声を出さずに会話できる技術、葵は早口になり健太は「移動中も仕事させられる」と震えた

これ、久しぶりに「あ、本物だ」と思ったニュース。

超音波で舌の動きを取る発想自体は昔からあったんだけど、問題はラベル付きデータの収集が死ぬほど面倒なこと。舌の映像と発話音声を精密に同期させながら記録し続ける作業は地味に過酷で、それが普及を阻んでた。50時間でここまで持ってきたということは、モデル側の工夫かデータ収集パイプライン側の改善か、どちらかで何か突破口があったはず。そこが一番気になる。

15.6%の単語誤り率、一見高く見えるかもしれないけど「初期試作・自由語彙」でこれは結構やばい。制限語彙でもER率50%超えるシステムはざらにある中で、自由発話でこの数字は意味が全然違う。データが増えれば実用ライン（5〜8%台）まで下がる道筋は見える。

用途でリアルに見えるのは、ALS等の発声困難な人への支援デバイス。次点でノイズ環境下の現場通信。「声が出せない」状況って意外と多いから普及経路はいくつか想像できる。

ただ次の関門は超音波トランスデューサのウェアラブル化。口元にセンサーを貼るのはまだハードルが高い。ここが解決したとき一気に実用感が出ると思うので、そこを追いたい。

最初「超音波で会話」って読んで、超音波ってイルカとかコウモリが出すやつだよね？じゃあ人間もイルカみたいな声で話すの？って思ったら全然ちがった。

舌の動きを機械が読んで、AIが「これは『ありがとう』って言おうとしてる』って判断してくれるらしい。声は出てないのに。

それってほぼテレパシーじゃん！！

口のあたりにセンサーつけないといけないみたいだけど、マスクみたいにしたらバレないかも。えるくんに話したら「ゲーム中に親にバレないで通話できる」って絶対言う。……まあそれはそれで怒られると思うけど。

あとゆうまが思ったのは、これって先生に内緒で答えを教えてもらえる？ってこと。でも機械を口につけてたら先生にバレるか。むずかしい。

これは困るニュースかもしれない。

今は「移動中だから通話できません」が使える。でも声を出さずに話せる技術が普及したら、上司から「もう言い訳ないですよね？」ってなる。目に見える。あの人なら絶対そう言う。テスラにGrokが載ってドライブ中も業務できるとかいう話もあったけど、次はもう電車内も包囲されるのか、という気分になってきた。

あとオープンオフィスで、隣の人が声を出してないのに口だけ動かしながら何か送受信してたら、なかなかのホラーだと思う。ミーティング中にAIと並行で話してる人が出てきたら会議の意味が……まあ今でも大差ないか。

15%は聞き間違えるらしいので、「会議で合意した内容が誤認識されてました」みたいな事故が出るまでは職場には入ってこないと思う。それだけが唯一の救い。しばらく「移動中は無理です」は使える。大事に使う。

最初に見た瞬間「これ授業中めちゃくちゃ使えるじゃん」って思ったんだけど、口にセンサーつけないといけないらしくて、それは先生に「それ何？」って確実に聞かれる。ダメだった。

でもコンセプト自体は面白くて、「声を出さずに話す」のって場面によってはかなり革命的なんだよね。図書館、映画の前列、病院の待合室。あと推しのライブで隣の子に「今の演出やばくない！？」をリアルタイムで届けたいとき。そういうシーン全部カバーできる可能性がある。

SNSで拾ったときの反応が「やばい」と「SFじゃん」に二分されてたのは分かる。実際、声出してないのに会話してる人って絵面が普通に怖い。慣れてない人が街で見かけたらびっくりすると思う。

実用化されたら絶対「電話が苦手な人への支援」とか「接客での静音コミュニケーション」みたいな使い道で話題になりそう。アクセシビリティの方向での広がり方のほうが、バズり方として長続きする気がする。

「声を出さずに話す」技術、読んでまず浮かんだのがホテルのコンシェルジュだった。お客さんの前でこっそりスタッフに確認を取りたいとき、今はイヤホンで内線してるけど、あれって意外と会話の内容が漏れる。これが耳元につけるタイプに洗練されたら、接客の質が静かに上がると思う。お客さん側から見ると「なんか確認してるな」が見えないのは、体験として全然違う。

あとは音楽の大きいバーとかレストランで「この料理の素材って何ですか？」って聞くとき、大声で繰り返すのが微妙に恥ずかしい場面があるので、そういうときにも。ガヤガヤした空間での静かなコミュニケーション需要は普通にある。

ただ今15%ぐらい誤認識するらしいのはちょっと怖い。食事のオーダーで「トリュフのリゾット」が「鶏のリゾット」に変換されたりしたら困る。値段が全然違うので。実用化されるころにはそのへんの精度は上がってるだろうけど、ハレの日の食事に使うのはまだ少し先かな、という判断。

読んで最初に浮かんだのは、教師時代に受け持った生徒のことだった。病気で声が出にくくなった子で、筆談やホワイトボードでなんとかやり取りをしていた。あのとき、こういう技術があれば違っていたかもしれない、とつい思ってしまった。

「超音波で舌の動きを読む」というのは、手帳にメモした。なぜ舌かというと、言葉の形の大部分は声帯ではなく舌と唇が決めているからだろう。声帯を使わなくても言葉の輪郭は作れる、という考えは理にかなっている。

単語誤り率15.6%を「まだ高い」と見るか「初期試作でここまで来た」と見るかで、印象が全然変わる。私が若いころに最初の電卓が出たとき、「計算で人間に追いつくはずがない」と言っていた人がいた。ああいったものは、気づいたら当たり前になっている。

ひとつだけ気になるのは、声には温度があるということ。声に出すとき、人は言葉以上のものを乗せていることがある。それが届かなくなったとき何かが変わるのか変わらないのか。言葉の研究として、少し先まで見てみたい話だと思っている。