音声合成（TTS）市場 サイズとシェア 2026-2035

世界の音声合成（TTS）市場規模

世界の音声合成（TTS）市場は、2025年に 48億米ドルに達し、2026年の 57億米ドルから2035年までに 353億米ドルへ拡大すると推定されており、2026〜2035年の年平均成長率（CAGR）は約 22.4%となる見込みです。

TTSは、静的なテキストを読み上げる機能層から、カスタマーサービス、アクセシブルなデジタル製品、コネクテッドデバイス、コンテンツ制作向けのインタラクション層へと役割を広げています。ニューラル音声合成により、顧客向け音声に求められる最低限の品質水準が引き上げられる一方、生成AIシステムは、発話のテンポ、スタイル、ロケールをより細かく制御できるようにしています。Amazonの生成型PollyエンジンやGoogle CloudのGemini TTSのリリースは、クラウドプロバイダーがテキストの基本的な音声化を超えて、制御可能で文脈に応じた音声生成へとサービスを拡張していることを示しています ^{[1]Amazon Web Services, A New Generative Engine and Three Voices Are Now Generally Available on Amazon Polly, 2024, aws.amazon.com}。

アクセシビリティに対する需要は、企業による裁量的なAI支出に加え、市場に要件主導の基盤をもたらしています。世界保健機関（WHO）によると、世界では少なくとも 22億人が近見または遠見の視覚障害を抱えています ^{[2]World Health Organization, Blindness and Vision Impairment, August 2023, who.int}。欧州では、2025年6月から適用されるアクセシビリティ要件が、対象となるデジタル製品およびサービスの調達を具体的に促す契機となっており、音声合成機能を支援する要件も含まれています。

そのため、商用市場では、広く利用可能な大量処理型の音声合成と、文化的適合性、安定した対話遅延、またはセンシティブなやり取りに対する制御を必要とする差別化された導入との間で、二極化が進む可能性があります。アクセシビリティ規制は欧州で持続的な需要の下支えとなる一方、アジア太平洋地域の機会は、言語的に多様なデジタル人口に対応するという運用上の課題とより密接に結び付いています。こうした状況では、APIの基本的な音声品質だけで競争するのではなく、拡張可能なインフラと導入支援能力を組み合わせられるプロバイダーが優位となります。

主要な成長要因

AIおよびNLPの進展

最近の製品リリースから、TTS（音声合成）分野の競争は、単純な音声出力から制御性へと軸足を移していることが分かる。Amazonは2024年11月、Pollyの生成音声ポートフォリオを拡充し、フランス語、ドイツ語、南アフリカ英語、米国向けとメキシコ向けの異なるスペイン語など、複数のロケールに対応する音声を追加した。その後、Googleは Gemini 2.5 TTS Flash および Pro の一般提供を開始し、80を超えるロケールで音声特性を自然言語によって制御できるようにした。これらのリリースにより、多様な音声体験の開発に必要なエンジニアリング作業は軽減される一方、基本的な音声合成の差別化は難しくなっている。

この技術シフトは、コンタクトセンター、メディアローカライゼーション、ブランド化されたデジタル体験において商業的に重要である。これらの分野では、発音、ペース、感情的なトーンが、合成音声によるインタラクションをエンドユーザーが受け入れるかどうかに影響する。また、エンタープライズ顧客の獲得を目指すプロバイダーにとっての参入基準も引き上げている。購入企業は複数のクラウドプラットフォームから標準的なニューラル音声出力を入手できるため、幅広い音声カタログだけでは不十分である。

アクセシビリティと包摂的なデジタル体験

欧州アクセシビリティ法は、2025年6月28日から対象となる製品およびサービスに適用される ^{[3]European Commission, The European Accessibility Act, undated, commission.europa.eu}。その対象範囲には、電子商取引、銀行、旅客輸送、電話、電子書籍、視聴覚メディアなどが含まれる。これにより、アクセシビリティ遵守は、企業の自主的な取り組みではなく、商用デジタルサービスの調達と結び付く。TTSは、視覚情報を代替的な感覚経路を通じて利用可能にする必要がある場面で特に重要である。

モバイル利用の普及は、この要件をさらに強化している。WebAIMの2024年スクリーンリーダー調査によると、回答者の91.3%がモバイル端末でスクリーンリーダーを利用していた。製品開発チームにとって、設計上の問いは読み上げ機能を追加するかどうかではなく、ナビゲーション、ラベル、取引フロー、エラー状態を音声出力によって確実に解釈できるかどうかへと変化している。

視覚障害者および高齢者向け支援技術

視覚障害の規模は、音声ベースのアクセスに対する持続的な需要を生み出している。世界保健機関（WHO）は、少なくとも10億件の視覚障害が予防可能であった、または未対応のままであると推定している。これに加え、近方または遠方の視覚障害を抱える人は全体で22億人に上る。TTSにより、視覚ディスプレイに依存することなく、コンテンツ、ナビゲーション、アラート、指示を利用できるようになる。

この用途では、エンターテインメント向けのナレーションとは異なる要件がプロバイダーに求められる。表現力よりも、一貫した発音、速度制御、低遅延での配信、スクリーンリーダーのエコシステムとの互換性が重視される。そのため、医療、金融サービス、公共サービス、教育の利用者にサービスを提供する企業は、アクセシビリティの品質を単なる機能層ではなく、機能要件として評価する必要がある。

カスタマーサポートおよびIVRにおけるTTS

対話型IVRと自動化されたサービスワークフローにより、TTSの用途は固定的なアナウンスから応答性のあるインタラクションへと拡大している。レガシー音声スタックからの移行もこの動きを後押ししている。Microsoftは2024年8月、標準Azure AI Speech音声の提供終了を発表し、ユーザーにニューラル音声への移行を促した。音声アプリケーションを近代化する企業は、既存の電話システム、顧客関係管理、認証システムとの相互運用性と併せて、音声合成の品質を評価する必要がある。

BFSI、ヘルスケア、通信事業者にとって、ビジネス上の導入意義は、明確性とコンプライアンスを維持しながら、日常的なやり取りを大規模に処理することにある。ただし、自動化された発信通話や取引関連の音声利用には、コンテンツのナレーションよりも高いガバナンス負担が伴う。この違いから、同意記録、監査可能性、エスカレーションロジック、顧客チャネル全体での管理された導入を支援できるベンダーやインテグレーターが優位に立つ。

多言語および地域言語の需要

対応言語の広さは、カタログ上の機能ではなく、市場アクセスに関わる問題である。主要プラットフォームは対応ロケールを増やしているが、ロケール数が多いからといって、声調言語、コードミックス音声、地域アクセント、専門用語、低リソース言語において同等の品質が保証されるわけではない。Amazonが差別化されたスペイン語音声を追加したことは、単一の言語ファミリー内における地域バリエーションの商業的重要性を示している。

インドと中国は、この機会の規模を示す例である。インドの市場は 2035年まで年平均成長率（CAGR）約 25.2%で、中国は約 24.4%で成長すると予測されており、いずれも世界市場の成長率を上回る。これらの市場を対象とする TTS ベンダーは、言語固有のデータ、発音規則、現地での導入要件に対応する必要がある。汎用的な多言語モデルは参入障壁を引き下げる可能性があるものの、ローカライズされた音声品質に対する商業上の必要性をなくすものではない。

主な抑制要因

導入・統合コストの高さ

クラウド API は標準的な音声合成機能の導入コストを低減するが、導入にかかるコストをなくすものではない。企業の導入プログラムでは、従来型の IVR プラットフォーム、CRM システム、コンテンツ管理ワークフロー、ID 管理、データレジデンシー要件との統合が必要になることが多い。ブランド音声の開発、音声マークアップ、多言語テスト、継続的な評価にも、単純な API 接続では対応できない作業が伴う。

このコストの問題は、顧客対応、規制対象、または複数国にまたがるワークフローを運用する組織で最も深刻である。医療機関や銀行では、法域ごとに異なる音声ルーティング、データ処理、監査管理が必要になる場合がある。そのため、基盤ソフトウェアがより利用しやすくなる一方で、サービス層の重要性は高まっている。また、統合パートナーや業界特化型の導入能力を欠くベンダーでは、販売サイクルが長期化する可能性がある。

倫理的考慮事項と悪用

ニューラル音声や生成音声のリアリティが高まることで、なりすましのリスクが増大している。米国連邦取引委員会の「音声クローニング・チャレンジ」では、有害な音声クローニングへの対策として、電子透かし、ライブネス検知、上流認証、異常な活動の検知などの手法が示された ^{[4]Federal Trade Commission, Approaches to Address AI-Enabled Voice Cloning, April 2024, ftc.gov}。米国連邦通信委員会も 2024年2月、電話消費者保護法が AI 生成音声に適用され、人工音声による通話が既存の同意要件の対象となることを別途確認した。

これらの動向は、製品設計と購買行動に影響を及ぼします。顧客とのコミュニケーションに TTS を利用する企業は、許可を得て開示された自動化と、欺瞞的と受け取られかねない音声体験を区別する必要があります。ガバナンス要件によってコストや導入の遅れが生じる可能性がありますが、保護策を個別のコンプライアンス追加機能として提供するのではなく、ワークフロー管理に組み込むことで、サプライヤーの差別化要因にもなり得ます。

音声の不正利用に対する規制当局の対応は、この傾向をさらに強めています。顧客向けの導入では、特に金融サービス、ヘルスケア、通信分野において、同意取得、認証、監視に関する要件が調達時の必須審査項目になる可能性があります。保護策を導入・運用ワークフローに組み込んで提供するベンダーは、購入企業の不確実性を軽減できます。一方、ガバナンスを後回しにするベンダーは、低リスクのナレーションや消費者向け用途に限定されるリスクがあります。

世界の音声合成（TTS）市場のセグメント分析

提供形態別

ソフトウェアの市場規模は 2025 年に 34億6,871万米ドルに達し、約 21.7% の CAGR で成長して、2035 年には 240億8,570万米ドルに達すると予測されます。その規模は、各種アプリケーションでクラウド API、音声合成エンジン、音声管理プラットフォームが継続的に利用されていることを反映しています。2025 年に 13億3,560万米ドルであったサービス市場は、約 24.0% の CAGR で成長し、2035 年には 112億3,057万米ドルに達すると見込まれます。より高い成長率は、音声の設定、システム接続、多言語出力の検証、業界固有のガバナンス要件への対応に必要な作業を反映しています。

音声技術別

ニューラル TTS は、クラウド接続型および顧客向けの導入における主力の商用技術です。Microsoft が標準音声を廃止し、ニューラル音声への移行を進めたことは、従来型の音声合成が主要なクラウドプラットフォームにおける標準的な選択肢ではなくなったことを示しました ^{[5]Microsoft, Retirement Announcement: Upgrade to Text-to-Speech Neural Voice on 31 August 2024, 2024, learn.microsoft.com}。生成エンジンは、話し方や音声スタイルをより細かく制御できるため、差別化の新たな要素となっています。

非ニューラル TTS は、自然さよりも決定論的な動作、小型のハードウェア構成、オフライン運用、またはフェイルセーフ性能が重視される分野で、引き続き重要性を保っています。自動車の警告音声、産業機器、組み込み型ナビゲーション、リソースが制約されたエッジシステムでは、特に接続が断続的である場合や予測可能な遅延が重要となる場合に、軽量アーキテクチャの利用が続く可能性があります。

導入形態別

クラウド導入の市場規模は、約 23.2% の CAGR で成長し、2025 年の 26億8,845万米ドルから 2035 年には 211億2,728万米ドルに達すると予測されます。企業が自社で音声インフラを維持することなく、柔軟な拡張性を確保し、新たなモデル機能に迅速にアクセスできる点が、クラウド導入を支えています。AWS と Google による製品リリースは、クラウドベンダーがモデル、音声、ロケール、制御機能を拡張するスピードを示しています。

オンプレミス導入の市場規模は、同期間に 15億4,455万米ドルから 98億8,149万米ドルに拡大すると予測される一方、ハイブリッド導入は 5億7,131万米ドルから 43億750万米ドルに増加すると見込まれる。これらのモデルは、顧客データ、遅延、規制上の条件によって完全クラウド型アーキテクチャが制約される場合にも、引き続き重要である。ハイブリッド設計は、一般的なワークロードにはクラウド規模の音声合成を利用しつつ、機密性の高い音声インタラクションにはローカル処理を必要とする組織にとって、特に有用である。

言語別

英語は、開発者向けサポート、音声の選択肢、企業導入の広がりを背景に、最も成熟した言語セグメントであり続けている。標準中国語はアジア太平洋地域最大の市場の中核であり、ヒンディー語は、急成長するインドの多言語デジタル環境において重要である。スペイン語では地域ごとの変種に応じた差別化が必要であり、AWSが生成系の米国スペイン語音声とメキシコ・スペイン語音声を別々に提供していることにも、その状況が表れている。

アラビア語では、方言の多様性や文体に関する課題がさらに生じる一方、ラテン語は、教育、アーカイブコンテンツ、医薬品表示、法律・典礼関連資料などの専門用途に利用されている。その他のカテゴリーには、低リソース言語や地域的に重要な言語が幅広く含まれる。その商業的可能性は、事業者が十分な学習データを構築し、実際の顧客とのインタラクションに適した発音品質を実現できるかどうかに左右される。

最終用途産業別

2025年は自動車・輸送が最大の最終用途産業であり、市場規模は 10億8,668万米ドルに達した。音声合成（TTS）は、ナビゲーション、ドライバーへの警告、インフォテインメント、音声制御インターフェースに利用されている。次いで、コネクテッドデバイス、アシスタント、ウェアラブル、スマートホーム用途に支えられた家電が 8億7,760万米ドルとなった。両セグメントでは低遅延と安定したユーザー体験が重視されるが、規制対象の企業導入で求められるコンプライアンス管理を必ずしも必要とするわけではない。

医療は最も急速に成長する最終用途産業になると予測されており、市場規模は2025年の 7億9,819万米ドルから、年平均成長率（CAGR）約25.1%で2035年には 72億8,487万米ドルに拡大すると見込まれる。2024年の欧州心臓病学会議で発表されたエビデンスでは、LOLA仮想音声アシスタントが2時間以内にTAVI後のフォローアップ電話を40件超完了したことが示され、体系的な患者モニタリングにおける音声支援ワークフローの活用可能性が裏付けられた ^{[6]Cardiovascular News, ESC 2024: AI Virtual Voice Assistant Identifies Complications after TAVI, September 2024, cardiovascularnews.com}。重要なのは単なる自動化ではなく、フォローアップ、エスカレーション、文書化を管理する必要があるプロトコルに、音声インタラクションを組み込むことである。

教育・eラーニングは、事業者が講座コンテンツのローカライズとアクセシビリティの向上を進めるなか、約24.4%のCAGRで成長すると予測される。BFSIおよびIT・通信ではIVR、通知、カスタマーサービスシステムにTTSを利用し、メディア・エンターテインメントではナレーション、吹き替え、音声制作に活用している。小売・電子商取引では、アクセシブルな商品情報とサービス自動化を中心に導入が進んでいる。これらの用途では、生成音声の誤りに対する許容度が大きく異なるため、セグメントごとの需要を単一の音声品質や導入モデルで捉えることはできない。

ヘルスケアでは、この移行が特に明確に表れている。約25.1%の年平均成長率（CAGR）に加え、構造化された音声支援による TAVI 後のフォローアップの実例が示されていることから、臨床ワークフローへの適合性とガバナンスが、音声の自然さと同程度に重視される調達モデルが浮かび上がる。ヘルスケア、BFSI、公共部門での機会を追求するサプライヤーは、統合の信頼性、監査可能性、業界・領域固有の実装力をめぐって競争する必要がある。メディアやクリエイター向けアプリケーションに注力するプロバイダーは、表現力の高さと制作速度を優先できるが、それらの強みだけでは、高成長の規制対象セグメントにおける運用要件を満たせない。

世界のテキスト読み上げ（TTS）市場の地域別分析

北米

北米は2025年に市場規模 18億2,990万米ドルで最大の地域市場となり、約21.3%の年平均成長率（CAGR）で拡大し、2035年には 122億6,100万米ドルに達すると予測される。米国の市場規模は2025年に 14億3,425万米ドルで、2035年には 92億7,422万米ドルに達すると予測される。同地域では、クラウドプラットフォーム、エンタープライズソフトウェアの購入企業、コンタクトセンターの近代化活動、AIネイティブな音声プロバイダーが集積していることが市場の成長を支えている。

カナダは約22.7%の年平均成長率（CAGR）で成長すると予測され、北米平均を上回る。特に英語とフランス語に関するバイリンガルサービスの要件が、金融サービス、公共サービス、教育、メディアにおける幅広い導入と並行して、地域に適した需要を生み出している。地域全体では、音声クローンおよび AI 生成通話に関する FTC と FCC の措置により、顧客向け音声展開においてガバナンスが実務上の重要事項となっている。

欧州

欧州は2025年の市場規模 12億4,139万米ドルから、約22.8%の年平均成長率（CAGR）で拡大し、2035年には 94億701万米ドルに達すると予測される。欧州アクセシビリティ法は、主に企業主導で導入が進む北米とは異なる規制面の需要創出メカニズムを同地域にもたらしている ^{[7]EUR-Lex, Directive (EU) 2019/882 of the European Parliament and of the Council on the Accessibility Requirements for Products and Services, June 2019, eur-lex.europa.eu}。対象となるデジタルサービスプロバイダーは、アクセシブルなユーザージャーニーを考慮する必要があり、銀行、小売、電話サービス、メディア、一般利用者向けのデジタルコンテンツ全体で需要が生じている。

ドイツは引き続き欧州最大の国別市場である一方、フランス、イタリア、スペイン、オランダは地域平均を上回る成長が予測される。フランスは約24.9%、イタリアは約24.3%、スペインは約23.5%、オランダは約25.7%の年平均成長率（CAGR）で拡大すると予測される。これらの予測は、欧州の需要が最大経済国に限定されず、各市場における言語、アクセシビリティ、データ取り扱いの要件にプロバイダーがどのように対応するかにも左右されることを示している。

アジア太平洋

アジア太平洋は2025年の市場規模 11億5,827万米ドルから、約23.9%の年平均成長率（CAGR）で拡大し、2035年には 95億8,458万米ドルに達すると予測され、最も急速に成長する地域となる。中国は同地域最大の市場であり、市場規模は 6億2,034万米ドルから 53億7,518万米ドルへ増加すると予測される。インドは 1億6,090万米ドルから 14億8,833万米ドルへ拡大すると予測され、地域内の国別市場では最も高い約25.2%の年平均成長率（CAGR）を示す。

この地域の成長は、デバイスの普及だけでは説明できません。顧客サービス、教育、行政サービス、消費者向けデバイスなどの用途において、TTSシステムが多言語、コード混在、声調、地域によって異なる音声を処理できるかどうかに左右されます。グローバルサプライヤーは幅広いインフラを提供できますが、方言への対応精度、現地のデータ処理、文化的に適切な出力が導入を左右する領域では、地域専門企業にも機会があります。

日本、韓国、オーストラリアは、より成熟した需要環境にあり、自動車、家電、ヘルスケア、メディア、企業オートメーションに用途が集中しています。これらの国々の成長は、デジタルサービスへの初回アクセスよりも、既存の音声インターフェースをニューラルシステムや生成型システムへ高度化することに依存しています。

ラテンアメリカ

ラテンアメリカ市場は、2025年の2億8,516万米ドルから2035年には22億5,577万米ドルへ拡大し、年平均成長率（CAGR）は約23.3%になると予測されます。ブラジルが最大市場である一方、メキシコは約24.4%のCAGRでより速い成長を遂げると予測されます。スペイン語およびポルトガル語へのローカライズは、特に金融サービス、電子商取引、教育、顧客サポートにおいて、この地域の市場機会の中核となります。

この地域での事業性が最も高いのは、音声によってデジタルサービスの利用時の障壁が軽減される領域です。音声でのやり取りを好むユーザーや、テキスト中心のインターフェースに困難を感じるユーザーが存在するためです。ただし、プロバイダーは、ローカライズ要件と価格感応度、統合上の制約とのバランスを取る必要があります。米国英語のコンタクトセンター向けに設計された音声製品は、地域ごとの言語、アクセント、コンテンツ、サービスに対する期待に合わせた調整なしに、そのまま導入することはできません。

中東・アフリカ

中東・アフリカ市場は、2025年の2億8,958万米ドルから2035年には18億791万米ドルへ拡大し、年平均成長率（CAGR）は約20.4%になると予測されます。サウジアラビアとUAEが湾岸地域の主要市場になると見込まれる一方、南アフリカはサブサハラ・アフリカにおける重要な多言語市場です。この地域には、導入条件の大きく異なる市場が存在します。湾岸地域では、政府機関などによるデジタルサービス計画や多言語人口が需要に結び付く一方、アフリカの多くの市場では、低帯域幅、低コスト、現地適応を重視したソリューションが求められます。

湾岸地域ではアラビア語対応が戦略的に重要ですが、高品質な導入には、正則語と口語の使い分けに加え、方言の違いも考慮する必要があります。アフリカ市場では長期的な市場機会が大きいものの、インフラ上の制約や、多くの言語で実運用水準の音声リソースが限られていることが、商用化を遅らせる可能性があります。

アジア太平洋地域は、収益の収斂が最も見込まれる地域です。インドの予測CAGRは25.2%、中国は24.4%であり、世界市場の成長率22.4%を上回っています。また、地域全体では約23.9%の成長率で拡大すると予測されます。市場機会は大きいものの、技術的な要求水準も高く、地域言語における十分な品質を提供できないプロバイダーは、インフラ投資には参加できても、より高付加価値な顧客対応を獲得できない可能性があります。中東・アフリカでは、集計ベースの成長率が相対的に低く見える一方、湾岸地域で制度的に資金提供されるアラビア語デジタルサービスから、インフラ制約の大きい市場におけるオフライン対応型かつ低コストの音声アプリケーションまで、提供モデルは多様です。

世界の音声合成（TTS）市場シェアと競争環境

世界的なクラウドプロバイダーの規模にもかかわらず、市場は細分化されている。2025年には Amazon が推定 12.0% のシェアを占め、Google が約 11.7%、Microsoft が約 7.7%、IBM が約 4.8%、Baidu が約 2.2% で続いた。残りの 61.7% は、地域の専門企業、企業向け音声プロバイダー、AIネイティブの音声企業に分散していた。

Amazon.com Inc. は、AWS Polly と広範な AWS 環境との統合を通じて競争している。生成音声の追加により、対話型および表現力を重視する用途における同社の重要性が高まっている。Google Inc. は、Google Cloud Text-to-Speech と Gemini TTS ポートフォリオを通じて競争しており、幅広いロケールへの対応と出力制御を重視している ^{[8]Google Cloud, Cloud Text-to-Speech Release Notes, 2025, cloud.google.com}。Microsoft Corporation の Azure AI Speech における地位は、ニューラル音声への注力と、従来型音声インフラの廃止に伴う移行の影響によって強化されている。

IBM Corporation は、Watson Text to Speech と企業向け AI 機能を通じて市場に参入している。Nuance Communications は、企業向け音声ソリューションの既存基盤と、Microsoft による買収後の移行動向を背景に、引き続き市場で重要な存在となっている。これらの企業は、従来システムとの統合、データ管理、企業ワークフローの継続性に関する購入企業の要件に、最も直接的に対応している。

Baidu Inc. と iFLYTEK Co., Ltd. は、中国市場で重要な企業であり、同市場では北京語の性能と国内エコシステムへの参加が競争を左右している。LumenVox LLC、ReadSpeaker B.V.、VONAGE AMERICA, LLC は、音声品質に加えて導入互換性が重視される企業向け電話、アクセシビリティ、通信プラットフォーム用途に対応している。

CEREPROC LTD. は、専門音声および拡大・代替コミュニケーション用途に注力している。DEEPBRAIN AI と SYNTHESIA LIMITED は、合成音声をアバターや動画を中心とするワークフローと組み合わせている。ElevenLabs、Lovo、MURF.AI は、表現力豊かな音声生成、ナレーション、吹き替え、クリエイター向け制作に対応している。SESTEK は銀行、通信、コンタクトセンター環境における音声アプリケーションを提供する一方、TextSpeak はカスタム音声および組み込みアプリケーションの要件に対応している。

ElevenLabs が 2025年1月に実施したシリーズCの資金調達ラウンドは、表現力豊かな音声プラットフォームに対する投資家の関心を示している。Reuters によると、同社は 1億8,000万米ドルを調達し、評価額は 33億米ドルとなり、累計調達額は 2億8,100万米ドルに達した ^{[9]Reuters, Voice AI Startup ElevenLabs Closes New Funding Round at $3.3 Billion Valuation, January 30, 2025, reuters.com}。同社の position は市場全体における競争上の緊張関係を浮き彫りにしている。すなわち、ハイパースケーラーはインフラと流通網を提供できる一方、AIネイティブ企業は、表現力、音声制御、製品を重視したワークフローによって差別化を目指している。

最近の業界動向

• Amazon Polly は 2024年11月に生成音声ポートフォリオを拡大した。AWS は新たに 6 種類の合成生成音声を追加し、生成エンジンの言語およびロケール対応を拡充した。
• Microsoft は 2024年8月31日に標準 Azure AI Speech 音声の廃止を完了した。この変更により、ユーザーはニューラル音声の代替機能へ誘導され、従来型音声技術からのプラットフォーム移行が一段と進んだ。
• 米連邦通信委員会（FCC）は 2024年2月、TCPA の規制が AI 生成音声に適用されることを確認した。この判断により、AI 生成音声による通話が、人工音声または録音音声に対する規制の対象となることが明確になった。
• 米連邦取引委員会（FTC）は 2024年4月、Voice Cloning Challenge の成果を発表した。同委員会は、AIを利用した音声クローンによる被害を軽減する手法として、電子透かし、ライブネス検出、認証、異常検知などを取り上げた。
• 欧州アクセシビリティ法は、2025年6月28日から適用が開始されました。この法律により、EU全域で対象となる製品およびサービスに対するアクセシビリティ要件が定められました。
• Google Cloudは、2025年9月にGemini 2.5 TTS FlashおよびProの一般提供を開始しました。このリリースにより、同社のクラウドTTS製品群に自然言語による音声制御と幅広いロケール対応が追加されました。
• ElevenLabsは、2025年1月に1億8,000万米ドルのシリーズCラウンドを完了しました。この資金調達により同社の評価額は33億米ドルとなり、AIを中核とする音声プラットフォームへの継続的な投資が強調されました。
• 仮想音声アシスタントLOLAは、TAVI後のモニタリング用途としてESC 2024で発表されました。報告されたプログラムでは、構造化された心臓ケアのワークフローにおいて、2時間以内に40件を超える患者フォローアップの電話を完了しました。