声から身体が失われていく

はじめに――「一声」で人がわかった時代

かつて、声はその人そのものでした。

一声を聞けばその人物がわかる。それは錯覚でも思い込みでもなく、声が本質的に身体の産物であることの、ごく自然な帰結です。慶應義塾大学言語文化研究所の川原繁人教授が著書や講演の中で繰り返し説くように、人間の身体はそれ自体が楽器であり、声帯の長さや口腔の形などは個人によって異なるため、自然と声の高さや共鳴の仕方も人によって違います。つまり声の個性とは、その人の骨格・声帯・共鳴空間という取り替えのきかない身体的条件から不可避に生まれるものであって、「個性を演じる」のではなく「身体が個性を持っている」のです。

しかし2026年の今、私たちはその自明を失い始めているのではないでしょうか。音楽・放送・舞台・音響――あらゆる音声表現の領域において、声が身体から切り離され、均質化・平準化されていく現象が、かつてないほどの速度で進行しています。本稿はその構造的要因を解明し、見過ごされがちな「感性の劣化」という問題に正面から向き合おうとするものです。

身体を必要とした発声の時代

舞台芸術の世界は長い間、ノーマイクを前提としていました。俳優や歌い手は、生身の空間に声を届けるために、身体全体を使って発声することを求められました。横隔膜の支え、胸腔・頭腔の共鳴、口腔の形状の変化、全身の筋肉の連動――それら身体的条件の総体が「声」として空気中に放たれ、数十メートル先の観客席まで届いたのです。

公演制作現場では舞台技術者・制作者の人材不足と長時間労働の恒常化が深刻な問題として指摘されている現在においても、演劇の核心にあるのは俳優の身体です。身体をもって空間を満たすという行為が、否応なく各人固有の発声様式を生みます。それはトレーニングの成果であると同時に、生物としての個体差の刻印でもあります。

マイクロフォンが普及した以降においても、しばらくの間はその文法が継承されました。増幅する前段階の音声の質が、最終的な聴感に決定的な影響を与えるからです。アナログの時代、マイクは「拾う」ものであり、声の素材の良し悪しがそのまま表出しました。

小声革命とイヤホン聴取の常態化

状況が根本的に変わったのは、スマートフォンとインイヤー型イヤホンの普及によるものです。

2025年のLuminateレポートによると、音楽ストリーミングの年間再生回数は5兆回を超える水準に達しており、その大半はモバイルデバイスとイヤホンを介して消費されています。音楽を聴く行為が、パブリックな空間から個人の耳穴へと完全に移行したのです。

この変化は、音楽の「受け取り方」を変えただけではなく、「作り方」と「伝え方」の根拠そのものを変質させました。小声でスマートフォンのマイクに吹き込み、高性能なノイズ除去技術とAI補正を経て、イヤホンの中で完結する音声。その制作過程において、身体的な発声の必要性は著しく低下しました。横隔膜の支えも、胸腔共鳴も、空間を満たすための筋肉の緊張も、もはや必須ではありません。

かくして、声から身体が切り離されていきます。

音声研究の知見によれば、人の声の高さや音色はその身体的特徴によって決まるため、理想の合成音声を作るには声の主となる人物の体格などの情報を算出し反映させることが必要とされています。また「口の中の形状」や「話し方の癖」といった要素も声の個性を形成するといいます。しかし現在の音声表現においては、そうした身体的固有性を磨くことよりも、AI補正・ピッチ修正・ノイズリダクションの精度を高めることに制作の重心が移っています。

生成AIが加速させる均質化

この趨勢をさらに加速させているのが、音楽生成AIの急速な台頭です。

音楽分野における生成型AI市場は、2025年の4億4,000万米ドルから2026年には5億7,000万米ドルへとCAGR28.5%で成長が見込まれており、2030年には13億4,000万米ドルに達すると予測されています。SunoやUdioに代表されるAI音楽生成ツールは、テキストプロンプトひとつで、歌詞・伴奏・ボーカルを含む完全な楽曲を数秒で生成できる段階に達しています。

2026年2月時点で、AppleがLogic Pro 12に「Chord ID」や「Synth Player」を導入するなど、AIはDAW（デジタルオーディオワークステーション）内部でアーティストと並走する「セッションプレイヤー」へと進化しています。同時に、生成AIがアーティストの声や歌い方の特徴を学習することで、歌手Aと歌手Bを混ぜたような楽曲制作も可能になるという問題点も指摘されています。

ここで浮上するのは著作権問題だけではありません。より根深い問題として、「声の個性の商品化」という音楽の本質的な価値構造が崩壊しつつあることがあります。ワーナー・ミュージック・グループは「音楽の価値を適切に反映した条件を求める」との基本方針を公表し、AIとのライセンス交渉に臨んでいますが、それは換言すれば、声とその個性が巨大な「資産」であることを業界自身が認めた宣言でもあります。しかし、その資産が日常の音声表現の場で日々希薄化しているという逆説は、業界の外では十分に議論されていません。

「不気味の谷」と感性の問題

AI生成音声に対して、多くのリスナーが感じる違和感の正体はどこにあるのでしょうか。

1970年、ロボット工学者の森政弘氏が提唱した「不気味の谷現象」は、ロボットや人工生命の外見的な人間への類似度が高まっていく過程で、ある閾値を超えた時点で突如として嫌悪感・違和感・薄気味悪さといった負の感情が生じるという心理現象を指します。この概念は当初ロボットの造形に向けて提唱されましたが、合成音声にも同様の現象が観察されるとされており、AIやロボットの声が人間に中途半端に近づくほど、聴者の不快感が増す傾向が報告されています。

音声合成の技術が未熟な段階では「何を言っているかわかる」として好評だったものが、技術の進歩とともに自然音声に近づくほど「なんか不自然」という意見が増えます。人が合成音声を評価するとき、自然音声に近づくほどその差に敏感になるのです。

しかし本稿が指摘したいのは、この「不気味の谷」の問題以上に、より静かに進行する別の劣化です。それは「慣れ」と「感性の鈍化」の混同です。

不自然な合成音声に「そのうち慣れる」という言説は、しばしば楽観的な未来論として語られます。確かに、人間の認知は繰り返し接触によって閾値を変化させます。しかしここに、重大な問題があります。我慢の積み重ねの末に生じる「慣れ」は、違和感が解消されたことを意味するのではなく、違和感を検知する感性そのものが鈍化した結果である可能性があるのです。

初期のAI画像生成が生む「指が6本の人物像」に対して、「これはAIだから」という留保付きで受容するとき、私たちは人体の構造的正確さに対する感受性の一部を手放しています。同様に、日本語として不自然なイントネーションを持つ音声を「AIだから」として受け入れるとき、私たちは言語の持つリズムと抑揚に対する感性の回路を、少しずつ閉じています。これは「進化」ではなく、人の身体が楽器であり、その個性が声帯・口腔・共鳴腔の固有性から生まれるという原理に対する感受性の、静かな劣化です。

身体の不完全さが持つ表現的価値

AIはクオリティの高い音楽を数秒で生成できますが、総評して「隙がなく完全な作品を生成する」傾向があります。一方アーティストには、感情が溢れた際のしゃがれた声やトーンのブレ、走るリズムなどに感動するポイントがあります。AIが作り出す完璧さよりも、時折垣間見える人間の不完全さが重要なのだという論点があります。

これは単なる「手作り感」への郷愁ではありません。声の揺らぎ、息継ぎの位置、わずかなピッチの不安定さ、喉の調子による音色の変化――これら「不完全さ」は、発声者の内部状態と生理的条件が音声に刻まれた痕跡です。それを私たちは「表情」と呼んできました。そしてその表情こそが、声を「情報の搬送体」から「表現」へと昇華させる要素でした。

均質な品質の音声が大量に生成・消費されることで、この「表情としての不完全さ」を読み取る側の能力もまた、訓練されなくなっていきます。聴く力の衰退は、作る力の衰退と表裏一体です。

ライブとイマーシブシアター――身体性の反動的復権

皮肉なことに、この状況への反動は、すでに始まっています。

コロナ禍で壊滅的打撃を受けたライブエンタテインメント市場は、2023年に過去最高の6,408億円を記録して完全復活を果たしました。また、観客参加型の「イマーシブシアター」が演劇ビジネスの転換点を象徴するコンテンツとして急速に台頭しています。これらの現象は、デジタル・均質化した音声表現が溢れる時代において、生身の身体が発する声と存在の不可替性への、聴衆の根源的な渇望を示しています。

スクリーンの中の完璧な声に慣れきった耳が、生の舞台で役者の声に震える体験をしたとき、何かが解凍されます。その体験の価値が、市場として可視化されているのが2026年の現在です。

おわりに――感性の問題として

音声表現における身体性の喪失は、技術論ではなく、感性論の問題として捉え直す必要があります。

経済産業省の報告書が指摘するように、音楽業界ではDAWの普及による「制作の民主化」、ストリーミングによる「流通の民主化」が連続して起き、個人のクリエイターが生み出す創作が爆発的に増えました。これは機会の拡大という意味で歓迎すべき変化ですが、同時に、身体を磨き続けることで獲得される声の固有性――それ自体が長い時間をかけて練られた「個人の楽器」であるという認識が、薄れていく契機でもありました。

声とは身体の履歴書です。その人が何を経験し、どのように感じ、いかに呼吸してきたかが、声のテクスチャーとして刻まれています。AI生成音声にはその履歴がありません。そしてその「履歴のなさ」こそが、精度が上がれば上がるほど鋭く感じられる、あの奇妙な空虚感の正体でしょう。

神宮前レコーディングスタジオでは、プロの表現者たちが日々その身体と格闘する現場を見てきました。声を楽器として磨くということは、技術の習得であると同時に、自己の身体への深い傾聴の行為です。その行為の価値が見直される転換点が、今ここに来ているのではないでしょうか。

技術が声を生成できる時代に、なぜ人は人の声に感動するのか。その問いへの答えは、身体の中にしかありません。