声で頼むと、文字では削られていた迷いと背景が残ります　CUIからVUIへ

キーボードの前で手が止まるのは、指が遅いからではなく、考えがまだまとまっていないからです。文字の対話では、まとめてから打ちます。声の対話では、まとまる前に話せます。この記事では、ChatGPTが文字の対話（CUI）から声の対話（VUI）へ広がるときに変わるのは、手軽さよりも、頼む側の考えのどの段階をAIに渡せるかだ、と考えます。

ChatGPTは、命令を覚えなくてよいCUIとして始まりました

コンピュータとの対話は、もともと文字だけでした。パンチカードや端末に文字でコマンドを打ち、結果も文字で返る。この方式がCUI（キャラクターユーザーインターフェース）です。GUIが主流になった今も、大量の情報を一度に扱える、描画が要らず軽い、スクリプトで自動化しやすいといった理由で、プログラマーやシステム管理者はCUIを使い続けています。反面、コマンドの文法を覚える必要があり、つづりの誤りも起きやすく、初心者には敷居の高い仕組みでした。

ChatGPTの基本の形も、文字を打って文字で受け取るものです。ただし命令の文法を覚えなくてよく、普段の言葉で頼めます。CUIの最大の弱点を取り除いた、洗練されたCUIと見ることができます。

VUIは、手と目を空けたまま使える入口です

VUI（音声ユーザーインターフェース）は、マイクに話しかけ、音声合成で返事を受け取る仕組みです。Amazon Echo、Google Home、Apple HomePodなどのスマートスピーカーで一気に身近になりました。音声認識と音声合成の精度の向上、雑談や複雑な問い合わせまで理解する自然言語処理の発展、マイクやスピーカーの低価格化が背景にあります。料理中や運転中でも使える、文字入力が苦手な人にも使いやすい、話しかければすぐ返事が来る、といった利点の一方で、騒がしい場所では認識が落ち、周りに会話を聞かれるという課題もあります。

声で話すAIは、四つの技術の連携で動きます

対話AIが声でやり取りするには、声を文字に変える音声認識、意図をくみ取って誤りを補う理解、耳で分かる長さに整える応答生成、抑揚をつけて声で返す音声合成の四つが順につながる必要があります。音声認識では、Amazon TranscribeやOpenAIのWhisperなどのエンジンが、雑音の中での精度とリアルタイム性を高めてきました。理解の段階では、同音異義語や文の切れ目の曖昧さなど、音声に特有の誤りをどう補うかが鍵になります。応答生成では文の長さや言い回し、間の取り方を整え、音声合成では抑揚や声色、話す速さまで選べるようになっています。

文字は考えを削り、声は考えを残します

よく言われるのは、声で頼めるようになると気軽になるぶん、頼み方が雑になる、という心配です。打つ文字なら見直してから送れますが、話し言葉は思いついた順に出てしまうからです。

ただ、同じ性質を逆から見ることもできます。文字で打つとき、人は無意識に削ります。迷っている理由、前回うまくいかなかった経緯、口に出すほどでもない懸念。打つ手間に見合わない情報は、送信前に消えます。その消えた部分こそ、AIが一般論で埋めてしまう背景です。声なら、それが残ります。話しながら、あ、それと、と付け足した一言に本当の条件が入っていることは珍しくありません。会議の終わり際に、ちなみに、で始まる発言が一番重要なのと同じです。

だから声は二段に分けて使うと効きます。まず、まとまっていない考えを話し、AIに要点を整理させる。整理された要点を見て、目的、背景、ほしい答えの形がそろっているかを確かめてから、本番の依頼をする。声を清書の道具ではなく、下書きの道具として使うやり方です。思いつくまま話した依頼をそのまま本番に使い、思いつくままの答えが返ってきたと嘆くのは、録音した独り言を議事録と呼ぶのに近い使い方です。

声が向かない仕事も、はっきりあります

この主張には条件があります。数字、固有名詞、型番、金額のように一字の違いが致命的になる情報は、音声認識の誤りが入りやすく、文字で書いて確かめるほうが確実です。周囲に聞かれて困る内容も声には向きません。常に音を拾う機器には、盗み聞きや、声による本人確認のすり抜けといった懸念もあり、端末の中で認識を済ませる、合図の言葉の後だけ通信する、といった技術と制度の両面の対策が求められています。

この記事を最初に書いた2025年1月の時点で、ChatGPTには声で話せる機能が加わり、文字と声を行き来できるようになりつつありました。声と文字のどちらが考えを深めるのかは、一般的な結論が出ている問いではありません。どちらが向くかは、人と仕事によって割れると考えるのが正直なところです。

あなたが文字でAIに頼むとき、打つのが面倒で削っている背景は何でしょうか。それを声で付け足したら、返ってくる答えはどう変わりそうでしょうか。

この記事の背景にある考え方は、拙著『ChatGPT はじめてのプロンプトエンジニアリング』の8章3節「音声認識・対話: ChatGPTの耳と口」に書きました。音声入力の基本から、役割を与えた音声対話、AIを相手にした壁打ちまでを扱う節で、哲学者の役割を与えた対話について「対話によってアイデアの本質に迫り、新たな視点がもたらされます。」と書いています。この節を読むと、自分の仕事のどの段階を声で、どの段階を文字で進めるかを、自分で選び分ける手がかりが得られます。