Web ページでテキストを音声で読み上げたいとき、以前は、Web サービスが内部で使っている読み上げの URL を探し出し、そこから音声ファイルを受け取る、といった方法が試されることもありました。しかし、公開されていない (非公式の) API は、予告なく仕様が変わったり、使えなくなったりします。利用規約に反するおそれもあります。今は、ブラウザーに標準で備わっている Web Speech API の音声合成の機能を使えば、外部のサービスに頼らずに読み上げができます。

いちばん短い読み上げのコード

音声合成は、SpeechSynthesisUtterance (読み上げる内容と設定をまとめたもの) を作り、speechSynthesis.speak() に渡すだけで動きます。

const utterance = new SpeechSynthesisUtterance("こんにちは。読み上げのテストです。");
utterance.lang = "ja-JP"; // 読み上げる言語
speechSynthesis.speak(utterance);

lang を指定しないと、ページの言語やブラウザーの設定から言語が選ばれます。日本語の文を英語の声で読ませると不自然になるので、言語ははっきり指定しておきます。

ブラウザーによっては、ページを開いた直後に自動で speak() を呼んでも読み上げが始まりません。音の自動再生と同じように、ボタンのクリックなど、利用者の操作をきっかけにして呼ぶようにします (音を鳴らすときの考え方は、音声の再生と利用者の操作の関係についての記事も参考にしてください)。

document.querySelector(".js-speak").addEventListener("click", () => {
  const text = document.querySelector("#article").textContent;
  const utterance = new SpeechSynthesisUtterance(text);
  utterance.lang = "ja-JP";
  speechSynthesis.cancel(); // 読み上げ中のものがあれば止めてから
  speechSynthesis.speak(utterance);
});

speak() は、呼ぶたびに読み上げの待ち行列に追加します。ボタンを何度も押されると次々に読み上げが重なって予約されるため、例では先に cancel() で止めています。

速さ・高さ・音量を変える

SpeechSynthesisUtterance には、次のような設定があります。

  • rate: 読み上げの速さ。1 が標準で、大きくすると速くなる (0.1〜10 の範囲)
  • pitch: 声の高さ。1 が標準 (0〜2 の範囲)
  • volume: 音量。1 が最大 (0〜1 の範囲)

ただし、実際に効く範囲は声やブラウザーによって違い、指定しても変わらないこともあります。極端な値は避け、0.8〜1.5 くらいの範囲で調整するのが無難です。

読み上げの状態は、イベントで知ることができます。start (始まった)、end (終わった)、error (失敗した) などがあり、読み上げ中はボタンの表示を変える、といった処理に使えます。途中で止めるには speechSynthesis.pause()、続きから読むには resume()、すべて取りやめるには cancel() を呼びます。

声を選ぶ (getVoices と voiceschanged)

使える声の一覧は speechSynthesis.getVoices() で取れます。ただし、ブラウザーによっては声の一覧を後から読み込むため、ページを開いた直後は空の配列が返ることがあります。一覧がそろうと voiceschanged イベントが起きるので、それを待ちます。

// 声の一覧がそろうのを待って返す
function loadVoices() {
  return new Promise((resolve) => {
    const voices = speechSynthesis.getVoices();
    if (voices.length > 0) {
      resolve(voices);
      return;
    }
    const done = () => resolve(speechSynthesis.getVoices());
    speechSynthesis.addEventListener("voiceschanged", done, { once: true });
    // 声が 1 つも無い環境ではイベントが起きないことがあるので、一定時間で打ち切る
    setTimeout(done, 2000);
  });
}

async function speakJapanese(text) {
  const voices = await loadVoices();
  // 日本語の声を探す (見つからなければ、既定の声に任せる)
  const voice = voices.find((v) => v.lang.replace("_", "-").startsWith("ja"));
  const utterance = new SpeechSynthesisUtterance(text);
  utterance.lang = "ja-JP";
  if (voice) utterance.voice = voice;
  speechSynthesis.speak(utterance);
}

前の例のクリックの処理の中で speakJapanese(text) を呼べば、日本語の声を選んで読み上げます。

声の一覧の中身は、OS やブラウザーによって大きく違います。日本語の声が 1 つも無い環境もあるので、見つからない場合の扱いを決めておきます。また、声の情報の localService が false のものは、端末の中ではなく、ネットワーク上のサービスを使って読み上げることがあります。読み上げる文章に外へ出したくない情報が含まれるなら、localService が true の声を選ぶようにします。

使う前に確かめることと、使いどころ

音声合成に対応していないブラウザーもあるので、使う前に機能があるかを確かめ、無ければ読み上げのボタンを出さないようにします。

if ("speechSynthesis" in window) {
  document.querySelector(".js-speak").hidden = false;
}

読み上げの機能は、語学の学習で発音を聞かせる、手が離せない場面で手順を読み上げる、といった用途に向いています。一方で、目の不自由な人の多くは、すでに自分の使い慣れたスクリーンリーダー (画面の内容を読み上げるソフト) を使っています。ページが勝手に読み上げを始めると、スクリーンリーダーの音声と重なってじゃまになります。読み上げは必ず利用者が自分で始められるようにし、止めるボタンも用意しておきます。

なお、Web Speech API には、音声を文字にする音声認識 (SpeechRecognition) の機能も含まれていますが、こちらは対応しているブラウザーが限られます。使う場合は、対応状況を確かめてからにします。

まとめ

  • 読み上げは、SpeechSynthesisUtterance を作って speechSynthesis.speak() に渡す。lang で言語を指定する
  • 利用者の操作をきっかけに読み上げる。重ならないように、必要なら先に cancel() を呼ぶ
  • 声の一覧は getVoices() で取る。空のときは voiceschanged を待つ
  • 公開されていない API は予告なく使えなくなるので使わない。ブラウザーの標準機能を使う

参考