October / Observation · 2026.10 Second half

声を作れることと、役を演じ通せること

SpeechLMから見直す、読む・選ぶ・応じる・直す仕事。声の自然さに加えて、なぜその言い方を選び、何を保ったまま直せるかを、作品制作の問いとして見る。

Last updated 2026-10-20Evidence-led analysis
Performance & DirectionTechnologyProduction Workflow

Question / 同じ一言で、相手に何をするのか

「大丈夫。」

相手を安心させたいのか。これ以上、事情を聞かれたくないのか。それとも、二人で危機を切り抜け、ようやく息をついているのか。文字が同じでも、その前の息、語頭の硬さ、強調する場所、言い終えた後の間は変わりうる。

しかも、安心させたい本人も怖がっているなら、表に出す言葉と内側の状態は一致しない。音声AIを見るとき、自然に聞こえるかに加えて、この場面で、この相手に、なぜその言い方を選ぶのかを問いたい。

2026年10月下半期の観測・考察。資料確認日は10月20日。下半期の新規発表一覧や、月末までを総括した記事ではない。2023〜2024年の代表的な研究と、現在の公式機能説明を足場にした整理であり、最新製品の網羅や、日本語演技の比較実験ではない。

Context / SpeechLMを、一台の演技マシンにしない

ここではSpeechLMを、音声を言語モデルの枠組みで扱う技術群の広い呼び名として使う。用語の範囲は資料によって異なる。関連するTTS、対話API、脚本を扱うテキストLLMも参照するが、すべてを同じ方式や、一つのモデルの能力とは数えない。

音を聞いて説明すること。指定から声を作ること。音声でやり取りすること。脚本から人物表や解釈案を出すこと。それぞれの入出力と役割を分けて見る。

たとえば、テキストLLMが脚本を整理し、制作側が人物解釈を選び、TTSが仮音声を作る。その連携を、まとめて「一つのSpeechLMが物語を理解して演じた」と呼ぶと、何ができたのか分からなくなる。モデルの出力だけでなく、情報を渡す仕組みや人の選択も含めて評価する必要がある。

Evidence / 接続の研究から、指示と応答の操作へ

2023年：音声と言語モデルを結び付ける

SpeechGPTは、離散的な音声表現を用い、音声と言語をまたぐ指示応答を研究した。AudioPaLMは、音声・テキストの理解と生成を扱い、音声認識や音声間翻訳などを報告している。ここでいう初期は、今回参照する接続研究の時期であり、音声合成全体の出発点ではない。[1・2]

これらは「声を出す」の範囲を読み上げだけに限定できないことを示す背景になる。ただし、音声認識や翻訳の達成が、そのまま作品全体の役作りや演技指導への対応を示すわけではない。

2023〜2024年：聞く、説明する、対話する

SALMONNは音声・音響・音楽を扱う理解や説明を、Qwen2-Audioは多様な音声入力の分析や、音声による指示へのテキスト応答を報告した。聞いた感情を説明できることと、その感情を狙いどおり声で演じられることは別である。[3・4]

Moshiは2024年、話す側と聞く側を並列のストリームで扱う全二重の音声対話を報告した。GLM-4-Voiceは中国語・英語の音声対話と、指示による感情、イントネーション、話速、方言の変更を報告している。対話の応答性や指示制御を、日本語の細かな演技、長い場面での人物の一貫性へそのまま一般化しない。[5・6]

2026年10月時点：対話の運用と、台詞内の演出を扱う

10月20日に確認したGemini Live APIの公式概要は、低遅延の音声・映像対話、割り込み、入力の表現に応じた応答の調整などを案内している。これは利用可能な対話機能の説明であり、相手役の演技を作品に適した形で受けられることの評価ではない。[7]

関連TTSの例として、Fish Audioが10月13日に発表したDrama 3は、台詞の途中に自然言語の演出指示を置く方法を案内している。同じ発表の対話的な編集とAudio Inpaintingは、小規模な招待限定の試験で、編集APIは今後の提供とされている。公開済みの生成機能と、試験中の編集を区別する。[8]

この例は10月前半の発表を、同月後半の現在地から読み直す参照である。TTSの機能をSpeechLM全体の標準仕様とはせず、発表された操作がどこまで使えるかを見る材料にする。

初期の接続研究から並べると、聞く、声で返す、重なりを扱う、台詞内へ指示を置くといった対象の広がりが見える。ただし、これは単一モデルが段階的にすべてを獲得したという系譜でも、同じ条件で測った性能向上率でもない。研究上の達成、製品で提供する操作、完成作品での採用品質には、それぞれ別の証拠が必要になる。

Findings / 説明、候補、採用を分ける

脚本を説明できても、その読みを採用する判断は残る

脚本から人物関係や場面の対立を整理する案は得られる。しかし、説明が出ることと、その説明が作品全体にわたって妥当なことは別である。根拠のある推定と、もっともらしい補完を区別して点検したい。

特に、「人物が知っていること」と「脚本を最後まで読んだ人が知っていること」を分ける。後で裏切りが明かされるからといって、前半からすべてを不穏に演じるのが適切とは限らない。作者や観客に知らせる情報と、人物の認識を混ぜないことも、演出上の判断になる。

脚本全体を入力できることも、隅々の情報を適切に使える保証ではない。人物表や場面メモを外部に用意するなら、モデル単体ではなく、その仕組みを含む成果として評価する。

言葉の別案と、同じ言葉の演技案は違う

「大丈夫」を「心配しなくていい」に書き換えることと、「大丈夫」のまま間や息、強調を変えることは別の作業である。前者には翻訳・脚本の判断が、後者には演技方針と音声生成・収録の判断が関わる。既定台本の声優が自由に文言を変更できるとは想定しない。

複数案が出れば比較はできるが、作品の最適解が自動的に決まるわけではない。単独では美しい台詞が、相手の次の台詞を弱める場合もある。意味、人物像、画面、尺、ジャンルの演技様式を含めて採用する。

「大丈夫」の三つの使い方

以下は説明のための創作例であり、AIの出力や実測結果ではない。演技の唯一の正解でもない。

  • 相手が失敗を打ち明け、自分も不安だが支えたい。強く言い切りすぎず、息にわずかな揺れを残す、という選択が考えられる。
  • 隠し事を追及され、踏み込ませたくない。少し間を置いて硬く返し、会話を閉じる、という選択が考えられる。
  • 二人で危機を切り抜け、安堵を分かち合いたい。言葉より先に息が抜け、相手の反応を待つ、という選択が考えられる。

「不安な声に」と指定するだけでは、最初の二つを十分に分けられない。本人の状態に加えて、その声で相手に何をするのかが違うからだ。

Structural implications / 頭と身体でつないでいた仕事

ここからは、研究や製品の性能値ではなく、制作を考えるための分解である。人間の収録へ戻すと、次の仕事が重なって見えてくる。

  1. 読む。人物は何を知り、何を望み、いま何が起きているのか、解釈を持つ。
  2. 選ぶ。この相手にどう働き掛けるかを、複数の読みから選ぶ。
  3. 声にする。呼吸、間、強調、速度、声質、画面の身体との関係へ具体化する。
  4. 応じる。相手役の声や間、画面、演出の指示を受けて変える。
  5. つなぎ、直す。前後の場面との関係を保ち、必要な箇所を修正する。

この順に一度ずつ完了する工程ではない。相手の一声で読みが変わることも、声に出して初めて台詞の意味が具体化することもある。アニメ、吹替、ゲーム、ナレーションでは、渡される情報や収録、同期の条件も異なる。

何を変え、何を保ったまま直すのか

「落ち着いて聞こえるのはそのままで。でも、相手を安心させるために平静を保っている感じに。尺は変えず、最後だけ少し迷って」

これも架空の指示であり、特定モデルが実行できた例ではない。求められているのは「悲しさ」を一つ足すことではなく、保つ条件と変える条件を分け、相手への目的と音の条件を同時に扱うことだ。

役を演じ通すとは、毎回まったく同じ声を出すことでもない。同じ人物が状況に応じて変わる、その連続性を扱うことである。声質の一致だけでは測り切れない。

声優の仕事の高度さは、複数の条件を扱い、他者と調整し、狙ったところを変えられることからも見えてくる。一方、採用テイクを決める責任は、声優一人ではなく、演出・制作・編集などとの分担の中にある。候補を増やす手段が増えるほど、何を基準に試聴し、どこへ差し戻すかも具体化したい。

Uncertainties / 一文より、直せる場面を比べる

今回の資料では、全編の解釈、役の変化、声、演出修正を一体として比較する根拠が不足する。その不足を、2026年の全製品に共通する能力上限とは解釈しない。以下は今後の検証案であり、本稿で実施した実験ではない。

  • 同じ一文に異なる前後関係を与え、解釈の説明と、実際の音声を別々に確認する。
  • 一文、短い会話、連続する場面を分け、人物の関係や変化が保たれるかを見る。
  • 相手役の間や強度を変えたとき、応答のタイミングだけでなく、働き掛け方も変わるかを見る。
  • 「語尾だけ変え、前半と尺は保つ」という修正で、変更した範囲と、保つはずの範囲を確認する。
  • 全出力を記録し、選り抜きの一回と、通常の成功率・選別負担を区別する。

モデル名・版、脚本を渡した範囲、参照音声、生成設定、編集の有無も残す。日本語では発音だけでなく、アクセント、語の立て方、敬語による距離、語尾、間、尺を確認したい。評価者の好む読みが違う場合も、その不一致を消さない。

人間との比較では、資料、準備時間、リテイク、選別の条件をそろえる。AI側だけ大量生成から最良の一つを選び、人間側は一回の読みだけ、といった比較では、何の差を測ったのか分からなくなる。

また、品質の採否と、利用の正当性は別である。参照音声の同意、補正・演技変更・未収録台詞の区別、採用の承認者、ログの保管者、公開時の表示を、案件に応じて決めたい。これは制作上の提案であり、一律の法的要件を述べるものではない。

音声AIの進歩は、人間の認知や身体が解明されたことを意味しない。それでも、入出力や制御項目を分けると、一言を成立させていた仕事が見えてくる。「こんな声も作れるようになった」の先に、「こんなに多くの判断が重なっていた」がある。10月下半期は、その接続を見直す現在地として記録する。

Related reading
声の「出来」から、演出と配信の工程へ →TTSは「言葉が出なくなる」を演じられるか →AI吹替から、ローカライズの工程設計へ →合成音声は何を克服してきたか →Did AI Dubbing Give Cinema an Existential Problem? / English column →

Sources / 研究、公式説明、考察の範囲

提供されたSpeechLM調査稿を、10月下半期の観測として再構成した。資料確認日は2026年10月20日。初期研究から現在への接続を補うため、関連TTSの公開・試験機能を追記した。本文の創作例、脚本分析の観点、仕事の分解、比較実験の提案は本稿の考察であり、参照論文が全体を実証したという意味ではない。論文の実験再現や、日本語音声の横断試聴による順位付けは行っていない。