音声合成は、コンピューターを使って人間の音声を人工的に作り出す技術のことを指します。単語や短いフレーズを録音してつなぎ合わせる「録音編集方式」と、任意のテキストを音声に変換する「テキスト音声合成方式」の2種類が普及しています。なお、後者のテキスト音声合成方式については「Text-To-Speech＝TTS」とも呼ばれています。近年ではテキスト音声合成方式のうち、「コーパスベース合成方式」と呼ばれる方法が主流です。

音声合成の歴史は古く、数十年前から駅の案内放送やゲーム機、カーナビなどで活用されてきました。しかし近年ではIoTの普及もあり、音声合成を搭載できるインターフェースも多様化しています。そのためデジタル機器の音声アシスタント機能やナレーション、コールセンターの自動応答など、音声合成技術をより身近なところで感じられるようになりました。

また昨今ではAIの発展に伴い、より人間の肉声に近い発話が可能となっています。特に2020年代に入ってからは、いよいよ実際の人間の声と聞き分けるのが難しいほどのクオリティで人工音声を作り出せるようになりました。たとえば特定個人の声を学習させておくことで、声帯手術などで発声できなくなったあとも、本人の声のまま任意のテキストを読み上げてコミュニケーションを図ることができます。

かつては機械音っぽさが拭えなかった音声合成ですが、今では自然なコミュニケーションを行えるツールとして、幅広い分野で重宝されています。