VOICEVOX・AivisSpeech・COEIROINK、読み間違いが少ないのはどれ？読み間違えやすい98文と公開例文424文で実測｜読み上げソフト【2026年11月】

ずんだもん（VOICEVOX）に「辛いカレーを食べた。」と読ませると、「つらいカレーを食べた」と読みます。AivisSpeech と COEIROINK も同じでした（図1）。

編集部では、無料で使える読み上げソフト3つ（VOICEVOX・AivisSpeech・COEIROINK）と、開発者がプログラムから使う部品（ライブラリ）2つ（音声合成の Style-Bert-VITS2 と、読みを付ける pyopenjtalk-plus）に同じ文を読ませ、読み間違いを数えました。文は、数字・日付・英字・文脈で読みが変わる語・難読語を集めた98文（以下、テスト文）と、音声合成の研究で使われる公開の例文集（ITA コーパス）の424文（以下、公開例文）です。読み上げソフトは、音声にする前に文に読み（カタカナ）を付けます。この読みを取り出し、正解の読みと1文ずつ照合しました。生成した音声の聞き取りやすさ（音声認識で測定）と、生成の速さも測っています。ライブラリ2つは、参考に読みだけを測りました。測定はどれも2回行いました。

読み間違えた文の数に、はっきりした差はありませんでした。10文と14文のような違いは、どの文を選ぶかで入れ替わる程度の差（誤差の範囲）で、どれが少ないとは言えません（判定の方法は測定の条件に記載）。どの語を読み間違えるかもおおむね共通で、分かれたのは英語の製品名と一部の語です。差が出たのは、音声認識で測った聞き取りやすさと、生成の速さでした。

実測表：読み間違えた文の数に、はっきりした差はなかった

テスト文で正しく読んだ文の数を、種類ごとに数えると次のとおりです。

表の「数字・金額・単位」で VOICEVOX と COEIROINK が読み間違えた2文のうち1文は「2つ目の角を曲がる。」で、数字は正しく読み、誤ったのは「角」の読み（カク）です。

COEIROINK の読みは英語の製品名の3文（ChatGPT・GitHub・VOICEVOX）を除いて VOICEVOX と同じでした。公開例文の424文では、COEIROINK と VOICEVOX の読みが全文で一致しています。

どのソフトも、文脈で読みが変わる語を読み間違えた

ソフト3つとライブラリ2つの5つすべてが読み間違えた文は、テスト文で8文ありました。「-5℃」の1文を除く7文のうち、6文は文脈で読みが変わる語を、1文は地名（放出）を含む文です。

「辛い」は逆向きにも読み間違えました。公開例文の「最初辛かったけど、花や園芸が好きだったから、失意が癒やされないこともない。」では、5つともカラカッタと読んでいます（正しい読みはツラカッタ）。公開例文で5つすべてが読み間違えた文は18文で、「一二歩」をジュウニホ、「持ち札」をモチサツと読むなどしました。

読みが分かれた語：英語の製品名は、COEIROINK が1文字ずつ読んだ

テスト文のうち、ソフト3つとライブラリ2つの間で読みが分かれた文は次のとおりです。

COEIROINK とライブラリ2つは、「GitHub」と「VOICEVOX」もアルファベットを1文字ずつ読みました。VOICEVOX と AivisSpeech は、3語とも製品名の通常の読み方で読んでいます。

読み間違えた語をかなで書き直すと、ソフトもライブラリも正しく読んだ

テスト文のうち、ソフト3つとライブラリ2つのどれかが読み間違えた18文で、読み間違えた語だけをひらがなかカタカナに書き直して、もう一度読ませました。「辛い」は「からい」、「ChatGPT」は「チャットジーピーティー」、「-5℃」は「マイナス5度」のように書いています。

読み上げの原稿は、文脈で読みが変わる語と英語の製品名、「-5℃」のようにマイナスや単位の記号が付いた数字を、先にひらがなかカタカナへ書き直しておくと、聞き直す手間が減ります。

音声認識で測った聞き取りやすさ：VOICEVOX の音声が、最も読みどおりに書き起こされた

読みが正しくても、音声が不明瞭なら聞き手に伝わりません。そこで、生成した音声を、文字起こしの AI を比べた記事で測った2つの音声認識のモデル（Whisper large-v3-turbo と ReazonSpeech k2 v2）で書き起こしました。比べる相手は正解の読みではなく、各ソフトが付けた読みです。読み間違いは前の節で数えたため、ここでは「付けた読みのとおりに聞こえるか」だけを見ています。

VOICEVOX（ずんだもん）の音声は、AivisSpeech（まお）と COEIROINK（つくよみちゃん）のどちらと比べても、ずれが少ない結果でした。COEIROINK は付けた読みが VOICEVOX と同じなので、この差は音声そのものの違いから出た差です。ただし、各ソフトの既定の声1つずつで測ったため、ソフトの差か声の差かは分けられません。AivisSpeech と COEIROINK を比べると、2回の測定と2つのモデルの4通りのうち、はっきりした差が出たのは1回目の Whisper large-v3-turbo（COEIROINK のずれが少ない）だけで、残りの3通りは誤差の範囲でした（ReazonSpeech k2 v2 では、合計の値は AivisSpeech のほうが少ない結果でした）。

生成の速さ：VOICEVOX は CPU だけで動かすと最も速く、GPU では AivisSpeech より遅かった

公開例文から選んだ106文を、ソフトに1文ずつ交代で生成させ、かかった時間を測りました。CPU だけでも、3つとも1分の音声を1分かからずに生成できました。COEIROINK のつくよみちゃんは話す速さが速く、同じ文でも音声は VOICEVOX のずんだもんより約2割短い長さでした。そのため、1分の音声を生成するのにかかった時間で比べると、VOICEVOX が約24秒、AivisSpeech が約29秒、COEIROINK が約34秒となり、1,000字あたりの時間（図）とは2位と3位が入れ替わります（どれも1回目の値）。

CPU は計測に使ったサーバーの CPU（Intel Xeon）を8コアに限って測りました。GPU はデータセンター向けの NVIDIA H200 だけで、COEIROINK は GPU では測っていません。一般のパソコンの CPU や家庭用の GPU では測っておらず、時間は今回と異なる可能性があります。

測定の条件

文・正解の読み・各ソフトのバージョン・照合の方法の詳細は、下の欄を開くと表示されます。

この表で分からないこと

• アクセントと抑揚：測ったのは読み（どの音で読むか）だけで、音の高低や区切りの自然さは比べていません。
• 声やモデルによる違い：各ソフトの既定の声1つで測りました。別の声や声のモデルで読みが変わるかは確認していません。
• 学習や調整に使われた文：ITA コーパスは音声合成の研究で広く使われており、各ソフトの開発で使われた可能性があります。その場合、公開例文の結果は実際より良い結果になります（推定）。
• 人が聞いた時の聞き取りやすさ：音声の聞き取りやすさは音声認識のモデルで測りました。人が聞いた時の聞き取りやすさや自然さとは一致しない可能性があります。モデルが学習した音声に、特定の声（たとえばずんだもん）が多く含まれていれば、その声が有利になります（推定）。書き起こしの数値には、書き起こした漢字をカタカナに直す処理の誤りも含まれます。
• 一般のパソコンでの速さ：CPU はサーバー用の CPU を8コアに限って測り、GPU は NVIDIA H200 だけで測りました。COEIROINK は GPU では測っていません。
• ユーザー辞書：各ソフトにはユーザー辞書の機能がありますが、今回は登録していない状態で測りました。
• Style-Bert-VITS2 の音声：Style-Bert-VITS2 は読みの処理だけを測り、音声は生成していません。