テキスト読み上げ — 無料・無制限・WAV 保存

Text to Speech

長い文章をそのまま貼り付けて、声を選んで、まず聞いてみる。気に入ったら WAV でダウンロード。エンジンは三つ——ダウンロード不要の OS 内蔵音声、中国語の Kokoro 82M、英語と日本語の Supertonic 3。合成はすべてブラウザの中で行われ、テキストは端末から出ません。

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。

テキスト

0 文字言語

テキストはこのページから出ていきません。タブを閉じれば消え、どこにも保存されません。

エンジン

詳細
OS にもともと入っている音声を使うので、パソコンごとに聞こえ方が違います。再生専用です。音は OS から直接スピーカーへ送られ、ページは音声データを受け取れないため、ダウンロードできるものがありません。
音声は OS のもので、OS の利用規約に従います。
まずは内蔵の音声でこのテキストを聞いてみて、音声ファイルが欲しくなったらモデルをダウンロードしてください。
詳細
ライセンス： Apache-2.0
バージョン： 6cc0f0d
モデルの重みは Hugging Face から、固定したバージョンでダウンロードします： onnx-community/Kokoro-82M-v1.1-zh-ONNX
中国語の発音辞書はこのサイト（bytescope.dev）からダウンロードします： 9.3 MB
中国語の音声は北京なまりの標準中国語です。読みが複数ある漢字は一部読み間違え、中国語の文に混ざった英単語は不自然になることがあります。繁体字は読みを調べるために内部で簡体字に変換しますが、入力したテキスト自体は変わりません。
WebGPU があれば再生よりずっと速く合成できます。使える GPU がないと CPU で動くため、音声の長さのおよそ 1.5〜3 倍かかります。GPU がない場合は、合成が終わるまで待つことになります。
合成中はブラウザが 2.5〜3 GB ほどメモリを使います。多くのスマートフォンでは足りません。
まずは内蔵の音声でこのテキストを聞いてみて、音声ファイルが欲しくなったらモデルをダウンロードしてください。
詳細
ライセンス： OpenRAIL-M
バージョン： 3cadd1e
モデルの重みは Hugging Face から、固定したバージョンでダウンロードします： Supertone/supertonic-3
英語と日本語のみです。中国語は話せません。
WebGPU があれば再生よりずっと速く合成できます。使える GPU がないと CPU で動くため、音声の長さのおよそ 1.5〜3 倍かかります。GPU がない場合は、合成が終わるまで待つことになります。
合成中はブラウザが 2.5〜3 GB ほどメモリを使います。多くのスマートフォンでは足りません。
OpenRAIL-M の利用制限（Attachment A）。モデルやその出力を次の目的に使わないことに同意するものとします：
- (a)適用される国・連邦・州・地方・国際の法令に違反すること
- (b)未成年者を搾取したり傷つけたりすること、またはそれを試みること
- (c)他者を害する目的で、明らかに虚偽の情報やコンテンツを生成・拡散すること
- (d)個人を害するのに使える個人識別情報を生成・拡散すること
- (e)機械が生成したものだとはっきり分かるように示さずに、コンテンツを生成・拡散して何らかの文脈（自動投稿の bot など）に置くこと
- (f)他者を中傷・侮辱したり、嫌がらせをしたりすること
- (g)本人の同意なく他人になりすますこと、またはそれを試みること（ディープフェイクなど）
- (h)個人の法的権利に不利な影響を与える、または拘束力のある義務を生じさせたり変えたりする完全自動の意思決定
- (i)オンライン・オフラインの社会的行動や、既知または予測される個人の特性にもとづいて、個人や集団を差別したり害したりすること
- (j)年齢や社会的・身体的・精神的な特性による特定の集団の弱みにつけ込み、行動をゆがめて心身の害を与える、または与えるおそれがあること
- (k)法律で保護された特性や区分にもとづいて、個人や集団を差別すること
- (l)医療上の助言や、医療結果の解釈を提供すること
- (m)司法・法執行・出入国管理・難民認定の手続きの運用に使う情報を生成・拡散すること（ある人が詐欺や犯罪を行うと予測するなど）
これは要約で、法的な助言ではありません。上のリンク先のライセンス本文が正式なものです。

音声と速さ

音声速さ 1.00×

試聴

音声ファイルが欲しいときは、ダウンロード型の音声に切り替えてください。

文ごと

テキストがあって言語が決まると、ここに文が並びます。

ダウンロード済みの音声

確認中…

できないこと

内蔵の音声はダウンロードできません。OS の音声なので、パソコンごとに聞こえ方も違います。
Kokoro の中国語は北京なまりで、読みが複数ある漢字を一部読み間違え、混ざった英単語は不自然になることがあります。
声のクローンはできず、感情や口調の調整もできません。
Supertonic 3 は利用制限のある OpenRAIL-M ライセンスです。制限は「詳細」に一つずつ載せています。
GPU がないと合成に音声の長さのおよそ 1.5〜3 倍かかるので、合成が終わるまで待つことになります。
ダウンロード型のエンジンは、動いている間ブラウザのメモリを 2.5〜3 GB ほど使います。

このツールについて

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。

よくある質問

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。