合成音声の不気味の谷の統計(2026年):検出、不気味さ、顔と声の不一致に関する40以上のデータポイント

合成音声の不気味の谷の統計2026:リスナーが本物の声とAI音声を正しく見分けた割合はわずか53.95%。不気味さ、ボイスクローン、顔と声の不一致のデータも収録。

172人に本物の声とAI生成の声を分類してもらったところ、正答率はわずか53.95%でコイン投げをわずかに上回る程度だったが、同じ参加者が顔を分類したときの正答率は65.48%だった(Ivoryら、Scientific Reports 2026、印刷中)。実在の人物のクローンは、話者の同一性についてもリスナーをだます。照合精度は自然な音声の86.98%からディープフェイクの68.94%に低下した(Roswandowitzら、Communications Biology 2024)。参加者1,212人と、広く使われている3つのディープフェイクデータセットでは、人間の平均正答率は73%だった(Warrenら、ACM CCS 2024)。それでも、古典的な不気味の谷、つまり人間にほぼ近いがまだ完全ではないものに対して快適さが落ち込む現象は、合成音声単独ではほとんど現れない。本稿では、PLOS One、Scientific Reports、Communications Biology、eNeuro、ISCA Archive、Frontiers、ACM CCS、i-Perception、および2026年の2件の業界調査のデータを集計した。現代の音声合成を支える聴取テストのベンチマークについては、当社の合成音声の自然さとMOSの統計を、合成音声を見破る手がかりとして今も残る音高やアクセントの誤りについては、当社のニューラルTTSの韻律誤りの統計をご覧ください。

主なポイント

  • リスナーが本物の声と合成音声を正しく分類した割合は53.95%で、顔では65.48%だった(Ivoryら、Scientific Reports 2026)。
  • 音声については確信度と正確さが連動しなかった。AUROCは.48で、.5は洞察がないことを意味する(Ivoryら、Scientific Reports 2026)。
  • ボイスクローンが人間と判定された割合は0.70、本物の録音は0.72、一般的なAI音声は0.39だった(Lavanら、PLOS One 2025)。
  • 3つのディープフェイクデータセットにおける人間の平均正答率は、参加者1,212人で73%だった(Warrenら、ACM CCS 2024)。
  • 個人識別の照合精度は、自然な音声の86.98%からディープフェイクの68.94%に低下した(Roswandowitzら、Communications Biology 2024)。
  • 人間らしいTTS音声ほど、心地よいと評価された:r(203) = .48、p < .001(Ross、Corley、Lai、Speech Prosody 2024)。
  • 顔と声が不一致の組み合わせは、一致する組み合わせよりも不気味と評価された:t(47) = 6.042、p < 0.001(Mitchellら、i-Perception 2011)。
  • 人間の声は、仮想キャラクターの好感度をロボットの声の2.99に対して3.75に引き上げた(Choiら、IEEE ISMAR-Adjunct 2023)。
  • 聞いたナレーションがAIだと知った後、ラジオリスナーの25%は好意的になり、20%は好意的でなくなった(Crowd React Media 2026)。
  • 例を用いた事前の慣らしでディープフェイクの検出が向上したのは、平均でわずか3.84%だった(Maiら、PLOS ONE 2023)。
  • 米国、英国、DACH地域の成人の67%が、自分の声をクローンされることを心配している(Malwarebytes 2026、ベンダー調査)。

1. 検出:リスナーはAI音声と人間の声をどれだけ見分けられるか

重要なのは、人が失敗するということではなく、その失敗が聴覚に特有だということだ。顔の判定では偶然を大きく上回った同じ参加者が、音声では53.95%(95%信頼区間 = [52.64, 55.27])にとどまった。これは、両方の感覚を並べて検証したLancaster Universityの事前登録研究の結果である(Ivoryら、Scientific Reports、印刷中)。偽の顔を見抜くのが得意であることは、偽の声を見抜くのが得意であることを何も示さなかった。著者らは、感覚をまたいだ汎用的な検出能力を見いだせなかった。

数値を大きく左右するのは、リスナーの能力よりも課題の形式である。UCLの研究者が1回に1つのクリップを再生したとき、リスナー529人の正答率は70.35%だったが、本物とディープフェイクのクリップをあわせて聞いた場合は、偽物が85.59%の試行で見破られた(Maiら、PLOS ONE 2023)。現実の場面で比較用のクリップが提供されることはまれだ。データセットの新しさも影響する。University of Floridaの参加者1,212人の研究では、正答率はWavefakeセットの65%からFakeAVCelebの81%まで幅があった。

指標値出典
本物の声と合成音声を正しく分類した割合(参加者172人、本物の声40件と合成音声40件)53.95%(95%信頼区間 = [52.64, 55.27])Ivoryら、Scientific Reports 2026(印刷中)
同じ参加者による本物の顔とAI生成の顔の正しい分類の割合65.48%(95%信頼区間 = [63.75, 67.21])Ivoryら、Scientific Reports 2026(印刷中)
1回に1つのクリップを判定した場合の正しい分類の割合(n = 529、英語と北京語)70.35%Maiら、PLOS ONE 2023
本物のクリップとあわせて聞いた場合にディープフェイクが見破られた割合(2クリップ課題)試行の85.59%Maiら、PLOS ONE 2023
3つのディープフェイクデータセットにおける人間の平均正答率(参加者1,212人)73%Warrenら、ACM CCS 2024
最も難しいデータセット(Wavefake)と最も易しいデータセット(FakeAVCeleb)の平均正答率65% 対 81%Warrenら、ACM CCS 2024
AIのボイスクローンがAIだと正しく識別された割合(2件の研究にわたるProlificのサンプル、参加者604人)約60%Barrington、Cooper、Farid、Scientific Reports 2025
一般的なAI音声と人間の声を弁別するリスナーの感度(d’)と、ボイスクローンと人間の声を弁別する感度(n = 50)2.93 対 0.13Lavanら、PLOS One 2025

補足:d’(ディープライム)は信号検出理論における感度の指標で、0はリスナーが2つのカテゴリをまったく区別できないことを意味する。Maiらのディープフェイクは、著者らが指摘するように比較的古いアルゴリズムで作られたものだ。1クリップと2クリップの比較について入手可能な最新データは、Maiら、PLOS ONE 2023である。

2. ボイスクローン:コピーが本人として通用するとき

一般的なAI音声は、今でも製品のように聞こえる。特定の人物のクローンはそうではなく、そこで人間の聴覚は限界を迎える。Queen Mary University of Londonの研究者らは、市販のクローン作成ツールを使い、話者1人あたり約4分の録音からクローンを作成した。そしてリスナーはそれらのクローンを0.70の割合で人間と判定し、本物の録音の0.72とほぼ並んだ(Lavanら、PLOS One 2025)。著者らの結論は的確だ。クローンは本物らしく聞こえるが、AIの顔が本物よりも本物らしく見えることがあるような「超現実的」にはまだ達していない。クローンに今どれだけ少ない音声で足りるかは、当社のゼロショット音声クローンの参照音声の長さの統計で追跡している。

話者の同一性は2つ目のテストであり、クローンはたいていこれに合格する。UC Berkeleyの研究では、参加者はAI音声が本物の話者と同一人物だと判断した割合が約80%だった(Barrington、Cooper、Farid、arXiv v2、Scientific Reports 2025に掲載)。ドイツ語の2語文を用いたUniversity of Zurichの脳画像研究(刺激には、ドイツ語で「彼は倒れる」を意味する ‘Er fällt’ が含まれていた)では、個人識別の照合精度は自然な音声の86.98%からディープフェイクの68.94%に低下した(Roswandowitzら、Communications Biology 2024)。

指標値出典
「人間」と判定された声の割合:ボイスクローン 対 本物の人間の録音 対 一般的なAI音声(実験2、英国の成人n = 50)0.70 対 0.72 対 0.39Lavanら、PLOS One 2025
本物らしさの平均評価:一般的なAI音声 対 ボイスクローン 対 本物の人間の録音47.4 対 63.0 対 63.8Lavanら、PLOS One 2025
AIクローンが本物の話者と同一人物だと判断された割合約80%Barrington、Cooper、Farid、Scientific Reports 2025
クリップの長さと自然さ判定の正確さの相関スピアマンのρ = 0.245Barrington、Cooper、Farid、Scientific Reports 2025
個人識別の照合精度:自然な音声同士のペア 対 ディープフェイクと自然な音声のペア(n = 25)86.98% 対 68.94%Roswandowitzら、Communications Biology 2024
ディープフェイクの試行:見逃し 対 誤警報28.64% 対 29.86%Roswandowitzら、Communications Biology 2024

補足:Queen Maryのチームは、Prolificで募集した18歳から65歳の英国の参加者各50人で3つの実験を行った。Zurichの研究では、見逃しとはディープフェイクが本物の話者として受け入れられたことを指し、誤警報とは正しい話者の同一性が棄却されたことを指す。両者の割合がほぼ等しいことは、リスナーが一方に偏ることなく、両方向で当てずっぽうに答えていたことを示している。

3. 声にも不気味の谷はあるか?

視覚の不気味の谷は、人工の顔が完全に人間らしくなる直前に快適さが落ち込むと予測する。合成音声については、データの大半が逆の方向を示している。人間に近いほど良いのだ。Frontiers in Neurorobotics の研究では、成人95人が2つの合成音声(IBM WatsonとロボットのSophia)と人間の声を評価し、人間らしさが高いほど、どちらの合成音声でも不気味さが低いと予測された。Edinburghのチームは、人間らしさと心地よさが正の相関を示す、r(203) = .48、p < .001ことを見いだしたが、人間らしさが50%に達したTTS音声はなく、谷があるはずの曲線の頂点は検証されなかった(Ross、Corley、Lai、Speech Prosody 2024)。

谷が現れる場合、それは人工的であることからではなく、逸脱から生じる。DielとLewisは、歪んだ声や病的な声によって生じる音声の不気味の谷を確認し、「合成音声はそれをうまく回避している」と結論づけた(Computers in Human Behavior Reports 2024)。AI音声ジェネレーターで声を選ぶ人にとっては、実用的な指針になる。不自然で張りつめた、あるいはノイズの混じった話し方は、はっきり合成だとわかる話し方よりもリスクが高い。

指標値出典
人間らしさの評価:最も人間らしいTTS音声(誇張した音高の範囲)と人間の録音の比較(リスナー205人)46.1 対 71.5Ross、Corley、Lai、Speech Prosody 2024
不気味さの評価:同じTTS音声と人間の録音の比較40.4 対 28.9Ross、Corley、Lai、Speech Prosody 2024
人間らしさと心地よさの相関r(203) = .48、p < .001Ross、Corley、Lai、Speech Prosody 2024
2つの合成音声について、人間らしさが不気味さを予測する程度(成人95人)β = −0.64およびβ = −0.66、p < 0.001Kühne、Fischer、Zhou、Frontiers in Neurorobotics 2020
好感度と人間らしさの研究における音声の数(リスナー25人):5つの合成手法によるドイツ語の男性音声と人間の対照13Bairdら、Interspeech 2018
逸脱した声に音声の不気味の谷を位置づけた2つの実験の参加者n = 50およびn = 35DielとLewis、Computers in Human Behavior Reports 2024
人間らしい外見が不気味さを高めた音声アシスタント研究の参加者34Zhao、Chen、Zhao、Human Factors and Ergonomics in Manufacturing 2026
聞き慣れない人間の声への好感が高まるまでの曝露回数(読み上げた文、大学生238人)8Mavromati、Erdinch、Paterson、PsyArXivプレプリント 2025

補足:Bairdらは、好感度が人間らしさとともに上昇することを見いだした。これは視覚の不気味の谷とは逆である(Interspeech 2018)。合成技術の世代間でのこの比較について入手可能な最新データであり、Kühneらの研究は2020年のものである。音声アシスタントの研究では、不気味さは声ではなく人間らしい外見から生じていた。Mavromatiらのプレプリントは実際の人間の声を検証した。2回または5回聞いた声は、一度も聞いていない声よりも好まれなかった。著者らは、この逆U字を「親しみがあるようでない」声の不気味の谷と呼んでいる。

4. 顔と声の不一致:谷が実際に現れる場所

声だけが谷に落ちることはまれでも、組み合わせでは落ちる。基礎となるテストでは、ロボットまたは人間の姿を、一致する声または一致しない声と組み合わせた。不一致の2つの組み合わせは、一致する2つの組み合わせよりも不気味と評価された、t(47) = 6.042、p < 0.001(Mitchellら、i-Perception 2011)。合成音声を持つ人間の姿は、4つの条件の中で最も不気味だった。著者らが導いた設計上の教訓は今も通用する。顔の人間らしさの度合いを、声の人間らしさの度合いに合わせることだ。

新しい研究は、印象を左右するのは通常、声であることを示している。バーチャルリアリティの研究では、人間の声はキャラクターの好感度と知覚される安全性を高めた一方、外見そのものは好感度に有意な影響を与えなかった(Choiら、IEEE ISMAR-Adjunct 2023)。ロボットヘッドFurhatを用いた研究では、顔と声の設定が第一印象の温かさを変えたが、参加者がロボットと対話した後には、その効果はもはや有意ではなかった(HuangとMoore、Frontiers in Robotics and AI 2024)。

指標値出典
不気味さの評価:合成音声を持つ人間の姿 対 人間の声を持つ人間の姿(米国生まれの参加者48人)M = 0.19 対 M = −1.10Mitchellら、i-Perception 2011
不気味さの評価:人間の声を持つロボットの姿 対 合成音声を持つロボットの姿M = −0.10 対 M = −0.60Mitchellら、i-Perception 2011
顔と声の不一致の組み合わせ 対 一致する組み合わせ(対応のあるt検定)t(47) = 6.042、p < 0.001Mitchellら、i-Perception 2011
仮想キャラクターの好感度:人間の声 対 ロボットの声(参加者21人)3.75 対 2.99Choiら、IEEE ISMAR-Adjunct 2023
仮想キャラクターの知覚された人間らしさ(擬人化):人間の声 対 ロボットの声3.18 対 2.58Choiら、IEEE ISMAR-Adjunct 2023
第一印象の温かさ:子どもらしい 対 大人らしい 対 ロボットらしい顔と声の設定(参加者52人、サンプル156件)3.37 対 2.60 対 2.06HuangとMoore、Frontiers in Robotics and AI 2024
対話前の温かさに対する顔と声の設定の効果F(2,147) = 16.75、p < 0.001HuangとMoore、Frontiers in Robotics and AI 2024

補足:Furhatの研究では、一部の参加者が子どもらしい設定を不一致だと表現した(「声は子どもっぽいが見た目はそれほど子どもっぽくない」)。Alimardaniら(IVA 2024)による2x2の仮想エージェント実験では、声と外見の不一致は知覚される擬人化を変えたが、人々がエージェントの助言に従う頻度は変えなかった。Mitchellらの研究は2011年のものであり、この顔と声の設計について入手可能な最新データである。

5. 社会的特性と開示効果

リスナーは声が本物かどうかを判断するだけではない。声から人柄を読み取り、合成音声は異なる形で読み取られる。Queen Maryの特性実験では、一般的なAI音声は人間の声よりも支配的で、わずかに信頼できると評価された。Zurichのチームは、自分たちのディープフェイクについては逆の結果を得た。参加者は、それらを自然な音声よりも「有意に自然さ、好感度、信頼性が低い」と評価した(Roswandowitzら、Communications Biology 2024)。特性がどちらに傾くかは、刺激の品質で決まる。

実際のメディアに近いブラインドテストでは、品質は問題でなくなり、開示が支配的になった。種明かしの後、人間のナレーションを聞いたリスナーの48%が好意的になったのに対し、AIの声を聞いたリスナーでは25%だった(Crowd React Media AI Voiceover Study 2026)。誰にも何も伝えられる前は、2つの声の得点はほぼ同じだった。単調な話し方はもう一つの弱点である。感情なしの条件では、約68%のユーザーが対話エージェントの声の調子を批判した(Cihodaru-ȘtefanacheとPodina、Frontiers in Psychology 2025)。

指標値出典
支配性の評価:一般的なAI音声 対 人間の声(n = 50)58.1 対 40.4(p < .001)Lavanら、PLOS One 2025
信頼性の評価:一般的なAI音声 対 人間の声57.9 対 53.8(p = .002)Lavanら、PLOS One 2025
最初のクリップの全体的な好感度:AIのナレーション 対 人間のナレーション(18歳から45歳の米国のラジオリスナー1,326人)61% 対 60%Crowd React Media AI Voiceover Study 2026
「面白い」と評価されたナレーション:人間の声 対 AIの声(唯一の有意差)33% 対 26%Crowd React Media AI Voiceover Study 2026
種明かしの後、AIの声のリスナー:好意的になった 対 好意的でなくなった25% 対 20%Crowd React Media AI Voiceover Study 2026
種明かしの後、人間の声のリスナー:好意的になった 対 好意的でなくなった48% 対 4%Crowd React Media AI Voiceover Study 2026
感情なしの条件で、対話エージェントの声の調子を批判したユーザー約68%Cihodaru-ȘtefanacheとPodina、Frontiers in Psychology 2025

補足:Frontiers in Psychologyのレビューは、選別を経て身体性を持つ対話エージェント(ユーザーと会話する画面上のアニメーションキャラクター)の研究29件を対象とし、その大半を方法論的品質が低いか中程度と評価した。ラジオのテストはHarker Bos Groupの市場調査部門が実施し、信頼水準95%の2標本比率z検定で有意性を確認した。リスナーには、評価を終えるまでどちらの声を聞いたかは知らされなかった。

6. 訓練、確信度、聴いている脳

短い訓練はほとんど効果がなく、リスナーは自分が間違っているときにそれを見分けられない。音声については、AUROCで測ったメタ認知的洞察は.48で、確信度が正確さについて何の情報も持たないことを意味する.5をわずかに下回った。同じLancasterの研究では顔は.59だった(セクション1を参照)。ディープフェイクの例による事前の慣らしは、正答率をほとんど動かさない(表を参照)。University of Floridaのチームは、リスナーは迷ったとき、音声が人間のものだと信じる方向に傾くことを見いだした(Warrenら、ACM CCS 2024)。これはまさに、ボイスクローン詐欺が頼りにしているバイアスである。当社のボイスクローンによる家族詐欺の統計もご覧ください。

しかし脳は、リスナーが報告する以上のことを記録している。12分間の訓練セッションの後、北京語を母語とする30人は、約55、210、455ミリ秒の時点で人間の音声とAI音声の間に神経活動の違いを示したが、行動上の弁別は有意に向上しなかった(Yangら、eNeuro 2026)。ZurichのfMRI研究では、聴覚皮質がディープフェイクと自然な音声の音響的な違いを追跡した一方、報酬系の一部である側坐核は、ディープフェイクを自然な音声と比較したときに活動が低下した(Roswandowitzら、Communications Biology 2024)。

指標値出典
音声 対 顔のメタ認知的洞察(AUROC)、.5は洞察なしを意味する.48 対 .59Ivoryら、Scientific Reports 2026(印刷中)
ディープフェイクの例による事前の慣らしによる検出の向上平均3.84%Maiら、PLOS ONE 2023
12分間の訓練セッションの前後における人間の音声に対する感度(d’)(参加者30人)0.383 対 0.536Yangら、eNeuro 2026
同じ訓練の前後における、ファインチューニングされたAIクローンに対する感度(d’)0.266 対 0.341Yangら、eNeuro 2026
訓練セッションが感度に及ぼす主効果F(1,29) = 3.918、p = 0.057Yangら、eNeuro 2026
訓練後の人間の音声とAI音声の神経的弁別の潜時約55ミリ秒、210ミリ秒、455ミリ秒Yangら、eNeuro 2026
自分の声をクローンされることを心配する成人(米国、英国、オーストリア、ドイツ、スイスの成人1,500人)67%Malwarebytes AI Scams Report 2026(ベンダー調査)
過去12か月以内に知人からのボイスクローンによる電話を受けた成人16%Malwarebytes AI Scams Report 2026(ベンダー調査)

補足:ここでのAUROC(受信者動作特性曲線の下の面積)は、リスナーの確信度が誤答よりも正答で高いかどうかを測るものである。eNeuroの文には北京語の音声知覚テストのものが使われ、AI音声はオープンソースのクローンモデルで作成された。Malwarebytesの調査は、独立した調査コンサルタントにより2026年3月1日から3月17日にオンラインで実施された。セキュリティベンダー自身の調査であるため、知覚の測定ではなく文脈情報として扱うべきである。

まとめ:数字で見る合成音声の不気味の谷

指標値出典
本物の声と合成音声を正しく分類した割合53.95%Ivoryら、Scientific Reports 2026(印刷中)
3つのディープフェイクデータセットにおける人間の平均正答率(参加者1,212人)73%Warrenら、ACM CCS 2024
最も難しいデータセットと最も易しいデータセットの平均正答率65% 対 81%Warrenら、ACM CCS 2024
ディープフェイクの検出:1回に1つのクリップ 対 本物のクリップとあわせて70.35% 対 85.59%Maiら、PLOS ONE 2023
AIクローンが本物の話者と同一人物だと判断された割合約80%Barrington、Cooper、Farid、Scientific Reports 2025
「人間」と判定された割合:ボイスクローン 対 本物の録音 対 一般的なAI音声0.70 対 0.72 対 0.39Lavanら、PLOS One 2025
個人識別の照合:自然な音声 対 ディープフェイク86.98% 対 68.94%Roswandowitzら、Communications Biology 2024
TTS音声における人間らしさと心地よさの相関r(203) = .48、p < .001Ross、Corley、Lai、Speech Prosody 2024
人間らしさ:最も人間らしいTTS音声 対 人間の録音46.1 対 71.5Ross、Corley、Lai、Speech Prosody 2024
不気味さ:最も人間らしいTTS音声 対 人間の録音40.4 対 28.9Ross、Corley、Lai、Speech Prosody 2024
2つの合成音声について、人間らしさが不気味さを予測する程度β = −0.64およびβ = −0.66Kühne、Fischer、Zhou、Frontiers in Neurorobotics 2020
顔と声の不一致の組み合わせ 対 一致する組み合わせt(47) = 6.042、p < 0.001Mitchellら、i-Perception 2011
不気味さ:合成音声を持つ人間の姿 対 人間の声を持つ人間の姿M = 0.19 対 M = −1.10Mitchellら、i-Perception 2011
仮想キャラクターの好感度:人間の声 対 ロボットの声3.75 対 2.99Choiら、IEEE ISMAR-Adjunct 2023
第一印象の温かさ:子どもらしい 対 大人らしい 対 ロボットらしい設定3.37 対 2.60 対 2.06HuangとMoore、Frontiers in Robotics and AI 2024
全体的な好感度:AIのナレーション 対 人間のナレーション61% 対 60%Crowd React Media AI Voiceover Study 2026
感情のない対話エージェントの声の調子を批判したユーザー約68%Cihodaru-ȘtefanacheとPodina、Frontiers in Psychology 2025
12分間の訓練セッションがAI音声に対する感度に及ぼす効果F(1,29) = 3.918、p = 0.057Yangら、eNeuro 2026

方法論と出典

  • Ivory、McGettigan、Nuttall、Nightingale、“Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026、印刷中、Lancaster Universityのリポジトリ
  • Lavanら、“Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025、PubMed Central
  • Barrington、Cooper、Farid、“People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025、PubMed CentralおよびarXiv v2
  • Mai、Bray、Davies、Griffin、“Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023、PLOS ONE
  • Warrenら、“Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024、University of FloridaのPDF
  • Roswandowitzら、“Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024、PubMed Central
  • Yang、Jiang、Bai、Ni、Teng、“Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026、PubMed Central
  • Ross、Corley、Lai、“Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024、ISCA Archive
  • Kühne、Fischer、Zhou、“The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020、Frontiers
  • Bairdら、“The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018、ISCA Archive
  • Diel、Lewis、“Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024、ScienceDirect
  • Zhao、Chen、Zhao、“Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026、DOI経由のWiley
  • Mavromati、Erdinch、Paterson、“The uncanny valley of familiarly unfamiliar voices”, PsyArXivプレプリント 2025、OSF
  • Mitchellら、“A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011、PubMed Central
  • Choi、Koilias、Volonte、Kao、Mousas、“Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023、PDF
  • Huang、Moore、“Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024、Frontiers
  • Alimardani、de Roode、Vaitonyte、Louwerse、“Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024、DOI経由のACM
  • Cihodaru-Ștefanache、Podina、“The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025、Frontiers
  • Crowd React Media(Harker Bos Group)、AI Voiceover Study 2026、Crowd React Media。Radio Inkでも取り上げられた
  • Malwarebytes、AI Scams Report 2026(成人1,500人を対象としたベンダー調査)、Malwarebytes
  • データウォッチ:Lancasterの顔と声の研究は、大学のリポジトリにある受理版から引用しているため、最終的なジャーナル版では数値がわずかに変わる可能性がある。UC Berkeleyのクローン研究は、ジャーナル版では主要なパーセンテージが画像として印刷されているため、約80%と約60%という数値は、公開された要旨と一致するarXiv v2のテキストから取っている。Queen Maryのベースラインは実験間で変動した(リスナーが人間の声を「人間」と判定した割合は、実験1aで81%、実験1bで62%、実験2で72%)ため、クローンと人間の声の比較は1つの実験内で行うべきであり、実験をまたいで行ってはならない。UCL(2023年)とUniversity of Florida(2024年)の研究による2つの73%という数値は、異なる課題とデータセットを測定したものであり、互いの再現ではない。ラジオのブラインドテストでは、2つの声が識別された頻度に統計的に有意な差は見られず、正確な識別率はグラフにしか示されていない。ここで取り上げた公表済みのテストはいずれも、完全に人間らしいに近いと評価されたTTS音声には到達しておらず、音声の不気味の谷の曲線の頂点は未検証のままである。ベンチマークとしての自然さのスコア(MOSとCMOS)は、当社のMOSのまとめに委ねている。

最終更新日:2026年11月8日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Lancasterの顔と声の検出研究の最終版がScientific Reportsに掲載される時期を予定している。

VoxBoosterを試す — 3日間無料。

リアルタイム音声クローン、サウンドボード、エフェクト — 会話するすべての場所で。

  • カード不要
  • ~30msのレイテンシ
  • Discord · Teams · OBS
3日間無料で試す