加藤秀俊 著作データベース

音声入力の夢と現実

発行年月: 200109
掲載  : 本とコンピュータ 2001秋号
発行元 : 大日本印刷



ビアボイス雑感
       バージョン8をつかってみて
                              加藤秀俊
 ここにのべることがらが活字になった時点での日本の政治状況がどうとようなものになっているかはわからない。しかしこの五月から七月にかけての小泉内閣にたいする日本国民の熱狂的な支持率にはおどろくべきものがあった。その理由はさまざまだったろう。べつだん政治批評をしようとはおもわない。しかしふつうの日本の庶民にとって、小泉さんの魅力は、おそらくかれがまったく飾り気のないごく自然な「はなしことば」るで語ることのできるきわめて常識的な人物であったからだったのではないかとわたしはおもっている。
 そのことは、これまでの歴代の閣僚や高級官僚たちが国会でおこなってきた「討論」なるものがじつに退屈きわまるものであったことと対照的である。じっさい、官僚用語では国会や各種審議会などのために準備する筋書き書類は一般に「振り付け」とよばれていて、質問も答弁もあらかじめ用意されているのである。すべては事前に用意されており、その筋書きどおりにものごとは進行してきた。べつなことばでいえば、閣僚も官僚もをことごとく事務当局がつくった筋書き通りに文字を読み上げることによって「討論」という名のあんまりじょうずでもない演技をしていたのである。だから国会中継などというものをテレビで見ていてもちっともおもしろくもなかった。
 ところが小泉さんは、メモのようなものはもってているのだろうが、おおむねふつうの「はなしことば」でじぶんのかんがえを率直にのべることのできることのできる人物である。七月末時点での毀誉褒貶はさまざまだが、田中外務大臣についてもおなじじことがいえる。失言もあっただろうし、まちがいもあった。だが「はなしことば」だけがもつ自然の迫力がそこにはあった。だからはなされていることがらはわかりやすい。わたしは小泉内閣は「はなしことば内閣」とよんでもいいのではないかとおもっている。
 じっさい、書かれた文字を読み上げるだけだったら小学生にだってできる。そんな学芸会のようなものをいやしくも国会というところでくりかえされていたのではうんざりしてしまう。それにたいして小泉さんのことばはごく自然の言語であった。だから国民はその言葉に真剣さと誠実さを感じ、テレビの国会中継を熱心にみる習慣がついたのでああろう。その功績はおおいに評価されてよかろう。
 いうまでもなく、およそ人間の言語活動というものは古今東西をとわずその大部分を「はなしことば」によってささえられてきた。その「はなしことば」のごく一部が「文字」というものになって書きとどめられているにすぎない。そのことは現在「古典」とよばれているさまざまな名著をふりかえってみただけでもすぐわかる。ソクラテスも孔子も書物を自分で文字で書いたわけではなかった。これらの哲学者が語った「はなしことば」を弟子たちがひろいあげて文字にしたものが『対話篇』であり、また『論語』だったのである。文字言語は人間の言語生活のなかのほんのわずかの部分であり、いわば大海のなかの一滴とでもいうべきものだろう。じじつ人類二百万年の言語の歴史をふりかえってみても、「文字」などというものはたかだか一万年ほどまえに発明されたものであるにすぎない。コンピューターのを世界での音声入力というものも結局のところ、自由にとどまるところを知らない「はなしことば」すなわち自然言語を文字言語におきかえるのがそもそもその最大の使命であって、書かれた文字を読み上げてそれをまたべつな文字に配置転換するというのはそもそも音声認識とをいうものの目的ではなかろう。

 IBMが開発したビアボイスは音声を入力してそれが文字に出力されるというすばらしい発明品である。わたしはこのソフトが開発されたさいしょの段階からこれをしばしば使用してきた。とりわけこんど発売されたバージョン8はこれまでにくらべていちじるしい進歩をとげた傑作である。いままでよりも認識率も格段に向上した。音声学習に必要な時間もすくなくなった。これでずいぶん便利にもなったし、たのしみもふえた。
 だが、それにもかかわらずわたしにとって気になることのひとつはこのマニュアルを読んでいると、画面にでてくるモデル文章を「読み上げてください」という指示がでてくることである。本来、このソフトが目標とするところのものは自然言語、むずかしくいえば「パロール」を文字言語、すなわち「エクリチュール」に変換することであって、けっして文字から文字にそのまま移植するためのものではない。これでは事前資料を読み上げる国会の儀式とかわらないではないか。このあたりのところがわたしにはおおいに気になる。
 私事にわたるが、わたしなどはこれまでほぼ半世紀にわたって農村調査などのフィールドワークをおこなってきた人間である。調査がすすめば、毎日のようにその日の記録をテープレコーダーに記録し、あるいはその場でインタービューをして素材を採取してきた。ばあいによっては自動車を運転しながら電源をシガーライターからとって、テープレコーダーで車窓からみえるみずからの見聞や感想を入力したこともあった。そこでわたしがつかった言語はいうまでもなく自然言語であって、けっして文字言語ではなかった。つまり、あたりまえの「はなしことば」のごく一部を要約して文字にするというのがわたしのこれまでのしごとだったのである。つまりわたしにとってのビアボイスの役割は「自然言語」(IBM開発担当者はそれをスポンテニアス・スピーチという)を文字言葉に変換することであって、けっして文字言語を他の文字言語に移動させるというふしぎな作業をするためのものではなかった。
 ところが開発担当者のはなしをきくと現状では「朗読調」の入力というのが主要な用途で通常の「はなしことば」をそのまま文字にするということはまだむずかしいらしい。自然言語がそのまま入力できなければこの新発明品にはあんまり実用的な意味はない。いや、音声認識はまだそこまで進歩していないのである。
 その理由のひとつは開発担当者のはなしをきいてはじめてわかった。それはビアボイスの開発にあたってこのアプリケーションが参考にしたのがおおむね新聞雑誌などの記事をテキスト文にしてそのまま機械的に処理したからである。つまりビアボイスにはいっている語彙は新聞雑誌というを活字メディアがその原型なのだ。そのテキストをモデルにしていたらわれわれがふだんつかっている自然言語などはとうてい機械が理解してくれない。だから新聞記者のような文章を読み取ることにかけてはこのアプリケーションは最大の威力を発揮するだろうが、自然言語を文字化することは苦手らしいのだ。こうやっておたがいにおしゃべりしているような自然言語をを文字に変換することはビアボイスがもっとも不得手とするところなのである。サンプル言語の選択は、はっきりいって最悪であった。この音声認識ソフトの致命的欠陥はまさしくそこにある。。わたしの意見では、このソフトの開発にあたってをおそらくもっとも理想的だったとは中学校や高校のを教科書や、あるいは日本語検定試験の問題集のようなものであったほうがよかったのではないのか。国立国語研究所などには日常の基本語彙をかなり精密にしらべた調査結果
もある。だが、そういう「日本語」の基礎語彙の研究はビアボイスの設計にはまったく採用されていなかったらしいのだ。日本語入力の研究がけっしておこなわれてはいなかったのだ。こうしたサンプルが参考にされなかったのはまことに残念なことだった、とわたしはおもう。
 さらにぐあいがわるかったのは、「日本語」の処理にあたってやたらに漢字というものをつかうことに努力がかたむけられ、その結果、画面にでてくる文章が漢字だらけになってしまったということである。たしかに、現代の日本語の表記では「漢字かなまじり文」というのがふつうである。だが、いったい、なにを基準にしてどれだけの漢字をつかうのかについての原則がビアボイスの設計者にはなかったようなのだ。しいていうなら、漢字にできるものはすべて漢字に、という素朴で無茶な思想がそこにはあったようにさえおもえる。
 そもそも漢字というのはやっかいな記号体系である。あらゆる漢字を収録したといわれる康煕字典には八万字の漢字があるというし、それぞれの文字の字源や構造については白川静先生などによるすぐれた考察があるが、こんなにたくさんの文字をあやつるなどということは漢字専門の研究者以外にはいない。いまの日本人がふつうつかう漢字はせいぜい二千といったところだろう。福沢諭吉などは穏健な漢字制限論者の始祖だが、かれがメドとしたのは千五百字。われわれの日常の文字生活では八百字くらいのものだろうといわれている。漢字というのは「日本語」にとっては「補助記号」なのであって、日本が「漢字文化圏」にぞくしている、などというのはまちがいだ。
 じじつ日本語の歴史をふりかえってみると、もともと日本語というのはかな表記を中心としたものであった。そのことは江戸時代の大衆文芸などをみてもすぐにわかる。もちろん幕府おかかえの漢学者が書きのこした書物は漢字だらけだったが、庶民がふだんつかっていた文字はことごとくをひらがなであった。時代はふるくなるが、世界最古の小説といわれる『源氏物語』にしたところで、全文ひらがなである。「かな」を「女文字」だ、などというのはとんでもない錯覚であって、庶民がつかっていた文字はひらがなだったのである。明治時代の新聞をみても、ほとんどひらがなで書かれていることに気がつくだろう。率直にいってそのような日本語の基礎哲学がビアボイスではじゅうぶんに研究されていない。
 もしもビアボイスの設計にあたって文字変換を原則として全面的にひらがなだけで処理するという哲学がはたらいていたならば、ずいぶん様子はちがっていたはずだし、これからの日本語文化への貢献はきわめておおきかった、とわたしは残念におもう。とりわけ、いまや日本語は「日本人」でけのものではなくなっている。世界で日本語を学習しているひとの数は一九九八年の時点での瞬間風速でも二百万人。すでに学習したひとを累計するなら優に一千万をこえていると推定される。世界言語としての日本語問題をかんがえるなら漢字はもっとすくなくなってよい。外国人だけでなく、われわれ日本人にとってもそのほうがいい。もしもビアボイスが教育漢字以外の漢字はつかわない、という条件で設計され、それが「標準版」として発表され、現行のヴィアヴォイスが「特別版」として別売していたら、どんなにしあわせだったか、とわたしはおもう。わたしはためらうことなく「標準版」を買う。どうしても必要があれば校正段階で語彙のゆたかなワープロソフトで補充したらいいではないか。
 そもそも、わたしのかんがえでは、音声入力によって完全な文章を文字で表記するなどということは絶対にありえないことだ。ビアボイスで入力したものはあくまでも草稿であり、あるいは下書きである。どんなに音声認識の能力がすぐれているからといって、ここで出てきた文字をそのまま文書としてつかうことなど、とうていできはしない。わたしのヴァージョン8の使用経験での文字認識率は九〇%ほどだったから、かなり認識精度はいいけれども、あとで手をいれなければまともな文章にはならない。はなしているあいだにくりかえしがあったり、まちがったことを吹きこんだりすることがある。したがって俗に言う「口も八丁手も八丁」というやつで、まずマイクにむかって自由におしゃべりをし、その後キーボードを手でいじって修正しなければ満足な結果は得られないのである。
 とりわけわたしのばあいには頑固な「漢字派」のビアボイスと格闘して、漢字をかなに「ひらく」という作業があるから時間もかかる。そのことをかんがえるなら、ビアボイスにはほんとうに文字にしたいことがらの二倍ていどの吹き込みをしておくほうが賢明なのかもしれない。たくさん文字にしておいてそれを削ってゆけばそれだけ洗練された文章ができあがることがおおいのである。べつなことばでいえば、音声認識に「完全」な文字への変換をもとめるというのはまことに無茶なはなしであって、ここで画面にでてくるのは「あらすじ」ないしはおおざっぱな骨格にすぎないのである。いうなれば、これはデッサンのようなもので、最終的な作品にするためにもまだまだ手がかかる。そのことを念頭においておかないとビアボイスはつかいにくいし、これを相手にしていると絶望的にもなる。いやそもそもの目的からして、ヴィアヴォイスはあくまでも下書き用のソフトなのである。なんでもかんでも音声入力にまかせておけばよいという無精な気分でこのアプリケーションをつかうのはあきらかにまちがっている。
 IBMの担当者のはなしをきいてみると、このソフトはこれまですでに百万本を出荷したという。これはおどろくべき数字だ。しかしながら、わたしなどが推測するところによると、率直にいって、この百万人のユーザーの中でおそらく九〇%以上はそんなにこれを活用していないか、あるいは脱落しているのではないかという気がする。
 その第一の理由は現代社会で生活しているわれわれの大部分が「はなしことば」でまとまった自己表現をしていないからである。はじめにのべたように人間の言語生活の大部分は「はなしことば」によってつくられている。それにもかかわらずわれわれはあまり真剣に「はなしことば」をつかっていない。もちろん簡単な会話や無難な世間話などはおたがい口にしているし、街をあるいていると若者たちがみんな携帯電話を手にして、なにやらはなしているのが目につく。しかしながら、じぶんのかんがえをまとめて、順序ただしく「はなす」ということはほとんどしていないのではないか。会社などでも、会議の席上で満足にじぶんの意見を要領よくまとめてのべることのできる人物はそんなにおおくはない。
 つまり現代社会はたいへんなおしゃべり社会のように見えて、じつのところまとまった「はなし」をすることのできるひとがきわめてすくない社会なのである。言語生活が「文字本位」になってしまったというのはすでに柳田国男などが指摘しているところだが、どうしてもわれわれのおおくは文字にたよってしまうという悪癖をもっている。あんまり感心したことではない。わたしにいわせれば満足にはなしのできない人間に満足な文章の書けるはずはないのである。もちろん世の中には口下手という人がいて、文章はきっちり書けるがはなしをすることが苦手という人もいないわけではない。それはそれで理解できるけれども、わたしのこれまでの経験からいえば、文章の達人は「はなし」の名人でもあった。
 そんなことをかんがえてみると、これからの教育の中でも「はなしかた」をもっと重視してもよいのではないかとおもう。だいいち、結婚式などで祝辞をのべなければならないという立場にたたされたとき、ふだんまとまった言語表現をしていないものだから、中高年の一人前の男でもずいぶん緊張するし、あわてて『式辞の例文集』などという本を買ってきて、それを席上で「朗読」するという悲劇的な習慣がいつのまにかできあがってしまった。こんなに「はなしことば」が貧困化してしまった社会でいくら音声入力をやってみてもそれを実用化することのできる人はそれほどおおくはあるまい。
 それにくわえて、ビアボイスはすばらしい作品にはちがいないけれども、ふつうの人間がこれを利用するにあたってはまだまだ問題がある。たとえば「エンロール」ということばがあるが、わたしがこのことばをにさいしょに知ったのは、むかしアメリカの大学院にいたとき、大学用語として「入学」という意味のものとしておぼえたものであった。したがってわざわざカタカナことばをつかわないでも「音声識別の訓練」といったような日本語にした方が親しみやすいだろう。IBMは国際企業だから、さまざまな用語が英語になってしまうのはしかたないことかもしれないけれども、「スポンテニアス・スピーチ」などというのも「自然発生言語」とか「自然言語」とか日本語で解説したほうがよいのではなかろうか。ビアボイスが固陋頑迷な「漢字派」であることはすでに指摘したが、それにくわえて、これは「横文字直輸入派」なのである。これではぐあいがわるい。
 また音声入力識別のためのテストの文章も感心できない。なぜコンピューターの専門用語だの天文学のむずかしい文章だのを読みあげなければならないのか理由はさっぱりわかからない。それに、これらの文字は極めて小さなウインドウのなかに表示されているので、わたしなどもばあいによっては虫眼鏡で例文を読みあげなければなりならなかった。これはけっして使用者のために便利なものではない。さきほどビアボイスは頑固な「漢字派」だといったが、同時にこのソフトは日本語にできるものをわざわざ英語のままカタカナ表記をするという悪癖をもそなえている。まだまだ、このソフトは「言語」というものをどのようにとらえるか、についての哲学と原則ができていない。つかってみればこの便利さはわかる。だからわたしは愛用している。それだけに開発担当者の「言語」についての基本的な勉強不足が気になる。なにしろ、言語処理問題というのは単純な技術的問題なのではなく一国の未来にかかわる「文化問題」なのだから。次回のバージョンでは、しかるべき言語学者などと相談しながら、このあたりのことがらを研究してほしいというのが、わたしの感想であった。(国際交流基金日本語国際センター所長)

追記 この文章はビアボイスのバージョン8によって作成し、それをもとにしてキーボード入力で修正をくわえたものである。テストにあたってはメーカーのことなる三種類のコンピューターを試用してみた。二種類については問題はなかったが、あるメーカーのものはほとんど認識不能であった。どうやらビアボイスには「相性」があるらしい。ICレコーダーによる実験もしてみたかったのだが、時間切れでこれはできなかった。また、この稿の執筆にあたっては日本IBMの杉野さんからおおくのことをおしえられた。ふかく感謝する。


加藤秀俊著作データベース
文書管理番号: 2265