndrewNeural などを選ぶとよいでしょう。

注意点: Edge TTSはオンラインの音声サービスを利用するため、通信できない環境では使えません。また、英語音声は地域によってアクセントや聞き取りやすさが異なるため、実際の講義原稿の一節で比較してから固定することを勧めます。


クラウド型生成AI TTS

Gemini Flash TTS

Gemini Flash TTS(例: gemini-3.8-flash-tts)は、Googleのマルチモーダル基底モデルを活用したクラウド型の音声合成機能です。

Python
  ↓
google-genai SDK
  ↓
Google Gemini API (クラウド)
  ↓
大規模言語・音声モデル
  ↓
WAVファイル

文章全体の文脈を理解した上で音声を合成するため、従来のTTSが苦手としていた専門用語の読み分けや、漢字の誤読が非常に少ないという大きな特徴があります。

主なメリット:

  • 圧倒的な文脈理解と自然さ: 機械的な不自然さが少なく、文脈に即した抑揚で流暢に読み上げる

  • 専門用語の読み間違いが少ない: 理数・技術系の用語や学術的な文章でも、辞書登録の手間を最小限に抑えられる

  • ローカルマシンの負荷がゼロ: GPUなどの強力なハードウェアを必要とせず、ノートPCでも動作する

  • トーン・感情の指示: プロンプトとして「落ち着いた講義調で」「明るく」といった指示を与えられる

デメリット・注意点:

  • 費用が発生する(有料): ローカルTTSとは異なり、APIの利用量(トークン/文字数)に応じた従量課金が発生する

  • 生成速度が遅い: ネットワークを介した通信レイテンシに加え、大規模モデルによる逐次生成が行われるため、pyttsx3やVOICEVOXに比べて生成完了までの待ち時間が長くなる

  • インターネット接続が必須: オフライン環境では利用できない


高度なローカル生成AI TTS

Qwen3-TTS

Qwen3-TTSでは、Pythonからローカルのニューラルネットワークモデルを直接利用して音声を生成します。

Python
  ↓
Qwen3-TTSモデル
  ↓
ニューラル音声生成
  ↓
WAVファイル

モデルに用意された話者(Ono_Anna など)を選択し、instruct="落ち着いた講義調で" のように文章で話し方を細かくコントロールできます。ローカルGPU環境があり、オフラインかつ無料で高度な音声制御を試したい場合に適しています。


Irodori-TTS

Irodori-TTSも、ローカル環境でPythonからニューラルネットワークモデルを直接利用します。

Python
  ↓
Irodori-TTSモデル
  ↓
ニューラル音声生成
  ↓
WAVファイル

固定話者から選ぶのではなく、caption による話し方指定や、ref_wav による参照音声(Voice Clone)を利用できるのが大きな特徴です。特定の話者の声を真似させたい、オリジナルの声質でナレーションを作成したいといった用途に強みがあります。


どのTTSを使うか

用途や環境、求める品質に応じて最適なTTSを選択します。

目的・状況

適したTTS

備考

とにかく高速・軽量に読み上げたい

pyttsx3

GPU不要、オフライン動作

無料で自然な日本語ナレーションを作りたい

VOICEVOX

キャラクターボイスが中心

無料で聞き取りやすい英語・多言語ナレーションを作りたい

Edge TTS

要通信。話者、速度、音量、ピッチを指定可能

多少のコストや待ち時間を許容し、最高品質の自然な講義音声を作りたい

Gemini Flash TTS

誤読が極めて少なく、真面目なナレーションに最適

オフライン・無料で高度な話し方制御を行いたい

Qwen3-TTS

要GPU、ローカルモデル読込

特定の話者の声質(参照音声)を再現したい

Irodori-TTS

要GPU、Voice Clone対応


まとめ

各TTSは以下のように使い分けることができます。

導入・運用のしやすさ重視(無料・ローカル)
    │
    ├─ とにかく軽量・高速
    │       ↓
    │    pyttsx3
    │
    └─ 自然な日本語音声(キャラクター調)
            ↓
         VOICEVOX


多言語音声・英語ナレーション重視(無料・要通信)
    │
    └─ Microsoft Neural Voiceを利用
            ↓
         Edge TTS


品質重視・文脈読み分け重視(有料・クラウド)
    │
    └─ 誤読が少なく極めて自然なナレーション(講義・学術向け)
            ↓
       Gemini Flash TTS (有料・やや遅い)


ローカル生成AIによる高度な制御(無料・要GPU)
    │
    ├─ 話者を選択し、指示文で制御
    │       ↓
    │    Qwen3-TTS
    │
    └─ 参照音声による声質指定・Voice Clone
            ↓
         Irodori-TTS

一般的な利用では、短い確認には pyttsx3、日本語ナレーションには VOICEVOX、英語を含む多言語ナレーションには Edge TTS が手軽です。専門用語が多く誤読を極力減らしたいスライド講義などでは、APIコストや生成待ち時間を考慮しても Gemini Flash TTS が有力な選択肢となります。