2026年11月の個人観測から。技術の最新機能を網羅した比較レビューではなく、私が何を比較しているのかを整理するコラム。具体例と実装の仮定は、実験結果と区別して記す。
合成音声を聴いて、人間の声と何が違うのかを考えていた。最初は、呼吸や間、抑揚、声の揺らぎに耳を向けていたはずだった。
ところが、ある声を「よくできている。でも、何か違う」と感じたとき、その「何か」を説明しようとすると、音響だけでは話が終わらなくなる。
誰が、誰に、何をしようとして話しているのか。そこまで考え始めると、私は声を比べているのか、発話を比べているのかが気になってきた。
声の出来から、発話の条件へ
文章を音声にする仕組みとしてTTSを見るなら、まずは文字列がどう読まれ、どんな音として出てくるかに注目する。これも必要な比較だ。読み間違いがないこと、聞き取りやすいこと、声質や間が用途に合うことは、今後も重要であり続ける。
ただ、入力された文章をどう音にするかと、その場面で何を言い、どう応じるかは、同じ仕事ではない。人間の発話も、常に意図を立てて順番どおり組み立てられるわけではない。ここでは比較のために、音を作ることと、発話の条件を扱うことをいったん分けてみる。
実際、2024年公開のSpirit LMは文字と音声を組み合わせたモデルを、Moshiは相手と自分の音声を並列の流れとして扱う会話の枠組みを報告している。[1][2] これらは人物の演技が解決したという証拠ではないが、音声技術を「完成した文章を読み上げる装置」だけで考えないための足場になる。
本稿ではSpeechLMを、音声を言語モデルの処理に組み込む研究・モデルの広い呼び方として使う。ただし、映像の認識、長期記憶、人物の状態管理、音声生成まで、すべてを一つのモデルが備えているとは仮定しない。複数の仕組みをつないだシステムの設計と、個別モデルの実証済みの能力は別である。
似た音を作れることと、人間と同じ仕組みで話していることも同じではない。だからといって、似た音が作品の中でどう働くかという問いが無意味になるわけでもない。比較する層が一つ増えた、と考えてみたい。
感情を出すことと、相手に働きかけること
「人間には感情がある」。これは大事なことだが、ある台詞の出来を説明するには、もう少し具体的な問いが要る気がする。
たとえば、人物は相手を止めたいのか、追い払いたいのか、説得したいのか。何かを隠したいのか。傷ついたと悟られたくないのか。演技を考えるとき、感情の名前だけでなく、その人物が相手に何をしようとしているかを見たくなる。これは演技全体の統一定義ではなく、私が台詞を考えるときの一つの見方である。
架空の場面を置いてみる。Aは長年信頼していたBに裏切られたと感じている。しかし今は、Bから必要な情報を得なければならない。自分が傷ついたことも知られたくない。以下は制作上の問いを考えるための創作例で、モデルへの入力実験ではない。
ここから考えられる言い方は、「怒った声」一つではない。声を荒らげずに必要事項だけ尋ねるかもしれない。相手の名前を呼ばなくなるかもしれない。逆に、いつもより丁寧に話して距離を取るかもしれない。同じ条件から、複数の解釈が成り立つ。
人物の関係や目的をシステムへ渡し、そうした候補を生成して選べるなら、比較するのは感情らしい響きだけではなくなる。何を守り、相手との関係をどう動かす発話なのか。その選択も見ることになる。
ただし、条件を文章にできることと、それを音声へ安定して反映し、狙った箇所を修正できることは別だ。ここを、現在のSpeechLMならすべてできるという性能評価へ飛ばさない。
もう一つ分けたいのは、発話者の内側にある状態、聞こえる徴候、それを受け取る側の解釈である。「怒っているように聞こえた」ことだけでは、その音を出したものが怒りを経験したとは分からない。一方、内側の状態が違うことだけで、聞き手に起きたことがすべて説明できるわけでもない。
声には相手がいて、相手には位置がある
吹替では、言葉の意味や感情だけでは足りない。誰へ向けて、どの距離から、どんな姿勢で話しているのかも気になる。
六メートル先を歩いて去る相手に呼びかけるのと、隣に座る相手に話すのでは、同じ台詞でも選びたい声は変わる。ただし、距離が分かれば声量が一意に決まるわけではない。秘密にしたいのか、届かなくても言ってしまうのか、録音やミックスでどう聞かせるのかも関わる。
クローズアップだから、近くの相手へ話しているとは限らない。画面の人物がカメラにどれほど大きく映るかと、その人物が誰に向けているかは別の座標だ。
人間の吹替俳優も、劇中空間に実際に立っているわけではない。スタジオで映像や音、台本を読み、相手との距離や身体の状態を、自分の身体で再構成している。ここを「人はその場にいるが、機械はいない」という単純な比較にはしたくない。
もし映像認識や人物情報、記憶の仕組みを音声生成へつなぐなら、システムにも何を渡す必要があるのだろう。相手、位置、視線、直前の応答、関係の変化。これは設計と検証の問いであり、現在のモデルが劇中空間を十分に理解できるという結論ではない。
受け取る側にも、声だけが届くわけではない。観客は表情、画面、台詞、物語の履歴などを併せて、その人物の発話として受け取る。作り方を知っていることが印象へ関わる場合もある。音声単体の比較と、作品としての鑑賞体験も、分けておきたい。
履歴を持たせることと、時間を生きること
人物の条件を増やしていくと、次は履歴が気になってくる。三年ぶりの再会なら、その三年間は、いまの一言にどう関わるのか。
「三年前に別れた」という情報を参照することと、その後の時間を経た人物として話すことは、同じなのだろうか。ここで私は、またベルクソンの持続を思い出す。彼が論じる、意識の状態が互いに浸透する時間という見方は、この違いを考える補助線になる。[3]
ただし、「記憶の検索は機械、時間を生きるのは人間」と区分して話を終えたいわけではない。人も情報を思い出すし、計算機側でも履歴の保持や状態更新を組み合わせる設計は考えられる。問いたいのは、どの保持・更新が発話のどんな違いとして現れるのか、ということだ。
さらに、人の発話は、その人自身へ戻ってくる。言ってしまったことで関係が変わり、その後の言葉が変わる。疲労や呼吸、年齢の変化もある。「身体」を声の響きを決める器官だけに限ると、こうした循環が抜け落ちてしまう。
生成システムも、人や社会へ結果を及ぼす。だから、機械は世界の外にあって何の結果も生まない、とも言えない。ただ、その結果をモデル自身がどう経験するのかという問いと、運用する人がどんな責任を負うかという問いは、同じではない。
身体、履歴、経験、責任。どれか一語を、人間固有性の最後の砦にしておくより、この比較では何を指しているのかを、もう一度具体的にしてみたくなる。
比べていたら、人間の発話が問いになった
声を比べていたはずなのに、いつの間にか、意味はどこで成立するのかを考えている。
ソシュールの、言語の価値を体系内の関係から考える視点も思い出す。[4] ただし、そこから「モデルが言葉を選べば人間と同じ意味経験を持つ」とは導けない。記号がやり取りの中で働くことと、それが誰かにとって何かとして現れることを、私は一緒にしていなかっただろうか。
ある人物がドアへ向かう。その動きが、別の人物には「帰ろうとしている」、さらに「自分を置いていこうとしている」と受け取られる。その人物ならそう捉える、と計算することと、その人にとって喪失として経験されることは、同じなのか。ここでは意図や目的の推定に加えて、志向性、つまり経験が何かへ向けられていることの問いが顔を出す。
これは、機械に経験があるとも、原理的にないとも結論する話ではない。場面に合う出力を得る評価と、経験する主体についての問いは、別の条件で考える必要がある、という整理だ。
仮に、ある条件の下で同じ役割を果たす出力が得られても、それはその条件での機能の近さを示すのであって、あらゆる場面で等しいことや、同じ存在であることまで証明しない。だからこそ、何を再現でき、何をまだ比較できていないのかが気になる。
音響、行為、人物、空間、意味、時間。新しい問いが加わっても、前の問いが不要になるわけではない。自然に聞こえるかも、人物として成立するかも、どう作られたかも残る。
私はAIと人間の最終的な境界線を見つけたわけではない。むしろ、比較してみたことで、人間の発話について何を当然視していたのかが見え始めた。
最新の音声技術を追っていたら、問いのほうはずいぶん古くなってきた。ソシュールやベルクソンが必要になるとは思わなかった。私は声の比較をしていたはずなのに。
参照と本稿の範囲
本稿は提供された比較メモをもとにした個人の考察で、モデル間や俳優との優劣を測る比較実験ではない。生成・独立試聴・観客調査は行っていない。2026年11月1日に以下の公開資料の該当箇所を確認した。研究の参照は公開要旨の範囲に限り、2024年の研究を今月の新発表とは扱わない。
人物の行為、空間、履歴をシステムへ渡す話は、設計を考えるための仮定である。どのモデルでも安定して実現できることや、人間と同じ主観的経験が成立することを示さない。哲学は問いの補助線として参照し、技術の限界や人間固有性を保証する結論にはしない。
- [1] Nguyen et al. (2024), Spirit LM: Interleaved Spoken and Written Language Model — 文字・音声の組合せと、音高・スタイルの扱いを公開要旨で確認。人物理解や長編演技の性能を示す資料としては扱わない。
- [2] Défossez et al. (2024), Moshi: a speech-text foundation model for real-time dialogue — 公開要旨で全二重対話と二つの音声ストリームを確認。映像理解、俳優との比較、2026年の新製品の評価ではない。
- [3] Henri Bergson, Time and Free Will, Chapter II — 1889年の著作のF. L. Pogsonによる1910年英訳。意識の状態と持続について、特に印刷頁100〜101を参照。本稿のAI・人物履歴への接続は私の解釈である。
- [4] Ferdinand de Saussure, Cours de linguistique générale, Part II, Chapter IV — 1916年刊の講義に基づく編纂書。Wikisource掲載版の言語的価値、とくに§4の該当本文を参照。発話の意味、主観的経験、AIの理解を一括して説明する理論としては用いない。
初出：2026年11月1日。日本語版・英語版を併せて公開。編集：LAYER SHIFT編集者／Published by Ausreißer Verlag。