記事を読むから聴くへ：TTSが変えるテキストコンテンツの未来

「この記事、読みたかったんですが、長くて途中で諦めました」。

メディア運営に関わっていた頃、定性調査のインタビューで何度もこの言葉を聞きました。開いてみたものの、家事が始まったり、別のタブを開いたり、電車が着いたり。最後まで読まれない記事のほうが、実は圧倒的に多いです。

長文が「読まれる」のではなく、「読み切れない」。供給が爆発的に増えた市場では、需要側の選別が厳しくなります。Ahrefs（2025）の調査では、ネット上の新規ページの74.2%にAI生成コンテンツが含まれるそうです。書き手の労働時間は増え続けているのに、読者の可処分時間は1日24時間のままです。

一方で、通勤中、家事中、運動中。目と手はふさがっているけれど、耳は空いている時間が、1日の中にぽっかりと空いています。ここに書き手の言葉が入っていけたらどうなるか。この数年、ずっとこの問いを考えてきました。

私はWeb広告とWebメディアの両側で10年近く仕事をしてきました。大手出版社系メディアで記事の収益化とデータ分析を担当し、SSP・アドネットワーク事業ではプログラマティック広告の収益化を支援してきました。2025年5月にメディアリープを創業し、いまはWebメディアの記事をAIが自動で音声化するSaaS、PUBVOICEを一人で作っています。

「読む」から「聴く」への転換は、単なる技術の進化の話ではありません。メディアの収益構造、書き手の労働時間、読者との接点の持ち方、全部が変わる節目にいます。この記事では、その節目を、音声合成という技術の現在地から整理します。

「読み切られない」という、メディアの構造的疲労

事実をそのまま書きます。

2025年1月時点で、テキストコンテンツのディスプレイ広告CPMはグローバルで前年同月比33%下落しています。Q1全体でも27%の下落。テキスト面だけが、構造的に単価が下がり続けています。広告で食う方程式が、10年前なら成立していました。いまは成立しづらいフェーズに入っています。

広告単価が下がる理由は単純で、供給が需要を上回っているからです。記事の本数が増え、枠が増え、インプレッションが積み上がる一方で、広告主の予算は伸びない。PVあたりの単価が下がるのは、構造的な結果です。

ここに、読者が最後まで読まないという事実が重なります。滞在時間が短いページは、広告のインプレッションが積み上がりません。広告収益を支える「読者が枠を見る時間」が、読み切られない記事からは生まれません。

広告主も馬鹿じゃありません。滞在の短いページからは離れ、滞在の長い動画や音声プラットフォームに予算を移しています。これが、いまテキストメディアが抱えている構造的な疲労の正体です。誰かが意地悪をしているわけでも、メディアが堕落したわけでもない。需要と供給のバランスが変わっただけです。

TTSは「届け方」を増やす技術になりました

少し、現場の感覚を書かせてください。

音声合成（TTS：Text-to-Speech）という技術は、長らく「ロボットが原稿を読み上げる」ものでした。最初にTTSに触れたのは2018年頃、Google Cloud TTSを業務で試した時でした。たしかに文字は読み上げているけれど、「人間が話している」という錯覚には至らない。そのギャップが、数年で埋まりました。

何が変わったのか。2017年のTacotron 2（Google、arXiv:1712.05884）が、テキストから直接メルスペクトログラムを生成するエンコーダ・デコーダ構造を実用化しました。評価指標のMOS（5点満点）で、このモデルは4.53を記録しています。人間の録音音声が4.58ですから、ほぼ追いついた計算です。

とはいえ、技術のディテールは、この記事の本筋ではありません。知りたいのは、メディアにとってそれが何を意味するか、です。

意味はシンプルで、TTSは「書いた記事を、そのまま耳で聴ける品質」に達したということです。2024年以降は、拡散モデル（画像生成で成功した技術の音声版）が商用サービスに載り、感情や間の表現も再現できるようになりました。ElevenLabsのv3モデルは70以上の言語に対応し、Fish AudioのS2 Proは1,000万時間以上の学習データで50以上の言語をこなします。

音質の微差でサービスを選ぶ時代は、たぶん過ぎています。日本語のTTS基盤は、すでに実用レベルに達しています。

メディアに「聴く導線」が生まれたとき、何が変わるか

業界の外からは見えにくい部分があります。

自社で音声チャットアプリを開発した際、VOICEVOXの合成エンジンを組み込んでリリースしました。開発期間は約3ヶ月。音声品質のチューニングよりも、UIの設計とユーザー体験の調整に時間がかかりました。音声品質そのものは、エンジン任せで十分なレベルにありました。

アプリをリリースしてみて驚ったのは、ユーザーの評価がレート4.0だったこと以上に、「AIと話していることを忘れる瞬間があった」というレビューが複数寄せられたことでした。技術的な限界はまだありますが、「不自然」という評価は過去のものになりつつあります。

この体験から、ひとつ確信があります。TTSは、テキストコンテンツに「もう一本の届け方」を足す技術だということです。

Webメディアの記事は、いままで「目で読まれる」という単一のチャネルに依存してきました。読者が目を開けて、手を空けて、画面に向き合う時間帯でしか届かない。この制約が、読者の手元から記事を遠ざけています。

音声化が変わるのは、この時間帯の制約です。通勤の往復1時間、家事をしながらの30分、ランニング中の40分。目と手がふさがっていても、耳が空いている時間に、記事が届く。書き手は1回書くだけで、読む導線と聴く導線の両方が、公開された瞬間に同時に立ち上がります。

広告収益の文脈で言えば、この「聴く導線」は、滞在時間を直接押し上げます。プラットフォーム企業が滞在時間を最重要指標にしているのは、広告のインプレッションと直結するからです。SSP事業にいた頃、現場でその構造を内側から見てきました。

音声化によってメディアが掴む構造的変化

現場での実感を、もう少し解像度を上げて書きますね。

現場でいちばん実感するのは、滞在時間の延長です。PUBVOICEを導入したメディアでは、記事の滞在時間が平均で11倍に延びました。リピート率は+32%、PVは+19%。数字だけ見ると派手ですが、仕組みは単純で、読み切れなかった読者が、耳で聴き続けられるようになっただけです。供給過多の市場で、読者の滞在時間を延ばす手段は、いまのところ音声以外にあまりない気がしています。

もうひとつ、書き手の労働時間を増やさないという点も外せません。ここが肝で、ポッドキャストや動画がメディアに載らない理由の多くは、書き手が台本を書き、吹き込み、編集する時間がないからです。書き手の1日の労働時間は有限で、その中に新しい作業を足すと、多くの人が挫折します。私自身、ポッドキャストを「やればいい」と3回くらい挫折しました。

TTSは、この「書き手の労働時間を増やさずに、届く時間帯だけを増やす」という点で、メディアの構造にフィットします。書いて公開する。その瞬間に、テキスト版と音声版が、読者の前に並んで現れる。

収益の多角化という側面もあります。広告単価が下がり続けるテキスト記事に、広告以外のもう一本の収益柱を作る。聴取データ、プレミアム音声、音声広告、サブスクリプション。いまはまだ実験段階ですが、テキスト単価が下がり続ける未来を考えれば、音声で収益柱を一本作っておくことは、メディアの持続性の観点から合理的だろうと思っています。

いちばん大事なのは、入力テキストの質

ここでひとつ、現場の感覚を書いておきますね。

よくある勘違いが「高価なTTSを使えば品質が上がる」という思い込み。確かに品質は上がりますが、入力テキストの質が悪いと、どんなに高価なエンジンを使っても不自然になります。テキストの整備に投資する時間のほうが、結果的に大きな差を生みます。

これ、メディア運営者には逆説的に響くかもしれません。これまで「読まれる文章」を書くために磨いてきた技術は、そのまま「聴かれる文章」を書く技術にはなりません。読みの長い文、漢字の連続、体言止め、箇条書きの多用。目で読むときに映える表現は、耳で聴くときに鼻につきます。

メディアがTTSを導入するとき、いちばん時間がかかるのはエンジンの選定ではなく、音声で聴きやすいテキストの設計です。固有名詞の読み、長い文の分割、見出しの位置、引用の扱い。記事を「耳向け」に組み直す前処理に、どれだけ丁寧に取り組めるかが、最終的な品質を決めます。

AIが音声を生成する速度に、人間のチェックが追いつく形にするのが、現場での一番の課題だと思っています。

日本のメディアは、まだ「読む前提」で組まれている

NHKがAIアナウンサーをニュース番組で使い始めて久しいです（ITmedia NEWS 2022）。Yahoo!ニュースは2010年代からエーアイのAITalkで音声版を提供してきましたが、2025年12月には生成AIでニュースの背景を深掘り解説する機能を追加、2026年7月にはプレスリリースをYahoo!ニュース風に書き換える「ニュースPR by LINEヤフー」を始めるなど、音声以外の生成AI活用も一気に広がっています（ITmedia NEWS AI+ 2025年12月、Real Sound 2026年7月）。朝日新聞デジタルも主要ニュースをAI音声で読み上げる機能を実装しています。

大手は動いています。ただ、Webメディアの多くは、いまだに「読まれる前提」で組まれています。記事のレイアウト、広告の配置、分析のKPI、すべてが「目で読む」ことを前提に設計されています。

ここが変わるとき、メディアの設計思想そのものが変わります。記事の構造、見出しの付け方、段落の長さ、広告の配置、KPIの設計。「聴かれる」ことを前提に全体を組み直す。これは、1本の記事のリライトではなく、メディアのアーキテクチャの変更です。

読者の「耳」は、いま過剰供給の影響を受けていない

最後に、個人的なことをひとつだけ書かせてください。

長文が読まれない、供給が過剰、広告単価は下がる。こういう話を続けていると、メディアの終わりのような話に聞こえるかもしれません。が、私はそうは思っていません。

読者の「耳」は、いまテキストの過剰供給の影響をまだ受けていない最後のフロンティアだと思います。目は飽和しているけれど、耳は空いている。書き手の言葉が、読者の生活時間の隙間に届く可能性は、むしろこれから広がるんじゃないかと思います。私がPUBVOICEを作っている理由は、すべてここにあります。書き手が書く時間を増やさずに、届く時間帯だけを増やす。記事を読まれて終わるコンテンツから、聴かれて滞在を深めるコンテンツへ作り変える。ぽっかり空いた小さな穴を、縦に深く掘る。

「読む」から「聴く」への転換は、技術の進化の話ではなく、情報の届け方の設計の話です。この谷を埋める仕事は、まだ始まったばかりだと思っています。