「皆さま、こんにちは。私はAIではありません。私は本物の声優です。ここで早口言葉をお聞かせします——『八百标兵奔北坡』……」
2026年7月、江蘇省徐州。31歳の沈安宇がスマホのカメラに向かって、彼のトレードマークである低い声でこの早口言葉を朗読し、苦い微笑みを浮かべた。これは彼がこの1年で5回目となる「自分証明動画」の撮影だった——プラットフォームに対して、クライアントに対して、疑う可能性のあるすべての人に対して、彼の声が生身の人間のものであることを証明するために。
声が「盗まれた」
沈安宇は中国のショート動画プラットフォームで、小規模ながら名の知れた声優である。彼はある映画解説チャンネルで6年間ナレーションを担当しており、そのチャンネルは抖音（Douyin）で500万人以上のフォロワーを抱え、彼が声を当てた動画はしばしば数百万回の再生を獲得する。この声によって、彼の月収は1万元からスタートし、ピーク時には3万元に達し、昨年は妻の魏依媛と新居に引っ越したばかりだった。
しかし2025年から、状況が変わった。
彼はネット上で「自分の声」を耳にした——映画の解説、スポーツニュースの読み上げ、商品の宣伝、陰謀論の拡散、さらにはショート動画での罵詈雑言まで——すべて彼が録音したことのないコンテンツだった。親戚や友人がこれらの動画を送ってきて祝福し、中には金を借りようとする者まで現れ、彼が仕事を引き受け過ぎていると思い込んだのだ。
現実は正反対だった。プラットフォームのAI検出システムが、彼の実際の録音を「AI生成」と誤判定し始めた。タグが付けられると、レコメンドは急落し、再生数は激減し、クライアントの収入も連鎖的に縮小した。あるクライアントがプラットフォームに異議を申し立てたところ、カスタマーサービスの返答は心を寒くさせるものだった：「わかりません。この声をあまりにも何度も聞いてきたので、ずっとAIが生成したものだと思っていました。」
AI音声合成、どうやって実現しているのか？
沈安宇の状況を理解するには、まず一つのことを押さえておく必要がある：AI音声クローンは、なぜこれほどリアルなのか？
従来の音声合成（カーナビの案内音声など）は「接合」に依存していた——大量の人間の録音を小さな断片に切り刻み、ルールに従ってつなぎ合わせる。この方式の音声はすぐに機械とわかる——接合部には常に不自然な断絶感があり、語気や感情が終始一本調子だからだ。
2023年以降、「ニューラル音声合成」と呼ばれる技術が状況を一変させた。これは録音をつなぎ合わせるのではなく、AIに個人の声の特徴——ピッチ、音色、話速、リズム、発音の癖、さらには息継ぎの仕方まで——を学習させる。まるで画家が誰かの画風を覚えた後、写真を参照せずとも筆を取ればまったく同じ作品が描けるようなものだ。
さらに重要なのは、この学習が今や極めて少ない素材で済むようになったことだ。初期の音声クローンには、人が何十時間もテキストを朗読する必要があった。2025年までに、市場の主要なAI音声ツール——海外のElevenLabs、中国のFish Audioなど——は、数秒の音声で「ゼロショットクローン」が可能になった。わずか3秒の録音から、最長10分間の自然な語りの音声を生成でき、コストは「ペットボトルの水一本分」という低さだ。
研究結果はさらに不安を募らせる。ロンドン・クイーン・メリー大学が2025年に行った実験では、AIが生成した音声はすでに「不可分閾値」を超えている——一般のリスナーは、事前情報なしではAI音声と人間の録音を区別できないのだ。サイバーセキュリティ企業DeepStrikeのデータによれば、ディープフェイクコンテンツの数は2023年の50万件から2025年には800万件へと、約900％の増加を記録している。
これはつまり、人間の耳はもはや「声の真偽」を判断する信頼できる防波堤ではないことを意味する。
筆者は複数の技術報告書を調査した。現在のAI音声合成は主に3つの技術系統に依存している：第一に拡散モデルに基づく音声生成（AI画像生成と同様の原理）、第二にオーディオコーデックを用いたエンドツーエンド合成、第三に大規模言語モデルと組み合わせたマルチモーダル音声生成——AIは声を模倣するだけでなく、テキストの内容に応じて感情や間合いを自動調整する。これら3つの系統は2025年から2026年にかけて急速に成熟し、声をクローンする技術的ハードルは「アプリをダウンロードすれば完了する」レベルにまで下がった。
技術的降格打撃：ある業界の生存戦争
沈安宇は特殊な事例ではない。中国の声優業界は今、「技術的降格打撃」を受けている。
28歳の声優、劉思雅（Ciya Liu）は、あるショートドラマのヒロイン役のアフレコを終えた後、制作会社から「品質向上のため」と称して数本の音声ファイルを送られ、再録音を依頼された。聞いてすぐに凍りついた——声は確かに彼女に似ており、発音の小さな瑕疵までも再現されていたが、文の区切り方や強調の位置が完全に彼女の習慣と異なっていた。彼女は会社が彼女の録音でAIモデルを訓練したのではないかと疑った。問い詰めると、相手はAI訓練を否定したものの、音声の出所については説明できなかった。さらに警戒心を強めたのは、この会社が他の声優にも次のように通知したことだ：10％の減額を受け入れるか、支払いを延期するか。そして今回が最後の協業になるだろう——なぜなら彼らは「AI制作のショートドラマ」に移行するからだ。
30歳の声優、徐子琪が直面したのは別の残酷な現実だった：オーディオブックの朗読の時給は80元から40元に下落し、微信（WeChat）の受注グループでは、かつて1日に何十件もあったタスクが、今では数日に一件あるかどうかだ。年初には、数十人の著名な声優が連名で声明を発表し、自身の声がAI訓練に使用されることを一切許可していないと公言した。トップ声優事務所の729声工場は、AI生成のオーディオドラマがすでに数千エピソード、無数のアカウントで出現しており、無許可使用を追跡することはほぼ不可能だと述べている。
徐子琪の言葉は、この業界の苦境を突いている：「多くの新人は、声を磨き、技術を高めればAIに勝てると思っている。しかし私たち長年やってきた者にはわかる。クライアントは多くの場合、特定の一つの声色だけを欲しがっている。今やAIは彼らが欲しいあらゆる声色をコピーできるのだ。」
「AIは、それぞれの声優の最も優れた声と演技を奪っていく」と彼女は言う。「あなたが練習を重ねれば重ねるほど、AIが学習できる素材が増えていく。」
この言葉には残酷なパラドックスが潜んでいる：AI時代において、声優が努力して上達すればするほど、ますます代替の標的になりやすくなるのだ。
ほとんど勝ち目のない戦い
AIにクローンされた後、権利侵害への対処はどれほど困難なのか？
沈安宇と妻は考えつく限りの手段をすべて試した：動画とスクリーンショットの収集、侵害リンクの一件ごとの記録、投稿者への連絡、プラットフォームへの通報、弁護士への相談、訴訟の準備。
投稿者への連絡の結果はさまざまだ——少数は動画を削除したが、大多数は完全に無視した。中にはこう返信する者もいた：「俺に手を出すな。別の声でもっと良い動画が作れる。お前なんか踏み潰してやる。」また、クローン音声のライセンスを購入したいと申し出る者も現れ、あたかも権利侵害が後から「チケットを買えば済む」ビジネスチャンスであるかのように振る舞う。
プラットフォームの通報窓口はほとんど形だけのものだ。魏依媛によれば、一度だけ通報が成功したことがあり、彼女は道が見つかったと思ったという。「それからというもの、私は狂ったようにリンクをコピーし続けました。」しかしその後の通報はほとんどすべてが無視された。「毎日証拠を集め、通報を提出しても、日ごとに絶望が深まるばかりでした。」
法的な道も同様に困難だ。2024年、北京の弁護士・任翔宇は中国初のAI音声権利侵害事件を担当し、後に最高人民法院により参考事例として選定された。判決は明確だった：無許可の音声クローンは人格権の侵害であり、録音の著作権を保有しているからといって、声優の声を自由に使用してよいわけではない。しかし任翔宇は、沈安宇が直面している状況は初の事例よりはるかに複雑だと認める——初のケースでは、原告は50時間以上の録音素材と明確な被告を有していた。今日では、誰でも3秒の音声から声をクローンし、無数の匿名アカウントを通じて拡散できる。侵害者の身元追跡は困難で、権利行使の経済的コスト（司法声紋鑑定だけで最低1万元が必要）は、得られる可能性のある賠償額をはるかに上回る。
「侵害コストが低すぎるのです」と任翔宇は言う。
「私は一生、この戦いを続けるかもしれない」
ある人は沈安宇にこう勧めた：声がすでにクローンされたのなら、自分でライセンスして利益を得てはどうかと。実際に仕事を失った声優の中には、AIクローン技術の使い方を教える仕事に転身した者もいる。
沈安宇はそれを拒否した。
「AIは悪いものだとは思いません。それは道具です」と彼は言う。「しかし、人々がそれをどう使うかが問題なのです。」自身の経験をネットで共有した後、彼は多くの声優や、さらには他業種の従事者からメッセージを受け取った——彼らも似たような困境に直面している。これらの声が彼の決意をさらに固めた。彼は権利侵害の記録と訴訟の準備にますます多くの時間を費やしている。
彼はこの訴訟が困難になることを予想している。「私は何年も、場合によっては一生、戦い続けるかもしれません」と彼は言う。「負ける覚悟はできています。しかしせめて何かを変えられればと願っています。」
収入減少を補うため、沈安宇と妻は自身のショート動画の制作を始めた。彼が最も好きなコンテンツは、南宋の詞人・辛棄疾についてのものだ——生涯、志半ばで終わった将軍であり詩人。録音のとき、沈安宇は自分が言葉に感情を込めていることに気づいた。
その数分間、彼は自分の声で、自分の語りたいことを語っていた。
筆者注：本記事はSixth Toneのオリジナル報道、Hacker Newsコミュニティでの議論、および複数のAI音声技術研究報告に基づいて作成された。技術原理の部分は平易な言葉での説明を心がけ、関連する専門的判断は公開学術研究および業界報告を参照した。本文中で提示された各立場はすべて公開インタビューまたは声明に基づく。筆者の目標は、特定の立場に立たずに事象の複雑性を提示することである——AI音声技術は驚異的な創造性をもたらす一方で、前例のない倫理的ジレンマも生み出している。両者のバランスをどう取るかについて、現時点で既成の答えは存在しない。
参考リンク：