リモコンの「音声切替」ボタンを、意識して押したことはあるでしょうか。ドラマの再放送を見ながら何気なく押したとき、聞き慣れない声が流れてきて戸惑ったことがあります。「夕暮れの土手。男が自転車を止め、川面を見つめる」。台詞ではありません。画面に映っているものを、誰かが言葉で描写している。主音声に戻せば消えるその声の正体が、視覚障害者向けの解説放送でした。
あの声は誰が、どうやって作っているのか。たどっていくと、放送の音声多重の仕組みと、制作現場の重い手作業と、その両方に行き当たります。
副音声とは、ひとつの放送に相乗りする第二の音声
副音声とは、テレビ放送の主音声とは別に送られる、もう一つの音声チャンネルのことです。アナログ放送の時代に音声多重放送として始まり、当初の主な用途はステレオ化と二カ国語放送でした。洋画を吹き替えで見るか原語で見るかを視聴者が選べたのは、主音声と副音声に別々の音を載せていたからです。
地上デジタル放送では、この仕組みはより柔軟になっています。一つの番組に複数の音声ストリームを多重化できるほか、ステレオの左右チャンネルに別々のモノラル音声を割り当てるデュアルモノという方式もあります。リモコンの音声切替ボタンが行き来しているのは、こうして一つの放送に相乗りしている音声たちです。番組表に「副音声」や「解説」のマークが付いていれば、その番組には切り替え先の音声が用意されています。
載せる中身は番組ごとの設計次第です。二カ国語放送。副音声で選手の裏話や別視点の実況を流すスポーツ中継の企画。そして冒頭の、画面を言葉で描写する解説放送。技術としては同じ第二の音声でも、性格は違います。前の二つが「あれば嬉しい」付加サービスだとすれば、解説放送は、その番組をそもそも楽しめるかどうかを左右するアクセシビリティの音声です。
解説放送とは、台詞の隙間に差し込まれる情景描写
解説放送は、目の不自由な視聴者に向けて、画面の情報を音声で補う放送です。人物の動きや場面転換、表情、画面に出るテロップの内容。台詞と効果音だけでは伝わらないものをナレーションで描写し、本編の音声に重ねます。無言のまま続くラストシーンなら、「男は封筒を机に残し、部屋を出ていく」という一文が入る、といった具合です。海外ではAudio Descriptionと呼ばれ、日本では副音声チャンネルで提供するのが一般的です。
制度上の位置づけもはっきりしています。放送法は、視覚障害者向けの解説を付けた番組をできる限り多く設けることを放送事業者の努力義務と定め、総務省も放送分野における情報アクセシビリティに関する指針で解説放送の普及目標を掲げてきました。 聴覚障害者向けの字幕放送 と並ぶ、放送アクセシビリティの二本柱です。
ただ、二本柱の育ち方には差があります。字幕放送は音声認識の進歩に後押しされ、 AIによる字幕生成 が制作を支える段階まで来ました。解説放送はそこまで進んでいません。番組表で「解説」マークの付いた番組を探してみると、ドラマやドキュメンタリーの一部に限られていることに気づくはずです。なぜ字幕にできたことが、解説ではできないのでしょうか。
解説放送はなぜ普及が進みにくいのか
答えの半分は単純で、手間の桁が違うからです。字幕の元になる情報は番組の音声そのもので、書き起こすべき言葉は初めからそこにあります。解説放送には元になる原稿がありません。画面から何を言葉にするかを、ゼロから決める仕事が挟まるのです。
制作は台本作りから始まります。ディスクライバーと呼ばれる書き手が映像を繰り返し見ながら、台詞と台詞の隙間を一つずつ計り、その秒数に収まる描写を書いていきます。3秒の隙間なら「男が振り返る」まで。5秒あるなら、手にした包丁まで言えるか。台詞や効果音と天秤にかけながらどの情報を捨てるかを選び続ける作業で、1時間の番組の台本に数日を要することも珍しくないと言われます。
台本ができたら、ナレーターが本編の音を聞きながら隙間に合わせて読み、その声を本編音声とミキシングして副音声を仕上げます。台詞や音楽を邪魔しない音量バランスの調整も、耳で確かめながらの細かな仕事です。どの工程も完成した映像が前提なので、 完パケ が放送直前に上がる番組では、そもそも作業時間を確保できません。生放送に至っては、この作り方では原理的に間に合わないのです。
解説放送は、一本ごとに専門職の時間を注ぎ込む手工業だということです。
努力義務があっても、全番組に広げるには作り手の数と時間が足りない。普及が進みにくい理由は、ほぼこの一点に集約されます。裏を返せば、制作の負担を下げられれば状況は動くはずです。
AIによる解説放送の効率化はどこまで可能か
では、この手工業のどこをAIが肩代わりできるのでしょうか。工程を分解すると、対応しそうな技術は既に出そろいつつあります。映像から人物の動きや場面を認識して説明文を生成する映像理解。台詞の隙間を検出する音声解析。ナレーション用途に耐える自然さへ近づいてきた音声合成。描写のたたき台を機械が作り、隙間の尺に合わせて刈り込み、合成音声で読み上げるところまで自動化できれば、工程の景色は変わります。
人の台本作りが丸ごと置き換わるとは思いません。どの情報を捨てるかの判断には作品の文脈を読む力が要りますし、描写の言葉選びは作風そのものに関わります。ただ、たたき台の生成と尺合わせを機械が受け持ち、人が監修と仕上げに回る分業なら、一本あたりの負担は大きく減らせるはずです。
NAXAはこの領域を放送業界向けAIの次のテーマの一つと捉え、映像解析と音声合成を組み合わせて解説放送の制作を効率化するAIの開発を進めています。日本語に特化した音声認識や、テロップを読み取る画像解析といった自社エンジンの延長線上にある取り組みで、放送局や制作会社の現場との共創を通じて形にしていく段階です。
解説放送を巡る問いは、「作れるか」ではありません。丁寧な手作業をかければ、優れた解説は今でも作れます。問題は、毎日何十時間と流れていく番組のうち、どれだけにその手を回せるかという普及率の側にあります。アクセシビリティは、機能が存在するかどうかではなく、行き渡っているかどうかで測られるものだからです。
リモコンの音声切替ボタンは、どのテレビにも付いています。押した先に声のある番組を、どこまで増やせるか。解説放送の効率化やアクセシビリティ領域での共創に関心のある方は、お気軽にご相談ください。
