- AI研究企業Alephが、声を出さずに話した内容をAIが読み取るシステムを2026年7月13日に公開
- あごの下に当てた超音波プローブで「舌の動き」を撮影し、AIが文章に変換する
- 単語誤り率は15.6%。学習データはわずか50時間で、従来手法の83.8%から大幅改善
- 電車やカフェでも周りに聞かれずAIと会話できる未来が近づく
- 日本でも東京大学とソニーCSLが2019年に同じ超音波方式「SottoVoce」を発表していた
電車の中でスマホのAIに話しかけたいのに、周りの目が気になって諦めた経験はありませんか。オフィスで音声入力を使えば、同僚に内容が丸聞こえです。そんな「声を出せない場面」を解決する技術が、いま一気に現実味を帯びてきました。キーワードは超音波と舌です。
声を出さずに会話できる新システムが登場
2026年7月13日、AI研究開発企業のAleph（アレフ）が新しい研究成果を公開しました。
内容は衝撃的です。口をパクパク動かすだけで、AIがその内容を文章として正確に読み取るというものです。
声を出す必要はありません。息を吐く必要すらありません。ただ「話すときの口の形」を作るだけです。
こうした技術はサイレントスピーチ（無声発話）と呼ばれます。声帯を震わせずに、話す意図だけをコンピューターに伝える技術のことです。
アイデア自体は昔からありました。しかし精度が実用レベルに届かず、長年「研究室の中の夢」で止まっていたのです。
仕組み：あごの下から「舌」を覗く
病院の超音波検査と同じ道具を使う
Alephが使ったのは、意外にも身近な道具でした。医療用の超音波プローブです。
妊婦さんがお腹の赤ちゃんを見るときに使う、あの検査器具を想像してください。ジェルを塗って肌に当てる、手のひらサイズの装置です。
これをあごの下（顎下）にぴたりと当てます。すると超音波が口の中に向かって飛び、跳ね返ってきた反射を映像化します。
映るのは舌の動きです。口の中で舌がどう反り、どこに触れ、どんな形を作っているか。それが動画としてリアルタイムに記録されます。
なぜ「唇」ではなく「舌」なのか
ここがこの研究の核心です。
従来の読唇術（唇の動きから言葉を読む技術）には、どうしても超えられない壁がありました。唇の形は、見分けがつくものが10〜14種類しかないのです。
「パ」と「バ」と「マ」を鏡の前で言ってみてください。唇の動きはほぼ同じはずです。外から見ているだけでは区別できません。
ところが舌は違います。英語の40個の音に対して、舌は約34種類もの異なる形を作り分けているとAlephは説明しています。
つまり舌は、唇の約3倍の情報を持っているわけです。言葉の正体は唇ではなく、口の奥に隠れていたということになります。
2つのAIを組み合わせて文章にする
撮影した超音波映像は、そのままでは白黒のぼんやりした動画にすぎません。これを文章に変えるのがAIの仕事です。
Alephは2つのAIを組み合わせました。
- ResNet-18（映像を理解するAI）：超音波の動画から舌の動きの特徴を抽出する
- Whisper Base（音声認識AI）：抽出された特徴を、実際の言葉・文章に変換する
面白いのは訓練方法です。まず「舌の映像」と「実際の音声」を同じ意味を持つデータとしてAIに結びつけさせます。
いわば、耳の代わりに目で音を聞けるようにAIを鍛えるのです。この対応関係さえ覚えれば、あとは音声なしでも映像だけから文章を書き出せます。
精度15.6%が意味するもの
気になるのは「で、どれくらい当たるの？」という点でしょう。
Alephが報告した数字は単語誤り率15.6%です。100単語を無声で話すと、約84単語は正しく読み取れる計算になります。
この数字だけ見ると「6語に1語も間違えるのか」と思うかもしれません。しかし、この分野の常識を知ると評価は一変します。
従来の超音波方式は83.8%だった
Alephによれば、超音波だけを使う従来の最良手法の誤り率は83.8%でした。ほとんど当たっていないに等しい水準です。
それが一気に15.6%まで下がりました。誤りが5分の1以下に激減したことになります。
さらに驚くのは学習データの量です。使われたのはわずか50時間分の超音波映像でした。
比較対象として、読唇AIの世界最高水準は誤り率12.5%ですが、これは100万時間ものデータで訓練されています。Alephはその2万分の1のデータで、ほぼ肩を並べる精度に迫ったわけです。
データを増やすほど急激に賢くなった
学習の途中経過も示唆的です。学習サンプルが1万5000件の段階では、誤り率は102%でした。100%超えというのは、余計な単語まで生成してしまう「使いものにならない」状態を意味します。
それが5万件になった途端、15.6%まで急落しました。
これは「データを増やせばまだ伸びる」ことを強く示しています。50時間で15.6%なら、500時間、5000時間ではどうなるのか。研究者たちが色めき立つ理由がここにあります。
競合技術との比較：4つのアプローチ
サイレントスピーチの実現方法は、実は一つではありません。主要な4つを整理します。
| 方式 | 代表例 | 仕組み | 弱点 |
|---|---|---|---|
| 超音波 | Aleph、SottoVoce | 舌の形を直接撮影 | プローブが大きくジェルが必要 |
| 筋電位（EMG） | AlterEgo（MIT） | あご周辺の微弱な電気信号を読む | 信号が間接的でノイズに弱い |
| 読唇 | 各種カメラ方式 | 唇の動きを画像認識 | 唇の形が10〜14種しかなく限界 |
| 脳波 | 侵襲型BCI | 脳の信号を直接読む | 手術が必要で一般利用は困難 |
最も有名なライバルが、MITメディアラボ発のAlterEgo（オルターエゴ）です。あごのラインに電極を貼り、頭の中で言葉を思い浮かべたときに筋肉へ漏れる微弱な電気信号を拾います。2025年初頭に営利企業として独立し、補聴器のような装着型に進化しました。
Alephが強調するのは、「超音波は舌を直接見ている」という点です。筋電位やレーダーのように、ノイズだらけの間接的な信号から推測する必要がありません。証拠を推理するのではなく、現場を直接目撃しているようなものです。
日本への影響：実は東大が先を走っていた
2019年の「SottoVoce」という先行研究
ここで日本の読者に知ってほしい事実があります。
まったく同じ「超音波であごの下から舌を読む」方式を、日本の研究者が7年前に発表していました。
その名はSottoVoce（ソット・ヴォーチェ）。東京大学の暦本純一教授（ソニーコンピュータサイエンス研究所も兼務）の研究室が、木村直紀氏らと共に開発したものです。
2019年にトップ国際会議ACM CHIで発表され、Honourable Mention Award（佳作賞）を受賞しました。国内でもInnovative Technologies 2019に選出されています。
SottoVoceは、口パクだけでAmazon Echoなどのスマートスピーカーを操作するデモを実現していました。改造なしの市販スピーカーが、声を出さない人間の指示に反応したのです。
つまりAlephの成果は、ゼロからの発明というより日本発のアイデアが大規模AI時代に開花したと見ることもできます。
日本語対応は「これから」の大きな課題
ただし、いま日本人がAlephのシステムを使えるかというと、答えはノーです。
Alephは「アメリカ英語のアクセントでない話者には、現状うまく対応できない」と明言しています。学習データが英語話者に偏っているためです。
日本語には英語にない音がたくさんあります。ラ行の舌の弾き方、「ん」の多彩な変化、母音の少なさ。舌の動きのパターンは英語と大きく異なります。
日本語対応には、日本語話者の超音波データを一から大量に集める必要があります。ここは、SottoVoceの知見を持つ日本の研究機関にとって大きなチャンスと言えるでしょう。
どんな場面で役立つのか
この技術が実用化されると、生活はどう変わるのでしょうか。3つの場面を想像してみてください。
満員電車での通勤中。あるビジネスパーソンが、明日の会議資料についてAIアシスタントに相談したいと考えています。今なら音声入力は論外です。しかし顎下に貼ったパッチがあれば、口を小さく動かすだけで「明日のプレゼン、競合分析のスライドを3枚追加して」と指示できます。隣の人には、あくびをしているようにしか見えません。
工場の騒音の中。機械音が響く現場では、音声認識はほとんど機能しません。マイクは人の声と機械音を区別できないからです。ところが超音波方式は、周囲の音をまったく使いません。騒音の影響をゼロにできるのが最大の強みです。
声を失った人のリハビリ。喉頭がんの手術で声帯を失った方や、ALS（筋萎縮性側索硬化症）で発声が難しくなった方にとって、この技術は文字通り「声を取り戻す」手段になります。舌を動かす力さえ残っていれば、自分の言葉を話せるのです。SottoVoceも当初から、この医療用途を主要な目標に掲げていました。
実用化までに残る3つの壁
もちろん、明日から使えるわけではありません。Aleph自身が課題を認めています。
- 装置が大きすぎる：現状は医療用プローブそのもの。顎に手で押し当てる必要があり、日常的に着けて歩ける代物ではありません
- ジェルが必要：超音波は空気の層があると届きません。今はぬるぬるした検査用ジェルが必須です。Alephはハイドロゲル（水分を含んだやわらかい固体）への置き換えを目指しています
- アクセントの壁：アメリカ英語以外への対応には、多様な話者データの収集が不可欠です
Alephが描く最終形は、「絆創膏のように顎下に貼るだけのパッチ」です。そこまで小型化できれば、一気に普及するでしょう。
なお開発元のAleph Neuroは、脳とコンピューターをつなぐBCI（ブレイン・コンピューター・インターフェース）を手がける研究組織です。「テレパシー的な未来」を掲げ、頭蓋骨の外から高解像度の脳画像を撮影する技術も発表しています。今回のサイレントスピーチは、その大きな構想の一歩という位置づけです。
よくある質問（FAQ）
Q. 頭の中で考えただけで読み取られるのですか？
いいえ、違います。実際に口と舌を動かす必要があります。声は出しませんが、話す動作そのものは行います。心の中で考えているだけの内容が読み取られることはありません。プライバシーの心配は不要です。
Q. 誤り率15.6%は実用レベルですか？
まだ完全ではありません。ただしスマートスピーカーへの短い命令や、AIへの指示程度なら十分実用に耐える水準です。長文の口述筆記には、もう一段の精度向上が必要でしょう。データ量を増やせば改善する余地は大きいと見られています。
Q. 日本語でも使えますか？
現時点では使えません。Alephのモデルはアメリカ英語で訓練されており、他のアクセントには弱いと公表されています。日本語版には日本語話者のデータ収集が必要です。ただし東京大学のSottoVoceが日本語で先行研究を行っており、技術的な下地はあります。
Q. MITのAlterEgoとどちらが優れていますか？
方式が異なるため単純比較は困難です。AlterEgoは電極を貼るだけで装着が軽く、製品化が先行しています。一方Alephの超音波方式は舌を直接観測できるため、情報量で有利です。装置の小型化に成功すれば逆転する可能性があります。
Q. いつごろ製品として買えますか？
時期は公表されていません。今回発表されたのは研究段階のプロトタイプです。プローブの小型化とジェル問題の解決が前提になるため、一般販売にはまだ数年単位の時間がかかると考えられます。
まとめ
- AI研究企業Alephが2026年7月13日、超音波で舌を読み取るサイレントスピーチ技術を公開した
- あごの下の超音波プローブで舌の動きを撮影し、ResNet-18とWhisperを組み合わせたAIが文章化する
- 単語誤り率15.6%は、従来の超音波方式83.8%から劇的な改善。学習データはわずか50時間
- 舌は約34種類の形を作り分けるため、10〜14種しかない唇より情報量が圧倒的に多い
- 課題はプローブの大型化・ジェルの必要性・英語以外への非対応の3点
- 日本では東京大学とソニーCSLが2019年に同方式のSottoVoceを発表しており、下地は十分にある
声を出さずにAIと話す未来は、もはやSFではありません。まずはお使いのスマホの音声入力を、あえて小声で試してみてください。「声を出さずに話せたら」と感じる場面がいかに多いか、きっと実感できるはずです。
参考文献
- Silent speech with ultrasound – Aleph Neuro
- 超音波で声を出さずに会話できるシステム – GIGAZINE
- Speak Silently With An Ultrasound Probe – Hackaday
- SottoVoce: An Ultrasound Imaging-Based Silent Speech Interaction – Rekimoto Lab
- AlterEgo – MIT Media Lab
こんな時代だから遊んで学びたい
AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。
毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。 さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。
「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？
一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！
