Report 21

声の何を変え、何を残すのか

2026年9月の実装観測。演技を指定する、話し方を保って翻訳する、人間の吹替に映像を合わせる。声を扱う選択肢が増えたとき、制作と運用の判断はどこへ移るのか。

Last updated 2026-09-30Evidence-led analysis
Performance & DirectionProduction WorkflowLocalizationRights & Governance

Question

声質、間、感情、話者性、口形。音声AIがこれらを扱う手段を増やすとき、制作側は何を変え、何を保持すると決めるのか。その選択は、演技、翻訳、映像、会話制御、公開後の対応にどう伝わるのか。

対象期間：2026年9月1日〜29日。観測基準日：9月29日。提供資料をサイト向けに再構成し、主要な公式資料を掲載時に確認した。モデルの実機・API評価は行っていない。

Context

9月の発表を工程ごとに並べると、音声の生成、演出、翻訳、映像同期、会話中の行動がつながって見える。音声単独の性能改善と、複数の機能を接続する実装が同時に進んでいる。

ただし、製品の提供開始、研究論文、既存モデルの導入手順、本番作品への採用、将来のパイロット計画は、それぞれ違う段階にある。本稿では、何が発表され、どの工程へ接続されたかを確認し、その効果については公開資料が示す範囲で扱う。

今月の観測軸「指定する」「残す」「合わせる」。同じ声の特徴でも、生成する、翻訳を通して保持する、映像と整合させるという異なる仕事になる。どの特徴を扱うかによって、必要な判断と評価も変わる。

Evidence

演技を指定する：Gemini 3.8 TTS／Eleven v4

Googleは9月23日、Gemini 3.8 Flash TTSとFlash-Lite TTSを発表した。自然言語による声の設計、行単位の演技指定、二話者の台本、笑いやため息などを扱う機能を掲げている。APIとAI Studioへの展開が始まり、Enterprise APIやVoice remixingは今後の提供として区別されている。

ElevenLabsは9月29日、Eleven v4とv4 Turboの提供を発表した。台本文脈、インライン指示、複数話者、部分再生成を制作機能として示し、Turboを対話用途へ位置づける。約100msという値は最初の音声までのモデル推論時間中央値であり、通信やLLMの回答生成を含まない。

両社の発表から確認できるのは、演出意図を生成工程へ渡す入口が増えたことだ。細かな指示ができることと、人物の目的や場面の変化まで意図どおり演じられることは、別途評価する必要がある。品質と安定性の説明は企業公表である。

話者性を残す：DeepL Voice

DeepLは9月15日、声、調子、リズム、ペース、イントネーションの保持を打ち出した音声間翻訳を発表した。翻訳の対応は30超言語、話者性保持は14言語と公表しており、この二つの範囲は同じではない。

ここでは何を変更するかに加え、何を保持するかが製品上の要件になる。声質や話し方を保持しても、翻訳による意味や対人距離の変化がなくなるわけではない。言語対、話者、雑音、場面ごとの評価が残る。

映像を合わせる：Prime Video『Maxton Hall』

Amazonは『Maxton Hall』シーズン1・2の英語版で、人間が収録した吹替にAIとVFXで口形を同期させる実装を公表している。確認できるのは、人間の音声演技を核に映像側を加工する構成である。

この事例では、演技の担い手と加工される対象が異なる。Amazonはクリエイティブ監修に触れるが、承認手順や修正ログの詳細は示していない。口形、声、表情、場面の意図を一緒に確認する工程が観測対象になる。

話しながら実行する：Gemini Live／Qwenの研究

9月15日発表のGemini 3.8 Liveは、音声応答を続けながらの非同期関数呼び出し、視覚入力、構造化データとの統合をAPI機能として掲げる。会話の評価には、音質とともに割り込み、訂正、ツール実行、失敗時の説明が入ってくる。

9月21日公開、24日改訂のQwen-Audio-3.1-Realtime論文も、推論、実行、発話と会話調整を研究対象にする。いつ、どのように話し、行動するかを評価する設計は参考になるが、論文公開は商用提供や本番品質を示すものではない。

配信と運用へ接続する：YouTube／AWS

YouTubeは9月23日、ライブ自動吹替のパイロットを2027年初頭に始める計画を発表した。9月時点の提供機能としては扱えない。実現時には翻訳の正確さに加え、遅延、訂正、停止権限、視聴者への説明を観測したい。

AWSは9月25日、Qwen3-TTSのBaseモデルをSageMakerへ展開する手順を公開した。これは既存の公開モデルを推論基盤へつなぐ導入資料である。自社アカウント内で運用しても、参照音声の利用権、データ管理、監視、削除の判断は必要になる。

Findings

生成できる特徴が増えるほど、選択が具体的になる

声の息、震え、間、アクセントは、音響的な特徴であるとともに、聞き手が身体状態や意図、人物像を推測する手がかりにもなる。指定する、保持する、映像と合わせるという操作は、受け手へ何を渡すかの選択でもある。これは本稿の分析である。

指定する誰のどの場面か。人物の目的、相手との関係、演技の変化を生成条件へどう渡すか。
保持する別言語へ移すとき、声質、アクセント、ためらい、対人距離のどれを残すか。
合わせる音声と口形、表情、身体運動が、同じ発話として受け取られるか。
修正する差し替えた一行が、前後の演技、音響、物語の連続性につながるか。

言語数、入力サンプルの秒数、モデル推論の遅延は、それぞれ別の指標だ。これらから作品全体の品質、工期、費用を直接推定することはできない。

Structural implications

マルチモーダルへの接続が、音声の評価を細かくする

声が映像や対話とつながると、発話の内容、演技、応答のタイミング、身体との整合を同時に扱う必要がある。統合が進んでもTTSの細部が重要であることは変わらず、むしろその細部を評価する場面が増える、と本稿は読む。

制作にとっては、試作と差し替えの選択肢が広がる一方、採用テイク、変更範囲、翻訳の意味、同期の整合を判断する場所も増える。省けた収録や編集の手間と、新しく必要になった監修・承認の手間を一緒に測る必要がある。

同意と表示も、実装の一部になる

Googleは声の複製に、参照話者と一致する口頭同意録音を求める仕組みや透かしを公表している。製品内の本人確認に加え、制作側には使用言語、媒体、期間、追加台詞、再生成の承認範囲を決める仕事がある。

California SB 1050は9月16日に成立した。条文は、特定の実在人物として識別されない合成実演者を目立つ形で含む広告について明瞭な表示を求め、人間の演者の言語翻訳やアクセシビリティ機能だけに生成AIを使う広告などを除外している。あらゆるAI音声に一律の表示義務があると読むことはできない。成立と施行・適用は分け、個別の運用は別途確認する必要がある。

YouTubeにも、本人に似た合成の声や容姿についてプライバシー申立てを行う経路がある。プラットフォームでの削除判断、契約上の救済、裁判での権利判断は異なる手続きである。

Uncertainties

本稿の機能・品質・速度に関する主要資料は企業発表であり、独立した再現試験は行っていない。日本語の演技、長尺の一貫性、部分再生成の接続、話者性保持、実環境の往復遅延について、公開資料だけで保証することはできない。

次に確認したいのは、指示がどの程度反映されるか、翻訳で何が変わるか、音声と映像を誰が承認するか、失敗時に誰が止められるかである。法制度の適用と、個別の訴訟や声検出に関する報道も継続観測の対象だが、裁判資料や一次仕様を照合できていない内容は本稿の主要根拠に採用していない。

今月の読み声の選択肢が増えたことで、生成、保持、改変の判断が具体的な工程になる。その変化を、性能の向上と、判断・責任の再配置の両側から追う。
Related reading
TTSは「言葉が出なくなる」を演じられるか →声は、会話の中で演出される →AI音声は映像制作にどこまで組み込まれたのか →吉兆を無限に生成するとき、意味はどこへ行くのか →

Sources