ロボットボイスジェネレーター

3つの異なるロボットの音域

1つめはレトロなコンピューターです。重く加工され、音節ごとに区切られ、明らかに機械的。キャラクターというより懐かしさの合図で、芝居ではなく効果だけで作られています。2つめは現代のアシスタントです。感じがよく、均一で、ほのかに温かく、良い商用の読み上げ音声と区別がつきません。実際そのとおりのものなので、当然です。3つめはアンドロイドで、音色は完全に人間、振る舞いだけがわずかに人間ではありません。

本当にキャスティングの判断なのは3つめだけで、時間をかける価値があるのもそこです。ドラマの場面を背負えるのはそれだけだからです。ほかの2つは舞台装置で、舞台装置は安い。

日本語には、この3つに乗ってくる4つめの文脈があります。合成音声そのものがキャラクターとして受け入れられてきた歴史です。歌声合成のソフトから始まって、読み上げ音声で解説動画を作る文化まで、日本の聴き手は「機械が話している」ことを不気味さではなく様式として聴くことに慣れています。つまりここでは、機械らしさを隠す必要がありません。むしろはっきり機械であることを様式として選び、その上で内容だけを人間的にするほうが、狙いどおりに届くことが多い。

不気味な版の書き方

フィクションにおける機械の話し方は、ほぼ完全に語の選択と構造で合図されます。縮約しない。ぼかさない。文の断片を使わない。圧力下でも文法的に完結した文。人間なら概算するところで正確な数字を出す。

2つめの道具は応答の不一致です。人間の登場人物が感情的なことを言い、機械が情報で答える。このやり取りは、どれだけ加工するよりも速く非人間性を確立しますし、翻訳にも、圧縮にも、悪いスピーカーにも耐えます。

日本語には、もうひとつ強い装置があります。一人称です。機械のキャラクターに「私」を使わせるか、一人称そのものを消すかで、印象がかなり変わります。「本機は」「当システムは」と自称する書き方は、日本語の聴き手にとって即座に非人間の合図で、しかも効果は1語で済みます。

書き出しの中で加工しない理由

焼き込んだ効果は、やり直せなくなった判断です。モニターで完璧だったリングモジュレーションは、スマートフォンでは聞き取れません。静かな場面で機能した二重の声は、うるさい場面では音楽とぶつかります。そしてあとで1語だけ直したくなったとき、作り直したものは加工済みの元と一致しません。

クリーンに生成して編集ソフトで処理するのは数分の手間で、その判断をすべて開いたままにできます。キャラクター別トラックの書き出しがあるのは、大部分このためです。

明白な皮肉について

合成音声を使って合成音声を演じることには、本当に面白いところがあります。声に出して言っておく価値があります。現代のアシスタント音声がここで簡単に作れるのは、それが同じ技術を、何も変えずに使っているからです。不気味なアンドロイドのほうが難しい。信じられるだけ人間的で、間違っていられるだけ制御されたモデルが必要だからです。

つまり実務的には、レトロとアシスタントの音域はほぼ無料で、演出の時間を注ぐべきなのはアンドロイドです。それは、ほとんどの人が時間を注いでいる場所のちょうど反対側です。

機械の声を笑いの装置として使う

SFの外で、感情の平坦な声のいちばん生産的な使い道はコメディです。どこまでも感じのいい自動システムが不条理な説明をする、作品世界の放送が壊滅的な知らせを発車標の口調で伝える、意見を持ったカーナビ。どれも機能するのは、音域が完全に固定されたまま、内容だけが上がっていくからです。

書き方の規則は、機械が不条理を認識してはいけないということです。起きていることに言及した瞬間、それはユーモアの分かるキャラクターになり、笑いはただの面白い声に崩れます。読みはノーマルのまま、語彙は手続き的なまま、反応はシーンの中のほかの全員に任せてください。