AIが『ため息』や『えっ』を使い分ける――会話らしさの新段階へ

『非言語音』って、言葉じゃない音全部のこと？『ため息』と『えっ』では役割が違うの？

非言語音はそこまで広くはなくて、会話に意図を込めて出す音に限られます。環境音や単なるノイズではなく、「相手に何かを伝える目的で、言葉ではなく音で表現するもの」という感じですね。研究では13種類に分類してますが、その背景にあるのは、音ごとに役割が全然違うということなんです。 ため息は「疲れた」「困った」といった感情状態をさっと示す。えっは驚きや疑問を瞬間的に相手に伝える。相づちの音は「聞いてますよ」「共感してますよ」と相手を安心させる。間を埋める「んー」は思考中であることを示し、沈黙を緩和する。つまり、人間は無意識に場面ごとに音を使い分けて、言葉だけでは伝わらない微妙な心理状態や会話の流れを調整しているわけです。 AIがこれを学べば、返答の内容は同じでも、相手に与える印象はガラッと変わる。「なるほど」という言葉より、共感を込めた息遣いや相づちの方が、時には心に届くということなのかもしれません。

AIが『ため息』を学んだら、こっちがAIに愚痴を聞かせるとき、本当に共感してくれてるような気がするようになるってこと？

そこ、ぐっと来ちゃいますよね。ただ、ここで大事なのは「気がするようになる」という部分なんです。 AIが『ため息』を出すようになると、確かに人間の脳は「聞いてくれてる感」を強く受け取ります。呼吸音や間合いって、言葉以上に相手の内面を伝える信号だから。でも、それは人間側が「共感の証だ」と解釈する側の問題でもあります。AIが何かを「感じている」わけではなく、パターンに基づいて音を再現しているだけ。 むしろ面白いのは、その違いを知ってもなお、人間が『ため息』に引き込まれてしまう部分です。愚痴を聞いてもらうとき、相手の表情や息遣いがあるだけで、心理的には「わかってくれてる」と感じてしまう。それが本当に共感なのか、ただの反応なのかは、実は会話の質には関係ないのかもしれません。むしろ、AIの方が「都合よく反応してくれる」という意味で、人間の友人より心地よくなる可能性すらあります。ここは心理学的な落とし穴でもありそうです。

これまでのAIは『正確さ』を追い求めてきたのに、今になって『ため息』みたいな『ムダな音』を足す研究が出てくるのはなぜ？

「正確さ」と「自然さ」は実は別軸の問題なんですよね。これまでのAIが目指していたのは、質問に対して誤りのない返答を返すこと。そこは達成された。だから次のステップとして、「同じ正確さを保ったまま、どうやって人間らしく聞こえるようにするか」という課題が浮上した、という流れだと考えられます。 人間が会話で『ため息』『えっ』を入れるのは、情報伝達を助けるためでもあります。相手の理解度を測ったり、共感を示したり、話のペースを調整したり。つまり『ムダな音』に見えて、実は会話を成立させるための潤滑油なわけです。AIが同じ返答を字面だけで返すと、相手は「理解はしたけど、この相手は本当に私の話を聞いてくれてるのか」という違和感を覚える。その違和感を埋めるために、非言語音が必要になってくるわけです。 言い換えれば、AIの進化は「技術的な正確さ」から「対話としての完成度」へとシフトしている段階にあるのかもしれません。

つまり『ロボットっぽさ』って、情報の正確さじゃなくて『相手の気持ちのリズムに合わせる能力がない』ってことなの？

正確さと別次元で、確かにそういう側面が大きいんだと思います。 人間が会話を「会話」として感じるのは、相手が自分のペースに応じているからなんですよね。同じ質問に対して、正確な答えを返すロボットと、ちょっと間を置いて「えっ」と驚いてから答える人間では、後者のほうが「話を聞いてくれてる」感を持つ。そこには実は情報量の差がない。でも心理的な距離感が違う。 非言語音を使い分けるというのは、言い換えれば「相手の発話を処理する過程を見せる」ことなのかもしれません。「んー」と唸る数秒間は、実は聞き手が思考してる証拠。「えっ」は予想外の情報に対する反応。こうした音がないと、AIは瞬時に完璧な返答を返してくるだけになる。それが機械的に感じる理由は、相手に自分の思考プロセスを委ねていないからなんだと言えそうです。 つまり「気持ちのリズムに合わせる」というより、自分の内面を相手に少し開示する能力。そこがあるかないかで、会話が対話に変わる分岐点になっているのかもしれません。

AIが『ため息』や『えっ』を使い分けるようになったら、逆に人間は『これはAIなのか人間なのか』をもう見分けられなくなるってことになるの？

見分けられなくなるかどうかは、実は別の問題なんですよね。 非言語音が自然になったとしても、人間と機械的に見分ける手がかりはまだたくさん残ってます。例えば、会話の「矛盾への対応」。人間は自分の発言と異なることを指摘されると、混乱したり言い直したり、その過程で初めて理解することがあります。でもAIは、一度出力した答えを急に翻す動作が、いまのところ不自然です。また「予測不可能な脱線」も人間らしさの重要な要素。突然思い出した話、個人的な経験、その時々の気分による判断。こうした予測不能性は、非言語音を足しても再現するのは難しいかもしれません。 むしろ大事なのは、非言語音が増えることで「見分けたいという欲求」自体が変わるんじゃないかということです。今は「ロボットっぽい」という不快感を避けたいから見分けたい。けれどもし相手がAIだと知っていて、なおかつ会話が心地よければ、見分けることの重要性は下がっていくのかもしれません。