音声クローン｜わずかな録音から本人の声そっくりに話す仕組み

人の話し方をどのように聞き取って再現するのか

私たちの声は、指紋と同じように一人ひとり異なる特徴を持っています。声帯が振動する方法、喉の形、育った地域のイントネーションなどが合わさって、家族や友人なら一言聞いただけで誰だかわかる独自の響きになります。かつてコンピューターで声を作るには、声優が録音室に何週間もこもり、辞書にある何万もの単語を読み上げる必要がありました。しかし現在では、留守番電話や短い動画クリップにあるほんの数秒の声から、その人の特徴をつかみ取ることができます。

この急速な進歩は音響モデルの進化によるものです。従来の録音機のように言葉を丸ごと保存するのではなく、プログラムは声の高さがどう上下するか、質問するときにどこで語尾が上がるか、息を吸う間隔の長さなどを分析します。マイクに向かって一度も喋ったことがない単語でも、その人の癖に合わせて発音できる計算の型を作り上げるのです。

調律師と自動演奏ピアノのたとえ

従来の録音を昔のレコード盤に例えるなら、針が溝をなぞったときの音しか再生できません。これに対して音声クローンは、熟練のピアニストの弾き方を忠実に再現する自動演奏ピアノのようなものです。

腕の良い調律師がピアニストの演奏を注意深く観察し、鍵盤をどれくらいの強さで叩くか、ペダルをどのくらい長く踏むか、木の響きがどれほど柔らかいかを測ります。そして、自動ピアノの内部にある小さなハンマーの当たり具合を、そのピアニストの弾き方にぴったり合わせて調整します。調整が終われば、ピアニスト自身が一度も練習したことがない新しい楽譜のロール紙を差し込んでも、あの独特のタッチと表現力でピアノが自動的に演奏を奏でます。

コンピューターの中では、あなたが用意した短い録音が調律のための基準になります。そして画面に打ち込んだ文字が新しい楽譜となります。音声合成のプログラムがその人らしい発音の癖に合わせて周波数を鳴らし、自然な文章を組み立てます。こうして、本人の声の響きをそのまま持った新しい音声が生まれるのです。

音声クローンが使われている日常の現場

声のクローン技術は、医療現場での優しい手助けから深刻なセキュリティ上の脅威まで、さまざまな形で使われています。

• 病気で声を失う前の音声保存: 進行性の病気と診断された方が元気なうちに声を録音しておき、将来声が出にくくなっても自分の声で機械を通じて家族と話せるようにしています。
• 本の朗読や音声コンテンツの制作: 著者がスタジオに何日も拘束されることなく、原稿のテキストから自分の声の調子でオーディオブックを完成させることができます。
• 家族を装った振り込め詐欺: ネット上の動画から子どもの声を合成し、事故を起こして示談金が今すぐ必要だと動転した親に電話をかけて騙し取ろうとする手口があります。
• 企業の送金指示を偽装する不正: 経営幹部の声を真似て経理担当者に電話をかけ、取引先への緊急の送金だと偽って不正な口座にお金を振り込ませる事案が起きています。

身近な安全のためにできる実践的な自衛策

親しい人の声で助けを求められると、誰でも冷静な判断ができなくなりがちです。家庭を守るために必要なのは難しい知識ではなく、落ち着いた対話の習慣です。

• ネットに載せない家族だけの合言葉を決める: 家族の間だけで通じる子どもの頃の呼び名や秘密の言葉をあらかじめ決めておき、急にお金を求められた際は必ずその言葉を言わせます。
• 不自然な無音や平坦なトーンに耳を澄ます: 合成された音声は強いパニック状態の息遣いを再現するのが難しく、緊迫した内容の割に淡々と聞こえたり、文の合間に不自然なノイズが入ることがあります。
• 一度電話を切ってあらかじめ登録した番号にかけ直す: 着信表示の番号は偽装できるため鵜呑みにせず、通話を切ってスマートフォンの連絡先に登録してある本人の番号へかけ直してください。

技術は声の響きを真似ることはできても、二人で積み重ねてきた本物の思い出まで真似ることはできません。慌てずに十秒間深呼吸し、直接確かめる手間を惜しまないことが、ハイテクな悪用を寄せ付けない一番の盾になります。