テキスト音声合成（Text-To-Speech、略称TTS）は、音声合成（Speech Synthesis）とも呼ばれ、テキスト情報を可聴な音声信号に変換する人工知能技術の一種である。その目標は、コンピュータが入力された文字に基づいて自然で一貫性のある音声を生成し、機械が人間の朗読に似た方法で言語コンテンツを出力できるようにすることである。TTS技術は、自然言語処理、音声信号処理、機械学習など複数の分野に関わり、人機音声対話システムの重要な構成要素である。

音声合成技術の発展は、ルール駆動、連結型合成からニューラルネットワーク生成型合成への進化の過程を経てきた。初期のTTSシステムは主に、人間が設計した言語ルールと録音された音声断片に依存し、連結方式で音声を生成していた。制御性は比較的高かったものの、自然さには限界があった。深層学習の発展に伴い、研究者たちはニューラルネットワークを用いてテキストと音声の間のマッピング関係を直接学習し始めた。2017年、Googleの研究者は論文 Tacotron: Towards End-to-End Speech Synthesis でTacotronモデルを提案し、テキストシーケンスを直接音響特徴（スペクトログラム）に変換し、Griffin-Limアルゴリズムを通じて音声波形を合成することで、エンドツーエンド音声合成の実現可能性を検証した。このアプローチはその後、2018年のTacotron 2でさらに発展し、ニューラルボコーダー（WaveNet）を組み合わせた完全なニューラルネットワーク合成プロセスとなり、ニューラルネットワークTTS分野における重要な研究業績となった。

現代のTTSシステムは通常、テキスト分析、音響モデリング、音声波形生成などの段階を含む。モデルはまず、テキスト中の文字、単語、意味、韻律情報を理解し、対応する音響表現（メルスペクトログラムなど）を予測し、最後にボコーダー（Vocoder）を通じて連続的な音声信号を生成する。近年、Transformer、拡散モデル（Diffusion Models）、大規模音声モデルの発展に伴い、TTSシステムは音声の自然さ、感情表現、多言語対応、音声スタイル制御などの面で継続的に向上している。

TTS技術は主に、デジタル情報を音声形式で直接伝達できないという問題を解決し、コンピュータがテキストコンテンツを対話可能な音声出力に変換できるようにする。現在、この技術はスマートアシスタント、オーディオブック、ナビゲーション案内、カスタマーサービスシステム、バリアフリー支援、バーチャルヒューマンなどのシーンで広く応用され、人機対話により自然な音声インターフェースを提供している。