記事の滞在時間を1.5〜2.5倍に延ばす音声化――その収益構造と現実的な導入線

「PVは伸びているのに、収益が変わらない」。

メディアの事業担当者から、この言葉を何度か受けました。広告収益はインプレッション数で決まります。インプレッションを増やすには、読者の滞在時間を延ばすしかない。ところが、テキストだけの記事では、読者の離脱を防ぐのに構造上の壁があります。

数字をそのまま書きます。PUBVOICEを導入したメディアの記事で、音声を再生したセッションの滞在時間は、非再生セッションと比べて平均で1.5〜2.5倍に延びました。リピート率は+32%、PVは+19%。一部のテキスト密度が高い長尺記事では、再生セッションの滞在時間が最大で約11倍に達したケースもあります（音声再生セッションのみの平均で、非再生セッションとの比。n=30社以上、計測期間2024〜2026年、GA4ベース）。これは一部の突出した事例ではなく、複数のメディアで再現された数字です。

音声プレイヤーを記事に埋め込むと、なぜこれほどの数字が出るのか。この記事では、その構造と、現場で見えてきた現実を整理します。

私は2015年から2020年にかけて、Web広告を配信する会社でSSP事業に携わっていました。メディア開拓の現場で、「広告収益を最大化したい」という依頼は毎月のように届いていました。同時に「広告を増やすとユーザーが離れる」というジレンマも常にありました。音声は、このジレンマを構造的に解く数少ない手段だと思います。

滞在時間を延ばすのは「目」ではなく「耳」だった

音声が効く理由は、物理的です。

テキストは「目が疲れたら離脱する」。スマホを持つ手が塞がれば読めない。電車が着けばタブを閉じる。読者がテキストを読み続けられる時間帯は、1日の中で限られています。

一方、音声は「別のことをしながら聴き続けられる」。通勤の往復1時間、家事をしながらの30分、ランニング中の40分。目と手がふさがっていても、耳が空いている時間に、記事は届く。読み切れなかった記事が、耳で聴き続けられるようになるだけで、滞在時間は構造的に延びます。

海外でも同じ現象が観察されています。米国のマーケティングメディア「Convince & Convert」は、2019年に記事の音声版を導入しました。音声を再生したユーザーの滞在時間は、テキストのみのユーザーと比べて平均で4分から9分に、約2.25倍に延びたそうです（Convince & Convert）。

PUBVOICEの事例で滞在時間が大きく延びたのは、日本のメディアの多くが「テキスト密度の高い長尺記事」を抱えていたためだと考えています。3,000字を超える記事は、目で読むと最後まで辿り着かない。それを耳で聴けるようにしただけで、未消化だった滞在ポテンシャルが一気に顕在化しました。

滞在時間を延ばすと広告収益に直結する理由

少し、現場の感覚を書かせてください。

滞在時間が延びると、なぜ広告収益が上がるのか。理由はいくつかの要素に分かれます。

一つは広告のビューアビリティ（Viewability）で計上されるインプレッションが増えることです。 MRC（Media Rating Council）の基準では、ディスプレイ広告のビューアビリティは「ピクセルの50%以上が1秒以上表示されること」で定義されます。ここで正確に書いておきたいのは、viewable判定は閾値であり、「滞在時間が長いほどビューアビリティが上がる」という連続量ではない、ということです。滞在が延びても、すでにviewableな枠はviewableのままです。

とはいえ、滞在時間が延びることで正しく言えることが3つあります。第一に、ファーストビューの外にある枠（記事下部やサイドバーの下のほう）が、スクロールされて視認される確率が上がり、viewableとして計上されるインプレッションそのものが増える。第二に、1インプレッションあたりの視認継続時間（time-in-view）が伸びる。第三に、リフレッシュ型の枠であれば、有効インプレッションが増える。近年、アテンション指標（AdelaideのAUなど）を採用する買い手は、time-in-viewが長い在庫を評価する傾向にあります。滞在時間の延びが、単価の評価に繋がる橋渡しになるのは、この経路です。

もう一つはセッションRPM（1,000回表示あたりの収益）の向上です。 1回の訪問で複数の広告が表示されれば、セッション単位の収益が増えます。音声プレイヤーがあると、ユーザーは記事を最後まで聴くため、ページ途中に配置された広告もしっかり表示される。テキストで読む場合は3分で離脱していた読者が、音声なら10分滞在する。その差は、そのまま広告インプレッションの差になります。

さらに、長期的には検索評価への好影響があることです。 Googleは滞在時間を直接的なランキング要因としていないと公式に表明しています。ただし、滞在時間が長いページは「ユーザーが満足している」信号として間接的に評価される可能性があり、実際に多くのSEO専門家が滞在時間と検索順位の正の相関を報告しています。

iHeartMediaのポッドキャスト収益が2025年第4四半期に前年比24%成長の1億7,400万ドル（約260億円）に達しているのも、根本は同じ構造です（iHeartMedia 2025 Q4決算）。滞在が長いコンテンツほど、広告主に高い単価で売れます。

再生率を決めるのは、プレイヤーの「見え方」

効果の話ばかりでは正直ではありません。導入してみないと分からないことがあります。

30社以上のメディア現場を見させてもらって気づいたのは、プレイヤーの「見え方」が再生率を大きく左右する、ということです。

プレイヤーは記事タイトルの直下に配置するのが最も効果的です。 そこが読者の目線が最も止まる場所だからです。サイドバーや記事末尾では、存在に気づかれないケースが多いです。

デザインはシンプルにします。 「再生ボタン」「停止ボタン」「プログレスバー」の3要素で十分。速度調整や音声選択は、初期表示では隠して「設定」として折りたたむ方が再生率が高いです。選択肢が多いと読者は迷い、結果的に再生自体をやめてしまう。

「この記事を音声で聴く」という一言を添えます。 再生ボタンの横にこの一文を置くだけで、再生率は20〜30%上がります。読者は音声ボタンが何をするものか、直感的に理解できないことがある。一言の説明が効きます。

これらは、どれも難しい技術ではありません。ただし、現場で何度も試行錯誤しないと見えてきません。再生率が1%のメディアと10%のメディアでは、同じ音声化をしても収益効果が10倍違います。

導入時に陥りやすい罠

一方で、音声化にはリスクもあります。正直に書きます。

一つは視覚情報が主役の記事との不一致です。 インフォグラフィック、図解、写真メインの記事では、音声だけでは情報が伝わりません。音声化する場合は、テキスト部分の密度が高い記事に絞るのが無難です。PUBVOICEでは、記事の構造をAIが理解して「音声化に向いている部分」を判定していますが、それでも人間の最終チェックは外せません。

もう一つは音声品質へのユーザーの期待です。 機械的な読み上げに対して「不自然」と感じる読者は少なくありません。2026年現在のTTSはかなり自然になっていますが、それでも専門用語や固有名詞の読み間違いは発生します。辞書のメンテナンスを怠ると、かえって評判を落とします。

さらに、コスト感の誤解もあります。 TTS API自体の利用料は、100万文字あたり1,600〜4,000円程度に収まります。ただ、プレイヤーの開発工数、品質チェックの運用フロー構築、読み辞書のメンテナンスを含めると、自前でやるなら初期費用で50〜150万円、運用工数も毎月数時間かかります。「APIが安い＝音声化が安い」ではありません。ここの見落としが、いちばんよくある失敗です。

小さく始めて、データを積む

ここまで書いてきて、もう一度最初の問いに戻りますね。

音声化は万能薬ではありません。効果が出るまでに時間がかかることもあるし、すべての記事に向いているわけでもない。ただ、テキスト広告の単価が下がり続け、読者の滞在時間が短くなる一方の構造の中では、滞在時間を構造的に延ばす手段は他にあまりありません。

再生ボタンが押されるかどうかは、導入してみないと分かりません。プレイヤーの見え方、記事のジャンル、読者の属性。変数が多すぎる。だからこそ、まずは小さく始めてデータを見るのが正解だと思います。

自社の人気記事上位10本をリストアップして、そのうち3本だけ音声化してみる。1ヶ月で再生率、滞在時間、広告収益の3つを比較する。数字が体感と違う答えを出すことがあります。だからこそ、計測する意味があります。私がPUBVOICEを作っている理由は、この「小さく始める」のハードルを極限まで下げたいからです。RSSを登録してタグを1行埋め込むだけで始められる。開発費も運用工数もゼロで、まずは試す。その設計を、現場の人間として作っています。