# チャプター 1 はい。Voicyで音声ディレクターをしております。 ホッチャンこと、ホッタカズキと申します。 あの、お子さんいる方だったらご存知かもしれませんけど、 あの、見てねとか、で、子供の写真をね、アップするじゃないですか。 そしたら月に1回とか、お誕生日のタイミングとかで、 その子供の成長みたいな感じで、写真とか動画をつなぎ合わせて、 いい感じのBGM乗せて、一本のムービーにしてくれるみたいなの、あるでしょ。 あれって、音声でもできる日来るかなと、いうことについてちょっとね、話していきたいんですけれども、 やっぱあの、動画の自動編集が、そもそもなぜ成立するかっていうと、 あれはやっぱりね、かわいい子供の絵と、あとBGMっていうこの2つの強力な情報があるから成立するものだなと思っておりまして、 笑顔の場面を切り取って、明るいBGMを乗せる。 で、例えば夕焼けの場面には感動系の音楽を乗せるみたいな。 それだけで、見てる人の感情っていうのはある程度動かせると思うんですよね。 言ってしまえば、映像とBGMで感情を上書きできるような感じだと思います。 まあ多少なんかカットがぎこちなくても、その雰囲気と音楽の力でいい感じに見えてしまうと。 ただ、音声は違うじゃないですか。 音声ってやっぱ声だけでしょ。 声とBGM、つまり音のみですよね。 かなり情報がソリッドですよね。 BGMで無理やり感情を上書きすることはできますけど、すると今度はしゃべりが聞こえなくなりますから。 なので音声コンテンツの価値っていうのは声そのものにあるわけなので、 BGMに頼りすぎるとこれは本末転倒というか、何がしたいのかわからんということになってしまいますね。 つまり音声編集っていうのは声だけで勝負しないといけない、ある程度は。 なんとなくいい感じっていうふうにごまかす方法が動画に比べてほとんどないですよね。 ただ、だからといって音声編集の自動化が絶対無理かというとそんなことは全然思ってなくて、 感覚ですけど、書き起こしをしてここを落としますみたいなところまでは、ここをカットしますみたいなところまでは、 AIにもう十分任せられるレベルまで来てるんじゃないかなと思ってます。 例えば1時間収録したデータをAIに食わせて、この音声ファイルの必要なところと不必要なところを書き起こし状にタイムスタンプ付きで表示して、 ここからここまではカットしても大丈夫そうです、ここからここまではカットしても話繋がりますみたいなのを出してもらうところまで、 つまりざっくりとした編集までは多分できると思うんですよね。 多分もうちょっと進化する、進歩すれば、じゃあ該当部分を切った音声ファイルを出力してみたいなこともできるようになるでしょう。 ていうかもしかしたらもうできるかもしれないですね、僕が知らないだけで。 まあその辺までは多分実用レベルまで出てくるのはすぐ、あと1年、2年すれば出てくるんじゃないかなと思っております。 じゃあどっからが難しいか、音声編集の自動化。 これはですね、しゃべり手、パーソナリティの間とか感情を読み取るところが難しいのではないかと思っております。 例えば僕が編集をするときに、ここの3秒の沈黙は残そうという判断をすることがあるんですよ。 この今みたいな間ですね。この間がパーソナリティが言葉を探しているときの緊張感だったり、あるいは感情が高ぶって言葉に詰まっている瞬間だったりするわけですね。 それを残すことによってリスナーも一緒にその感情の中にいられるというか、一緒に考える時間になるというか。 逆にまあただ言い淀んでいるだけの間は切る、今みたいなですね。 同じ沈黙でも意味が全然違ってくると。この判断って正解はないんですよね。 人間同士だとニュアンスで分かるんですけれども、この3秒の沈黙は残すみたいな絶対的なルールがあるわけじゃないじゃないですか。 そのパーソナリティのことを知っていて、その回のテーマを理解していて、その瞬間の文脈みたいなのを全部含めて判断しているわけですね、人間は。 つまり正解がないと。こういう正解のない判断をAIが下すのはまだ構造的には難しいのではないかと思っていまして、 AIが何かを判断するときには必ず正解のデータっていうのが必要ですよね。あとは多くのデータですね。 でもこのまま残すべきか切るべきかの正解のデータなんて存在しないので、 だからその間と感情を読み取るという部分はまだ当分人間がしなければいけない部分なのかなと思ってますよね。 まあこういう話をすると、じゃあ音声ディレクター、編集者の仕事っていうのはどうなるんですかみたいな話になるわけですけども、 まあ今申し上げた通り、単純作業の部分はなくなっていくと思います。大まかな編集であったりとか、 アーとかエーとかのフィラーを取るみたいな作業、そういった部分はなくなっていくと思いますし、 あとはある程度のEQですね、声音みたいなところ、ミックスとかも自動化されていくでしょう。 しゃべっているところは自動的にフェーダーが下がっていってみたいなことも多分できるでしょうし、 もうオートフェーダーなんてありますからね。 書き起こしとかノイズの除去とか、構成の骨格を作るみたいな、こういうところは多分AIがどんどん担っていくことになるでしょうね。 僕の仕事の中で結構時間がかかる部分、下ご知らぬ部分というか、の割合ですね、かなりの割合がそこなんですけども、 そこがなくなっていくというのは事実として向き合っていかないといけないですね。 ただ上流の仕事はやっぱり残りますよね。 それは例えばラジオであったらパーソナリティとの関係性を作ることとか、 あとはその人の声の個性を理解してどうやって聞かせようみたいな設計をすることとか、 あとはAIが出してきた編集案を聞いて、ここは違うなって判断することとか、 こういう仕事は結局のところそのパーソナリティのことをどれだけ知っているか、 そのパーソナリティにどれだけ理解して愛情を持って接しているかみたいなところになってくるので、 ここはさすがに人間にしかできないのではないかと思っております。 むしろAIが単純作業を引き受けてくれるようになれば、そういう上流の仕事に集中できるという見方もできなくはないというわけですね。 だからAIに仕事を奪われるというよりは、AIと役割分担をしながら仕事が変わっていくというのが現実的なイメージなのかなと思っています。 まとめると音声の自動編集の事態は来ると思います。 書き起こしから編集のある程度の構成の生成あたりまでは多分技術的にもう射程圏内なのかなと思っていますね。 冒頭にも述べました通り、動画と違ってなんとなくいい感じにごまかすみたいなことが音声編集においてはやっぱり難しいので、 パーソナリティのマーとか感情を読み取る部分は正解がない。 そして判断が必要なので、ここはAIには構造的にはまだ難しいのかなと思っております。 音声ディレクターという仕事は結構様変わりしていくと思うんですけれども、なくなりはしない。 そう思いたいですし、そうなるように自分自身もアップデートしていかなければいけないなと思っております。 なくなったらなくなったらその時はまたパチンコヤロバイトでもしようかと思っております。 ではお疲れ様でした。