「声のほうが伝わる」は、どこまで確かめられているのか

「同じ内容でも、文字で読むより声で聞くほうが伝わる」という説明を、音声メディアの紹介記事でよく見かけます。この説明の根拠として引用されるのは、たいてい2015年のアメリカの実験です。

2022年以降、この領域には新しい論文が積み上がりました。私たちが調べた範囲では、結果は一方向にそろっていません。テキストのほうが人間らしいと評価された実験もあれば、音声のほうが選択を変えた実験もあります。

この記事では、2022年1月から2026年8月までに公表された査読論文を並べます。どの条件で音声が有利になり、どの条件でそうならないのかを、実験の設計とあわせて書いていきます。

出発点にある3つの実験

まず私たちは、いまも引用され続けている基準の研究を確認します。3本とも Schroeder と Epley の両氏によるものです。

1本目は2015年の「知性の音」という論文です。掲載は Psychological Science 第26巻877〜891頁になります。研究チームは、就職の候補者18人が話した自己紹介を録音しています。その音声と逐語の文字起こしを、研究チームは評価者162人へ振り分けました。

評価の項目	音声と文字起こしの差
知性の評価	d=.60
総合的な印象	d=.34
採用の可能性	d=.40

内容が同じであっても、声で聞いた評価者のほうが候補者を高く評価しています。

2本目は2016年の論文で、掲載は Journal of Experimental Psychology: General 第145巻9号です。研究チームは、人が書いた同じ文章を音声と文字で提示しました。「人が作った」と判断した割合は、音声条件で80.8%、文字条件で53.6%になります（d=.42）。

この2本目には、見落とされやすい条件が付いているものの、紹介記事ではしばしば省かれます。音程や速度といった自然な変動を取り除くと、この差は消えます。声そのものより、声に乗る自然な揺れのほうを聴き手は手がかりにしています。

3本目は2017年の「人間化する声」という論文です。掲載は Psychological Science 第28巻12号1745〜1762頁になります。政治や社会の話題で意見が対立する相手について、音声で聞いた評価者は文字で読んだ評価者より、相手を人間らしいと評価しています。実験1の不一致群では、人間としての固有性で d=.55、人間としての本性で d=.40 という値が出ています。

私たちが調べた範囲では、この3本を人間対人間の文脈でそのまま直接追試した査読論文は、2022年から2026年のあいだに見当たりませんでした。

2022年に出た反証

同じ問いを、合成音声のアシスタントで確かめた実験があります。

Ischen らの研究チームが、2022年に事前登録した被験者間実験を発表しています。掲載は Internet Research 第32巻7号402〜425頁です。参加者はオランダの成人パネル450人で、条件は音声のみ、音声と会話履歴のテキスト、テキストのみの3つでした。

結果は、多くの人の予想と逆になっています。

条件	人間らしさの評価（平均）
テキストのみ	4.20
音声と会話履歴	3.84
音声のみ	3.59

条件の効果は F(2,444)=7.05、p<.001、ηp²=.03 です。人間らしさの評価は、ブランドへの態度と購買の意図を正の向きに予測しています。つまり、人間らしく感じられないことは、そのまま不利に働きます。

音声のみの条件で参加者が聞き取ろうとすると、聞き取って理解するときの負担が重くなる傾向も出ています（条件間の事後比較は有意になっていません）。

この実験で使われたのは、Google Chrome の男性の合成音声です。実験に人間の話者は登場しません。研究チームが示したのは、粗い合成音声を足すだけでは人間らしさも説得力も上がらない、という点になります。

6,103人で確かめられた、別の機序

音声が有利に働く場面を、大きな標本で確かめた研究もあります。

Mariadassou らの研究チームが、2023年に5つの実験を発表しています。掲載は Psychological Science 第34巻1号47〜59頁で、参加者は合計6,103人です。研究チームは、商品の推薦を聴覚と視覚のそれぞれで提示し、仮想の選択と結果を伴う選択の両方を測りました。

結果は明快でした。推薦というものは、読むより聞くほうが追従されやすくなります。この傾向は、人間の音声でも自動音声でも維持されています。

注目すべきは、研究チームが挙げた機序です。差を作っていたのは、音声が流れて消えていくという時間的な性質でした。この性質が聴き手に切迫感を作り、結論を早く出したいという動機を高めています。話し手の知性や人間らしさは、この経路に入っていません。

この研究が結果として測ったのは、推薦に従うかどうかです。話し手をどう評価したかを、研究チームは測っていません。

声そのものより、韻律が分けている

音声が有利になる条件をさらに絞り込んだ実験もあります。

Voorveld らの研究チームが、2025年に被験者間実験を発表しています。掲載は Behaviour & Information Technology で、参加者は米国の成人212人です。条件は3つあります。研究チームが用意したのは、テキスト、標準的な合成音声、そして情報の構造に合わせて韻律を加工した合成音声です。

人らしさをどれだけ感じたかの得点は、次のとおりです。

条件	人らしさを感じた得点
韻律を整えた合成音声	8.39
標準的な合成音声	7.92
テキスト	7.62

テキストを上回ったのは、韻律を整えた音声だけです。標準的な合成音声とテキストの差は、この実験では小さいものにとどまっています。研究チームは、この差が生まれる順序を次のように説明しています。韻律を整えた音声を聞いた参加者は、話し手を人間らしいと感じます。人間らしいと感じた参加者は、その内容を自分に向けて話されたものとして受け取りました。参加者はこの2つの段階を経て、説明を受け入れています。

この結果は、2016年の Schroeder と Epley の条件と重なります。自然な変動を取り除くと効果が消えたという結果と、韻律を整えて初めて効果が出たという結果は、同じことを別の向きから示しています。

音声が理解を妨げる場合がある

音声を使うと理解が下がる、という結果も出ています。

Gong と Shao の両氏が、2026年に被験者間実験を発表しています。掲載は Internet Research で、参加者は米国の成人1,157人です。研究チームは、3条件（対話をしないメッセージ、テキストの会話エージェント、音声の会話エージェント）と2水準（情報量が短いか長いか）を組み合わせています。

テキストと音声の会話エージェントは、どちらも対話をしないメッセージより、健康について事実と違う思い込みを減らしています。やりとりの形をとること自体が、ここでは働いていました。

テキストと音声が分かれたのは、聞き手にかかる負担の大きさです。音声で聞かされた参加者は、テキストで読んだ参加者より、内容を理解するのに手間取っていました。手間取った参加者ほど思い込みが残り、勧められた行動をとる気持ちも下がっています。一方で、他の要因をそろえて比べると、音声は行動をとる気持ちと正の関連を示していました。

研究チームは、目的に合わせて配分するという整理を示しています。その配分は、理解と訂正を狙うならテキスト、動機づけを狙うなら音声です。

人の声とAIの声を分けた実験

話し手が人間かAIかで結果が変わる、という報告もあります。

Lee らの研究チームが、2026年に被験者間実験を発表しています。掲載は Behaviour & Information Technology で、参加者はワクチン未接種の成人177人です。条件はテキスト、人間の音声、AIの音声の3つです。

テキストと音声を全体で比べた場合、参加者が「納得できる説明だった」と答えた度合いに、有意な差は出ていません。差が出たのは音声のなかです。人間の声を聞いた参加者は、AIの声を聞いた参加者より、その説明を納得できるものとして受け取りました。参加者はこの納得を経て、接種を受けようという意向を高めました。もともと否定的だった人ほど、人間の声の相対的な利点が大きくなっています。

標本が177人と小さく、話題も政治化しやすい単一の主題にあたります。それでも私たちは、「声なら常に強い」という一般化を支持しない結果として読んでいます。

声の社会的効果は、平均すると小さい

個々の実験から一段離れて、複数の研究を統合した数値も見ておきます。

Xu らの研究チームが、2023年に2つのメタ分析を発表しています。掲載は International Journal of Social Robotics です。社会的存在感については25の効果量と2,498人、信頼については44の効果量と4,147人が統合されています。

社会的な手がかり全体の効果は、おおむね r=.17 から .18 にとどまります。小さい値です。

この統合は人間とロボットの相互作用を対象にしており、「人の声と文字」を直接比べたメタ分析にはあたりません。それでも私たちは、声の社会的な働きが平均としては小さく文脈に依存するという、上位の証拠として読んでいます。

いま言えることと、言えないこと

ここまでの研究を、私たちは条件ごとに並べ直します。

条件	音声の側に出た結果	出典
人間の自然な音声で、話し手を評価させる	知性 d=.60、採用可能性 d=.40 で音声が有利	Schroeder & Epley 2015
意見が対立する相手を評価させる	人間らしさ d=.55／.40 で音声が有利	Schroeder ほか 2017
粗い合成音声で人間らしさを評価させる	テキストが有利（4.20 対 3.59）	Ischen ほか 2022
韻律を情報構造に合わせた合成音声	音声が有利（8.39 対 7.62）	Voorveld ほか 2025
推薦に従うかどうかを測る	音声が有利。効いているのは、音声が流れて消えるという性質	Mariadassou ほか 2023
事実と違う思い込みを正す	音声は聞き取って理解するときの負担を高め、不利に働く場合がある	Gong & Shao 2026
人間の声とAIの声を比べる	人間の声が有利。テキストとの全体差は非有意	Lee ほか 2026

私たちが言えるのは3つです。1つ目は、人間が自然に話した声で話し手そのものを評価させる場面では、音声が有利に出やすいという点になります。2つ目にあたるのは、その有利さが音程や速度の自然な変動に依存するという条件です。3つ目として、理解や訂正を目的とする場面では、音声が不利に働く場合があります。

言えないことも3つあります。1つ目として、私たちは「音声にすれば必ず伝わる」と言えません。2つ目として、「合成音声でも同じ結果が出る」とも言えません。3つ目に、2015年から2017年の3実験を人間対人間の文脈で再現した近年の査読論文を、私たちは見つけられませんでした。

この研究をどう見るか

ここまで並べた研究の多くは、実験室と調査パネルで行われています。取引先や社員に向けて話す経営者の立場から見ると、離れている点が3つあります。

1つ目は、聞き手と話し手の関係です。研究に参加した人が聞いたのは、自分の知らない誰かの声でした。御社の社員が聞くのは、毎日顔を合わせている社長の声です。関係が既にある相手の声を扱った実験を、私たちは見つけられていません。

2つ目は、素材の長さです。研究チームが使ったのは、数十秒から数分の音声です。数十分の対談を何か月も聴き続けた場合に同じ差が出るかどうかを、研究の側はまだ確かめていません。

3つ目は、場面です。測られているのは、商品の推薦、政策への賛否、ワクチンへの態度といった場面での説得です。理念を伝える、事業の判断を説明するという場面での効果を、研究チームは扱っていません。

一方で、規模を問わず残る部分もあります。声か文字かという入れ物の違いよりも、その声に音程と速度の自然な揺れが残っているかどうかで差が出る、という点です。Schroeder と Epley の実験も、Voorveld らの実験も、この一点を別の角度から測っています。

御社の日常にも、この差は現れます。朝礼で原稿を読み上げる社長の声と、質問に答えるときの社長の声は、同じ人の声でありながら揺れの量が違います。社員に届いているのは後者のほうかもしれません。

アストライドの考え

私たちは、ここまでの研究を次のように読んでいます。声が文字より強いという言い方は、条件を落としすぎています。差を作っているのは、その声に話し手の呼吸と抑揚が残っているかどうかです。

平板に読み上げられた音声は、この条件を満たしません。私たちは、この読み方を制作の3つの場面に当てています。

1つ目は、経営者ご本人に話していただくという原則です。合成音声で読み上げれば制作は速くなります。ただし Ischen らの実験と Lee らの実験は、合成音声で人間らしさと説得の両方が下がる可能性を示しています。私たちが番組のナレーションにAI音声を使わないのは、この結果を踏まえた判断です。

2つ目は、編集で韻律を壊さないという方針です。Voorveld らの結果と、Schroeder と Epley の2016年の結果は、どちらも韻律の重要さを示しています。編集のとき、私たちは間や言いよどみを一律に詰めません。取り除くのは「えー」「あのー」といったつなぎ言葉であり、話し手の呼吸や強弱はそのまま残します。

3つ目は、目的による使い分けです。Gong と Shao の結果に沿えば、仕様や手順を正確に伝える場面では文字が向きます。私たちがショーノートと文字起こしを毎回作るのは、音声だけでは訂正と参照が届かないからです。

御社だけで確かめられることもあります。同じ内容を3分の音声と、同じ長さの文章で用意してください。片方を数人ずつに渡し、後から「何を大事にしていると感じたか」を書いてもらうと、御社の題材で差が出るかどうかが分かります。

まとめ

「同じ内容でも声のほうが伝わる」という説明の出どころは、2015年から2017年の3つの実験です。知性の評価で d=.60、採用の可能性で d=.40、対立場面の人間らしさで d=.55 という値が報告されています。

2022年の事前登録実験は、逆の結果を出しました。粗い合成音声を使った場合、人間らしさの評価はテキスト4.20に対して音声3.59です（Ischen ほか 2022、N=450）。

6,103人を対象にした2023年の研究では、推薦は読むより聞くほうが追従されやすいという結果が出ています。ただし研究チームが挙げた機序は、音声が流れて消えるという時間的な性質でした（Mariadassou ほか 2023）。

韻律を情報の構造に合わせた合成音声だけが、テキストを上回っています（Voorveld ほか 2025、N=212）。事実と違う思い込みを正す場面では、音声が聞き取って理解するときの負担を高めて不利に働く場合があります（Gong & Shao 2026、N=1,157）。

御社が何を狙うかを決めたとき、音声を使うかどうかも決まります。話し手その人を知ってもらう場面には音声が向き、仕様や手順を正確に伝える場面には文字が向きます。御社の題材で、3分の音声と同じ長さの文章を作って読み比べてみてください。

この記事からわかるQ&A

「声のほうが伝わる」という説明の根拠は何ですか

出どころは Schroeder & Epley の3つの実験です。2015年の実験では、候補者18人の自己紹介を評価者162人へ音声と文字起こしで振り分けています（Psychological Science 26巻）。知性の評価は d=.60、採用の可能性は d=.40 という差でした。2017年の実験では、意見が対立する相手を音声で聞くと人間らしいと評価されています（d=.55／.40）。

反証はありますか

あります。Ischen ほかの事前登録実験は、オランダの成人450人を3条件へ割り当てています（2022、Internet Research 32巻7号）。人間らしさの評価はテキスト4.20、音声のみ3.59でした（F(2,444)=7.05, p<.001, ηp²=.03）。使われたのは合成音声であり、人間の話者は登場しません。

音声が有利になるのは、どういう条件ですか

現時点の研究からは3つが読めます。1つ目にあたるのは、人間が自然に話した声であるという条件です。2つ目は、話し手その人を評価する場面であることになります。3つ目として、韻律が情報の構造に合っていることが挙げられます。Voorveld ほか（2025、N=212）では、韻律を整えた合成音声だけがテキストを上回りました。

音声が不利になる場面はありますか

Gong & Shao （2026、Internet Research、N=1,157）では、音声の会話エージェントがテキストより聞き取って理解するときの負担を高めていました。その負担は、思い込みが残ることと、行動へ移る気持ちの低下に結びついています。理解と訂正を狙う場面では、テキストのほうが向くという整理になります。

AIの音声でも同じ効果は出ますか

出ていません。Lee ほか（2026、Behaviour & Information Technology、N=177）では、テキストと音声の全体比較に有意差がない一方、音声のなかでは人間の声がAIの声を上回りました。もともと否定的な態度の人ほど、人間の声の相対的な利点が大きくなっています。標本は177人と小さく、話題も単一です。

出典

• Schroeder, J., & Epley, N. (2015). “The Sound of Intellect: Speech Reveals a Thoughtful Mind, Increasing a Job Candidate’s Appeal.” *Psychological Science*, 26, 877–891. 米国5実験。実験1は候補者18人・評価者162人。音声は同一発話の文字起こしより知性評価を高めた（d=.60）、総合印象 d=.34、採用可能性 d=.40 https://doi.org/10.1177/0956797615572906
• Schroeder, J., & Epley, N. (2016). “Mistaking Minds and Machines: How Speech Affects Dehumanization and Anthropomorphism.” *Journal of Experimental Psychology: General*, 145(9). 4実験。同一内容を「人が作った」と判断した割合は音声80.8%・文字53.6%（d=.42）。音程・速度など自然なパラ言語的変動を失わせると効果は消える https://doi.org/10.1037/xge0000214
• Schroeder, J., Kardas, M., & Epley, N. (2017). “The Humanizing Voice: Speech Reveals, and Text Conceals, a More Thoughtful Mind in the Midst of Disagreement.” *Psychological Science*, 28(12), 1745–1762. 4実験。意見が異なる相手を音声で聞くと文字より人間らしく評価。実験1不一致群で human uniqueness d=.55、human nature d=.40 https://doi.org/10.1177/0956797617713798
• Ischen, C., Araujo, T. B., Voorveld, H. A. M., Van Noort, G., & Smit, E. G. (2022). “Is voice really persuasive? The influence of modality in virtual assistant interactions and two alternative explanations.” *Internet Research*, 32(7), 402–425. 事前登録・被験者間3条件、N=450、オランダ成人パネル。人間らしさはテキスト4.20／音声＋履歴3.84／音声のみ3.59、F(2,444)=7.05, p<.001, ηp²=.03 https://doi.org/10.1108/INTR-03-2022-0160
• Mariadassou, S., Bechler, C. J., & Levav, J. (2023). “The Effect of Auditory and Visual Recommendations on Choice.” *Psychological Science*, 34(1), 47–59. 5実験・合計 N=6,103、主に米国オンライン標本。推薦は読むより聞くほうが追従されやすく、機序は、音声が流れて消えることで生まれる切迫感 https://doi.org/10.1177/09567976221106349
• Flavián, C., Akdim, K., & Casaló, L. V. (2023). “Effects of voice assistant recommendations on consumer behavior.” *Psychology & Marketing*, 40(2), 328–346. 2つの被験者間研究。Study 2 は米国のVA利用経験者 N=401。音声推薦は行動意図と選択をより変化させ、信頼できる・役に立つと感じた度合いが媒介 https://doi.org/10.1002/mar.21765
• Voorveld, H. A. M., et al. (2025). “Examining the persuasiveness of text and voice agents: prosody aligned with information structure increases human-likeness, perceived personalisation and brand attitude.” *Behaviour & Information Technology*. 米国成人 N=212。人らしさを感じた得点は韻律整合音声8.39／標準音声7.92／テキスト7.62 https://doi.org/10.1080/0144929X.2024.2420871
• Lee, J., Dai, Y. (N.), & Kim, J. W. (2026). “Text, human voice, or AI voice?: the effects of modality and delivery voice on the persuasive outcomes of public health messages about COVID-19 vaccination among the unvaccinated.” *Behaviour & Information Technology*. 未接種成人 N=177。テキスト対音声の全体差は非有意、音声内では人間声がAI声を上回る https://doi.org/10.1080/0144929X.2026.2697308
• Gong, Z., & Shao, J. (2026). “Modality matters: comparing the persuasiveness of text- and voice-based conversational agents and non-interactive messages in health communication.” *Internet Research*. 米国成人 N=1,157、3×2 被験者間実験。音声はテキストより聞き取って理解するときの負担を高め、誤信念の残存と行動意図の低下に結びついた https://doi.org/10.1108/INTR-07-2025-1004
• Xu, K., Chen, M., & You, L. (2023). “The Hitchhiker’s Guide to a Credible and Socially Present Robot: Two Meta-Analyses of the Power of Social Cues in Human–Robot Interaction.” *International Journal of Social Robotics*. social presence は25効果量・N=2,498、trust は44効果量・N=4,147。社会的手がかり全体の効果は概ね r=.17〜.18 https://doi.org/10.1007/s12369-022-00961-3