文字を音にする — いくつの音程がちょうどいいのか

問い

文章は旋律になりうるのか。作曲家が「曲をつける」のではなく、文字通りに、文字列をルールに通して鳴らしたらどう聞こえるのか。

素朴な予想は「ランダムに聞こえるだろう」ですが、実際の答えはもう少し面白いものです。入力の値の数が適切で、ルールが入力にもともとある構造を尊重していれば、結果は本当に音楽として聞こえます。π の桁は、十進数を5音音階に乗せると確かにペンタトニックの旋律として鳴ります。日本語の文章は特に音楽的に聞こえる ― ひらがながもともと2次元のグリッドで、それが旋律の2次元構造と直接一致するからです。

本稿は、なぜそうなるのか、どこで破綻するのか、そして「ノイズ」と「音楽」を分ける「音程の段階数」がどのあたりにあるのかを整理します。

写像の基本問題

任意の記号体系 ― 数字、文字、仮名、DNA塩基 ― を取り、各記号を音に対応させるルールを決めます。もっとも単純なルールは「記号 → 音程」です。

体系	異なる記号の数	音楽として無理のないマップ
2進 (0, 1)	2	2音、またはオンオフのリズム
DNA (A, T, C, G)	4	小さなスケール内の4音
10進 (0–9)	10	9音 + 休符
16進 (0–f)	16	クロマチック1.3オクターブ、旋律としては聞きづらい
アルファベット (A–Z)	26	構造分解が必要 (母音/子音)
ひらがな	約71	もともと「母音×子音行」に分解可能
印字可能ASCII	95	前処理が必要
常用漢字	約2,000	読みに展開してから処理する必要あり

記号の数そのものが音楽性を決めるわけではありません。重要なのは、異なる値の数と、耳が一つの旋律としてまとめて保持できる音程の数との関係です。ある数を越えると、直接マップした結果はもう「音楽」ではなく「データの読み上げ」に近いものになります。

ちょうどよいのは「5〜9音」

耳が「一連の旋律」として聞ける音程の数には、かなりはっきりした上限があります。

• ペンタトニック (5音) は中国・日本・ケルト・アフリカ・北米先住民の各伝統で独立に発生しました。
• ダイアトニック (7音) は西洋音楽の大部分の基盤です。
• クロマチック (12音) はクラシックやジャズで使われますが、強い和声的・リズム的なアンカーがなければ崩れます。

この 5〜9 の範囲は、認知心理学者ジョージ・ミラーが提唱した「マジカル・ナンバー 7 ± 2」の作業記憶上限の中に収まります。ミラー自身は音楽について書いたわけではないものの、同じ上限が音楽知覚にも現れます。これを超えると、聴き手は音と音の関係を聞き取らなくなり、それぞれの音を独立した事象として処理し始めます。

下限についても触れておくと、2〜4音は「旋律」というより「リズム」として知覚されます。それでも音楽として成立はします ― 単にジャンルが変わるだけです。DNAのソニフィケーションはここに着地しがちで、4塩基が4音となり、聴き手はメロディというよりパーカッシヴな配列として聴くことになります。

面白い帯は 5〜9音。この範囲に自然に収まるものは、たいてい音楽として聞こえます。

「値が多すぎる」ときの3つの逃げ道

入力の記号数が音程の数より多い場合、選択肢は3つあります。

(a) 次元分解

入力にもともとある構造を見つけて、2つの直交する軸に分けます。もっとも明快な例は日本語のひらがなで、すべての仮名は 子音行 × 母音列 の構造を持っています。母音を音程 (5母音 → ペンタトニック) に、子音を第2軸 (オクターブ、長さ、アーティキュレーション) に乗せます。これは「賢い符号化」ではなく、ひらがながもともと持っている構造を尊重するだけです。

英語も同じことをもっとゆるくやります ― 母音が音程を、子音がリズムを担う、という分け方です。

(b) modulo + オクターブ

入力に自然な構造がなければ、音程 = 値 mod 7 と オクターブ = 値 div 7 に逃がします。値をスケールに巻き込み、オクターブで上位ビットを表現します。出力は均質に聞こえ、オクターブの間をぎこちなく彷徨いますが、30個程度の記号までなら聴ける範囲に収まります。

(c) 時間を第2の次元として使う

すべてを音程に詰め込まず、時間軸を使います。長 / 短、強拍 / 弱拍、音 / 休符。音程を5〜7音に抑え、時間軸で追加情報を運ぶと、驚くほど多くの情報を載せられます。モールス符号はその極端な例 ― 単一の音、2種類の長さ、グループ間の沈黙だけで英語全体を符号化し、しかも耳は本当に文字や単語に分節して聞き取ります。

実際にうまくいくシステムは、この3つを組み合わせて使うものです。

日本語が特異的に向いている理由

ひらがなはソニフィケーションにとってほぼ完璧な題材です。理由は、ひらがなが書記体系として2次元の構造を持っていて、それが旋律の2次元構造と直接対応するからです。

軸	ひらがなの構造	音楽的なマップ
母音	あ / い / う / え / お (5値)	ペンタトニック内の音程
子音行	∅、k、s、t、n、h、m、y、r、w (約10)	オクターブシフト、長さ、またはその両方
濁音	が、ざ、だ、ば (濁点) / ぱ (半濁点)	オクターブシフト
修飾	っ (促音)、ー (長音)、ん (撥音)	休符、サスティン、低音の打音
句読点	。 、	長休符・短休符

母音はそのままペンタトニックに乗ります (日本音楽の 陽旋法・平調子・都節・琉球音階 はいずれも5音音階です)。濁音はそのまま1オクターブ上の音域に対応します。小さい「っ」は音読のときに話者が実際にとる息のタイミングそのものです。長音記号はサスティン。ひらがなの2次元グリッドが、すでに旋律の2次元構造をエンコードしているわけです。

その帰結として、正しく書かれた日本語の文をこのルールで読むと、明確に日本らしいモードの中の旋律が生成されます。ランダムではありません ― 日本語の話し言葉にリズムを与えている同じ母音パターンが、書き言葉にも音楽性を与えているからです。

これは日本語固有の性質ではなく、表音文字を持つ言語にはどれもいくらかこの性質があります。ただひらがなはその2次元グリッドが明示的である点で異例です。ローマ字は母音と子音の区別をアルファベット順の中に隠してしまいますが、ひらがなはそれを紙の上に置きます。

英語の戦略

英語の母音は概ね6つ (a, e, i, o, u と単音節で母音になる y) ですが、書記の上で母音と子音が視覚的に分かれているわけではありません。逃げ道は、実行時にその分離を行うことです ― テキストを読みながら、母音は音程に、子音は短い低音の打音に振り分けます。

要素	マップ
母音 (a, e, i, o, u, y)	音程 ― 拡張ペンタトニックの6音
子音	低音の打音、半拍
スペース	短休符
カンマ、セミコロン、コロン	中休符
ピリオド、感嘆符、疑問符	長休符
改行	フレーズの区切り

この方法で読むと、英文は母音による旋律の上に、子音の打音のレイヤーが乗ります。同韻が強い詩 ― シェイクスピア、ヒップホップの歌詞、ホプキンス ― は驚くほど整った旋律になります。中立的な母音分布の散文は、レチタティーヴォに近い感触になります。

より厄介な問題は 強勢 です。英語の韻律 (iambic、trochaic、anapestic) は発話の中に存在するもので、綴りの中には書かれていません。発音辞書がなければ、リズムは文字レベルにとどまり、やや機械的に響きます。より進んだバージョンでは、CMU のような発音辞書を引いて強勢音節を長くすることになります。これが英語版の最大の未解決領域です。

音楽的に聞こえる要因

具体的なマッピングよりも、次の3つの方が結果に効きます。

スケールが寛容であること。 ペンタトニック、陽旋法、平調子には短2度が含まれないため、これらの中の任意の音列はもっとも刺さる不協和を回避します。これらのスケールの中をほとんどどう動いてもそれなりに快く聞こえます。これは民俗音楽でこうしたスケールが発達した理由でもあります ― 人間の不正確さを許容する設計で、機械的な不正確さも同様に許容してくれます。

休符がフレージングを生む。 休符がなければ、出力は音の壁になり耳はどこにも辿り着けません。休符があると、耳は音をフレーズにまとめて聞きます。これが「ノイズ」と「音楽」を分ける単一最大の要因で、句読点はちょうどこのフレージングの体系をもう備えています。ピリオドは音楽的な意味でも全休符に近いものになり、カンマはブレスマークになります。

スケールを変えると同じ文章が違って聞こえる。 同じ文がメジャーペンタトニックでは明るく、平調子では憂いを帯び、琉球音階では異国的に響きます。マッピングは不変で、スケールが気分です。これが、システムが機械的でなく表現として感じられるようになる仕掛けです。同じ段落を3つのスケールで読み比べると、スケールと感情がどう結びついているかが見えてきます。

現時点でうまくいかないこと

正直なところの制限事項。

制限	理由
漢字	表音文字ではない。読み (ひらがな) に展開してからでないとルールが適用できず、辞書か IME が必要。
和声的解決	出力に機能和声がない ― 「この音が次にあの音へ進みたい」がない。西洋音楽で訓練された耳には「浮遊している」と聞こえます。和音脈絡を加えると別物になります。
英語の強勢	文字レベルのリズムでは iambic / trochaic のパターンを取りこぼします。CMU 風の発音辞書を引くことで補えますが、ルックアップテーブルが余分に必要になります。
長い文章	寛容なスケールの中であっても、200音のランダムウォークは耳を疲れさせます。フレーズレベルの反復やモチーフ構造が欲しい ― ただし非構造化テキストには元から存在しないものです。
言語間の一貫性	読み手は言語ごとに異なる音楽伝統を期待します。言語を自動検出して言語ごとのデフォルトスケールを選ぶのは、小さいが重要な UX 配慮です。
声調言語	中国語普通話・広東語・ベトナム語は、ピッチをすでに意味のために使っています。ピッチを母音の同定に再利用するルールは、元のテキストが持っていた情報を捨ててしまいます。

先行事例

テキストのソニフィケーションは、もっと古い分野の小さな一角です。網羅的ではないが近隣のアイデアを挙げておきます。

• DNA ソニフィケーション。 A/T/C/G → 4音。研究にもアウトリーチにも使われ、聞きやすさを保つために4塩基を4音のペンタトニックに乗せることが多い。
• Whitney Music Box (Jim Bumgardner, 2006)。 整数比を同時に鳴らし、和声構造を回転するドットと音として可視化する。目的はテキストのソニフィケーションとは異なりますが、同じ系譜です。
• モールス符号。 2進を2種類の長さとグループ間の沈黙として符号化したもの。厳密にリズミックで音程情報を持たないが、聴き手は本当に文字と単語に分節して聞き取れます。大量に運用された「テキスト→音」の最古例です。
• 数字局 (Numbers stations)。 冷戦期の短波放送で、数字を読み上げただけのもの。The Conet Project などが「拾われた音楽」として扱った、純粋な情報の意図せざるソニフィケーションです。
• John Cage, Roaratorio (1979)。『フィネガンズ・ウェイク』のテキストをルールで音響スコアに変換し、本に出てくる地名の現地録音と混ぜた作品。
• HCI における earcon。 システム状態にマップされた短いソニフィケーション ― ファイル移動、エラー、メッセージ受信。ドメイン固有な同じマッピング問題の極小版で、制約は同じ ― 短く、識別可能で、耳障りにならない程度に音楽的でなければなりません。

これらすべてに共通するパターンは一貫しています ― もっとも成功するソニフィケーションは、入力に構造があり、出力がそれを尊重しているときです。マッピングが恣意的なら出力も恣意的に聞こえます。マッピングがすでにそこにある構造を拾うなら、出力は音楽として聞こえます。

実践レシピ

自分の入力体系で試したい場合の手順をまとめておきます。

1. 異なる値の数を数える。 9以下なら音程に直接マップでき、以下のほとんどはスキップして構いません。
2. 構造を探す。 母音/子音、family/case、グループ/メンバー、接頭辞/語幹 ― 1つではなく2つの軸を与えてくれるものを探します。見つかったら、片方を音程に、もう片方をオクターブか長さに割り当てます。
3. 寛容なスケールを選ぶ。 ペンタトニックか日本の5音音階。クロマチックや全音音階は、わざと「データのソニフィケーション」感を出したいときのために取っておきます。
4. 自然な境界に休符を入れる。 句読点、改行、語の境界。この1ステップが「ノイズ」を「音楽」に変える作業の大部分を担います。
5. オクターブと長さを追加の軸として使う。 これらは思っているより多くの情報を運べる上に、音程を増やすほどには耳に負担をかけません。
6. 同じ入力を複数のスケールで試す。 スケールは気分が宿る場所です。同じデータ・異なるスケール・異なる感情。マッピングが本当に仕事をしているのか、それともランダム性を足しているだけなのかを判別する最安の方法でもあります。

結び

テキストにはもともと構造があります ― 母音と子音、語とフレーズ、文と段落。π にも構造があります ― 決定的な数列でありながら、長距離のパターンが意外なほど多い。音楽的なマップは、テキストに旋律を追加しているのではなく、テキストがすでに持っている構造を、耳に聞こえる音域に翻訳して返しているのです。

仕掛けは「テキストが音楽的だから」ではありません。仕掛けは、音楽性と言語が同じ足場を共有していることにあります ― 識別可能な少数の単位、時間の中に並べられ、フレーズに区切られ、長さと強調が変化する。それに気づいてしまえば、片方をもう片方として読み返すことができるようになるのです。