日本語の文章を AI で読み上げる
入力した日本語の文章を AI で読み上げ、音声ファイルとして保存できます。音声合成 AI の Irodori-TTS をブラウザの中で動かすので、文章は外部に送信されません。アプリのインストールと会員登録は必要ありません。GPU（WebGPU）のある PC の Chrome・Edge でお使いください。
数字は「10部」のように算用数字で書くと読み違いが減ります。読み違える語は「読みの辞書」に追加できます。
AI の補助もブラウザの中で動作し、文章と要望は外部に送信されません。
声と品質
空欄のまま押すと、文章に合う声の説明を作ります。
辞書はこのブラウザに保存し、外部に送信しません。読み上げの前に、本文の語を辞書の読みに置き換えます。
出力の設定
このブラウザに保存した AI モデル
使い方
- 1
文章を入力する
読み上げる日本語の文章を入力するか貼り付けます。数字は「10部」のように算用数字で書くと読み違いが減ります。絵文字のボタンを押すと、カーソルの位置に感情や話し方の指定が入ります。
- 2
声と品質を選ぶ
声を選択肢から選ぶか、「声の説明を自分で書く」を選んで文章で指定します。品質は初期設定では「標準」です。
- 3
読み上げて保存する
「読み上げる」を押します。初回は AI モデル（約 1.7 GB）を取得します。読み違えた部分は「作り直す」で作り直し、「保存」で音声ファイルにします。
声の説明の書き方や絵文字の使い方、公式の Irodori-TTS との違いは、運営者のブログの記事『Irodori-TTSの使い方』で説明しています。
読み上げの仕組みと、声・感情の指定
声は選択肢から選ぶか、「声の説明」に「落ち着いた低めの声の男性」のように文章で書いて指定します。本文に絵文字を入れると、その位置の感情や話し方（囁き・間・笑いなど）を指定できます。長い文章は区切って順に作り、最初に作った部分の声に合わせて残りを作るので、最後まで同じ声で読み上げます。使う AI は音声合成モデルの Irodori-TTS（MIT ライセンス）で、初回だけ AI モデル（約 1.7 GB）を Hugging Face から取得し、2 回目からは端末に保存したものを使います。
作った音声は自由に使えます。クレジット表記は必要ありません。実在の人物になりすます用途や、実在の人物の発言だと誤認させる用途での利用を禁止します。声は毎回 AI が作るため、偶然、実在の人の声に似ることがあります。
よくある質問
文章はサーバーに送信されますか？
送信されません。読み上げはお使いの端末のブラウザの中で行い、入力した文章・声の説明・読みの辞書は外部に送信されません。AI モデルは初回に Hugging Face から取得し、ブラウザに保存します。会員登録も必要ありません。なお、不具合を直すための処理の統計（端末の性能、文章のおおよその文字数と文の数、エラーの種類など。文章そのものと声の説明は含みません）は当サイトのサーバーに送信され、ページ下部の「サービス品質向上へのご協力のお願い」にあるスイッチで停止できます。
iPhone やスマホでも使えますか？
iPhone・iPad では使えません。読み上げの AI は、読み込むと計算のためにメモリを約 3 GB 使います。iPhone・iPad では、1 つのページが使えるメモリの量を OS が制限しています。当サイトで試した iPhone 15 Pro Max（メモリ 8 GB）でも、AI モデルの取得の後にこの上限を超え、ページが自動で読み込み直されて読み上げまで進めませんでした。約 1.7 GB の取得が無駄にならないよう、iPhone・iPad では取得を始める前に止めています。GPU（WebGPU）のある PC の Chrome・Edge でお使いください。Android と Mac の Safari でも利用できますが、端末によっては途中で止まることがあります。
ボイスクローン（自分の声や好きな声の複製）はできますか？
できません。他人の声を無断で複製したり、本人になりすましたりすることに使われないよう、録音や音声ファイルを読み込んで声をまねる機能（ボイスクローン）は、意図して搭載していません。声は「声の説明」の文章で指定します。気に入った声は「この声を保存」でこのブラウザに保存でき、どの文章でも同じ声で読み上げられます。保存した声をファイルに書き出すときも、記録するのは声の作り方だけです。読み込むとこのツールが声を作り直すため、録音から作った声を持ち込むことはできません。
長い文章も読み上げられますか？
できます。文章を文の区切りで分けて順に読み上げ、短い無音を挟んで 1 つの音声ファイルにつなぎます。文字数の上限はありません。当サイトで試した PC（Ryzen 7 8745H の内蔵 GPU）では、「標準」で 1 分の音声をおよそ 30 秒で作ります。「高品質」はその 6 倍ほどかかります。
サービス品質向上へのご協力のお願い
変換や圧縮が失敗したとき、そのときの状況を送っていただけると原因の特定に役立ちます。どの端末・どの形式で失敗しやすいのか、どれくらい時間がかかっているのかが分かれば、対応形式の見直しや不具合の修正に反映できます。差し支えなければ、このままオンにしていただけると助かります。
送信する情報
使ったツールと選んだ設定（出力形式・品質など）、端末の性能（GPU の有無・メモリ・コア数）、入力の形式とおおよそのサイズ（読み上げでは、文章のおおよその文字数と文の数、分けて生成した回数、AI モデルの読み込み時間）、成功・失敗の件数と所要時間、失敗した場合はエラーの種類と内容。
送信しない情報
ファイルそのもの、ファイル名、動画に入れる文字・字幕・プロンプト、読み上げる文章・声の説明・読みの辞書・保存した声、IP アドレス。送信先は当サイトのサーバーのみで、外部の事業者には提供しません。