声で語り継ぐ——AIポッドキャストと、講談・口承が磨いた「語り」の技法

カテゴリー：世界と日本

2024年9月、Google（Google LLC）が公開した「NotebookLM」の音声機能「Audio Overview」は、世界の知的生産のあり方を静かに揺さぶった。ユーザーが資料をアップロードすると、二人のAIホストが、まるで長年組んできたラジオパーソナリティのように、その内容を相づちと脱線を交えながら語り合う音声番組を生成する。読むはずだった文書が、聞くべき「語り」に姿を変えたのである。この体験の核心は、要約の精度ではない。むしろ「声で語られると、文章では伝わらなかった温度や強弱が立ち上がる」という、人類がきわめて古くから知っていた事実の再発見にある。音声合成の最前線では、ElevenLabs（ElevenLabs Inc.）の音声クローン技術が、特定の話者の声色や癖まで写し取り、NotebookLMの既定の声を任意の声へ差し替えるワークフローまで定着しつつある。文章を声に変換する技術は、もはや棒読みの読み上げではなく、「誰が、どんな調子で語るか」という演者の領域に踏み込んでいる。ここで思い起こしたいのが、日本が数百年かけて磨いてきた「語り」の芸能、すなわち講談（こうだん）と口承（こうしょう）の文化である。文字に書かれた物語を、いかに声で立体的に立ち上げ、聴き手の心に刻むか。AIが語りはじめた時代に、語りのプロたちが築いた技法は何を教えてくれるのか。本稿では、AI音声の現在地を確認したうえで、講談という話芸を補助線に、「声で語り継ぐ」という営みの本質を考える。 Google NotebookLMのAudio Overviewは、アップロードされた資料をもとに、二人のAIホストが対話形式で「深掘りの議論」を繰り広げる音声を生成する機能である。単なるテキスト読み上げと決定的に異なるのは、一方が問いを投げ、もう一方が答え、ときに脱線し、要点で声を強める——という会話のリズムを持つ点だ。聴き手は、講義を一方的に浴びるのではなく、二人の対話に立ち会う第三者として情報を受け取る。この設計は、人間の認知に対する深い洞察に基づいている。一本調子の朗読より、複数の声が掛け合う対話のほうが、注意を持続させ、記憶に残りやすい。情報を「届ける」のではなく「語り合ってみせる」ことで、理解の質を変えようとしているのである。音声合成のもう一つの最前線が、ElevenLabsに代表される音声クローン技術である。数十秒の音声サンプルから話者固有の声を再現し、任意の文章をその声で語らせる。NotebookLMが生成した音声を取り込み、声だけを自分のブランドボイスに差し替えるワークフローが2025年に広まったことは、音声生成が「内容の生成」と「声の付与」という二段階に分離しつつあることを示している。これは、語りにおける「何を語るか」と「誰が語るか」が、技術的に切り離せるようになったことを意味する。同じ台本でも、語り手が変われば伝わるものが変わる。AIはいま、この「演者性」を自在に操る入口に立っている。 AI生成ポッドキャストの技術は、おおむね「対話台本の生成」と「音声合成」という二つの工程に分けられる。前段で大規模言語モデルが資料から対話の脚本を起こし、後段で音声合成モデルがそれを声に変換する。この分業構造は、後述する講談の「読み物（台本）」と「話芸（演技）」の関係と驚くほど似ている。台本があるだけでは語りは成立せず、それを声で立ち上げる技があってはじめて、物語は聴き手に届くのである。講談は、軍記物や武勇伝、政談、世話物などを、独特の調子とリズムで語り聞かせる日本の話芸である。演者は釈台（しゃくだい）と呼ばれる小さな机の前に座り、張り扇（はりおうぎ）で釈台を叩いて拍子を取りながら、物語を朗々と読み上げていく。落語が会話の妙で笑わせる芸であるのに対し、講談は物語を「語り聞かせる」叙事の芸であり、その源流は中世の太平記読みや、寺社で経典の物語を説いた説経にまでさかのぼるとされる。講談師が用いる「修羅場（しゅらば）読み」と呼ばれる合戦の語りは、畳みかけるような早口とリズムで聴き手を戦場へ引き込む。同じ文章でも、どこで声を張り、どこで間を置き、どこで張り扇を打つか——その緩急こそが講談師の技であり、文字には書ききれない情報量を声に乗せる。講談の背後には、日本に限らず人類が普遍的に持っていた口承の伝統がある。文字が普及する以前、あるいは文字を持たない人々の間で、神話や系譜、教訓や出来事は「語り」によって世代を超えて受け継がれた。日本では、古事記の編纂にあたって稗田阿礼（ひえだのあれ、生没年不詳）が誦習（しょうしゅう）した物語を太安万侶（おおのやすまろ、生没年不詳）が筆録したと伝えられ、声による記憶が文字に先立っていたことを物語っている。口承において重要なのは、内容の正確さだけではない。語りのリズム、繰り返し、定型句といった「覚えやすく、語りやすい形式」が、記憶と伝承を支えた。情報を声に最適化する技法が、文字以前の知の継承を可能にしていたのである。講談や口承の芸が教えるもう一つの本質は、語りが演者と聴き手の共同作業だという点である。同じ演目でも、客席の反応によって間の取り方や強弱は変わり、その場限りの一回性が生まれる。語りは録音された固定物ではなく、語り手と聴き手が同じ時間を共有することで立ち上がる、生きた営みだったのである。最も前向きな筋書きは、AI音声が「読む時間のない情報」を「聴ける語り」へ変換し、知へのアクセスを劇的に広げる未来である。通勤や家事の最中でも、難解な論文や長大な資料が、対話形式の語りとして耳から入ってくる。視覚に障害のある人や、活字が苦手な人にとっても、知の扉が開かれる。講談が庶民に歴史や物語を届けたように、AIの語りは専門知を大衆へ橋渡しする新たな話芸となりうる。語りという古い形式が、最新技術によって復権する展開だ。最も現実的な筋書きは、AIの語りと人間の語りが用途に応じて棲み分ける展開である。資料の要約や情報伝達といった「正確さと網羅性」が問われる場面ではAIの語りが活躍し、一回性の感動や、語り手の人格そのものを聴きに行く場面——講談の高座や、人気ポッドキャスターの番組——では人間の語り手が選ばれ続ける。AIが量を担い、人間が「その人の声で聴く意味」を担う。落語と講談が異なる芸として併存してきたように、複数の語りの形式が共存する。警戒すべき筋書きは、音声クローン技術が悪用され、「誰の声か」が信用できなくなる未来である。本人が語っていない言葉を、本人の声で流布させるなりすましや詐欺が横行すれば、声という最も親密なメディアへの信頼が根底から揺らぐ。語りが信用を運ぶ器であったからこそ、その器が偽造可能になったとき、社会は深刻な不信に陥る。講談師が長年の修業で築いた「この人の語りは信じられる」という信頼が、技術によって安易に模倣されてしまう危うさである。 AI音声技術の本質的な達成は、文章を声に変換したことではない。「声で語られると、文字とは違う何かが伝わる」という、人類が口承の時代から知っていた事実を、技術が改めて証明したことにある。NotebookLMの二人のホストが掛け合うとき、私たちが感じる親しみや理解のしやすさは、まさに講談師が釈台を打ち、間を操って物語を立ち上げてきたものと同じ原理に立っている。ここで講談の歴史が示唆に富む。講談師がやってのけたのは、文字に書かれた物語に、声の緩急と間と拍子という「体温」を与え、聴き手の記憶に刻むことだった。同じ太平記でも、誰がどう読むかで伝わる迫力はまるで違う。AI音声が「台本生成」と「音声合成」を分業し、さらに音声クローンで「誰の声か」を自在にするのは、講談における「読み物」と「話芸」、そして「演者の個性」の関係を、技術として再構成したものに見える。ゆえにARBOはこう考える。AIが語りはじめた時代に問われているのは、いかに自然な合成音声を作るかではない。むしろ、「声という器に、どんな信頼と体温を乗せるか」という、講談師や語り部が担ってきた仕事の現代的な再発明である。日本は、文字に書ききれない情報を声に乗せて伝える技を、話芸として洗練させてきた。その記憶は、機械が語る時代に「人が語る意味」を問い直すうえで、決して古びた骨董品ではない。第1に、音声クローンの本人同意と認証のルール整備である。誰の声を、誰の許可で再現してよいのか。声の権利と、なりすまし防止の技術的・法的な枠組みがどこまで整うかが、音声生成の社会的受容を左右する。第2に、AI音声コンテンツの「演者性」がどこまで評価されるかである。情報伝達の効率だけでなく、「この声で聴きたい」というブランドボイスの価値が確立すれば、語りは単なる出力ではなく作品として扱われるようになる。第3に、日本の話芸・音声コンテンツ産業の動きである。講談・落語といった伝統話芸のデジタル継承や、声優・ナレーション文化が世界有数の厚みを持つ日本が、AI音声時代に「語りの質」でどう独自性を打ち出すか。声の文化的蓄積を、技術とどう接続するかが問われる。