テキスト読み上げ（Text-to-speech、TTS）とは、書かれたテキストを音声に変換し、提供されたテキストを読み上げる人間らしく聞こえる声を合成するAI技術である。現代のAI駆動TTSシステムは、初期のロボット的・機械的な声から劇的に進化し、録音された人間の音声と区別するのが難しいほど、適切なプロソディ、リズム、感情の抑揚を持つ自然に聞こえる音声を生成する。

現代のTTSシステムは、人間の音声録音の大規模データセットで学習したニューラルネットワークアーキテクチャを用い、自然な音声の音響特性、タイミング、感情的な質を学習する。複数の声のスタイル、アクセント、言語を生成でき、話速と強調を調整でき、一部のシステムでは短い音声サンプルから特定の声をクローンして、特定の人物のように聞こえる音声を生成する。主要なTTSプラットフォームは、ドキュメンタリー向けの権威あるナレーションの声、ソーシャルメディア向けの親しみやすい会話の声、エンターテインメント向けのキャラクターの声など、異なるユースケース向けの声のラインアップを提供する。テキストから高品質な音声を生成する能力により、録音セッションや声優費用なしでプロ品質のボイスオーバー制作が可能になった。

AI映像制作ワークフローでは、テキスト読み上げは、生成された視覚コンテンツに伴うナレーション、ボイスオーバー、台詞の音声を生成するために一般的に使われる。AI生成映像と合成音声を組み合わせることで、説明動画やソーシャルメディアクリップから長尺のナラティブまで、録音音声を一切必要としない完全にAIで制作された映像コンテンツが可能になり、洗練された音声付き映像コンテンツを制作するためのリソース要件が大幅に削減される。