音素 (Phoneme)
読み: おんそ
最終更新: 2026-07-24・AI PICKS編集部
定義
音素（Phoneme）とは、ある言語において意味の違いを生み出す最小の音声単位で、音声認識・音声合成の基本構成要素のことである。
音素 (Phoneme)とは — 詳しく解説
音素（Phoneme）は、ある言語において意味の区別に関与する最小の音声単位を指す言語学の基本概念で、国際音声記号（IPA）を用いて表記されるのが一般的とされる。音声合成（TTS）や音声認識の分野では、テキストを音素列に変換してから波形やモデル入力に落とし込む処理（グラフィーム・トゥ・フォニーム変換、G2P）が広く使われている。2026年時点の実運用では、日本語のように漢字の読みが文脈依存で揺れる言語ほど音素変換の精度がボトルネックになりやすく、固有名詞や外来語の読み間違いが現場での品質問題として残りやすいとされる。多言語対応の音素辞書やG2Pモデルを自作するとコストがかさむため、既製のTTSエンジンやAPIに内蔵された音素処理をそのまま使う選び方が現場では一般的で、辞書カスタマイズの工数も含めた相場感を事前に見積もっておくことが重要とされる。
音素 (Phoneme)の使用例
- TTS開発で「音素列にどう分割するか」を検討する際に使われる概念。G2P変換の精度が読み上げ品質を左右する。
- 音声認識モデルの評価で「音素誤り率（PER）」を指標にする、という文脈で登場する。
音素 (Phoneme)に関連するAIツール
関連用語
「音声・音楽」の他の用語
AI 音楽生成サービス。 歌詞 + ジャンル指定で 完成楽曲を 1 分で生成。
OpenAI のオープンソース音声認識モデル。 99 言語対応、 日本語精度も高い。
AI 音声生成のトップサービス。 自分の声をクローンして 多言語ナレーションに使える。
TTS（音声合成）とは、テキストデータを人間らしい音声に変換するAI技術のこと。ナレーション・コールセンター・音声UIなど幅広い用途で使われ、2026年現在は人間と聞き分けにくい品質が標準となっている。
ASR（Automatic Speech Recognition・自動音声認識）とは、人間の音声をテキストへ自動変換する技術のこと。深層学習モデルの普及で精度が飛躍的に向上し、文字起こし・音声コマンド・翻訳など幅広い用途で使われる。
ボイスクローンとは、数秒〜数分の音声サンプルから特定人物の声質・話し方・抑揚を高精度に再現するAI音声合成技術のこと。
AI用語辞典をすべて見てみませんか
12カテゴリ・913語以上を体系的に整理しています
辞典トップへ