Azureが公開しているテキスト読み上げの表には82種類の言語コードが掲載されているが、これはEthnologueが現在使用中と数える7,170言語の約1.1%にすぎない(82 / 7,170)。 Gemini 3.8 Flash TTSのドキュメントは130以上の言語をうたい、MMS研究プロジェクトは1,107言語に達したが、その最も広いモデルは非商用ライセンスで提供されている。広さに比べて深さは乏しい。Azureの表では米国英語が118件であるのに対し、アムハラ語は2件だ。Ethnologue、Microsoft、Google、Amazon、Apple、Meta、そして査読付きの音声研究からデータを集約し、各ベンダーのページを2026年10月31日にすべて確認した。このまとめが扱うのは音声合成のみである。同じギャップの認識側については、当社の低リソース言語の音声認識対応状況の統計をご覧ください。
主なポイント
- 世界で使用されている言語は7,170で、そのうち4,153言語に発達した文字体系がある(Ethnologue 2026)。
- 7,829の言語コードのうち128が、デジタルサポートの上位2段階に到達しており、約1.6%にあたる(Simons、Thomas、White、COLING 2022)。
- Gemini 3.8 Flash TTSは130以上の言語をうたっており、当社が読んだ中で最も広い商用の主張だ(Google、ベンダー資料)。
- Azure Speechの音声表には、154のロケールにまたがる82の言語コードが掲載されている(Microsoft、ベンダー資料、当社集計)。
- Amazon Pollyの表には25言語と42のバリアントが掲載され、そのうち2つのバリアントがロングフォーム向けボイスを提供している(Amazon、ベンダー資料、当社集計)。
- 1,107言語にMMSの合成モデルがあり、使用中の言語の約15.4%にあたる(Meta AI、MMS論文2023)。
- その1,107モデルのうち945が文字誤り率5以下に達したが、アフリカは76%と遅れていた(Meta AI、MMS論文2023)。
- Aura-2の90ボイスのうち41が英語だ(Deepgram、ベンダー資料、当社集計)。
- インドの指定22言語のうち18がAppleのアクセシビリティ向け読み上げリストに掲載されているのに対し、Pollyでは1つだ(AppleとAmazon、ベンダー資料、当社集計)。
- 10,496人の話者による1,704時間が、音声合成向けにインドの指定22言語すべてをカバーするようになった(AI4Bharat、IndicVoices-R 2024)。
1. 分母:7,170言語、そのすべてが文字を持つわけではない
あらゆる対応範囲の主張には分母が必要であり、音声合成の分母は多くの人が想定するより厳しい。テキスト読み上げは文章を読むため、発達した文字体系を持たない3,017言語は、どのモデルを学習させる以前の段階で、通常の入力経路の外にある。
人口で見ると話はもっと穏やかになるが、この2つの見方を混ぜてはならない。プラットフォームは言語の3%未満しか掲載していなくても、大多数の人に対応できる。人類の88%超が、わずか200言語のいずれかを母語としており、200 / 7,170は2.8%だからだ。当社が読んだベンダーのページのいずれも、そのカタログがどれだけの割合の人に届くかを示していないため、到達範囲を直接比較することはできない。
| 指標 | 値 | 出典 |
|---|---|---|
| 世界で使用されている言語 | 7,170 | Ethnologue、How Many Languages 2026 |
| 発達した文字体系を持つ言語と持たない言語 | 4,153(57.9%)対3,017(42.1%、7,170 - 4,153から当社算出) | Ethnologue FAQ、第29版 2026 |
| 母語が最大の200言語のいずれかである人 | 88%超 | Ethnologue 200、2026 |
| デジタルサポートの上位2段階(Vital、Thriving)にある言語コード | 7,829のうち128(95 + 33)、すなわち1.6% | Simons、Thomas、White、COLING 2022 |
| デジタルサポートの最下位段階(Still、スコア0)にある言語コード | 7,829のうち3,996、すなわち51.0% | Simons、Thomas、White、COLING 2022 |
| デジタルサポートの中間2段階(Emerging、Ascending)にある言語コード | 3,304と401 | Simons、Thomas、White、COLING 2022 |
デジタルサポートの段階に関する入手可能な最新データ:Simons、Thomas、White、2022年。この研究は143のデジタルツールから対応言語リストを収集しており、音声処理は7つのツールカテゴリの1つだ。合計値はEthnologueの言語数と、その文字体系に関するFAQによる。
2. 商用カタログの比較
これらはベンダー資料に基づく数であり、各プラットフォームが何を掲載しているかの一次記録だが、品質の独立した証明ではない。この表で最も長いカタログと最も短いカタログの差は、130以上の言語から9言語にまで及ぶ。
数字と同じくらい単位も重要だ。ロケールは言語に地域を加えたものなので、メキシコ向けスペイン語とスペイン向けスペイン語は2つのロケールだが言語は1つと数える。Azureの概要ページには「100以上の言語とロケール」とあり、これは両者を混ぜた表現だ。Azure Speechの言語表自体は、下の行に整理される。
また、長いカタログが短いカタログを包含しているとは限らない。Gemini TTSの言語表には、ウクライナ語、ウルドゥー語、ズールー語の行がないが、この3つはいずれもAzureが掲載している。
| 指標 | 値 | 出典 |
|---|---|---|
| Gemini 3.8 Flash TTS | 130以上の言語をうたう;表は132行、2026年10月31日に確認 | Google、Gemini APIの音声生成ドキュメント、2026年10月28日更新(ベンダーの主張) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90以上 / 70以上 / 32 / 29言語 | ElevenLabs、モデルのドキュメント(ベンダーの主張) |
| Azure Speechのプリビルトボイス | 154のロケールにまたがる82の言語コード;英語、スペイン語、アラビア語が154のうち52を占める(33.8%) | Microsoft、言語サポート表、2026年10月22日更新(ベンダー資料、当社集計) |
| Apple VoiceOver、Live Speech、Read & Speak | iOS 27で75の言語エントリ | Apple、iOSの機能提供状況(ベンダー資料) |
| Google Cloud Text-to-Speechの音声表 | 53の言語コード、61の言語・地域コード;Chirp 3: HDだけで53のロケールにまたがる47言語をカバー | Google Cloud、音声リストとChirp 3: HDのドキュメント(ベンダー資料、当社集計) |
| Sonic 3.6 | 44言語 | Cartesia、TTSモデルのドキュメント(ベンダーの主張) |
| Amazon Polly | 25言語、42バリアント、123のボイス掲載 | Amazon、Pollyの利用可能なボイス(ベンダー資料、当社集計) |
| IBM Text to Speech | 9の基本言語、15の言語エントリ、48ボイス | IBM Cloudのドキュメント、2026年6月4日更新(ベンダー資料、当社集計) |
英語以外の言語でAIボイスジェネレーターを選ぶ場合、開く価値があるのは製品ページの目立つ数字ではなく、ロケールごとの一覧だ。
3. ボイスの層の厚さ:ボイスが実際にある場所
言語が掲載されていることからは、その言語がいくつのボイスを得られるかはほとんどわからない。米国英語はAzureの表に118件あるのに対し、アムハラ語、アフリカーンス語、ズールー語はそれぞれ2件で、比率は59対1だ。 制作者にとって、2ボイスとは、年齢、トーン、キャラクターの選択肢がまったくないことを意味しうる。
このパターンはカタログの規模を問わず繰り返される。Polly、Aura-2、オープンなKokoroモデルは、ボイスの28.5%から51.9%を英語に割り当てている。違いの一部は構造的なものだ。表のエントリは同じペルソナを品質ティアをまたいで重複させることがあるため、これらは掲載数であって、固有の話者数ではない。
| 指標 | 値 | 出典 |
|---|---|---|
| Azureの音声表のエントリ:米国英語対北京語対ドイツ語対ヒンディー語 | 118対59対23対17 | Microsoft、言語サポート表(ベンダー資料、当社集計) |
| Azureの音声表のエントリ:アムハラ語、アフリカーンス語、エジプトアラビア語、ズールー語 | それぞれ2 | Microsoft、言語サポート表(ベンダー資料、当社集計) |
| 英語バリアントにおけるPollyのボイス掲載 | 123のうち35(28.5%) | Amazon、Pollyの利用可能なボイス(ベンダー資料、当社集計) |
| Aura-2のボイス:英語対スペイン語対フランス語 | 41対17対2、7言語にわたる90のうち | Deepgram、TTSモデルのドキュメント(ベンダー資料、当社集計) |
| 米国英語と英国英語のKokoro-82Mボイス | 54のうち28(51.9%)、フランス語は1 | Hexgrad、Kokoro-82Mのボイス一覧(プロジェクト資料) |
| Google Cloudのエントリ:ヒンディー語(インド)対アイスランド語 | 46(Chirp 3: HDが30、Neural2が4、Standardが6、WaveNetが6)対Standardボイス1 | Google Cloud、音声リスト(ベンダー資料、当社集計) |
| 音声エンドポイントにおけるOpenAIの組み込みボイス | 13、ドキュメントは「現在は英語向けに最適化」と記している | OpenAI、テキスト読み上げガイド(ベンダーの主張) |
Cloudの音声リストは、ティアも重要である理由を示している。ヒンディー語のChirp 3: HDの30エントリは1つの共有ボイスセットに由来し、そのセットに含まれない言語には古い種類のボイスが残る。Pollyの数はボイス表に基づくもので、4つの名前がバイリンガルのために重複しており、固有の名前は119になる。
4. 機能ティア:掲載されていても同等ではない
カタログの合計は、ベンダーが示せる最も広い数字であり、各プレミアム機能はそれより小さい部分集合にしか及ばない。Pollyの生成エンジンは42バリアントのうち25に対応しており、北京語、日本語、アラビア語、ロシア語は対象外の17に含まれる。
Azureでも同じ絞り込みが見られる。154のロケールは、ビゼーム(顔をアニメーションさせるための口の形のデータ)で102エントリ、言語間転移(カスタムボイスに第2言語を話させること)で42エントリにまで減る。多言語展開を計画するチームは、言語ではなく機能を確認すべきだ。モデルごとの速度と価格は別の問題であり、当社のTTS推論コストの統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| 機能別のAzureロケール:プリビルトボイス / ビゼームのエントリ / プロフェッショナルカスタムボイス / パーソナルボイス / 言語間転移の転移元 | 154 / 102 / 68 / 65 / 42 | Microsoft、言語サポート表(ベンダー資料、当社集計) |
| 生成ボイスが1つ以上あるPollyバリアント対ロングフォームボイスが1つ以上あるバリアント | 42のうち25(59.5%)対42のうち2(米国英語、スペインのスペイン語) | Amazon、Pollyの利用可能なボイス(ベンダー資料、当社集計) |
| スタンダードの音声エンジンのみを提供するPollyバリアント | 42のうち6、ロシア語、ルーマニア語、アイスランド語を含む | Amazon、Pollyの利用可能なボイス(ベンダー資料、当社集計) |
| Flash TTSが対応するGeminiの表の行数対Flash-Lite TTSが対応する行数 | 132対103;フィンランド語、スウェーデン語、タイ語、スワヒリ語はFlash-Liteで欠けている29に含まれる | Google、Gemini APIの音声生成ドキュメント(ベンダー資料、当社集計) |
| AppleのPersonal Voiceの言語数対アクセシビリティ向け読み上げリストのエントリ数 | iOS 27で3対75 | Apple、iOSの機能提供状況(ベンダー資料) |
Appleの落差が最も大きい。その機能提供状況のページは、Personal Voiceを米国英語、中国本土の北京語、メキシコのスペイン語についてのみ掲載している。
5. オープンモデル:広い対応範囲、ただし条件付き
オープン側には、このまとめの中で最も広い数字がある。MMS-TTSは1,107言語に達しており、これはGeminiがうたう130の約8.5倍(1,107 / 130)、それ以前に音声技術がカバーしていた約100言語の約11倍(1,107 / 100)にあたる。
広さには代償があった。MMS論文は言語ごとに別々のVITSモデルを学習させており、その多くは宗教文書を単一話者が読み上げた録音に基づく。また、そのモデルカードには非商用ライセンスが記載されている。最も有用な結果は地域別のものだ。品質が最も大きく低下したのはアフリカで、著者らはこれを「部分的に」文字体系のせいだとしている。
ここでの文字誤り率とは、音声認識器が合成音声を書き起こし、その誤りを数えたものであり、低いほど良い。これは単語が正しく伝わるかどうかを測るもので、音声が自然に聞こえるかどうかは測らない。その側面については、当社のニューラルTTSの韻律・イントネーション誤りの統計をご覧ください。
| 指標 | 値 | 出典 |
|---|---|---|
| MMS-TTSの対応言語数とライセンス | 1,107言語(7,170の15.4%)、CC-BY-NC 4.0 | Pratapほか(Meta AI)、MMS論文2023;Hugging Faceのモデルカード |
| 合成音声で文字誤り率5以下に達したMMSの言語 | 1,107のうち945(85%) | Pratapほか(Meta AI)、MMS論文2023 |
| その基準に達したMMSの言語の割合、地域別 | アフリカ76%(363のうち277)、アジア88%、北米87%、太平洋90%、南米とヨーロッパ95% | Pratapほか(Meta AI)、MMS論文2023 |
| MMSの文字誤り率、合成音声対人間の参照音声;61言語における平均オピニオン評点(1から5) | 3.5 ±0.2対2.2 ±0.1;学習データ外では合成音声が3.52、人間の参照音声が3.33で、この差を著者らは参照録音のノイズによるものとしている | Pratapほか(Meta AI)、MMS論文2023 |
| SeamlessM4Tの対象言語:音声出力対テキスト出力 | 36対96 | SEAMLESS Communication Team(Meta)、Nature 2025 |
| ルールベースの合成器eSpeak NG | 100を超える言語とアクセント | eSpeak NGプロジェクトのREADME |
| Piperのボイス一覧 | 37言語、42のロケールエントリ;リポジトリは2025年10月6日にアーカイブ | Rhasspy、Piper VOICES.md |
| Chatterbox Multilingual対XTTS-v2 | 23以上対17言語 | Resemble AI、Chatterboxリポジトリ;Coqui、XTTS-v2のモデルカード |
言語レベルの合成品質に関する入手可能な最新データ:Pratapほか、2023年。この表の新しいオープンモデルが掲載する言語数は、はるかに少ない。SeamlessM4T論文は、1つのモデル内に同じ非対称性があることを示している。話すよりもはるかに多くの言語を読み書きできるのだ。
6. アフリカとインド:ギャップが具体的になる場所
地域別の集計は、世界全体の合計が隠しているものを明らかにする。Geminiの表にはアフリカの言語が22、Azureには5あり、PollyとAppleには南アフリカ英語以外は掲載がない。一方、サハラ以南のアフリカだけで2,000を超える固有の言語が存在する(Google Research、WAXAL 2026)。
ヨルバ語は、このギャップがデータだけの問題ではないことを示している。ヨルバ語はオープンなWAXALとBibleTTSのコーパスに含まれているが、当社が読んだAzure、Polly、Chirp 3: HD、Geminiの表にはいずれもエントリがない。公開データがあることは、プラットフォームがボイスを提供していることを意味しない。
インドはより良い状況を示している。1つのデータセットが既知の穴を埋めたからだ。IndicVoices-R論文によれば、以前のデータセットは指定22言語のうち14言語までで止まっており、言語あたりの話者も1人か2人であることが多かった。小規模なコミュニティは、予想より少なくて済むかもしれない。Pineらの研究は、ニューラル合成には大規模なデータセットが必要だという想定に異議を唱えた。
| 指標 | 値 | 出典 |
|---|---|---|
| アラビア語の諸変種を除くアフリカの言語:Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Google、Microsoft、Amazon、Appleのカタログ(ベンダー資料、当社集計) |
| WAXAL-TTSの言語数と録音時間 | 17言語;データセットカードでは180時間超、論文では235時間超、ブログ記事では565時間超 | Google Research、WAXALのデータセットカード、論文、ブログ 2026 |
| アフリカ言語の音声合成向けBibleTTSのスタジオ品質録音 | 10言語、1言語あたり最大86時間、48 kHz | Meyerほか、Interspeech 2022 |
| 掲載されているインドの指定22言語:Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Apple、Google、Microsoft、Amazonのカタログ(ベンダー資料、当社集計) |
| 以前のインドの音声合成データ:IndicTTS | 284時間、27人の話者、14言語 | AI4Bharat、IndicVoices-R論文 2024 |
| IndicVoices-Rの音声合成コーパス | 1,704時間、10,496人の話者、22言語 | AI4Bharat、IndicVoices-R論文 2024 |
| 亡くなった話者の録音を除外するというコミュニティの決定後のKanien’kéha音声コーパス | 録音24時間のうち3.46時間を保持 | Pineほか 2022、Nigatuほか 2024による報告 |
| 英語1時間で学習したFastSpeech2モデル対10時間で学習したTacotron2 | 同等の自然さ | Pineほか、ACL 2022 |
BibleTTSおよびPineらの知見に関する入手可能な最新データ:2022年。Kanien’kéhaの数値はNigatuらの論文で紹介されており、この表で最も有用な数字だ。そのコーパスの制約は技術ではなく、同意だったからである。
まとめ:数字で見るテキスト読み上げの言語・ボイス対応状況
| 指標 | 値 | 出典 |
|---|---|---|
| 世界で使用されている言語 | 7,170 | Ethnologue、How Many Languages 2026 |
| 母語が最大の200言語のいずれかである人 | 88%超 | Ethnologue 200、2026 |
| デジタルサポートの上位2段階にある言語コード | 7,829のうち128 | Simons、Thomas、White、COLING 2022 |
| Gemini 3.8 Flash TTSの言語数 | 130以上をうたう | Google、Gemini APIドキュメント(ベンダーの主張) |
| Eleven v4の言語数 | 90以上 | ElevenLabs、モデルのドキュメント(ベンダーの主張) |
| Azureの言語コード数とロケール数 | 82と154 | Microsoft、言語サポート表(当社集計) |
| Appleのアクセシビリティ向け読み上げリスト | 75エントリ | Apple、iOSの機能提供状況 |
| Amazon Pollyの言語数とバリアント数 | 25と42 | Amazon、Pollyの利用可能なボイス(当社集計) |
| Azureのボイスエントリ:米国英語対アムハラ語 | 118対2 | Microsoft、言語サポート表(当社集計) |
| 英語であるAura-2のボイス | 90のうち41 | Deepgram、TTSモデルのドキュメント(当社集計) |
| 生成ボイスがあるPollyバリアント | 42のうち25 | Amazon、Pollyの利用可能なボイス(当社集計) |
| MMS-TTSの言語数 | 1,107 | Pratapほか(Meta AI)、MMS論文2023 |
| 文字誤り率5以下のMMSアフリカ言語 | 363のうち277(76%) | Pratapほか(Meta AI)、MMS論文2023 |
| 米国英語と英国英語のKokoro-82Mボイス | 54のうち28 | Hexgrad、Kokoro-82Mのボイス一覧 |
| IndicVoices-Rコーパス | 1,704時間、22言語 | AI4Bharat、IndicVoices-R論文 2024 |
| Kanien’kéha音声コーパス:保持分対録音分 | 3.46対24時間 | Pineほか 2022、Nigatuほか 2024による報告 |
方法論と出典
ベンダーのページはすべて2026年10月31日に確認した。「当社集計」と記載された数値は、公開された表を当社自身が数えたものである。これらはあくまで提供内容に関するベンダーの主張であり、個々のボイスが良好に動作することを示す独立したテストではない。
- Ethnologue(SIL Global):How Many Languages、Ethnologue 200、文字を持たない言語に関するFAQ。
- Simons、Thomas、White:Assessing Digital Language Support on a Global Scale、COLING 2022。
- Microsoft:Azure Speechの言語・ボイスサポート、テキスト読み上げの概要。
- Google:Gemini APIの音声生成、Cloudの音声リスト、Chirp 3: HD、WAXALブログ、WAXAL論文、WAXALデータセットカード。
- Amazon:Pollyの利用可能なボイス。
- Apple:iOSの機能提供状況。
- ベンダー資料:ElevenLabsのモデル、CartesiaのTTSモデル、DeepgramのTTSモデル、IBMのボイス、OpenAIのテキスト読み上げガイド。
- Meta:MMS論文、MMS-TTSのモデルカード、NatureのSeamlessM4T。
- オープンプロジェクト:Kokoro-82Mのボイス、Piperのボイス、eSpeak NG、Chatterbox、XTTS-v2。
- 研究:BibleTTS、Meyerほか、IndicVoices-R、Pineほか、ACL 2022、Nigatuほか、Zeno’s Paradox of Low-Resource Languages。
- データウォッチ:ベンダーのカタログは予告なく変わるため、すべての数値をスナップショットとして扱ってほしい。Azureのエントリは同じペルソナを品質ティアをまたいで重複させており、米国英語のグループにはフランス語と中国語にちなんだ名前の複数話者エントリが含まれる。Geminiの表は132行あるが、5つの言語が文字体系ごとに2回現れるため、名前としては127になり、ページ上に言語ごとの品質データは見当たらなかった。スワヒリ語はChirp 3: HDの表には現れるが、より広い音声リストには見つからなかったため、言語コード53という数は1つ少ない可能性がある。Ethnologueの文字体系FAQは、第29版として引用しながら第28版の数値を示しており、Simonsらは7,170の現存言語ではなく7,829のISOコードを用いているため、2つの分母は互換性がない。3つのWAXALの情報源は一致しない(ブログでは27言語と565時間超、論文では24言語と235時間超、カードでは17の合成言語と180時間超)。SeamlessM4T論文は結果では音声36言語としているが、方法では「音声形式で35」としている。OpenAIのガイドは組み込みボイスを11としても13としても記しており、現行の音声モデルが2027年1月6日に終了すると記載している。Appleのリストは3つの機能を1つの見出しにまとめている。当社の地域別集計は言語名の照合であって言語学的な監査ではなく、8.5倍と15.4%の比較は合計7,170と130超という主張を用いているため、いずれも概算だ。
最終更新日:2026年10月31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Ethnologueが第30版を公開する時期を予定している。