論考
所有権なき創造
生成AI音楽と資本の再配分
序
2025年前後、生成AIによる音楽制作は、実験的な話題として音楽業界の周縁を賑わせていました。プロンプト一つで楽曲が生成されるという体験は新鮮であり、YouTubeや広告の現場でも、実験的にAI生成音楽を採用する動きが一時的に広がりました。しかし2026年9月の現時点で振り返ると、その熱量は明らかに後退しています。この後退は単なる流行の一巡ではなく、資本の構造そのものに起因する現象だと考えられます。本稿では、その構造を起点に、なぜ生成AI音楽が現場に根を張りきれずにいるのかを論じます。
第1章 所有権は、なぜ利用者からすり抜けていくのか
生成AI音楽サービスの代表格であるSunoは、2025年11月末、大手音楽レーベルとの訴訟を終結させる合意に至りました。この合意は、単なる係争の解消にとどまらず、レーベル側がAI音源の扱われ方そのものに一定の発言権を持つ座席を得ることを意味しており、資本同士の再編として理解する必要があります。
この合意を境に、Sunoの権利規定は大きく書き換えられていきます。かつてSunoは利用者に対し、明確にこう伝えていました。「有料プランで楽曲を制作すれば、その楽曲はあなたのものです」。ところが改定された利用規約では、この文言は姿を消しました。かわりに置かれたのは「生成物自体については当社が最終的な責任を負う。あなたはそれを導く手助けをするに過ぎない」という表現です。
この変化の核心は「所有権」という言葉そのものの削除にあります。有料購読者であっても、プラットフォームが技術的には音源の「著作者」であり続け、利用者は商業的に利用するための永続的なライセンスを付与されるに過ぎない立場に置かれます。無料利用者はいかなる商業利用も許されず、有料利用者もまた「所有」ではなく「利用権の付与」という、一段階弱い地位に置き換えられました。かつては「所有する」という言葉で語られていた関係が、「許諾される」という言葉に置き換えられた。この一語の移動が、資本と利用者のあいだの力関係の移動をそのまま映し出しています。
興味深いのは、この権利の空洞化と並行して、透明性の義務だけは強化されている点です。主要な配信サービスは、AIが実質的に関与した楽曲について、配信時にその旨を開示するよう求める運用を強化しており、開示を怠れば収益化の停止や、上位プレイリストからの除外といった対応が取られます。さらに、なりすましによる詐欺的な音源についても、権利者側から大規模な削除要請が行われる事態が起きています。つまり資本は、著作者としての地位は手放さない一方で、なりすましや無断利用に対する管理責任だけは利用者側と市場側に分散させようとしている。権利は集中し、リスクは分散する。これが、この局面における資本構造の基本形です。
第2章 利用者が負うコストと、還元されない対価
問題は、所有権が移転する一方で、利用者が負うべきコストとリスクは軽減されていない、という非対称性にあります。
多くのAI音楽サービスの利用規約は、利用者が参照音源やカスタム歌詞などを提出した場合、それを複製・改変し二次的著作物を作成できる、永続的かつ取消不能で全世界に及ぶライセンスを、プラットフォーム側に付与することを求めています。さらに利用者は、自らの投稿や利用に起因する第三者からの請求について、プラットフォーム側を補償する義務を負います。生成された楽曲が既存の著作物に類似していた場合、そのリスクを負うのは利用者側だとされています。加えて規約には、個別の仲裁を義務づける条項と集団訴訟を放棄させる条項が盛り込まれており、利用者は他の被害を受けた利用者と結束して声を上げることができません。知的財産権をめぐる紛争だけは、この仲裁義務の対象から外れ、裁判所に持ち込む余地が残されている、という限定つきです。
つまり利用者は、ひとりで契約に向き合うことを制度的に強いられています。声を上げる手段そのものが、契約書の段階であらかじめ狭められているのです。
加えて、望む楽曲を得るまでの過程にも、相応の時間的コストが存在します。生成AIは人間のようにプロンプトを字義通りに解釈しているのではなく、学習データの中で共起する音楽的概念を確率的な空間にマッピングし、能動的に制約しない限り統計的に優勢なジャンル、とりわけポップスへと引き寄せられていきます。利用者が明確に押し返さない限り、生成結果はそこに落ち込んでいく。演奏の細部にまで踏み込んだ指示を与えようとしても、生成AIはそれに忠実に従うのではなく、指示が具体的になればなるほど結果を平均化し、曖昧な着地点へと寄せてしまうといいます。歌詞は生成しながら書かれるため、楽曲の中盤から主題の一貫性を欠きやすく、複数曲にわたってスタイルを保持するための記憶機能も備わっていないため、アルバムやプレイリストを制作するたびに、同じスタイル指定のひな形を毎回貼り付け直すといった、地道な手作業が必要になります。
つまり利用者は、時間をかけてプロンプトを設計し、生成物に対する法的リスクの補償義務まで引き受け、しかも他の利用者と連帯して声を上げる手段さえ制度的に制限されながら、それでもなお著作者としての地位を得ることはできません。労力とリスクは利用者側に、著作者としての地位と将来の収益構造の主導権は資本側に、という配分が、契約という形式を通じて成立しています。これは、学習データとして無断で使われた既存の音楽家だけでなく、いま現在AIを利用しようとしている利用者自身もまた、構造の中でもう一段階、収奪される側に回っているという二重構造として理解する必要があります。
第3章 技術的成熟度という、もう一つの制約
資本の側がこれほど急いで権利構造を固めようとする背景には、訴訟リスクへの対応という事情がありますが、その一方で、技術そのものの成熟度は、資本が期待する速度に追いついていないという現実があります。
現場での導入度合いを示す調査結果自体が、すでに一枚岩ではありません。AI推進企業が自社の既存ユーザーを対象に行った調査では9割近くが何らかのAIツールを利用していると出る一方、従来型のプロデューサーを中心に対象とした別の調査では、その割合は3割程度にとどまるとされています。数字の乖離は調査対象の偏りに起因するものですが、この乖離の大きさ自体が、業界内でAIへの向き合い方がいかに割れているかを物語っています。
現役の音楽制作者1,100人超を対象とした調査では、AI利用に前向きな回答者は全体のわずか2割にとどまり、残る8割は中立、あるいは否定的な感情を抱いていると回答しています。回答者の4分の1超は、現状のAIツールはプロの現場で使うには品質が不十分だとも明言しています。
音楽生成AIは、画像や映像の生成AIに比べて進化の速度が明らかに遅いと、複数の専門家が指摘しています。画像分野には進捗を測定しやすい定量的な評価指標が存在する一方、音楽の質は主観的であり定量化が難しいこと、プロの音楽家が精緻な制御と繊細なニュアンスを要求すること、そして市場規模が画像分野に比べて小さく見えるために投資や研究の焦点が絞られにくいことが、その背景として挙げられています。映像に音楽を同期させる技術についても、テキストから画像や動画を生成する技術に比べて実用化が遅れていると分析されており、音楽という出力形式そのものが、他の表現形式に比べて技術的な難度を抱えていることがうかがえます。
資本が権利構造を固めるスピードと、技術が実際に人間の耳を満足させるレベルに到達するスピードのあいだには、明確な乖離があります。この乖離こそが、2025年に見られた実験的な導入の多くが、2026年に入って淘汰されていった構造的な背景だと考えられます。
第4章 耳が検知する、埋まらない差
技術的な成熟度の問題は、最終的には人間の知覚の問題に行き着きます。
「音の不気味の谷」という概念があります。これは、聴き手が人間的なものと人工的なものを同時に知覚することによって引き起こされる、逆説的で落ち着かない現実感の感覚であり、人間による制作と機械による制作の境界を曖昧にし、人間と技術の関係の未来に対するより広範な不安を引き起こすことがあると説明されています。
この現象は、視覚よりも聴覚において顕著に表れるといわれます。模擬音が自然音に近づけば近づくほど、人間の耳はそれを奇妙、あるいは不気味なものとして際立たせる微細な差異をより鋭敏に拾い上げるためです。近年の研究では、この不気味の谷という現象は視覚刺激に限定されるものではなく、人間の知覚全体に及ぶ現象であり、その強さは、対象が持つ「有機性」に依存するという知見も示されています。
この違和感をめぐる議論には、すでに一定の蓄積があります。かつて行われた複数の聴取実験では、聴き手は自分自身の判断をあまり信用しておらず、複雑に作り込まれた楽曲ほど機械が作ったものだろうと推測する傾向が示されました。ところがその数年後に行われた別の調査では、聴き手は人間が制作した音楽をAI制作の音楽より一貫して好む傾向があり、技術そのものの進化は、その選好の差をほとんど縮めていないという結果が出ています。技術は進化しているにもかかわらず、聴き手の選好の差は縮まっていない。この事実こそが、違和感が単なる技術的な未成熟の反映ではないことを示唆しています。
音楽ジャンルによって、この違和感の強さには濃淡があるともいわれます。EDMやメインストリームのポップスはAIによる生成・模倣に比較的なじみやすいと見られる一方、ジャズやブルース、クラシックは最もAIへの耐性が高いジャンルとされています。これらのジャンルでは、人間同士の即興的な相互作用や、その場でしか生まれない機微の再現が難しいためだと考えられています。人間の聴覚が検知しているのは、音そのものの精度だけではなく、その音の背後にある、人間同士の関係性や偶然性の痕跡なのかもしれません。
そして、この違和感は現場の感覚だけにとどまらず、市場の側にも表れ始めています。動画共有プラットフォームは2026年、従来からあった再利用コンテンツに関する方針を改定し、AI生成音声を明確にその対象へと含めました。取り締まりの対象として名指しされたパターンの一つに、静的なサムネイルのまま創造的な方向づけを欠いて大量生成された、ローファイやアンビエント楽曲の自動アップロードが挙げられています。
広告の分野でも、示唆的な研究結果があります。AI生成の映像広告と人間による制作の広告を比較したある調査では、消費者は両者を見分けることができなかったにもかかわらず、AI広告のほうが短期的な販売効果でも長期的なブランド価値の面でも劣っていたことが示されています。見分けられないにもかかわらず、効果は劣る。この矛盾しているように見える現象こそが、人間の感覚器官が、言葉にできない水準で何かを検知し続けていることの、ひとつの証左なのかもしれません。
結び
資本は、権利構造を固めることに急いでいます。しかし技術は、人間の耳を完全に満足させる水準にはまだ届いていません。そしてその両者の隙間で、時間と労力を投じた利用者だけが、著作者としての地位を持たないまま取り残されています。
この構造がこの先どう変化していくのか、あるいは変化しないまま定着していくのかは、まだ誰にも分かりません。ただ、少なくとも現時点においては、生成AI音楽をめぐる違和感は、感覚的な保守性の問題ではなく、資本の構造と、技術の限界と、人間の聴覚という三つの層が重なり合って生じている現象だと言えるのではないでしょうか。