# Text to Speech

> ブラウザだけでテキストを読み上げます。文字数の上限はなく、長い文章は1万文字ずつ合成します。送信はせず、聞いてから WAV を保存。オフラインでも使えます。

- URL: https://bytescope.dev/ja/text-to-speech/
- Locale: ja · Also: [en](https://bytescope.dev/en/text-to-speech.md) · [zh-Hant](https://bytescope.dev/zh-Hant/text-to-speech.md)
- Runs: テキストはこのタブの中だけにあります。アップロードも保存もせず、アクセス解析にも送りません。
- Requires: Built-in voices: any browser with the Web Speech synthesis API (voices depend on the operating system). Downloadable voices (Kokoro for Chinese, Supertonic 3 for English and Japanese): any modern desktop browser, much faster with WebGPU; without it they run on the CPU slower than real time. Phones may run out of memory (the models need about 2.5–3 GB while running).
- Updated: 2026-09-08

## What it does

テキスト読み上げのサイトの多くは数百文字で止められたり、アカウント登録を求められたり、テキストをサーバーに送って読ませたりします。このページはそのどれもしません。音声はブラウザのタブの中で生成されます。文字数の上限もアップロードもなく、長い記事でも一章まるごとでも、まだ公開していない原稿でも、あなたのパソコンから出ていきません。長い文章は1万文字ずつ合成します。まずページ上で再生して確かめ、ダウンロード型のエンジンならボタン一つで 16-bit モノラルの WAV ファイルを書き出せます。音声モデルを一度ダウンロードすれば、ネットワークがなくても動き続けるので、オンラインの読み上げツールであると同時にオフラインの音声合成ツールでもあります。

### 三つのエンジンを言語で選ぶ

内蔵エンジンは Web Speech API（`speechSynthesis`）を使うので、声は OS に入っているものそのまま——Windows、macOS、Android、iOS でそれぞれ違います——で、ダウンロードは一切要りません。Kokoro 82M は中国語担当で 100 種類の声があり、ライセンスは Apache-2.0、初回にモデル約 340 MB と中国語の発音辞書 3〜4 MB をダウンロードします。Supertonic 3 は英語と日本語担当で 10 種類の声、初回に約 400 MB をダウンロードし、ライセンスは OpenRAIL-M です。Supertonic 3 は中国語を話せないので、中国語のテキストは Kokoro か内蔵音声のどちらかになります。

### まず聞いて、気に入ったらダウンロード

どのエンジンも、ファイルを書き出す前にページ上で再生します。読み上げ中は今読んでいる文がハイライトされ、好きな文をクリックすればそこから読み直せます。速度は 0.5 倍から 2.0 倍まで調整できます。これでいいと思ったら「WAV をダウンロード」でテキスト全体をファイルにします。内蔵エンジンにはダウンロードボタンがなく、理由は下の FAQ に書いてあります——音はブラウザからスピーカーへ直接流れ、ページには届かないからです。

### 中国語の声はこう聞こえます

Kokoro の中国語音声は北京訛りで、複数の読みを持つ漢字の一部を読み間違え、中国語の文に混ざった英単語には訛りが出ます。繁体字は読みを引くために内部で簡体字に変換されますが、画面の文字は変わりません。内蔵音声は OS が持っている中国語音声で読むので、訛りはシステム次第です。ただしその声はダウンロードできません。

### 速度とメモリ

WebGPU が使えれば、合成はリアルタイムの何倍も速く終わります。使える GPU がないとモデルは CPU で動き、長い文章は再生時間より長くかかります——試したところ、音声の長さの 1.5〜3 倍ほど——ので、10 分の読み上げはクリック一つでは済まず、待つことになります。ダウンロード型モデルの合成中、ブラウザは 2.5〜3 GB ほどのメモリを使い、多くのスマホには足りません。スマホでは内蔵音声が現実的な選択です。

### このページでできないこと

声のクローン、感情やスタイルの指定、MP3 書き出しはありません。出力は WAV です。モデルの重みは、あなたがダウンロードに同意したあとで Hugging Face の固定バージョンから取得し、中国語の辞書はこのサイトが配信します。ページを開いただけでは何もダウンロードされず、許可も求めません。音質はこれらの公開モデルが出せる範囲のものです。ダウンロードする前に、自分の文章を一文だけ再生して自分の耳で判断してください。

## Limits

Does not upload your text, does not clone voices, does not control emotion or tone, and does not export MP3. The built-in browser voices can only be played, not downloaded; whether the operating system synthesises them on-device or in the cloud is up to the system and cannot be seen by the page.

## FAQ

### 内蔵音声の音をダウンロードできないのはなぜ？

Web Speech API は再生しかしないからです。`speechSynthesis` はテキストを OS に渡し、OS が音をそのままスピーカーへ送ります。Web ページには音声データが一切届かないので、保存するものがありません。WAV ファイルがほしいときは、ページの中で合成してファイルに書き出せる Kokoro（中国語）か Supertonic 3（英語・日本語）を使ってください。

### 中国語が北京訛りに聞こえるのはなぜ？

Kokoro 82M の 100 種類の中国語音声は、すべて北京訛りの標準中国語で読み上げます。複数の読みを持つ漢字の一部を読み間違え、中国語の文に混ざった英単語にも訛りが出ます。繁体字は読みを引くために内部で簡体字に変換されますが、入力したテキストは変わりません。内蔵音声は OS の中国語音声を使うので、訛りはシステム次第ですが、その声はダウンロードできません。

### テキストは送信されますか？

このページからは送信しません。Kokoro と Supertonic 3 は完全にブラウザの中で動くので、テキストは端末から出ません。内蔵エンジンはテキストを OS の音声サービスに渡します。システムによってはそのサービスがクラウドで合成することがあり、それを決めるのはブラウザと OS であって、このページには見えもしなければ制御もできません。確実に手元に留めたいテキストには、ダウンロード型のエンジンを使ってください。

### 作った音声を商用利用できますか？

それは音声を生成したモデルのライセンス次第で、このページが決めることではありません。Kokoro 82M は Apache-2.0 で公開されています。Supertonic 3 は OpenRAIL-M で、他人になりすまさない、人を傷つける目的に使わない、公開する音声には機械生成であることを明示する、といった利用制限があります。ページはダウンロード前にその条項を一つずつ表示します。内蔵音声は OS の利用規約に従います。公開や販売の前に該当するライセンスをご自身で読んでください。このページは法的な助言をしません。

### インターネットなしでも使えますか？

使えます。ただし音声をダウンロード済みであることが条件です。Kokoro と Supertonic 3 は初回ダウンロードのあとブラウザに保存され、合成はローカルで行われるので、オフラインでも動き続けます。内蔵エンジンは OS 次第です。完全にローカルで動くシステム音声もあれば、ネットワーク接続が必要なものもあり、ページにはどちらなのか分かりません。

### 初回のダウンロードがこんなに大きいのはなぜ？

声の一覧ではなく、音声モデルそのものをダウンロードしているからです。Kokoro 82M は約 340 MB に中国語の発音辞書 3〜4 MB、Supertonic 3 は約 400 MB です。サーバーではなくブラウザで合成することの代償で、モデルはあなたのマシンになければなりません。ダウンロードは同意してから始まり、重みは Hugging Face の固定バージョンから取得され、ブラウザが保持するのでダウンロードは一度きりです。

### 長い文章が遅いのはなぜ？

速度はハードウェア次第です。WebGPU があれば合成はリアルタイムよりずっと速く終わります。使える GPU がないとモデルは CPU で動き、試したところ長い文章は音声の長さの 1.5〜3 倍ほどかかったので、30 分の読み上げには根気が要ります。合成中はブラウザのメモリを 2.5〜3 GB ほど使うため、スマホでは失敗したりメモリ不足になったりします。内蔵音声にはこのコストがありません。

## Related tools

- [Voice Notes](https://bytescope.dev/ja/voice-notes.md) — 逆向き：話した声を録音しながら文字起こし →
- [Subtitle Converter](https://bytescope.dev/ja/subtitle-converter.md) — 字幕を SRT・VTT・ASS・SBV の間で変換 →
- [Live Captions](https://bytescope.dev/ja/live-captions.md) — 話した言葉をその場で字幕に、翻訳も →
- [Speaker Test](https://bytescope.dev/ja/speaker-test.md) — 聞く前に左右のチャンネルと低音をチェック →