日本人はなぜ「文字」で話すのか——スマホ観察から見えてきたAIと文化の深い関係

はじめに——駅のホームで気づいたこと

近所にはインド系の住人が多く、日本語学校の生徒らしき外国人も良く見かけます。そこで、駅のホームや駅の入り口あたりでよく目にする光景があます。彼らは大きな声でスマホに向かって話しています。時には身振りを交えながら、実に生き生きと会話しています。

一方、駅で電車を待つ日本人は、スマホの画面を黙々と見つめ、親指を素早く動かしている。LINEでのやりとり、あるいはXやFacebookへの投稿だろうか。どちらも「コミュニケーション」をしているのに、その様子はまるで別世界です。

この差はいったい何なのだろう。最初は漠然とそう思っていましたが、考えを深めていくうちに、これが単なる習慣の違いではなく、言語の構造・文化の様式・そしてAIの偏向にまでつながるという、なかなか根の深い問題であることに気がつきました。

日本語という文字に「向いた」言語

まず、日本語の構造的な特徴から考えてみましょう。

日本語は世界でも珍しい、表音文字と表意文字を併用する言語です。ひらがな・カタカナという音を表す文字と、漢字という意味を直接視覚化する文字を使い分けています。さらに多くの人がアルファベットまで使いこなしています。日本語の文章に英単語など外国語が混じっていても不自然ではありません。

たとえば「了解」の2文字は、音で言えば「りょうかい」という4音節ですが、文字として見た瞬間に意味が確定します。「承認」「確認」「了承」も同様です。漢字は「読む」というより「見る」に近い処理で意味を脳が認識します。さらに、「了解」を一文字だけ「了」でも話が通じてしまいます。

それから、日本語は音が少ないために、同音異義語が極端に多いです。「きしゃのきしゃがきしゃできしゃした（貴社の記者が汽車で帰社した）」という有名な例が示すように、音声だけでは文脈の補完が必要になる場面が多いです。文字にすれば一発で意味が確定します。従って、音声より文字の方が「正確に伝わる」言語なのです。

また、絵文字・顔文字も忘れてはいけません。これらは日本が発祥であり、感情を視覚的に圧縮して伝える技術として世界に広まりました。今や国際標準となったemojiの原型は、日本のモバイル文化が生んだものです。

文字文化の歴史的背景——ポケベルから始まった

この「文字で話す」習慣は、スマホ以前から醸成されてきました。

1990年代、日本ではポケベルが若者の間で爆発的に普及しました。今では考えられ間瀬が、数字しか送れないのに、「14106（愛してる）」「0840（おはよう）」といった数字の語呂合わせで感情を伝える文化がポケベルで生まれました。制約の中で創意工夫するこの姿勢は、いかにも日本的だと思いませんか。

1999年にはNTTドコモが「iモード」を開始しました。世界に先駆けてモバイルインターネットでメールが普及しました。デコメールで彩られた絵文字だらけのメッセージが飛び交う文化が定着し、その延長線上にLINEのスタンプ文化があります。漢字を使う文化だからこそ絵文字という象形文字が普及したと思います。

日本人は20年以上かけて、「声の代わりに文字で感情を伝える」技術を磨いてきたことになります。

南アジア・中東が「声」を選ぶ理由

では、インドや中東の人々はなぜ声で話すのか。識字率の問題だろうかと考えました。確かに識字率の格差は存在しますが、日本で見かけるスマホユーザーはほぼ都市部の教育層であり、識字率だけでは説明できなと思います。

より本質的な差があるのではないかと思いました。

ひとつは言語と文化の特性です。アラビア語やヒンディー語などは、話し言葉の豊かさ・雄弁さが社会的な価値を持つ文化に根ざしているようです。感情・関係性・ニュアンスは「声のトーン」によって伝わります。文字に変換した瞬間に失われてしまいます。「声で話す」ことが、関係を築くのに必要な行為だということです。

もうひとつは文字入力の厄介さだと思います。アラビア文字は右から左に書き、母音記号の扱いが複雑であります。デーヴァナーガリー文字（ヒンディー語）やベンガル文字なども、スマホ入力が日本語より難しい様です。漢字変換に慣れた日本人でも、これらの文字系での入力は容易ではないようです。
日本語は表音文字のひらがなやカタカナから漢字変換という、文字の種類が多くても入力に有利な言語なのだと思います。

そして、気軽に長時間話をしても気にならない、スマホの定額料金さえ払っておけば、音声通話・動画通話が実質的に無料になったことも大きいと思います。「もともと話す方が自然」な文化ですから、お金がかからなければ、迷わず声にするでしょう。わざわざ厄介な文字入力をしなくても良いわけですからね。

AIへの影響——「声の文化」はデータにならない

ここからの内容ですが、この観察の本当に重要なことがあります。

AIの大規模言語モデルは、インターネット上のテキストデータを学習して作られる。つまり「文字として残ったもの」しか学習しません。

日本のTwitter（現X）・2ちゃんねる・各種フォーラムには、日常会話・感情表現・ユーモア・社会批評が大量にテキスト化されて蓄積されています。このばのnoteも例外ではありません。日本人が声の代わりに文字で行ってきたコミュニケーションの総体が、そのままAIの学習データにすることができます。AIは絵文字も含めて学習していますので、感情を表す文字として学習に含める事ができています。

一方、ネット上で行われる音声メッセージ、電話での会話、口頭の商談、家族の会話など——これらはいくら活発に行われていても、そのままAIの学習データにはなりません。たとえ音声認識で文字にしたとしても、「声で話す文化」の知恵・感情・思考は、AIの世界には存在しない、AIが学習することができないということになります。

深刻なのは口承文化の問題だと思います。西アフリカのグリオ（語り部）による口承伝統やイスラムの口伝学習、インドの叙事詩の口頭伝承——これらは人類の知的遺産として非常に豊かなものですが、テキストとしてデジタル化されていないため、AIはほとんど学習できていないと思います。

カーディフ大学等の研究（arXiv:2604.21751）は、AIが文化を問われると日本を過剰に参照することを実証しました。その原因のひとつとして論文が挙げるのが、Common Crawlにおける日本語テキストの過剰代表——人口比1.5%に対して約5.2%のシェア——である。この数字の背景には、日本人がコミュニケーションをテキスト化してきた文化的習慣が、確実に寄与していると考えられます。

「声の文化」が消える、ということ

日本人がLINEで感情を送り合う間、世界の多くの地域では声で笑い合い、怒り合い、慰め合っている。その豊かさはリアルタイムには確かに存在しますが、今のところデジタルの海には流れ込んできません。

AIが「文化」を想像するとき、日本のアニメ・寿司・禅が真っ先に浮かぶのは、日本文化が特別に優れているからではありません。日本のデジタルテキストが異常なほど豊富に蓄積されているからだと思います。その一因は日本人が「声の代わりに文字で話している」からではないでしょうか？

これは単なるデータの偏りの問題ではありません。人類のコミュニケーションの大半を占めてきた「声」の文化が、AI時代において系統的に消去されていくという、より根本的な問題を示しているのではないかと思います。

駅のホームで大きな声で笑ったり怒ったりして電話する彼らの声は、AIには届きません。その豊かさをどう記録し、どう引き継ぐのか——これはAI開発者だけでなく、私たち人類が取り組むべき課題かもしれません。

参考情報／文献

① AIの文化バイアス

Fernandez de Landa, J., Perez-Almendros, C., & Camacho-Collados, J. (2026)
"Why are all LLMs Obsessed with Japanese Culture? On the Hidden Cultural and Regional Biases of LLMs"
arXiv:2604.21751
https://arxiv.org/abs/2604.21751

LLMが文化的な質問に対して日本を過剰に参照する傾向を、24言語・31,680問のテストで実証した論文。文化的バイアスがSFT（教師あり微調整）の段階で発生することを示している。 arXiv

② 絵文字の起源

MoMA（ニューヨーク近代美術館）コレクション解説
"Shigetaka Kurita. Emoji. 1998–1999"
https://www.moma.org/collection/works/196070

1999年にNTT DOCOMOが12×12ピクセルグリッドで設計された176種類の絵文字を公開。絵文字（emoji）という語は日本語の「絵（e）」と「文字（moji）」に由来する。栗田穣崇によるオリジナルセットはMoMAのパーマネントコレクションに収蔵されている。 MoMA

③ iモードと日本のモバイル文字文化

総務省「令和元年版 情報通信白書」
「携帯電話の登場・普及とコミュニケーションの変化」
https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r01/html/nd111110.html

政府の公式統計・白書として信頼性が高く、日本のモバイルコミュニケーション変遷を俯瞰できます。

西田宗千佳（Impress Watch, 2020）
「iモード公式サイトの終焉とコンテンツビジネス進化の系譜」
https://www.watch.impress.co.jp/docs/series/nishida/1282177.html

ポケベルから始まった「個人のための文字コミュニケーション」というニーズが、iモードメールの普及を通じて「キャリアメール文化」として定着した経緯を詳述している。 Impress Watch

④ 音声 vs 文字——文化差の比較

Remitly Blog (2025)
"Voice Notes vs. Text: Why Some Cultures Prefer Speaking"
https://www.remitly.com/blog/technology/voice-notes-vs-text-why-some-cultures-prefer-to-speak/

ラテンアメリカ・アフリカ・南アジアでは口承伝統と口頭コミュニケーションが社会的に深く根付いており、文字入力では伝わらない間・笑い・感情表現を音声メッセージが補完していることを論じている。複雑な文字体系を持つ言語圏では音声入力が自然な選択肢になるとも指摘している。 Remitly

UserQ Survey Report (2025)
"Communication habits in the Middle East: Insights from a 2025 survey"
https://userq.com/communication-habits-in-the-middle-east-2025-insights-from-userq-survey/

中東の調査では、WhatsAppが最も好まれるコミュニケーションチャネルである一方、対面・電話通話も依然として重視されており、90%が「電話や動画通話の方が感情的なつながりを育てる」と回答していることが示されている。 UserQ

⑤ 補足——LLMと日英文化感度の研究

"Designing LLMs for cultural sensitivity: Evidence from English-Japanese" (arXiv, 2025)
https://arxiv.org/pdf/2509.11921

職場のメール翻訳を題材に、LLMが英語と日本語の間の文化的に適切なコミュニケーションをどう扱うかを分析した研究。英語学習データの支配がLLMの文化的ニュアンス理解を損なう可能性を指摘している。 arXiv