Web Speech APIの仕組みとブラウザ音声合成の歴史 ― DECtalkからニューラルTTSまで

1939年: Voder ― 最初の電子音声合成装置

音声合成の歴史は1939年のニューヨーク万博に遡ります。ベル研究所のHomer Dudleyが発明したVoder（Voice Operation DEMonstrator）は、世界初の電子音声合成装置でした。

Voderはキーボードとペダルを使って操作する楽器のような装置で、Helen Harperが率いる20人のオペレーターは、流暢な音声を生成するために約1年間の訓練を必要としました。手動操作という限界はありましたが、「機械で人の声を作る」という概念実証としては画期的でした。

1984年: DECtalk ― ホーキング博士の声

音声合成技術を一般に知らしめたのは、DECtalkです。MIT のDennis Klattが開発したKlattTalk/MITalkを基に、Digital Equipment Corporation（DEC）が1983年12月に発表、1984年2月から出荷を開始しました。

DECtalkには9つの内蔵音声がありました。

• Perfect Paul（デフォルト、Klatt自身の声がモデル）
• Beautiful Betty, Huge Harry, Frail Frank, Kit the Kid 等

そして、ALS（筋萎縮性側索硬化症）により声を失ったスティーブン・ホーキング博士がDECtalkの「Perfect Paul」の声を使い始めたことで、この合成音声は世界的に有名になりました。ホーキング博士はより自然な最新の音声への更新を繰り返し断り、この声を生涯使い続けました。

合成方式の分類

この時代の音声合成は大きく2つのアプローチに分かれます。

方式	仕組み	音質
フォルマント合成	声道のフォルマント周波数を数学的にモデル化	ロボット的だが軽量
連結合成	録音した人間の声の断片をつなぎ合わせる	自然だが接合部に不自然さ

DECtalkはフォルマント合成、後のSAPIやApple音声は連結合成が主流となりました。

1984年: Apple MacinTalk

初代Macintoshの発表会（1984年1月）で、スティーブ・ジョブズはMacにMacinTalkで自己紹介をさせるデモを行いました。Joseph KatzとMark Bartonが開発したこの音声合成エンジンは、コンピュータが「話す」ことへの一般の認知を大きく広げました。

1993年にはAppleがPlainTalkをSystem 7.1.2で提供し、音声合成と音声認識をOS標準機能として統合。2005年にはMac OS X 10.4 TigerでVoiceOverが登場し、アクセシビリティの柱となりました。

1995年: Microsoft SAPI

MicrosoftはSpeech API (SAPI)を通じて、Windowsに音声合成機能を提供してきました。

バージョン	年	主な変更
SAPI 1.0	1995	Windows 95/NT 3.51対応、初版
SAPI 4.0	1998	COM API化、ActiveXコントロール対応
SAPI 5.0	2000	完全書き直し、sapi.dll統一化
SAPI 5.3	2007	Vista搭載、.NET対応、SSML 1.0サポート
SAPI 5.4	2009	Windows 7搭載、最新ドキュメント版

WindowsでのTTS音声（Ayumi, Haruka, Ichiro, Sayaka等）は、このSAPIエンジン上で動作しています。ブラウザのWeb Speech APIからもOS経由でこれらの音声にアクセスできます。

標準化への道のり

Web Speech APIは以下の経緯で生まれました。

• 2010年8月: W3Cで「HTML Speech Incubator Group」結成（Google, Microsoft, Mozilla, AT&T等が参加）
• 2011年12月: Incubator Group最終報告書公開。GoogleのGlen ShiresがJavaScript APIのサブセットを提案
• 2012年4月: 「Speech API Community Group」発足（議長: Glen Shires）
• 2012年6月13日: Speech JavaScript API仕様の最初のドラフト公開
• 2012年10月19日: Web Speech API最終仕様公開

ブラウザ実装の歴史

ブラウザ	初対応バージョン	リリース時期
Chrome	33	2014年2月
Safari	7.1	2014年
Firefox	49	2016年9月
Edge	14 (EdgeHTML)	2016年

仕様上のステータス

注意すべき点として、Web Speech APIはW3C勧告（Recommendation）にはなっていません。当初Community Group Reportとして公開され、現在はW3C Audio Working Groupが保守していますが、正式な標準規格ではなく「事実上の標準」です。それでもすべての主要ブラウザが実装しており、実用上は問題ありません。

Web Speech APIの音声合成（SpeechSynthesis）は、驚くほどシンプルなAPIです。

基本的なコード

// 1. 発話オブジェクトを作成
const utterance = new SpeechSynthesisUtterance("こんにちは");

// 2. パラメータを設定
utterance.lang  = "ja-JP";   // 言語
utterance.rate  = 1.0;       // 速度 (0.1〜10)
utterance.pitch = 1.0;       // ピッチ (0〜2)
utterance.volume = 1.0;      // 音量 (0〜1)

// 3. 音声を選択（オプション）
const voices = speechSynthesis.getVoices();
utterance.voice = voices.find(v => v.name.includes("Nanami"));

// 4. 発話
speechSynthesis.speak(utterance);

イベントモデル

SpeechSynthesisUtteranceは以下のイベントを発火します。

• onstart: 発話開始
• onend: 発話完了
• onpause / onresume: 一時停止 / 再開
• onboundary: 単語・文の境界に到達
• onerror: エラー発生

音声の取得とvoiceschangedイベント

speechSynthesis.getVoices()は音声一覧を返しますが、Chromeでは非同期にロードされるため、初回呼び出し時は空配列が返る場合があります。

// Chromeでは voiceschanged イベントを待つ必要がある
speechSynthesis.addEventListener("voiceschanged", () => {
  const voices = speechSynthesis.getVoices();
  const jaVoices = voices.filter(v => v.lang.startsWith("ja"));
  console.log(`日本語音声: ${jaVoices.length}件`);
});

同じWeb Speech APIを使っても、ブラウザによって音声の種類と品質が大きく異なります。

ブラウザ	音声エンジン	日本語音声	localService
Chrome	Google Remote + OS音声	Google 日本語（リモート）	false（リモート）
Edge	MS Neural TTS + SAPI	Nanami（ニューラル）	混在
Safari	Apple TTS	Kyoko, O-Ren	true（ローカル）
Firefox	OS標準のみ	Ayumi, Haruka等（SAPI）	true（ローカル）

localServiceプロパティとプライバシー

各音声オブジェクトにはlocalServiceというブール値プロパティがあります。

• localService === true: テキストはデバイス内で処理され、外部送信なし
• localService === false: テキストがGoogle/Microsoftのサーバーに送信される可能性あり

機密テキストを読み上げる場合は、ローカル音声を選択することが重要です。NanTooのテキスト読み上げツールでは、「ローカル音声のみ」フィルター機能を実装しています。

なぜEdgeのNanamiが高品質なのか

EdgeはMicrosoftのAzure Neural TTS技術を直接利用できる唯一のブラウザです。Nanamiは深層ニューラルネットワークでピッチ・持続時間・エネルギーを同時予測し、自然な韻律を生成します。他のブラウザからはこのニューラル音声にはアクセスできません。

2016年以降、音声合成の品質は劇的に向上しました。その原動力はディープラーニングです。

2016年: WaveNet（DeepMind / Google）

WaveNetは、自己回帰型畳み込みニューラルネットワークを使って生の音声波形をサンプル単位で生成する画期的なモデルでした。聴取テストでは、従来のどのシステムよりも自然な音声と評価されました。

ただし、初期のWaveNetは1秒の音声生成に数分の計算が必要という実用上の大きな課題がありました。

2017年: Tacotron / Tacotron 2（Google）

• 2017年4月 Tacotron: テキストからスペクトログラムを直接生成するSequence-to-Sequenceモデル
• 2017年12月 Tacotron 2: エンコーダ-デコーダ + WaveNetボコーダのEnd-to-Endシステム。MOS（平均意見スコア）4.53/5.0を達成 ― プロの人間の録音と統制テストでほぼ区別がつかないレベル

商用展開

• 2018年3月: Google Cloud Text-to-Speech API ベータ版（WaveNet音声搭載）
• 2018年8月: Google Cloud TTS GA（30標準音声 + 26 WaveNet音声, 14言語）
• 2018年9月: Microsoft Neural TTSプレビュー発表（Microsoft Ignite）
• 2021年8月31日: Microsoft、非ニューラルTTS音声を廃止。ニューラル音声に一本化

現代のニューラルTTSアーキテクチャ

現在の高品質TTSは3段階のパイプラインで構成されます。

1. テキスト前処理フロントエンド: テキストを音素・韻律記号に変換
2. 音響モデル（エンコーダ-デコーダ）: 音素列からメルスペクトログラムを生成（Tacotron 2, FastSpeech 2等）
3. ボコーダ: スペクトログラムから音声波形を生成（WaveNet, HiFi-GAN等）

2026年現在、Google Cloud TTSは380以上の音声・75言語以上、Microsoft Azure Neural TTSは400以上の音声・140言語以上を提供しています。

Web Speech APIの実用上、最も厄介な問題がChromium系ブラウザの「15秒バグ」です。

症状

Chromium Bug #679437として報告されているこのバグでは、speechSynthesis.speak()で長いテキストを読み上げると、約15秒後に音声が突然停止します。Chrome 55以降のWindows/Ubuntu環境で確認されており、2026年現在も完全には修正されていません。

対策1: pause/resume ワークアラウンド

// 13秒ごとに resume() を呼び出してタイマーをリセット
const timer = setInterval(() => {
  if (speechSynthesis.speaking && !speechSynthesis.paused) {
    speechSynthesis.pause();
    speechSynthesis.resume();
  }
}, 13000);

utterance.onend = () => clearInterval(timer);

ただし、この手法はAndroidでは動作しない場合があるため、プラットフォーム判定が必要です。

対策2: テキスト分割（推奨）

より安定した方法は、テキストを句読点で分割し、個別のSpeechSynthesisUtteranceとして連鎖再生することです。

// 文単位に分割して順次再生
const chunks = text.split(/(?<=[。！？])s*/);
function speakNext(i) {
  if (i >= chunks.length) return;
  const u = new SpeechSynthesisUtterance(chunks[i]);
  u.onend = () => speakNext(i + 1);
  speechSynthesis.speak(u);
}
speakNext(0);

NanTooのテキスト読み上げツールでは、両方の対策を組み合わせて安定した長文読み上げを実現しています。

SSML（Speech Synthesis Markup Language）は、音声合成の表現力を高めるためのW3C標準マークアップ言語です。

• SSML 1.0: 2004年 W3C勧告
• SSML 1.1: 2010年9月7日 W3C勧告（国際化改善、発音辞書仕様との整合）

SSMLの主な要素

<speak version="1.1" xml:lang="ja-JP">
  <!-- 間を空ける -->
  <break time="500ms"/>

  <!-- 速度・ピッチを変える -->
  <prosody rate="slow" pitch="+10%">ゆっくり高めに</prosody>

  <!-- 数字の読み方を指定 -->
  <say-as interpret-as="telephone">03-1234-5678</say-as>

  <!-- 特定の読み方を強制 -->
  <phoneme alphabet="x-JEITA" ph="to:'kyo:'to">東京都</phoneme>
</speak>

ただし、ブラウザのWeb Speech APIではSSMLは基本的にサポートされていません。SSMLが使えるのはGoogle Cloud TTS、Azure Speech Service等のクラウドAPIに限られます。ブラウザではrate/pitch/volumeプロパティでの制御が代替手段となります。

現在の限界

• 音質がブラウザ/OS依存: 同じサイトでもChrome・Edge・Safariで全く違う品質になる
• 音声ファイルへの保存不可: APIはリアルタイム再生専用。音声データのBlobは取得できない
• SSMLに未対応: 読み上げの細かい制御ができない
• Chrome 15秒バグが長年未修正
• 音声一覧がブラウザ任せ: 開発者がカスタム音声を追加できない

今後の展望

Web Speech APIは「W3C勧告」にはなっていない事実上の標準ですが、現在はW3C Audio Working Groupが保守を引き継いでいます。今後期待される改善は:

• WebCodecs APIとの連携: 音声データをストリームとして取得できれば、録音・加工が可能に
• SSML対応: ブラウザ側でSSMLを解釈できれば、表現力が飛躍的に向上
• ブラウザ内ニューラルTTS: モデルのWebAssembly実行やWebGPU活用で、クラウドに頼らない高品質音声が実現する可能性

1939年のVoderから87年。人間が機械に「自然に話させる」という夢は、ブラウザのたった1行のAPIで誰でも実現できる時代になりました。しかしその裏には、Dennis Klattの声がDECtalkに宿り、WaveNetが聴覚心理を超え、Nanamiがニューラルネットワークでイントネーションを学んだ ― 無数の技術者たちの積み重ねがあるのです。