音声を扱う AI は、ざっくり 「文字 → 声」「声 → 別の声」「声 → 文字」 の3方向に分けると理解しやすくなります。それぞれ TTS（読み上げ）・ボイスチェンジ（音声変換）・STT（文字起こし） と呼ばれ、得意なことも、気をつける点も違います。このページでは、2026年時点で実際に動いているツールを例にしながら、最初の地図になるよう整理します。
FIG.1 入口（文字 or 声）と出口（声 or 文字）の組み合わせで、使う道具が決まる
01まず「3つの方向」を区別する
音声 AI でつまずく一番の原因は、別物の技術をまとめて「音声 AI」と呼んでしまうことです。最初に方向を分けておくと、ツール選びで迷いません。
TTS（読み上げ）
テキストを音声に変換。ナレーション、記事の聞き読み、アプリの読み上げ。入口は「文字」。
ボイスチェンジ（音声変換）
話した声を別の声質へ変換。配信や演出。入口も出口も「声」で、内容（言葉）は変えない。
STT（文字起こし）
音声をテキストに変換。会議の議事録、字幕、インタビュー書き起こし。出口は「文字」。
同じ「音声」でも、TTS は入力がテキスト、ボイスチェンジは入力が声、STT は出力がテキスト――この入口と出口の違いが、そのまま道具の違いになります。
02TTS：文字を自然な声で読み上げる
TTS（Text To Speech）は、書いた文章をそのまま声にします。2026年時点の高品質 TTS は、機械的な棒読みではなく、間（ま）や抑揚、軽い感情表現まで再現できるところまで来ています。たとえば ElevenLabs は、長文ナレーション向けの安定モデルから、応答速度を重視したリアルタイム向けモデルまで複数を用意し、最新の高表現モデルは70言語以上に対応しています。日本語に対応するサービスも増えていますが、自然さは言語によって差があるため、用途の言語で試聴して選ぶのが確実です。
FIG.2 TTS は文字を読み下し、抑揚や間を付けて波形（音声）を生成する
選ぶときの目安は次の3点です。
- 自然さ：ナレーションや動画用途なら、最優先で試聴して決める。表現力重視のモデルほど読み間違いの少なさも上がる傾向。
- 言語の精度：日本語で使うなら、対応言語数より「日本語の聞こえ方」で判断する。
- 応答速度：会話アプリのように即座に返したい場合は、遅延の小さいリアルタイム向けモデルを選ぶ（ElevenLabs なら Flash 系などが該当）。
03ボイスチェンジ：声の「質」だけを変える
ボイスチェンジ（音声変換）は、話している内容はそのままに、声質だけを別人や別キャラクターのものに置き換える技術です。代表的な仕組みが RVC（Retrieval-based Voice Conversion） で、配信者や VTuber がリアルタイムで声を変える用途に広く使われています。2026年時点では、対応 GPU と適切な音声ルーティングを整えれば、配信に耐える程度の低遅延（おおむね 50〜150ミリ秒）で変換できます。ただし対面の会話で使うにはまだ遅延が気になる水準で、用途は配信・録音・演出が中心です。
ボイスチェンジは 「何を話すか」は変えず「どんな声か」だけを変える。だからこそ、誰の声に寄せるかが倫理の分かれ目になる。
ここで TTS との違いを押さえておくと混乱しません。TTS は「文字から声を作る」、ボイスチェンジは「すでにある声を別の声に変える」――どちらも声を出力しますが、入口が決定的に違います。
04STT：話し言葉を文字に起こす
STT（Speech To Text）は音声をテキストに変換します。会議の議事録、動画の字幕、インタビューの書き起こしなどが代表例です。オープンソースの Whisper が広く使われ、2026年時点ではきれいな朗読音声なら単語誤り率（WER）が数%程度と人間に迫る精度です。一方で、会議・電話・雑音のある現実の音声では誤りが増え、英語でもおおむね 5〜12% 程度に上がります。日本語のような言語では条件によってさらに精度が下がるため、固有名詞や専門用語は後から人が直す前提で使うのが安全です。新しめのバージョンでは、話者の区別（ダイアライゼーション）やリアルタイム処理にも対応が進んでいます。
| TTS / ボイスチェンジ（声を作る側） | STT（声を読み取る側） |
|---|---|
| 出力は音声。聞かせるためのもの | 出力はテキスト。検索・編集・要約しやすい |
| 自然さ・声質・遅延で評価する | 誤り率・固有名詞・話者分離で評価する |
| 権利・同意（誰の声か）が最大の論点 | 機密音声の取り扱い・保存先が論点 |
機密性の高い会議を文字起こしする場合は、音声がどこに送られ、どこに保存されるかを必ず確認します。要件が厳しいなら、クラウドに送らずローカルや閉域で処理する構成も選択肢です。
05選び方：用途から逆算する
出したいものを決める
「声がほしい」のか「文字がほしい」のかを先に決める。声なら TTS かボイスチェンジ、文字なら STT。ここを取り違えると道具選びが全部ずれる。
言語と自然さを試聴で確認
特に日本語は、対応言語の一覧ではなく実際の聞こえ方で判断する。短いサンプルを同じ原稿で読み比べる。
遅延の要否を見る
会話・配信なら低遅延モデル。録音・ナレーションなら自然さ優先で遅延は許容してよい。
機密と権利を確認
機密音声はローカル/閉域処理を検討。声を真似る用途は、本人の同意と利用条件を先に固める。
Consent & Ethics
声をまねる前に、必ず同意を取る
声・顔は、その人そのものを示す情報です。だからこそ 他人の声を無断でクローンしたり、本人になりすましたりするのは禁止 が大原則。これは行儀の問題ではなく、法律の問題になりつつあります。2026年時点では、EU の AI 規制が GDPR と組み合わさってクローン音声の作成・保存・公開に本人同意を求め、米テネシー州の ELVIS 法は AI 生成音声を肖像権（パブリシティ権）の保護対象に明文化しました。日本を含む各国でも、人の声を学習・利用する際のルール整備が進んでいます。
FIG.3 同じ生成音声でも、入口に「本人の同意」があるかどうかで扱いが分かれる
実務での守り方はシンプルです。①本人の声を使うなら書面で同意と利用範囲を取る ②生成音声だと明示すべき場面（広告・公的発信など）では明示する ③商用利用は各ツールの利用規約で権利条件を確認する。迷ったら「自分の声か、許可を得た声か」を出発点にしてください。
06よくある勘違い
- 「TTS とボイスチェンジは同じ」：TTS は文字から声を作る。ボイスチェンジは既存の声を別の声に変える。入口が違う別技術です。
- 「文字起こしは完璧」：きれいな音声では高精度でも、雑音・専門用語・日本語の条件では誤りが残る。固有名詞は人が確認する前提で。
- 「料金プランは固定」：TTS の多くは文字数・利用量で課金され、プランは頻繁に変わります。最新の料金と商用利用の可否は必ず公式で確認を。
- 「フリー素材感覚で声をまねてよい」：他人の声は権利と倫理のリスクが高い領域。同意なしの利用は避けます。
07まとめ
音声 AI は、TTS（文字→声）・ボイスチェンジ（声→声）・STT（声→文字）の3方向に分けて考えると、道具選びが一気にクリアになります。共通する原則は 「生成は素材づくりと試作の高速化、最終判断と演出は人、声に関わる同意と権利の確認は必須」。とくに声は本人そのものを示す情報なので、自分の声か・許可を得た声かを最初の関門にすれば、便利さと安全を両立できます。
