
合成音声名称・タグ付け問題の考察と今後に関して
概要と目的
本稿では合成音声界隈延いては喋らせる方面に特化した方の界隈にて利用される名称の出発点と、そこから派生される問題を提示するだけでなく、現行の問題となった背景と理由の考察を試みる。
またこれら試みの目標は、より正しいとされる名称を流布することでもなく、自身達の挙動と業界傾向を放置せずに、より俯瞰的にこの問題を見つめ直すことを主眼とする。
注釈として、取り扱うソフトウェアや特定キャラクターを幾つか取り上げるが、これらは問題の中心点ではなく、議論と確認を行う上で必要な凡例の一部であり、それら名指ししたものを不必要に中傷するものではない。またそれら固有名詞以上に着目すべき、指針の違いを取り上げることを本稿の主眼とする。
名称とタグ付け問題の出発点
名称の距離感と略称
一番最初に取り上げるべきは「合成音声」と「ボイスロイド」の二つの名称である。理由としては業界ツートップで利用されている名称である点だけでなく、名称内にオタク的解釈の余地が含まれるのと範囲指定が根源的に目指す場所が異なる点である。
まず「合成音声」の最も利用されているケースは交通機関の車内音声である。また厳密には「合成音声」ではないが同じ立場であると言い切れるのが電話ガイダンスもそうだが、3桁電話番号の「天気予報(サービス終了)」や「117(時報)」等も含まれる。これらは収録された音声を繋ぎ合わせて再生させるだけでなくアルゴリズムに従って正しい音声を流すことを目標とする。
一方で「ボイスロイド」というのは「ボーカロイド」の姉妹とされるソフトウェア群で「音声を繋ぎ合わせて再生する」をより高度に解釈しアルゴリズムを複雑化させたものであり、原則的にはプロ・アマチュア問わず入力した文字列をそのまま読み上げることを主眼とする。その延長線上で「聞き取り易さ」に対する解釈が変更されており、愛着があることやキャラクター性を持たせることを重視するようになる。
今は目標の違いだけを取り上げたが、より深く構造的・設計的違いを掘り下げることができるが、それらよりも実際の聞き取り手の印象の話をする。というのも「ボイスロイド・ボーカロイド」の着想は「アンドロイド」から来ており、特に利用したてであった00年代後半・10年代前半では、アンドロイドという単語の中立性は確保されておらず、旧来のSFからそのまま「所有物」の印象が強く根付いている(ロボット第三原則からの着想)。なので「合成音声」は公の舞台、「ボイスロイド」は私的な舞台と切り分けられてきた。
この祖となる要素を説明した理由としては、後の名称派生やその背景を説明する上で、公と私的の違いが最も顕著に表れるためである。無論一部例外は存在するが、単語としての全体的な傾向として「合成音声=公的性」「ボイスロイド=私的性」は、本稿を読む上での妥当な落とし処だろう。そしてそれに連なるように、より公共の場に相応しい説明では「VOICEROIDは合成音声の一つ」と紹介されることで公共性が担保され、ニコニコ動画等の文化的避暑地(国産動画プラットフォームであるため)では私的性が高いままの「ボイスロイド」表記がそのままになる。
タグ付けの種類と性質
ボイスロイドの黎明期を迎えていたニコニコ動画ではタグ付けによる文化的アンカリングが発生している。端的に言うと、動画投稿者や一部視聴者の手によって、個々の動画がどの大ジャンル・小分類に当たるかを決定する文化圏が存在する。そして動画投稿もとい創作者の自然な性質として、他動画との住み分けを行い、その延長線上で特異なタグを利用することもそうだが、新たなタグを勃興することも含まれる。
新たな名称には新たな意図、そして新たな方向性と新たな文化が備わるが同時に淘汰されるものでもある。動画投稿されなくなったタグは、アーカイブとして生き残るのは確実だが、動画投稿されなくなったタグ群はカプセル化が完了してしまった墓標に等しい。それは固定化されたタグは新規参入者にとって「既に完成された文化」として見え、「自分ごと」としての親密さ(私的性)が薄れる、という力学が発生するからだ。
その理由は公共性が恒久性と普遍性を内包しているため、(そういう風に意図的に設計されない限り)同時に公共性と私的性が両立することが難しく、相対的に私的性が顕著に失われる。
このタグ性質を提示した理由としては、タグ付け文化は文明やトレンドの性質の一部分を可視化したことと、流行とプラットフォーム至上主義の機能的な側面も見れた。その側面は、特定タグは利用頻度が下がるにつれて私的性が失われることを提示した。
タグ同士の問題及び出発点
上記にて動画投稿者もとい創作者の自然な性質の一つとして、新たなタグを作り上げる性質を提示したが、必ずしもその新しいタグが完全な設計と意図の元で作られること無く、ベン図のように一部領域が重複した状態で提案される。また同時に立案者と利用者の両方がタグの性質を完璧に理解した状態なんて発生することは無いので、この領域の重複や同質タグが乱立する状態を回避することはできない。
だがそんな状態とは裏腹に、デジタル・SNSネイティブ世代の性として、流行には敏感であり且つ自文化の変化を見逃すことが生存本能を直接刺激されるため、何とかして自タグの生存確率を高めようとする。言わば文化防衛であり、そのやり口としては両極端の例として、タグの総数増加という穏健派と、特定タグへのネガティブキャンペーンの過激派があるわけだが、実態としてはその中間となる行為で埋め尽くされている。同時にこれらタグ同士がそれぞれの文化防衛をしている実態とは丸っきり違う方向性として、ただただ有名なタグだけを使うことで視聴者呼び込みの利用したい層によって水増しされている側面もある。
現状タグ問題の明確な焦点
ソフトウェア更新
未だに「ボイスロイド(VOICEROID)」タグが利用されているわけだが、販売されており購入することは可能だが、購入時に賞味期限を調べるように販売時期を確認する層が居る。そしてVOICEROIDは新しいエンジンに移行済みであり最新版が販売されることは無く且つほとんどのUIが数世代前のものである。
唐突にそれら機能が使えなくなる何て事態は発生し無いが、VOICEROID自身がWindows8から10の移行期に販売されていたこともあって、VOICEROID購入直後にアップデートパッチを別途ダウンロードしなければならない人達も一定数居ただろう。
ボイスロイドの最終成果物であり本質でもある音声自体への影響はほとんど無いが、絶妙に不便なことや購入後から直ぐに使えない不安は、次のソフトウェア購入への障壁を潜在的に高めている。現在の利用実態(ソフトウェア利用統計実態)と将来性(別ソフトウェアの販売開始)、そして歴史的連続性(VOICEROIDは意図的にゆっくりであるAquesTalkを除外している)の3点でVOICEROIDタグは機能不全に陥っている。
ここから導かれる要素として「VOICEROID{実況・解説}と銘打ってるのに、かなりの一部しかVOICEROIDを使っていない」という惨状を放置しているに等しい。それは新人の参入障壁を高めるだけでなく、投稿が継続している層への購入インセンティブも下げる事態になる。
方針確定と業界新陳代謝
各ソフトウェア販売会社にはそれぞれの方針があり、幾つかの要望がソフトウェア購入者の実体験から抽出された形で、その方針の妥当性を図ることができる(俗にいうKPIである)。
この妥当性の中には統計的に計測しやすい数値もあれば、突拍子もない要素だと思われたが真新しい観点を打ち出した作品等の特異なケース、といった具合に多岐に渡って把握することを試みる。なので古典的な動画には継承すべき遺産があり、先鋭的な動画には取り込むべき新天地がある。そしてその両方の性質が乱雑に管理されているとなると、業界分析と把握のハードルが高くなる。
これを今までの要素と掛け合わせると、ソフトウェアを「合成音声的に優位=公的利用しやすい」のと「ボイスロイド的に優位=私的利用しやすい」からさらに発展して、ボイスロイドが利用したいタグ群と合成音声が利用したいタグ群の住み分け以上に、特定ソフトウェアが利用される作品群をタグを通して把握している。
なので「Lusty*Kiss Production」が成人向けコンテンツに舵切っていたり、CeVIOの姉妹製品としてVoiSonaがある一方でVoiSona自身が歌方面の舵切る側面が強かったり、A.I.VOICEがサードパーティー誘致場所になっていたり、VOICEVOXが半VTuber試験場になっている等。このようにソフトウェア毎の方向性が分化しているにもかかわらず、「ボイスロイド」という一言で括られていることで、業界の実態とタグの指す範囲の齟齬が生じている。
そしてこれらは理論上全て「ボイスロイド」ではあるが、そう銘打っていると、その業界変化を認知していないようにも受け取れる。
公共性と私的性の世代変化
日本内では「郵政民営化」がそうであったように、時代の移ろいと共に公共性と私的性の意味合いが変わる。これが最も顕著なのは、俗にいう「オタクコンテンツ」がより公共性を得たことで、鬼滅の刃や呪術廻戦等のフラグシップアニメが抜群の映画興行収入を得られることで、元々私的空間だと思われた漫画とアニメが問題なく公的コンテンツに昇格されたことも世代変化の一環である。なのでこの移ろいが同じようにもタグ自身に発生するため、過去の時代の文化をそのまま継承したくないというインセンティブから新たなタグを作成する、という性質は上記の「タグ付けの種類と性質」にて説明した通り。
特にこの潜在的な移ろいや時代変化を切実に受け止めている様子は、姉妹タグである「ボーカロイド」が既に踏んだ轍であり、ボーカロイド史学に内包されている音楽トレンドの変更と同じようにボイスロイド史学に基づく作成された動画のトレンド変更もある。無論、これらトレンドはタグ同様に、分析されきっていない文化的要素や客層の性質変化による因果変更が潜在的に内包されている。
理想論を言うのであれば年代ごとに分けた「ボーカロイド・ボイスロイド」タグがあっても良いハズだが、これは人間側の認識許容限界の一つでもある。克服や対策し辛い弱点の一つでもあるが、同時に無視しても良い要素ではない。言わば雑な諦観を許している状態でもあり、現に様々な違うソフトウェアで作品が作成されているにも関わらず、その諦観っぷりが猛威を振るっているのも事実である。
弱点への反論
ソフトの変更を認知できるのは少数
Windowsの更新を行わない、または旧Windowsのバージョンを非サポート対象になっても使い続けている企業がごまんといる。動けばそれでいい、動かなくなったら何か壊れた。所詮私が弱点として取り上げた内容は私が企業側のエンジニアとして雇用され続けてしまったが故に見いだせた側面であり、人はこれを偏見と言う。なのでVisual Studio Codeでバイブコーディングしているエンジニアも、世のどこかには簡単なテキストエディターだけでコーディングしている人も居るだろう。
これと同じことが「動画が出来れば何も更新する必要がない」ことを当たり前とする人達も居る。そして同時に視聴者の方にも新しい要素を検知できるとは限らないし、検知できたとしてもそれを良いことであると認識できるとは限らない。なので「怠惰」や「諦観」がベースかもしれないが、多種多様な要因が複雑に絡み合っていたり、実際に目の当たりにした現象による強いシグナリングである可能性もある。
費用対効果が低い、と言うは易しではあるが、それは最終的に作成された動画の品質も関連するだろうが、同時に新ソフトウェアが新しい価値を提供できているとは限らないことも示唆される。現にWindows8とWindows10の違いだけでなく、Windows10とWindows11の違いは何だったのか、それらを明確に言い当てるだけでなく何となく3点取り上げることさえ難しいのも事実だろう。
方針確定と業界新陳代謝はゴリ押しで乗り切れる
創作マッチョイズムに近しいコンセプトだが、要は作り続ければ良いのである。無論ヒット作や一カ月後誰も再生しない動画といった具合に分かれてはいるが「方針」を分析する上ではプラットフォーム上の数値は部分的に相対化される。
なので株主総会での発言権のように動画投稿さえしていれば、その方針に対する意見具申が成立する。それらが「タグ文化内の固定化された独自文化」に成り得る。
業界新陳代謝に至っても、極論を言うのであれば一人で毎日投稿していれば良い。毎日投稿している時点で特異な創作性をそのタグに付与できているのも事実であり、だからこそ継続が難しいのもそうだが、それに見合う対価がある(厳密にはこれは共同幻想で担保されているだけだが、本稿はそれがトピックではないため、そうであると結論付ける)。
文化の移ろいは集団ではあるが個々人ではない
同じタグを使い続けることは端的に「2010年のタグを、2026年の動画にも適用する」のは「2010年と2026年の私的性はほぼ同意である」と宣言してるに他ならない。無論、タグはただの指標なだけであり、そのタグがある動画がタグの潜在文化的要素や当時の客層を全て的を得ているわけでもないが、同時にタグ利用者が公共性と私的性の移ろいを把握しているわけでもない。
ただ人気な作品を最も効率が良い形で見聞きしているだけに過ぎない客が、本当に文化の移ろいを把握しているとは限らないし、別の業界の別の意図をまったく意識せず拾った何となくのトレンドを部分的に履修しているだけで満足するケースもある。決して誰も何が大衆的でそうではないか(一部タブーを除いて)、明確な指針を持っているわけではない。
それらは創作者が意識すべき違いなだけであって、読者や視聴者は肌感覚で違いが判れば良いだけであり、専門性や客観性延いては売り手側と買い手側の関係性にある明確な境界線であり、買い手側に許された特権の一つでもある。この特権を解体するのは困難であるため、売り手側がより多角的に複数の機会を経て、情報を整理し提示する必要性がある。
争点が生まれる理由
ここまでの問題提起に対し、「実際にはそこまで深刻な問題ではない」という声もある。以下それらの反論を整理しつつ検討する。
過去の「最適解」の存命
「ボイチェビ」という「VOICEROIDとCevio AI」を掛け合わせた略称は、2021年当時に最も納得の行く略称であったのはその他合成音声ソフトウェアの存在が見られなかったのと、主に作成された作品と登場するキャラクターが集約した結果でもあり、ソフトウェア販売側の技術移行期の真っただ中でもあったし、AI産業(広義の意味のため生成AIに限らない)の黎明期でもあったため総数が少なかったので、これが落し処として採用されたのは実際の投稿動画数から確認できるし、「ボイチェビ」のニコニコ大百科ページのコメント履歴からも伺える。
語感の良さに飛びついた形と言うと辛口且つ安直なコメントに成り得るが、初めてVOICEROIDと同等となるソフトウェアが文化の一部として受け入れられたことが成立したと考えられる時期でもあり、またほぼ初めて「VOICEROIDタグ」から派生したタグでもある。
なので今では「機能性不十分」と言えなくはないこのタグは、タグ自身の機能性以外の異なる目標が背景にあり、それらの比重の方が断然大きい。IT業界で全体で言われていることだが「Done is better than Perfect(完璧を目指すよりまず終わらせろ)」の格言は哲学や実践論ではなく、作り手の健全性を確保するために、泥臭い実態から生まれた結論である。よって「ボイチェビ」タグは発足当時は充足していた。
ただ副作用として発生したのが利用数とタグの勢いも相まってか、それを妥当だと思った動画総数は多く、それらは一部層の根拠に十分であることと植え付けた成功体験になる。また同時にその二つのソフトウェアしか所持していない人にとっては変わらない真実と認識されうる。
また別の観点を持つならば「VOICEROIDからの派生」は既に業界は一度完了しているものであり、それを数年置きにやるインセンティブが発生しているとは思えない。なので過去の最適解が最適解ではない理由を提示しなければならないし、同時に「当時の最適解は機能性不十分」であったと認める必要もある。
文化領土戦争の誤認
上記の「タグ付けの種類と性質」にて触れた通り、タグ同士はベン図的に同じ領域はあるが方向性が異なると示したが、この同じ領域を共有することを一種の領土戦争だと認識可能ではある。というのも、閲覧できる動画総数に限界もあるし、動画プラットフォームに滞在する視聴者数にも限度があり、動画検索は万能からほど遠く、タグ検索も容易に埋もれるし複数タグ検索の利用者は1%を切っているのでは、とも思っている。なので同じ牌の中で必死に流行性を競っていると思われる。またそれに挫折を経験した創作者が別界隈に移行したりタグを使わなくなることで、そのタグの新陳代謝を失うこととも認識できる。
これら全てを「文化領土戦争」と誤認されかねなくはない。本当はそれほど殺伐したものでもないし、静かに行われることもあるし、挫折とは別に折り合いをつける形にした場合もあるだろうが、その根幹となる心理状態を推し測るとしたら、その名称に相応しい心理状態であることも可能性としてはありうる。
つまり私的性と公共性とは別に妥当性を意識しており、妥当性無くしてはタグ文化の存続にかかわり、存続できないタグはカプセル化が完了した墓標となる。またSNS・デジタルネイティブな我々はその全貌を見ていなくとも、そう成り得る様子は容易に想像できてしまえる。
言語経済性の複雑化と体験化
少々アカデミックになるがタグ文化は言語経済性競争の最前線にあり、端的に言いやすさを競い合い続けているに等しい。なので合理的で正しい、例えば「合成音声」が4文字だったとしても、その単語の馴染み無さと文化背景が大きく異なる点等から真っ先に経済性が低いものとして扱われる。だがしかし「合成音声」は脱落しうるタグだとしても、「VOICEROID」タグが意図的に経済性としての減点要素をタグ自体に含ませることで多層化を狙っている可能性を考慮したい。というのも「VOICEROID」タグは、一部が作品がVOICEROIDを取り扱っていなくっても、たった3分調べればどのキャラがどのソフトウェアを使って喋らせているのかが判る。そしてより詳細な調声方法は、実際にそれらソフトウェアを使い始めれば、どのようにやったのか概ね察しが付くことも可能だ。
言わば単語事態の言語経済性である「VOICEROID」は、俗にいうウェルカムドリンク的な立ち位置であり、それ以降を調べたい感情を購入インセンティブとして利用している、と言い切れなくはない。なので日本で言う「きのこvsたけのこ戦争」や英国の「ミルクインファーストvsティーインファースト」が議論方法や感想の残し方への初心者用窓口となっているのと同じように、「VOICEROIDタグ名称に関する議論」や「特定商品購入時の検索経験」は他ならぬ合成音声界隈にて違うソフトウェア購入の糸口に繋がる。
例えばの話ではあるが「宮舞モカ」は現時点で「VOICEPEAK/Synthesizer V」の二通りの商品しかないが、インターネットのどこかでは「VOICEROID」関連タグで利用されているであろう。だが実際に「VOICEROID 宮舞モカ」で検索を掛けてみると、VOICEPEAKの商品が表示され、それは直接「VOICEPEAKとVOICEROIDは理由があって異なる」ことへの業界常識に繋がる。
恐らく生存バイアスや、それに対応を試みるために専用ページを用意する(例えばサードパーティーである双葉湊音等)ことで対応しきれてしまった企業側の努力も相まってか、言語経済性とは別にこれら体験も、我々業界全体が黙認する形で、一種のパッケージ化が進んでしまった可能性がある。
何度も言うが「VOICEROID名称」は明確な欠点があるのもそうだが、その欠点を補う以上の利点を見出す方向に舵を切った、というのが最終的な総意とも捉えられる。それは端的に言語経済性を超越した、理性的な壁の建築と応用から成る既にあった敷居から後天的に仕込まれた体験でもある。
今後に関して
「言語経済性の複雑化と体験化」で提示された「意図的な敷居」は現状では機能しているが、業界の拡大と多様化に伴いその「敷居」が「障壁」に転化するリスクがある。それらを部分的に解決できる案を幾つか提示する。そのうち二つがハチャメチャにITエンジニア的なアプローチであることは予め付記しておく。
百科事典内のエージェント実装
YouTube側でGemini問い合わせボタンが実装されたのと同じように、ニコニコ大百科ページがどの元ページから飛ばれ且つどのタグ(ニコニコ関連サービス内のタグ)を有していたかを確認した後に、複数の記事と知りたい内容を簡単にサマリーでまとめてしまうエージェントを実装すべきだと思う。タグという数文字の静的なラベルだけで、複雑化したソフトウェア事情や文化の文脈を網羅しようとすること自体に、ヒューマンエラーや認知の限界(諦観)が生じているが故に、文化の自浄作用にのみ頼るのではなく、プラットフォーム側のアーキテクチャ(IT技術)による介入が必要である、と思っているからだ。
例えばの話だが「A.I.VOICEの調声方法【VOICEROID講座】」のような動画において「VOICEDROID講座」のニコニコ大百科ページに飛んだ場合に、エージェントが「A.I.VOICEとは~」の歴史を説明しつつ「VOICEROID講座というタグは~」といった具合に説明する順番をユーザー毎に選択する。そこからさらに「VOICEPEAK」の別タグを押下し飛んだ場合には「VOICEROIDとVOICEPEAKの性能差」をニコニコ大百科内のデータまたは外部データから引っ張ってきた上でエージェントを通して説明する。なのでニコニコ大百科は原文をそのまま読みたい層はエージェントを引っ込ませ自分の検索意図を拾って欲しい時はエージェントを通してタグ横断的な問い合わせを行う。
その一環に置いて「何故VOICEROIDタグなのか」という質問も一定数伺われると思うので、そこでこれら諸々の関係性を軽く紹介できるようにする等、より簡単に調べ上げつつ自タグ文化の解釈に長けたエージェントに説明させるというのが、最も貢献度が高い解決方法だと思っている。
(職業柄、もっと細かい要件やコスト折り合い等も思い浮べられるが、一旦完璧なエージェントが用意できるものとする)。
多数決以上の結論の用意
プラットフォーム上で「○○のタグの総件数や総再生数が多いから、こっちの方が正しい」という安直な結論に陥らないために、実際にどのタグがどう利点があって、どう投票されているのかをRCV(Ranked Choice Voting:優先順位付け投票)やQV(Quadratic Voting:二乗投票)を経て、名称ランキング全体での妥当性がどう分散されているのかを確認できるようにする。
それは言わば簡易的な世論調査にも成り得るし、この世論調査自体が様々な企業が利用できるものとして信頼性たるデータにも成りうるし、何よりもこれらがタグ文化から根差したものであることから、それらをより簡単に利用できるニコニコ関連サービスの推進にも繋がる。同様にランキングが低いタグ名称であっても、それらはブルーオーシャン的であると認識した層の新たな挑戦の場所にもなる。
ボイスロイド史学の挑戦
ボーカロイド史学は実際に致命的な停滞を経験したのもさながら、フラグシップである初音ミクが代表を務め続けただけでなく、音楽や曲という恒久性が高い文化資産、つまるところ理論上どの年代でも見やすいメディアの集合体でもあるから、ボーカロイド業界全体調査をするインセンティブが発生し且つそれらが解説動画に波及していった。
それらをボイスロイド史学として成立させる。もちろん幾つかの"沸点となるポイント"は有るだろうし、史学は往々にして判り易いイベントを記載することを目標とするだろうし、ボーカロイド側と比較して業界規模が桁違いではあるので再生数や実際の波及率が低いと思われるが、それらは作らない理由としては弱い。これは上記の「言語経済性の複雑化と体験化」にて触れた「既にあった敷居から後天的に仕込まれた体験」の、エントリーしやすい初心者用窓口候補となりうる。関連動画で知り合いの「○○から動画編集まで」という動画リンクを概要欄に貼り付けてしまっても全然問題ないだろう。
これらが今までの案と明確に違うのは「タグ文化に依存しない界隈タグの俯瞰的視点の確立」である。なのでステップとしては単純に見え得るが、業界全体を俯瞰すること、つまりオタク業界内の全業界でも、俯瞰的に見えることを慣習化することも目標とする。
恐らくだが「voiceroid・cevio・aitalk系動画タグ問題」と「ソフトウェアトーク」と「ソフトウェアトーク界の年表」のニコニコ大百科の内容を上手く折り合わせた何かを作り上げることになるだろう。
最後に
本稿はタグ名称問題から派生される問題を提示するだけでなく、現行の問題となった背景と理由の考察を試みる形となり、一部考察や解決案の提示も行った。
筆者なりの強い意見はもちろんあり、それらが文字数として部分的に表現されているかもしれないが、可能な限り中立に成れるよう反対意見も幾つか用意したし、幾つかの意見にはそれらを意識しない層や健全な中立層の可能性も提示した。
これらは結局、合成音声界隈全体の総数がどう足掻いてもボーカロイド総数に打ち勝てるわけが無いので、より細分化且つ適切なタグ文化とそれに伴い理解度を業界全体で持ち合わせることとで、業界全体の質を高めるだけでなく、その他住み分けの可能性を示唆することでプラットフォーム側のアルゴリズムやタグ以上の検索結果体験を齎す。つまるところより見たい動画をより的確に当てられる環境を、我々自身で用意できる可能性を提示した。
勿論これらは全て絵空事であるし、実際に施行されようが何されようが、それを実践しない層が現れるのは必然だ。
だが何もしないより遥かにマシである。そう信じて筆を執った。
この記事が誰かの助けになることを心から願う。
最後まで読んで頂きありがとうございました。