日本語TTSを使いこなす

日本語の音声合成には、英語では起きにくい2つのつまずきがあります。

読み間違い — 「入口」が「にゅうこう」、社名が綴りどおりに読まれる
抑揚の崩れ — 文字は合っているのに、疑問文が平板に落ちる

このページは、その2つをどう直すかを 実測にもとづいて まとめたものです。公式ドキュメントに載っていない「声ごとの効き方の違い」も含みます。

:::tip 結論から

読みは、送信前にかな書きへ置換するのが最も確実（発音辞書より安定）
抑揚は eleven_v3 の audio tag でしか触れない（発音辞書では不可能）
タグの効き方は声ごとに違う。使う声で必ず実測する :::

0. まず 1 回呼んでみる

よくある誤読は、ゲートウェイ側で先に直しています。日本語を含むテキストは合成の前にサーバー側の読み辞書を通る（「AICU」→「アイキュー」、「ChatGPT」→「チャットジーピーティー」…）ので、下の 2 本の curl はクライアント側で何もしなくても製品名を正しく読みます。

# Multilingual v2（既定）: 読みはサーバー側の辞書が直す
curl -X POST https://api.aicu.ai/v1/audio/speech \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"input": "AICU API の入口はこちらです", "voice": "nao"}' \
  --output v2.mp3

# v3: 同じ文に抑揚のオーディオタグを足す（タグを解釈するのは eleven_v3 だけ）
curl -X POST https://api.aicu.ai/v1/el/tts \
  -H "Authorization: Bearer $AICU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "[excited] AICU API の入口はこちらです！", "voice": "nao", "model": "eleven_v3"}' \
  --output v3.mp3

辞書は小さく、プロジェクト固有です（ゲートウェイ側の yomi 辞書）。かな・漢字を含むテキストにだけ効き、長い語から先に置換します。辞書に無い固有名詞は、送る前に自分でかな書きに置き換えてください。それが発音辞書より確実な理由を、このページの残りで説明します。

1. 読みを直す

発音辞書（Pronunciation Dictionary）という公式の手段

ElevenLabs は W3C の標準仕様 PLS（Pronunciation Lexicon Specification） に対応しています。 .pls ファイルをアップロードすると辞書IDが返り、合成時に指定できます。

W3C PLS 仕様: https://www.w3.org/TR/pronunciation-lexicon/
ElevenLabs 発音ガイド: https://elevenlabs.io/docs/best-practices/prompting/pronunciation
辞書アップロードAPI: https://elevenlabs.io/docs/api-reference/pronunciation-dictionaries/add-from-file

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0" xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
         alphabet="ipa" xml:lang="ja-JP">
  <lexeme><grapheme>入口</grapheme><alias>いりぐち</alias></lexeme>
</lexicon>

読み替えには3つの方式があります。

方式	対応モデル	日本語での実用性
alias（別表記に置換）	全モデル	△ 期待どおりに効かないことがある
phoneme（発音記号）	`eleven_flash_v2` のみ	✗ 多言語モデルでは使えない
IPA（本文に直接記述）	`eleven_v3`	△ 公式も一貫性80〜90%と明記

実測：日本語ではかな書きが最も確実だった

入口 → いりぐち の alias を登録して合成したところ、**「にゅうぐち」**という中途半端な読みになりました。前半だけ元の誤読が残り、部分的にしか適用されていません。

何もしない（「にゅうこう」）

PLS の alias 適用（「にゅうぐち」）

かな書きに置換（「いりぐち」）

送信前に置換してしまえば、モデルは素直に読みます。前処理が最も確実です。

YOMI = {
    "AICU media": "アイキューメディア",   # 複合語を先に登録する
    "AICU": "アイキュー",
    "ComfyUI": "コンフィーユーアイ",
    "入口": "いりぐち",
    "curl": "しーゆーあーるえる",
}

def apply_yomi(text: str) -> str:
    for src in sorted(YOMI, key=len, reverse=True):   # 長い語から置換
        text = text.replace(src, YOMI[src])
    return text

:::caution 長い語から置換すること AICU を先に処理すると、AICU media が「アイキュー media」になります。 sorted(..., key=len, reverse=True) が効いているのはこのためです。 :::

AICU そのまま

アイキュー に置換

2. 抑揚を直す

発音辞書では抑揚を扱えません

W3C PLS 仕様の §1.4「What PLS does not Support」に明記があります。

The most complex features have been postponed to a future revision of this specification.

PLS が持つのは <grapheme> <phoneme> <alias> だけで、 韻律（prosody）・アクセント・イントネーションの要素は仕様に存在しません。

日本語で抑揚を触る手段は、いまのところ eleven_v3 の audio tag だけです。

audio tag の一覧

[laughs] [laughs harder] [starts laughing] [wheezing] [snorts]
[whispers] [sighs] [exhales] [sarcastic] [curious] [excited]
[crying] [mischievously]
[gunshot] [applause] [clapping] [explosion] [swallows] [gulps]
[strong X accent] [sings]

公式は「これで全部ではない、試してほしい」としており、実際に [softly] [warmly] [happy] [breathless] [questioning] なども反応します。

実測：タグの効き方は声によって違う

同一文「いりぐちはどちらですか？」でタグだけを差し替え、無タグとの長さ比を測りました。

tag	Mina	Saki	所見
`laughs`	3.0×	1.7×	Mina で最も強く反応
`happy`	2.2×	1.6×
`sarcastic`	2.2×	1.1×	Saki ではほぼ効かない
`breathless`	2.2×	1.2×	同上
`questioning`	2.2×	1.0×	同上
`excited`	2.1×	1.6×	両方効く
`sighs`	1.3×	2.0×	Saki のみ強く反応（逆転）
`cheerfully`	1.1×	1.5×	Mina ではほぼ効かない
`softly`	1.4×	1.7×
`curious` / `whispers`	1.3×	1.2×	控えめ

sighs は Mina 1.3× / Saki 2.0× と逆転しています。公式が言う「ある声で効くタグが別の声では効かない」が、そのまま数字に出ました。

全16タグ × 2声の音源はこちらです。

Mina: /audio/ja-tts/tags/mina/00-none.mp3 〜 15-questioning.mp3
Saki: /audio/ja-tts/tags/saki/00-none.mp3 〜 15-questioning.mp3

:::note 長さは代理指標です表の倍率は「無タグに対する再生時間の比」であり、タグが効いた度合いの目安にすぎません。最終判断は必ず耳で行ってください。実際、cheerfully（Mina 1.1×）はほとんど変化が聴き取れませんでした。 :::

抑揚辞書という運用

読みが正しくても抑揚が崩れる語句は、タグを語句の直前に差し込んで矯正できます。

「いりぐちはどちらですか？」は無タグだと平板に落ちますが、 [softly] を付けると疑問文として自然に上がります。Mina / Saki の両方で確認しました。

PROSODY = {
    "いりぐちはどちらですか": "softly",
}

def apply_prosody(text: str) -> str:
    """eleven_v3 専用。v2 はタグを解釈せず、そのまま読み上げてしまう"""
    for phrase in sorted(PROSODY, key=len, reverse=True):
        text = text.replace(phrase, f"[{PROSODY[phrase]}] {phrase}")
    return text

:::danger v2 にタグを渡さないこと eleven_multilingual_v2 は audio tag を解釈しません。 [softly] という文字列をそのまま音読してしまいます。タグは v3 専用です。 :::

組み合わせた例

Mina

Saki

[breathless] せいせいエーアイ時代に、[happy] つくる人をつくる！
[excited] げっかんアイキューのはいたつに来ました！
[curious] いりぐちは、どちらですか？

読み（かな置換）と抑揚（タグ）は別々の辞書として持つのが扱いやすいです。読みは全モデル共通、抑揚は v3 のみ、と適用範囲が違うためです。

3. まとめ

やりたいこと	手段	対応モデル
固有名詞・熟字訓の読み	送信前にかな書きへ置換	全モデル
発音辞書を使いたい	PLS（`.pls`）をアップロード	全モデル（日本語では不安定）
抑揚・感情	audio tag	`eleven_v3` のみ
アクセント・韻律の精密制御	手段なし（PLS の仕様外）	—

誤読も抑揚の崩れもプロジェクト固有です。 見つけるたびに辞書へ1行足す運用にすれば、回を追うごとに精度が上がります。

0. まず 1 回呼んでみる​

1. 読みを直す​

発音辞書（Pronunciation Dictionary）という公式の手段​

実測：日本語ではかな書きが最も確実だった​

2. 抑揚を直す​

発音辞書では抑揚を扱えません​

audio tag の一覧​

実測：タグの効き方は声によって違う​

抑揚辞書という運用​

組み合わせた例​

3. まとめ​

関連​