Googleが2017年12月にTacotron 2で記録した平均オピニオン評点(MOS)は4.53で、プロが収録した音声の4.58にほぼ並んだ(Google、Tacotron 2論文 2017年)。それ以降、合成音声と人間の音声の差は、ほぼすべての標準ベンチマークで縮まった。2024年には、VALL-E 2やMaskGCTなどのゼロショットシステムが、比較対象の実録音をわずかに上回るスコアを記録しており(Microsoft、VALL-E 2 2024年、MaskGCT 2024年)、2025年の聴取研究ではボイスクローンの58%が本物の人間の声と取り違えられた(ロンドン大学クイーン・メアリー、PLOS ONE 2025年)。2026年のより難しい問いは、機械が人間らしく聞こえるかどうかではなく、MOS試験がその差をまだ測れるかどうかだ。本記事では、Google DeepMind、Microsoft Research、ByteDance、Blizzard Challenge、VoiceMOS Challenge、ITU-T、PLOS ONE、Artificial Analysis、Hugging Faceのデータを集約した。市場全体の状況については、当社のテキスト読み上げ統計のまとめをご覧ください。
主なポイント
- Tacotron 2のMOSは4.53で、プロの録音は4.58(Google、Tacotron 2論文 2017年)。
- WaveNetは人間の音声との差を50%以上縮め、米国英語で4.21対4.55を記録した(DeepMind、WaveNet 2016年)。
- NaturalSpeechはLJ Speechの録音に対して-0.01 CMOSで、有意差はなかった(Microsoft Research、NaturalSpeech 2022年)。
- VALL-E 2はLibriSpeechで+0.033 CMOSと4.61 SMOSを記録し、実録音は4.13だった(Microsoft、VALL-E 2 2024年)。
- NaturalSpeech 3は10億パラメータで20万時間のデータで学習された(Microsoft、NaturalSpeech 3 2024年)。
- CosyVoice 3は学習データを1万時間から100万時間に拡大し、9言語に対応した(Alibaba、CosyVoice 3 2025年)。
- 人間の録音は、4件の代表的な論文でMOS 4.30から4.58まで幅があった(Google、DeepMind、Kakao、Microsoftの論文 2016年から2021年)。
- Blizzard Challenge 2023の2つのシステムは、MOSで自然音声と統計的に差がなく、これは同コンペ初のことだった(Blizzard Challenge 2023サマリー、Computer Speech and Language 2024年)。
- ボイスクローンの58%と汎用AI音声の41%が人間の声と判断された(Lavanほか、PLOS ONE 2025年)。
- 聴取者が音声ディープフェイクを正しく見分けられた割合は73%だった(Maiほか、PLOS ONE 2023年)。
- VoiceMOS Challenge 2022は22チームによる187のTTSおよび声質変換システムを対象とした(VoiceMOS Challenge 2022)。
- Speech Arenaで首位のモデルは、Elo 1321(区間 ± 189)を記録した(Artificial Analysis、2026年10月)。
1. 人間の上限は固定された数値ではない
あらゆる同等性の主張は、実際の音声の基準スコアに依存しており、その基準は動く。収録された人間の音声は、代表的なTTS論文でMOS 4.58という高い値から4.30という低い値まで幅があった。この0.28ポイントの開きは、同じ表に並ぶ多くの競合システム間の差よりも大きい。LJ Speechだけを見ても、VITS論文では4.46、FastSpeech 2論文では4.30となっており、これは聴取者パネル、教示、試験設計が研究室ごとに異なるためだ。
実務上の読み方はこうだ。MOS 4.4という数値は、単独では何の意味もない。同じ聴取試験の実録音のスコアと並べて初めて意味を持つ。このため最近の論文では、生のMOSではなくCMOS(比較MOS、基準に対する並列評価スコア)を報告する例が増えている。VITS論文はよい例で、実録音は4.46、自社システムは4.43と報告しており、0.03の差は信頼区間の内側に収まっている。
| 指標 | 値 | 出典 |
|---|---|---|
| プロが収録した音声のMOS、Tacotron 2の試験 | 4.58 | Google、Tacotron 2論文 2017年 |
| 人間の音声のMOS、米国英語、WaveNetの試験 | 4.55 | DeepMind、WaveNet 2016年 |
| 人間の音声のMOS、中国語(北京語)、WaveNetの試験 | 4.21 | DeepMind、WaveNet 2016年 |
| LJ Speech実録音のMOS、VITSの試験 | 4.46(± 0.06) | Kimほか(Kakao Enterprise)、VITS 2021年 |
| VCTK実録音のMOS、VITSの試験 | 4.38(± 0.07) | Kimほか、VITS 2021年 |
| LJ Speech実録音のMOS、FastSpeech 2の試験 | 4.30(± 0.07) | Microsoftと浙江大学、FastSpeech 2 2020年 |
| ボコーダーを通した実録音、FastSpeech 2の試験 | 3.92 | FastSpeech 2 2020年 |
補足:ボコーダーの行は重要だ。実録音をメルスペクトログラムに変換して元に戻しただけで、FastSpeech 2の試験ではMOSが0.38ポイント下がった。これは、従来の差のどれだけが、テキストのモデリングではなく波形生成に由来していたかを示している。これらの論文の多くは3年以上前のもので、各ベンチマークで入手できる最新データとして掲載している。
2. WaveNetから同等性へ:単一話者TTS、2016年から2022年
単一話者の物語には約6年を要した。WaveNetは2016年に、既存の最良システムと人間の音声との差を50%以上縮めた。米国英語で4.21を記録し、連結合成は3.86、パラメトリック合成は3.67だった(DeepMindのWaveNet発表)。その後Tacotron 2が差を0.05ポイントまで縮め、2021年にはVITSが複数話者のVCTKセットで実録音と並ぶ4.38を記録した。
ゴールは、MicrosoftのNaturalSpeechによってもたらされた。文単位でLJ Speechの録音に対して-0.01 CMOSを記録し、ウィルコクソンの符号順位検定でも有意差は認められなかった。興味深いのはその後の変化だ。クリーンな朗読音声で同等性に達すると、この分野は単一話者の自然さを競うのをやめ、数秒の音声から未知の声をクローンする方向へと移った。
| 指標 | 値 | 出典 |
|---|---|---|
| WaveNetのMOS対人間、米国英語 | 4.21対4.55 | DeepMind、WaveNet 2016年 |
| WaveNetのMOS対人間、中国語(北京語) | 4.08対4.21 | DeepMind、WaveNet 2016年 |
| 連結合成対パラメトリック合成のMOS、米国英語(WaveNet以前) | 3.86対3.67 | DeepMind、WaveNet 2016年 |
| Tacotron 2のMOS対録音 | 4.53対4.58 | Google、Tacotron 2論文 2017年 |
| VITSのMOS対実録音、LJ Speech | 4.43対4.46 | Kimほか、VITS 2021年 |
| VITSのMOS対実録音、VCTK複数話者 | 4.38対4.38 | Kimほか、VITS 2021年 |
| VCTKでのTacotron 2 + HiFi-GAN、同一試験 | 3.14 | Kimほか、VITS 2021年 |
| NaturalSpeechのCMOS対LJ Speech録音 | -0.01(p >> 0.05) | Microsoft Research、NaturalSpeech 2022年 |
品質とともに速度も向上した。VITSはリアルタイムの67.12倍の速度で合成し、Glow-TTSとHiFi-GANのパイプラインは27.48倍だった。またFastSpeech 2の学習時間は17.02時間で、FastSpeechの53.12時間から3.12倍高速化した(FastSpeech 2論文)。
| 指標 | 値 | 出典 |
|---|---|---|
| VITSのリアルタイム係数 | 67.12倍 | Kimほか、VITS 2021年 |
| Glow-TTS + HiFi-GANのリアルタイム係数 | 27.48倍 | Kimほか、VITS 2021年 |
| FastSpeech 2のMOS対Tacotron 2のMOS(ネイティブ評価者20人) | 3.83対3.70 | FastSpeech 2 2020年 |
| FastSpeech 2対FastSpeechの学習時間 | 17.02時間対53.12時間(3.12倍高速) | FastSpeech 2 2020年 |
3. ゼロショット音声クローンが実録音に並び、追い越す
短いプロンプト音声から未知の話者をクローンするゼロショットTTSは、同じ道のりをおよそ2年に圧縮した。MicrosoftのVALL-E 2はLibriSpeechで実録音に対して+0.033 CMOSを記録し、話者類似度スコア(4.61)は実録音(4.13)を上回った(VALL-E 2論文、米国英語のネイティブ評価者20人)。2023年1月に公開され、60,000時間の英語データで学習された初代VALL-Eは、LibriSpeechでは依然として実録音に0.17 CMOS及ばなかった。
共通するキーワードは規模だ。NaturalSpeech 3は200,000時間と10億パラメータ、MaskGCTは100,000時間の実環境音声、AlibabaのCosyVoice 3は9言語と18の中国語方言にわたる100万時間を使用した。2026年に音声クローンソフトウェアを購入する人にとっての問いは、もはやクローンがラボの試験で基準録音に並べるかどうかではなく、ノイズの多いプロンプト、アクセント、感情表現豊かな音声でどれだけ安定して並べるかだ。普及と悪用については、当社の音声クローン統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| VALL-Eの学習データ | 英語60,000時間 | Microsoft、VALL-E 2023年 |
| VALL-EのCMOS対実録音、LibriSpeech(実録音は+0.17) | -0.17 | Microsoft、VALL-E 2023年 |
| VALL-E 2のCMOS対実録音、LibriSpeech | +0.033 | Microsoft、VALL-E 2 2024年 |
| VALL-E 2のSMOS対実録音、LibriSpeech | 4.61対4.13 | Microsoft、VALL-E 2 2024年 |
| NaturalSpeech 3のCMOS(実録音は+0.08) | 0.00 | Microsoft、NaturalSpeech 3 2024年 |
| NaturalSpeech 3のSMOS対実録音 | 4.01対3.85 | Microsoft、NaturalSpeech 3 2024年 |
| MaskGCTのCMOS対実録音、LibriSpeech | +0.10 | MaskGCT 2024年 |
| Seed-TTSのCMOS対人間、英語 / 中国語(北京語) | -0.07 / -0.08 | ByteDance、Seed-TTS 2024年 |
客観指標も同じ傾向を示している。CosyVoice 3はSeed-TTSの英語テストセットで単語誤り率(WER)1.45%を記録し、人間の録音の2.14%を下回った(CosyVoice 3論文)。つまり、自動音声認識は本物の音声よりも合成音声のほうを正確に書き起こしたことになる。これは非常にクリアな発音の表れではあるが、必ずしも自然さが高いことを意味しない。実際の話者は口ごもったり、ためらったり、ばらつきがあったりするからだ。
| 指標 | 値 | 出典 |
|---|---|---|
| NaturalSpeech 3の学習データと規模 | 200,000時間、10億パラメータ | Microsoft、NaturalSpeech 3 2024年 |
| MaskGCTの学習データ | 100,000時間(英語50,000時間、中国語50,000時間) | MaskGCT 2024年 |
| CosyVoice 3の学習データ | 100万時間、9言語、中国語方言18種 | Alibaba、CosyVoice 3 2025年 |
| CosyVoice 3のWER対人間、Seed-TTS test-en | 1.45%対2.14% | Alibaba、CosyVoice 3 2025年 |
| Seed-TTS DiTのWER対人間、英語 | 1.733対2.143 | ByteDance、Seed-TTS 2024年 |
| F5-TTSのCMOS対実録音、Seed-TTS test-en / test-zh | +0.31 / +0.21 | F5-TTS 2024年 |
| F5-TTSのWER対実録音、LibriSpeech-PC | 2.42対2.23 | F5-TTS 2024年 |
補足:VALL-E 2自身のVCTKの結果は、同等性がいかに脆いかを示している。3秒のプロンプトではSMOSが実録音と並んだ(4.47対4.47)が、10秒のプロンプトでは実録音が4.74、VALL-E 2は3.95から4.26だった。またCosyVoice 3は、中国語では全モデルが依然として人間の音声に及ばない一方、英語では15億パラメータのモデルが人間を上回っていると報告している。
4. Blizzard Challenge:独立した試験での同等性
著者自身が実施する試験には明らかな利益相反がある。だからこそBlizzard Challengeが重要になる。主催者が全エントリーに対して共通の聴取試験を1回だけ実施するからだ。第18回となる2023年大会は、Hubタスク(フランス語音声51時間)に18チーム、Spokeタスク(2時間)に14チームを集め、すべてがニューラル手法を採用した(The Blizzard Challenge 2023、ISCA)。MicrosoftのMuLanTTS(システムFと表記)は、Hubタスクで自然録音の4.4に対し4.3、Spokeタスクで4.5対4.5のMOSを記録した(MuLanTTS論文)。
主催者によるフォローアップのサマリーは、さらに鋭い結論を示した。2つのシステムがMOSで自然音声と統計的に差がないと評価され、これは同コンペ史上初めてだった。しかし、より精緻なMUSHRA試験では、すべてのシステムが自然音声と有意に異なると判断された(Refining the evaluation of speech synthesis、Computer Speech and Language 2024年)。言い換えれば、5段階のMOS尺度は、声が実際に同一になる前に飽和してしまった。同じサマリーは、非ネイティブの聴取者や非専門家のほうが、ネイティブの聴取者や音声の専門家よりも高いスコアを付けたことも明らかにした。
| 指標 | 値 | 出典 |
|---|---|---|
| Blizzard 2023のHub / Spokeのチーム数 | 18 / 14 | Perrotinほか、Blizzard Challenge 2023 |
| Hub / Spokeの学習データ(フランス語) | 51時間 / 2時間 | Perrotinほか、Blizzard Challenge 2023 |
| MuLanTTSのMOS対自然録音、Hub | 4.3対4.4 | Microsoft、MuLanTTS 2023年 |
| MuLanTTSのMOS対自然録音、Spoke | 4.5対4.5 | Microsoft、MuLanTTS 2023年 |
| MOSで自然音声と統計的に差がなかったシステム | 2(Blizzard初) | Blizzard Challenge 2023サマリー、CSL 2024年 |
| MUSHRAで自然音声と異なると判断されたシステム | 全システム | Blizzard Challenge 2023サマリー、CSL 2024年 |
| DelightfulTTSのMOS / SMOS、Blizzard 2021のSH1タスク | 4.17 / 4.35 | Microsoft、DelightfulTTS 2021年 |
2025年大会は、難題を低リソース言語へと移した。参加チームは、母語話者が約6,000人のオランダ語の一変種であるBildtsの音声を、7時間のデータセットから構築することを求められ、さらに10秒の参照音声を用いるゼロショットタスクも課された(The Blizzard Challenge 2025、フローニンゲン大学)。メインタスクには7チーム、ゼロショットタスクには5チームが参加した。
| 指標 | 値 | 出典 |
|---|---|---|
| Blizzard 2025の対象言語の母語話者数 | 約6,000人(Bildts) | Doほか、Blizzard Challenge 2025 |
| メインタスクの学習データ | 7時間、単一話者 | Doほか、Blizzard Challenge 2025 |
| ゼロショットタスクの参照音声 | 話者あたり10秒 | Doほか、Blizzard Challenge 2025 |
| メインタスク / ゼロショットのチーム数 | 7 / 5 | Doほか、Blizzard Challenge 2025 |
5. MOSの数値が食い違う理由:手法、規格、自動予測
MOSの手法は、ニューラル音声ではなく電話回線のために作られた。1996年8月に承認されたITU-T P.800は、今も主観的な伝送品質試験を規定している。P.800.1(2016年7月)はMOSの用語を標準化し、P.808(2018年6月、2021年6月改訂)はクラウドソーシングによる音声品質試験を扱う(ITU-T P.808)。2021年から2022年のInterspeechとSSWの論文のレビューでは、ほとんどの著者が、尺度のラベル、刻み幅、聴取者への教示を報告していないことが分かった(Kirklandほか、Stuck in the MOS pit、SSW 2023年)。さらに、同じ自然音声でも、品質MOSの平均は自然さMOSの平均より高かった。
同じチームは、同一の刺激を用いた統制聴取試験を行い、尺度の刻み幅や評価の教示だけを変えても、一部のシステムのMOSが動くことを確認した。ベンチマークの選択もばらついている。2025年のポジションペーパーによれば、VALL-EはLibriSpeechの1,234発話で評価し、NaturalSpeech 3とMaskGCTは40発話、F5-TTSは1,127発話で評価している。またMaskGCTのWERは40発話セットでは2.63%だが、1,234発話セットでは4.22%になる(Towards Responsible Evaluation for Text-to-Speech、2025年)。
| 指標 | 値 | 出典 |
|---|---|---|
| ITU-T P.800の承認 | 1996年8月(有効) | ITU-T |
| ITU-T P.800.1のMOS用語、最新版 | 2016年7月 | ITU-T |
| ITU-T P.808のクラウドソーシング試験 | 2018年6月、2021年6月改訂 | ITU-T |
| 尺度のラベル、刻み幅、教示を報告している論文 | 少数派(2021年から2022年のInterspeechとSSW) | Kirklandほか、SSW 2023年 |
| 使用したLibriSpeech test-cleanの発話数:VALL-E / NaturalSpeech 3 / F5-TTS | 1,234 / 40 / 1,127 | Yangほか、2025年 |
| MaskGCTのWER、40発話対1,234発話 | 2.63%対4.22% | Yangほか、2025年 |
| プロンプトを含める場合と含めない場合の話者類似度 | 0.905対0.754 | Yangほか、2025年 |
| CosyVoice 3のMOSパネル | 200文、ネイティブ評価者10人、0.5ポイント刻み | Alibaba、CosyVoice 3 2025年 |
人間による試験は遅く、結果も一貫しないため、この分野は自動MOS予測器を作り上げた。2022年の第1回VoiceMOS Challengeには22チームが参加し、10年以上にわたる研究に及ぶ187のTTSおよび声質変換システムについて、人間の評価を予測した(VoiceMOS Challenge 2022)。最も有効だったのは、ファインチューニングした自己教師あり音声モデルだった。その後、参加は2023年に10チーム、2024年に8チームへと減少した。2024年の最初のトラックは、予測器が最も苦戦する高品質合成の細かな識別に焦点を当てていた。
| 指標 | 値 | 出典 |
|---|---|---|
| VoiceMOS 2022のチーム数 / メイントラックのシステム数 | 22 / 187 | Huangほか、VoiceMOS Challenge 2022 |
| VoiceMOS 2023のチーム数 | 7か国から10チーム | VoiceMOS Challenge 2023(ASRU 2023) |
| VoiceMOS 2024のチーム数 | 8 | Huangほか、VoiceMOS Challenge 2024 |
| MOS-Benchの学習 / テストセット | 8 / 17 | MOS-Bench 2024年(2026年改訂) |
| NaturalSpeech 3のUTMOS対実録音 | 4.30対4.14 | Microsoft、NaturalSpeech 3 2024年 |
補足:UTMOSなどの自動スコアは、NaturalSpeech 3の表が示すように、いまや合成音声を実録音より高く評価することが珍しくない。このため、自動スコアは自然さの証明ではなく、スクリーニングの道具として扱うべきだ。
6. 聴取者はまだ聞き分けられるか:知覚研究
評価尺度上での同等性と、直接尋ねられた聴取者を欺けるかどうかは別の話だ。ロンドン大学クイーン・メアリーによる2025年の研究では、ボイスクローンの58%と汎用AI音声の41%が人間の声と判断された。一方、本物の人間の声は、実験によって62%から81%の割合で人間の声と認識された(Lavanほか、PLOS ONE 2025年)。クローンは、市販のツールを使い、話者1人あたり約4分の録音から作成された。著者らは論文に「現実的だが、まだ超現実的ではない」という趣旨の題を付けた。クローンは全体として本物の声を上回らなかったが、聴取者1人の判断が当てにならなくなる程度には近かった。
あまり語られない知見は、社会的な印象だ。汎用AI音声は、人間の声よりも支配的(0から100の尺度で58.1対40.4)で、わずかに信頼できる(57.9対53.8)と評価された。合成ナレーションを制作する人や、AI音声ジェネレーターを使う人にとって、これは聴取者がこれらの声を人として受け止めることを意味し、開示の重要性が高まる。
| 指標 | 値 | 出典 |
|---|---|---|
| 人間の声と判断されたボイスクローン | 58% | Lavanほか、PLOS ONE 2025年 |
| 人間の声と判断された汎用AI音声 | 41% | Lavanほか、PLOS ONE 2025年 |
| 人間の声と判断された本物の人間の声 | 62%から81%(実験による) | Lavanほか、PLOS ONE 2025年 |
| ボイスクローン1件あたりに使った録音時間 | 約4分 | Lavanほか、PLOS ONE 2025年 |
| 実験あたりの参加者数 / 実験あたりの声の数 | 50 / 80 | Lavanほか、PLOS ONE 2025年 |
| 支配性の評価、汎用AI音声対人間の声 | 58.1対40.4 | Lavanほか、PLOS ONE 2025年 |
| 信頼性の評価、汎用AI音声対人間の声 | 57.9対53.8 | Lavanほか、PLOS ONE 2025年 |
過去の検出に関するデータも、同じ方向を指している。529人の参加者を対象とした2023年の研究では、聴取者が音声ディープフェイクを正しく見分けられたのは73%にとどまった。英語話者と中国語(北京語)話者の成績はほぼ同じで、事前に5つのディープフェイクの例を見せても、正答率はわずか3.84%しか上がらなかった(Maiほか、PLOS ONE 2023年)。機械による検出器との比較については、当社の音声ディープフェイク検出精度の統計をご覧ください。
| 指標 | 値 | 出典 |
|---|---|---|
| 参加者数 | 529 | Maiほか、PLOS ONE 2023年 |
| 正しく識別されたディープフェイク、単独クリップ | 73% | Maiほか、PLOS ONE 2023年 |
| 正しく識別された本物のクリップ、単独クリップ | 67.78% | Maiほか、PLOS ONE 2023年 |
| 本物のクリップと対にした場合に識別されたディープフェイク | 85.59% | Maiほか、PLOS ONE 2023年 |
| 5つの学習例による正答率の上昇 | 3.84% | Maiほか、PLOS ONE 2023年 |
7. 選好アリーナとスコアの背後にある市場
ラボでのMOSが飽和するなか、ランキングはブラインドのペア比較による選好へと移った。Hugging Faceは2024年2月27日に6つのモデルでTTS Arenaを開始し、ユーザーに2つの匿名サンプルのうちより自然なほうを選んでもらい、Elo方式のシステムで結果を順位付けしている(Hugging Face、TTS Arenaの開始)。2026年10月3日時点のArtificial Analysis Speech Arenaのリーダーボードでは、ElevenLabsのEleven v4がElo 1321で首位だったが、± 189の区間は上位10モデルのすべてと重なっている(Artificial AnalysisのTTSリーダーボード)。率直に読めば、トップ層は少なくとも6つの提供元による統計的な同率だ。
投票の収集が遅いという課題へのHugging Face自身の答えが、2026年9月30日に開始されたOpen TTS Leaderboardだ。人間の投票を客観指標(WER、話者類似度、速度)に置き換え、モデルの評価が数週間から数時間に短縮されるとしている。Hubには現在、8,000を超えるTTSモデルがホストされている(Hugging Face、Open TTS Leaderboard)。
| 指標 | 値 | 出典 |
|---|---|---|
| 開始時のTTS Arenaのモデル数(2024年2月) | 6 | Hugging Face、2024年2月 |
| Speech Arena 1位:Eleven v4(ElevenLabs) | Elo 1321(± 189)、サンプル数1,930 | Artificial Analysis、2026年10月 |
| 2位:Qwen-Audio-3.1-TTS-Plus(Alibaba) | Elo 1292(± 189) | Artificial Analysis、2026年10月 |
| 3位 / 4位:Sonic 3.6(Cartesia) / Gemini 3.8 Flash TTS(Google) | Elo 1278 / 1275 | Artificial Analysis、2026年10月 |
| 10位:Breeze TTS 2(BreezeBlue) | Elo 1216 | Artificial Analysis、2026年10月 |
| Hugging Face Hubでホストされているモデル数 | 8,000以上 | Hugging Face、2026年9月 |
商業的な利害が、この競争を説明する。ニューラル音声とAI音声は、すでにテキスト読み上げ市場の収益の67.18%を占めている。Mordor Intelligenceはこの市場規模を2026年にUSD 4.36 十億、2031年にはUSD 7.92 十億に拡大すると見積もっている(Mordor Intelligence、Text to Speech Market)。Research and Marketsは、2023年の基準値をUSD 3.8 十億、2030年の予測をUSD 9.3 十億としている(GlobeNewswireのリリース、2024年12月)。
| 指標 | 値 | 出典 |
|---|---|---|
| TTS市場規模、2025年 / 2026年 | USD 3.87 十億 / USD 4.36 十億 | Mordor Intelligence、2026年 |
| TTS市場の予測、2031年 | USD 7.92 十億(CAGR 12.66%) | Mordor Intelligence、2026年 |
| ニューラル / AI音声の収益シェア | 67.18%(CAGR 15.08%) | Mordor Intelligence、2026年 |
| 北米のシェア、2025年 | 36.78% | Mordor Intelligence、2026年 |
| TTS市場、2023年から2030年 | USD 3.8 十億からUSD 9.3 十億(CAGR 13.4%) | Research and Markets、2024年12月 |
| 中国のTTS市場の予測、2030年 | USD 2.3 十億(CAGR 17.5%) | Research and Markets、2024年12月 |
数字で見る合成音声のMOS(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| Tacotron 2のMOS対プロの録音 | 4.53対4.58 | Google、2017年 |
| WaveNetによる人間の音声との差の縮小 | 50%超 | DeepMind、2016年 |
| 代表的な論文における人間の音声のMOSの範囲 | 4.30から4.58 | Google、DeepMind、Kakao、Microsoft、2016年から2021年 |
| VITSのMOS対実録音、VCTK | 4.38対4.38 | Kakao Enterprise、2021年 |
| NaturalSpeechのCMOS対録音 | -0.01(有意差なし) | Microsoft Research、2022年 |
| VALL-E 2のCMOS対実録音、LibriSpeech | +0.033 | Microsoft、2024年 |
| VALL-E 2のSMOS対実録音 | 4.61対4.13 | Microsoft、2024年 |
| MaskGCTのCMOS対実録音 | +0.10 | MaskGCT、2024年 |
| Seed-TTSのCMOS対人間、英語 | -0.07 | ByteDance、2024年 |
| CosyVoice 3のWER対人間、英語 | 1.45%対2.14% | Alibaba、2025年 |
| CosyVoice 3の学習データ | 100万時間 | Alibaba、2025年 |
| MOSで自然音声と並んだBlizzard 2023のシステム | 2(初) | Blizzard Challenge 2023サマリー、2024年 |
| MuLanTTS対自然録音、Blizzard 2023 Hub | 4.3対4.4 | Microsoft、2023年 |
| MOSの手法を完全に報告している論文 | 少数派 | Kirklandほか、SSW 2023年 |
| VoiceMOS 2022のシステム数 / チーム数 | 187 / 22 | VoiceMOS Challenge 2022 |
| 人間の声と判断されたボイスクローン | 58% | Lavanほか、PLOS ONE 2025年 |
| 聴取者が正しく見分けたディープフェイク | 73% | Maiほか、PLOS ONE 2023年 |
| Speech Arena最高Elo | 1321(± 189) | Artificial Analysis、2026年10月 |
| TTS収益に占めるニューラル / AI音声のシェア | 67.18% | Mordor Intelligence、2026年 |
| TTS市場、2026年 | USD 4.36 十億 | Mordor Intelligence、2026年 |
方法論と出典
上記のMOS、CMOS、SMOSの数値はすべて、聴取試験を実施した論文またはコンペティションの報告書に基づくもので、arXivのアブストラクトまたは全文の表から読み取った。論文が結果をグラフでしか示していない場合(たとえばCosyVoice 3のMOS棒グラフ)は、本文の結論を用い、おおよその値は除外した。モデル開発者自身による同等性の主張には開発者名を付し、Blizzard Challengeのような独立した試験と照らし合わせて判断できるようにした。
- DeepMind:WaveNet発表(2016年9月)とWaveNet論文
- Google:Tacotron 2論文(2017年12月)
- Microsoftと浙江大学:FastSpeech 2(2020年)
- Kakao Enterprise:VITS(2021年6月)
- Microsoft Research:NaturalSpeech(2022年5月)、NaturalSpeech 3(2024年3月)、VALL-E(2023年1月)、VALL-E 2(2024年6月)、MuLanTTS(2023年9月)、DelightfulTTS(2021年10月)
- ByteDance:Seed-TTS(2024年6月)
- MaskGCT(2024年9月)とF5-TTS(2024年10月)
- Alibaba:CosyVoice 3(2025年5月)
- Blizzard Challenge:The Blizzard Challenge 2023(ISCA)、Refining the evaluation of speech synthesis、Computer Speech and Language(2024年)、The Blizzard Challenge 2025
- ITU-T:P.800、P.800.1、P.808
- Kirklandほか:Stuck in the MOS pit、SSW 2023年
- Yangほか:Towards Responsible Evaluation for Text-to-Speech(2025年10月)
- VoiceMOS Challenge:2022、2023、2024、MOS-Bench
- Lavanほか:Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE(2025年9月)
- Maiほか:Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE(2023年8月)
- Hugging Face:TTS Arenaの開始(2024年2月)、Open TTS Leaderboard(2026年9月)
- Artificial Analysis:テキスト読み上げリーダーボード(2026年10月3日に閲覧)
- Mordor Intelligence:Text to Speech Market、Research and MarketsはGlobeNewswire経由(2024年12月)
- データウォッチ:MOS、CMOS、SMOSの値は、聴取者パネル、尺度、教示が異なるため、論文間で比較できない。CMOSの尺度自体も異なる(F5-TTSは-3から+3を使用)。第2節と第3節の同等性の主張の多くは、開発者自身が小規模なパネルで実施した試験に基づく(たとえばVALL-EのCMOSは評価者12人、VALL-E 2は20人)。またWaveNet、Tacotron 2、FastSpeech 2、VITSの結果は3年以上前のもので、各ベンチマークで入手できる最新データとして掲載している。Blizzard 2023の統計的同等性とMUSHRAに関する知見は、主催者が公表したサマリーのアブストラクトに基づく。Artificial AnalysisのEloスコアは投票が入るたびに毎日変動し、信頼区間は上位10モデルで重なっている。市場規模の見積もりは食い違っている。Mordor Intelligenceは2025年をUSD 3.87 十億とし、2031年までCAGR 12.66%と見込む一方、Research and Marketsは2023年の基準値USD 3.8 十億からCAGR 13.4%で2030年にUSD 9.3 十億に達すると予測しており、その差は対象範囲の定義の違いを反映している。今後の主な新データとして、Blizzard 2025の聴取試験の全結果と、次回のVoiceMOS Challengeが見込まれる。
最終更新日:2026年10月3日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、次回のVoiceMOS Challengeの結果と、Blizzard Challenge 2025の聴取試験の完全な分析が公表される時期を予定している。