TTSとは 「Text-To-Speech（テキスト読み上げ）」 の略で、
簡単に言うと 文字を音声に変換する技術 のことです。
たとえば…
スマホの読み上げ機能で、メッセージやニュースを声で聞ける
カーナビが目的地までの案内を音声で話す
Siri や Google アシスタントが話して答える
これらはすべて TTS（音声合成） の仕組みを使っている。
仕組みのざっくりイメージ
テキスト入力：「こんにちは、今日はいい天気ですね」
音声合成エンジンが文字を読み方に変換
人工的な声で読み上げる音声を生成（自然な抑揚をつける）
最近のTTSはAI技術（特に深層学習）によって、
まるで人間のように自然な話し方ができるようになっている。
「深層学習を使ったTTS」は、文字列→音声の処理を学習ベースで行い、人間らしい抑揚・リズム・声質を自動で作れるようになった技術です。従来より滑らかで自然な発話が可能になり、少ない手作業で多様な話し方や声を生成できるようになった。
仕組み（高レベルのパイプライン）
一般的な現代TTSは大きく3つのステップに分かれる
– テキスト前処理（Frontend）
文字列を音素（発音単位）に変換（G2P = Grapheme→Phoneme）したり、句読点や数字を正しい読みへ変換したりする。
– アコースティックモデル（Acoustic / Spectrogram Generator）
テキスト（音素や言語特徴）を入力に取り、音の時間周波数表現（例：メルスペクトログラム）を生成する。
ここで抑揚（ピッチ）、長さ（音の持続）、強弱などの「話し方」が決まる。
– ボコーダ（Vocoder）
メルスペクトログラムなどの中間表現を受け取り、実際の波形（聞ける音声）を生成する。
深層学習は主に（2）と（3）で活躍
なるほど〜 かなり勉強になりますね。少しずつでも毎日勉強したほうが良さそう…
