The Voiceprint Fallacy: Why Voices Are Not Unique Biometric Imprints

混雑した騒がしい部屋の中で、友人を特定しようとしている場面を想像してみてください。相手の顔は見えませんが、あなたの名前を呼ぶ声が聞こえてきました。あなたの脳は、瞬時にその声を聞き分けますよね？それはまるで、その人にしか属さない、音で作られたユニークな指紋、魔法の鍵のように感じられます。長い間、科学者や警察の探偵たちは、これが声の仕組みそのものであると信じてきました。つまり、指の隆起と同じように、すべての人が喉の中に永続的で不変の「音声指紋（ボイスプリント）」を持っているという考えです。このアイデアは非常に論理的に思えたため、法律に書き込まれ、犯罪者を捕まえるために法廷でも使用されました。しかし、ここにひねりがあります。声は静的なスタンプや固定された刻印ではありません。それは、天候や地形、水の動きの状態によって形を変える、生きている、呼吸している川のようなものです。もし川を凍りついた彫像のように扱えば、そこを流れているものについて誤った理解をしてしまうでしょう。これが古い「音声指紋」理論の大きな問題であり、事実を正そうとする新しい論文のメインストーリーです。

「The Voiceprint Fallacy（音声指紋の謬論）」と題されたこの論文は、「音声指紋」という概念は科学的な神話であると主張しています。論文は、あなたの声が「誰であるか」についてのヒントを運んでいる一方で、それがユニークで不変の印ではないことを説明しています。むしろ、あなたの声は、あなたの身体、気分、健康状態、何を話しているか、さらには録音しているマイクまでもが入り混じった、乱雑で複雑な混合物なのです。言語学者とコンピュータ科学者のチームである著者たちは、声を指紋のように扱うことは、声が変化するあらゆる方法を無視することになるため危険であると示しています。彼らは、完璧な「一致」を探すのをやめ、不確実性を認め、なぜ二つの声が似ているのかという様々な理由を考慮に入れる、よりスマートで誠実な比較方法を使うべきだと提案しています。

音声指紋の大いなる詐欺

では、なぜこれほどまでに人々は音声指紋を信じていたのでしょうか？それはすべて、「スペクトログラフ」と呼ばれる素晴らしい技術から始まりました。音波を色彩豊かな画像に変える機械を想像してください。それは、声全体のための音楽のスコアのようなものです。1960年代、ローレンス・カースタという人物がこれらの画像を見て、「おい、これらは指紋にそっくりだ！指の隆起で人を特定できるなら、この音の画像でもできるはずだ」と言いました。彼は自身のメソッドは99.65%正確であると主張しました。裁判所はこの「音声指紋」の証拠を、まるで純金のように確かなものと考えて、採用し始めたのです。

しかし、論文はこれが大きな間違いであったと指摘しています。著者たちは、「音声指針」という概念は謬論（誤った考え）であると説明しています。それは、複雑で変化するもの（あなたの声）を、単純で固定されたもの（スタンプ）であると見せかけるトリックなのです。論文は、この比喩が単に間違っているだけでなく、危険であると論じています。声を指紋のように扱うとき、あなたは声が話すたびに変化するという事実を無視してしまうからです。

あなたの声はスタンプではなく、カメレオンである

あなたの声をピアノの単一の音ではなく、カメレオンとして考えてみてください。カメレオンは周囲の環境や気分、食べているものに基づいて色を変えます。あなたの声も全く同じことをします。論文は、なぜあなたの声が二度と同じではないのか、その理由を分解して説明しています。

• 気分の変化： 怒っているとき、悲しいとき、あるいは興奮しているとき、あなたの声は全く違って聞こえます。疲れていたり病気だったりする場合も、また変わります。脱水症状さえも、声を荒くさせることがあります。
• 台本（スクリプト）： 何を言うかが重要です。台本を読んでいるのか、赤ちゃんに話しかけているのか、あるいは騒音の中で叫んでいるのかによって、声のギアが変わります。理解してもらうために、話すスピードを遅くしたり、声を大きくしたり、ピッチを変えたりすることがあります。
• 加齢プロセス： 人生を通じて変わらない指紋とは異なり、声は成長したり、年を取ったり、ホルモンの変化を経たりすることで変化します。20歳の時の録音は、60歳の時の声と全く同じには聞こえないでしょう。
• 仮面： 人々は意図的に声を変化させることさえできます！ささやいたり、アクセントを偽ったり、誰か他の人のように振る舞ったりすることができます。論文は、すべてを変えることはできなくても、人間やコンピュータを欺くのに十分なほどに変えることは可能であると述べています。

これらの変化があるため、同じ人物であっても、二つの異なる録音では非常に違って聞こえることがあります。そしてここが恐ろしい点ですが、特に異なる条件下で録音されていたり、異なる言葉を話していたりする場合、二人の「異なる人物」が驚くほど似た声になることもあるのです。

コンピュータの「音声指針」も魔法ではない

あなたはこう思うかもしれません。「なるほど、でもコンピュータは賢い。彼らは本当の音声指針を見つけたに違いない」と。論文は「ちょっと待ってください」と答えます。現代のコンピュータは複雑な数学を用いて、声をデジタルコード（「エンベディング」と呼ばれます）に変換します。確かに、これらのコンピュータは声を識別することには長けていますが、彼らは魔法のような不変のIDカードを見つけているわけではありません。

論文は、これらのコンピュータコードが実際には、話し手、話している内容、背景ノイズ、さらには使用されているマイクの種類までを含む混合物であることを説明しています。安価なスマートフォンで録音するか、スタジオ用マイクで録音するかによって、コンピュータはそれを別の人だと判断してしまうかもしれません。コンピュータが見ているのは「音声指針」ではなく、特定の瞬間におけるスナップショットなのです。著者たちは、コンピュータが高いスコアを出して「これは一致する」と言ったとしても、それが完璧で不変の真実を意味するわけではないと警告しています。それは単に、特定の条件下において二つの録音が似ているということを意味しているに過ぎないのです。

ディープフェイクの脅威

論文はまた、新しい恐ろしい問題である「ディープフェイク」についても触れています。これは、AI（人工知能）が実在の人物と全く同じように聞こえる偽の音声を作成することです。著者たちは、犯罪者が上司の声に似せて、数百万ドルを振り込ませるためにAIを利用する例を挙げています。

ここが決定的なポイントです。論文は、たとえディープフェイクがあなたの友人と100%同じように聞こえたとしても、それはあなたの友人がそれを話したことを意味しないと述べています。古い「音声指針」の考え方は、もしそれがあなたのように聞こえるなら、それは必ずあなたであるはずだ、という前提に基づいています。しかし、ディープフェイクにおいては、そのルールが破られます。偽の声は、その人物が一度も口を開いていないにもかかわらず、実在の人物のように聞こえることができるのです。これは、「声」がユニークな指紋ではなく、コピー可能な音のパターンであることを証明しています。

代わりに何をすべきか？

では、音声指針が神話であるならば、どのように犯罪を解決したり、身元を確認したりすればよいのでしょうか？論文は「声を使うのをやめよう」と言っているのではありません。「間違ったルールを使うのをやめよう」と言っているのです。

「これら二つの声は完璧に一致するか？」（それは不可能です）と問う代わりに、著者たちは「あらゆる変化や条件を考慮した上で、この声が人物Aから発せられた可能性は、人物Bと比較してどの程度あるか？」と問うべきだと提案しています。

彼らは、不確実性を認めるシステムを使うことを求めています。探偵が次のように言う場面を想像してください。「証拠に基づけば、この声は容疑者のものである可能性が非常に高いですが、録音状態が悪かったこと、容疑者が体調を崩していたこと、そしてAIによる捏造の可能性も考慮しなければなりません」。これは「確率論的」なアプローチと呼ばれます。「これは間違いなくその人物だ」と言うのではなく、「これが正しい人物である確率は90%だ」と言うようなものです。

結論

この論文の主な教訓はシンプルですが強力です。**「声は指紋ではない」**ということです。声は乱雑で、変化しやすく、驚きに満ちています。「音声指針」という概念は、私たちの結論に対して過剰な自信を与えてしまう危険な神話です。

著者たちは、音声が固定されたスタンプであるという錯覚を招くため、法律や科学の中で「音声指針」という言葉を使うのをやめることを推奨しています。代わりに、声を「欠けたピースのあるパズル」として扱うべきです。私たちは、気分、健康状態、録音の質、そしてAIによる偽造の可能性といった、あらゆる手がかりを見極め、誰が話しているのかについて、慎重かつ誠実な推測を行う必要があります。そうすることで、私たちは魔法の鍵を持っているふりをするのをやめ、よりスマートで信頼できる方法で耳を傾けることができるようになるのです。