声の向こうに人がいる、という前提

私たちは声を聞くたびに、「これは人間の発話だろうか」と確認しているわけではない。電話でも録音でも、姿が見えないことはある。それでも、その言葉をある時点で誰かが発した、と受け取ることが多い。本稿では、この普段は説明を求められない前提を「無標」と呼んでみたい。

身体の見えない声には、録音や放送にも長い歴史がある。合成音声も以前から存在していた。いま目を向けたいのは、ある人の声として聞こえる言葉を、その人が一度も発していなくても作れることだ。声から思い浮かべる話者と、その発話を実際に作った工程が、重ならない場合がある。

声の調子や間、息づかいから、私たちは話者の状態や意図を推測する。ただし、それはもともと推測であって、声が内面をそのまま証明していたわけではない。俳優もまた、そうした手がかりを用いて人物を演じてきた。生成技術は、その手がかりを選び、組み合わせ、繰り返す方法を増やした。

ここにある困惑は、単に「人間に似ているのに少し違う」という違和感とは限らない。自然に聞こえるからこそ、聞き手は後から問い直すことがある。この言葉を発したのは誰か。この声は誰を表しているのか。何を、その人についての証拠として受け取ってよいのか。

もちろん、生成された発話の背後にも、声を提供した人、台詞を書いた人、生成し、編集し、採用した人が関わり得る。ただ、その関与は、一人の人間がその言葉を発したことと同じではない。聞こえる話者と、制作や発言の責任を持つ人を、分けて考える場面が生まれる。

演ずることは、声を出すと同時に、その声で人物を表象することでもある。息、間、ためらいは、身体から生じる音でありながら、場面の中では人物の状態や関係を示す表現になる。何が説明なしに「自然」と受け取られ、何が意味のある違いとして聞かれるのか。合成音声によって浮かび上がった問いは、人が演じるときにも関わっている。

無標だったものが表に現れるとは、声から人を思い浮かべる習慣そのものが、制作と鑑賞の対象になることなのかもしれない。「人が話しているように聞こえること」が、どの手がかりによって成り立つのか。その手がかりを、誰のどんな姿を表すために使うのか。

制作側には、その声を誰のものとして、何のために使い、誰が発話の内容を引き受けるのかという判断が残る。聞き手には、声を楽しみながらも、その由来を音だけでは決められない場面が増えていく。合成音声をめぐる戸惑いは、これまで声と人をどのように結びつけて聞いていたかを、見つめ直す入口にもなる。

本稿は私的なメモと対話から生まれた考察です。聞き手の反応を実測した報告ではなく、声・演技・表象の関係を考えるための視点を記しています。