画像を生成し、3D空間を再現する——ここまで見てきた生成AIは、主に「視覚」の世界を舞台にしていました。しかし生成AIの活躍の場は、視覚だけにとどまりません。AIは今、「言葉」を紡ぎ、「声」を作り出すことも学んでいます。
考えてみれば、言葉と声は人間にとって最も根源的なコミュニケーションの手段です。
思考を言葉に変え、言葉を声に乗せて届ける——その営みをAIが担い始めたとき、私たちの「伝える」という行為の意味は、少しずつ変わり始めています。
文章生成
文章生成とは、与えられた文脈や指示をもとに、続きとなる自然な文章をAIが生み出す技術です。
ChatGPTやClaudeのような大規模言語モデル（LLM）がその代表であり、現在最も私たちの日常に浸透している生成AIの応用といえます。
文章生成の核心にある仕組みは、シンプルです。
「次にどの単語が来るか」を繰り返し予測する、それだけです。
「今日は天気が」という文章の次に来る言葉として、「良い」「悪い」「晴れている」——どれが最も自然か。膨大なテキストデータからそのパターンを学ぶことで、AIは文脈に沿った自然な文章を一語ずつ積み上げていきます。
たとえばこんな場面を想像してみてください。
メールの書き出しに「お世話になっております」と入力すると、その後に続く丁寧なビジネス文章が生成される。「むかしむかし、あるところに」と入力すると、昔話風の物語が展開される。
入力された言葉の「空気感」を読み取り、それに沿った言葉を選び続ける——この積み重ねが、まるで人間が書いたような文章を生み出します。
文章生成AIの応用範囲は広く、文章の執筆補助・要約・翻訳・対話・コード生成など、私たちの知的な作業のあらゆる場面に入り込んでいます。
かつては「創造的な作業の最後の砦」と思われていた文章を書くという行為に、AIが深く関わるようになった今、「書くとはどういうことか」という問いが、静かに問い直されています。
音声生成
音声生成とは、テキストから人間の声に近い音声を合成する技術です。TTS（Text-to-Speech：テキスト音声合成） とも呼ばれます。
カーナビのアナウンス、スマートスピーカーの返答、駅のホームのアナウンス——少し耳を澄ませば、私たちは一日に何度も「生成された声」を聞いています。
初期の音声合成は、いかにも機械的でぎこちない印象でしたが、近年の技術の進化は目覚ましく、感情や抑揚まで自然に再現できる品質に達しています。
具体的にはどんなことができるのでしょうか。
特定の人物の声を学習して、その人が話していない文章を読み上げる声を生成する。悲しい文章を読み上げるときは沈んだトーンに、明るい文章では弾んだトーンに、感情に応じて声質を変える。日本語のテキストを入力すると、自然なイントネーションの日本語音声が生成される——これらはすべて、現在の音声生成AIが実現していることです。
一方で、この技術は大きな倫理的な問いも抱えています。
特定の人物の声を学習して再現できるということは、その人が言っていない言葉を、その人の声で語らせることができるということでもあります。
なりすまし、偽音声、フェイクニュース——技術の進化と、それを社会がどう扱うかというルール作りが、同時に求められている分野でもあります。
声は、その人そのものです。声を生成する技術は、人間のアイデンティティの根幹に触れる、繊細な力を持っています。
next ▶ 転移学習と事前学習 AIの知識を使い回す技術