AIが話す声、最新モデル比較

Text-to-speech (TTS) はこの1年で急速に進化した。合成音声と人間の音声の境界線は狭まった。一部のリアルタイムシステムでは、レイテンシが100ミリ秒を下回った。感情制御は研究デモではなく標準機能となった。このガイドでは、2026年に本当に重要なモデルをレビューする。これは、本番環境でモデルを選択するAIプロフェッショナル向けに書かれている。 2026年のTTSベンチマークの読み方 ほとんどのコミュニティの議論では、2つのベンチマークが主流となっている。1つ目はArtificial Analysis Speech Arena Leaderboardである。これは、ELOレーティングを使用して、人間のブラインド評価によってモデルをランク付けする。2026年現在、数十のプロダクションAPIを評価している。2つ目は、Hugging Faceでコミュニティが運営するTTS Arenaである。これは同じブラインドA/B投票方式を使用する。これらのリーダーボードは、知覚される品質を測定するものであり、正確さを測定するものではない。また、これらは常に変化している。2026年5月30日現在、Artificial Analysis Speech Arenaは、ELOによるトップ5として、Gemini 3.1 Flash TTS、Realtime TTS-2 (Research Preview)、Sonic 3.5、Realtime TTS 1.5 Max、Fun-Realtime-TTS-Previewを挙げている。これらの順位は数週間前にも変動しており、今後も変動するだろう。単一の数値を固定された真実としてではなく、ある時点での読み取りとして扱うべきである。 正確さには別途測定が必要である。Trelis Researchは、往復文字エラー率（CER）を使用して10のモデルをテストした。この方法は、生成された音声をASRモデルで文字起こしし、入力テキストと比較するものである。平均意見スコア（MOS）は、知覚される自然さを捉える。どちらの指標にも限界がある。往復CERはASRモデル自体の正確さに依存する。UTMOS品質推定器は最大10秒の音声でトレーニングされているため、より長いサンプルではスコアの広がりが小さくなる。 レイテンシは3つ目の軸である。音声エージェントにとって関連する数値は、time-to-first-audio（TTFA）である。time-to-first-byte（TTFB）は、コンテナヘッダーには音声が含まれていないため、誤解を招く可能性がある。一貫性は中央値と同じくらい重要である。2026年5月のGradiumベンチマークは、プロバイダー間の四分位範囲を測定した。平均ではなく、テールレイテンシが重要である。