要点
話せない言語で届いた音声メッセージを理解するには、まったく別の2つの作業が必要です。まず、話された言語のまま音声を文字に変換し、その次にその文字を翻訳します。翻訳アプリはタイピングを前提にしているので、最初の作業が終わるまで何もできません。品質を左右するのは文字起こしの段階で、そこでのミスは何の疑いも持たれずにそのまま翻訳されてしまいます。両方の作業を自分でやれば、メッセージの内容を誰にも聞かせる必要がなくなります。
親戚や取引先、家主から音声メッセージが届く。いくつか単語は聞き取れて、重要な内容だとはわかるが、何を言っているのかまではわからない。そこで思いつくのは、すでにスマートフォンに入っている翻訳アプリを開くことだが、これはうまくいかない。アプリは文字を入力されるのを待っているのに、聞き取れないものを入力することはできないからだ。
次に思いつくのは、その言語を話せる誰かに転送することだ。これは確実に効果があるが、代わりに何かを差し出すことになる場合もある。この記事では、そのどちらの方法も使わずに内容を理解する方法、機械が得意なところ、そして一度も読んだことのない言語であっても見抜けるようになる、機械が間違えやすい具体的な箇所について説明する。
すでに持っている翻訳アプリが動かない理由
音声の翻訳は、実は1つの名前で呼ばれている2つの作業だ。1つ目は文字起こしで、音を話者が使った言語のまま文字に変換する作業。2つ目は翻訳で、その文字を自分が読める言語に変換する作業だ。この2つはまったく別の仕組みで動いていて、失敗の仕方も違う。そして多くの人が最初に使うツールは、2つ目の作業しかできない。
これが、スマートフォンに入っている翻訳アプリが何の役にも立たない理由だ。あのアプリはテキストボックスを中心に作られている。文字が入力されると、文字が出力される。音声ファイルを渡されても、処理する材料が何もない。マイクから話しかけられる音声を受け付けるツールもあるが、それは自分が話して言い直せる場合には助けになるものの、通信環境の悪い中で誰かが早口で話した録音にはほとんど役に立たない。
この作業の順番を理解すると、問題の見え方が変わる。必要なのは翻訳者ではない。まず必要なのは、メッセージを元の言語のまま文字にしてくれるものであり、それができれば、あとはいつも使っている翻訳の方法がそのまま通用する。テキストの翻訳に普段使っているものは何でも構わない。解決しなければならないのは前半部分だ。
これは、人がよく不思議に思うことの説明にもなる。なぜメッセージが、流暢で自信に満ちた、まったく間違った日本語に翻訳されて返ってくることがあるのか。翻訳の部分は仕事を果たしている。ただ、渡された材料が悪かったものを、見事に仕上げただけなのだ。
誰かに聞いてもらうことの代償
その言語を話せる友人やいとこ、たまたま話せる同僚にメッセージを転送するのは速いし、たいてい正確だ。ただそれは、その人にプライベートな会話の内容を、声のトーンまで含めて丸ごと聞かせることでもある。
配達日についてのメッセージなら、誰も気にしない。だが、お金や健康、家族についてのメッセージになると話は変わってくる。親戚からの検査結果についての音声メッセージを同僚に聞かせたいとは思わないはずだ。家主からの未払いについてのメッセージも、自分がどう考えるかを決める前に、友人に説明したいものではない。取引先からの、金額を間違えたかもしれないというメッセージも同じだ。
その結果、メッセージは開かれないまま放置される。重要でないからではなく、対応するには誰かを関わらせる必要があり、それには社会的なコストがかかるからだ。そのコストは、メッセージの内容がわかるより前に発生してしまう。人が音声メッセージを何日も放置するのは、まさにこの理由による。読めないメッセージこそ、声に出して読まれたくないメッセージなのだ。
これは、この2つの作業を自分でやるべき、実際の理由であり、プライバシーを単なる付加機能として扱うのではなく、はっきりと言う価値がある。ポイントは、機械による文字起こしがいとこより優れているということではない。おそらくいとこの方が正確だろう。ポイントは、まず自分だけでメッセージを読んで、その後で誰かに知らせる必要があるかどうかを自分で決められるということだ。
最初の工程が2番目の工程の質を決める
結果がどれだけ役に立つかは、すべて元の言語での文字起こしの精度にかかっている。ここが正確なら、翻訳はごく普通の作業になる。ここで間違えば、その間違いはそのまま先へ進んでしまう。
ここに危険がある。元の言語での文字起こしに間違いがあり、その言語を読めない場合、その間違いに気づくことは絶対にできない。間違いは翻訳の工程に渡され、読める言語に正確に変換され、ごく普通の文として届く。ギザギザした引っかかりは何もない。何も警告してくれない。翻訳を通過した間違った単語は、正しい単語とまったく同じに見える。
これを、自分が話せる言語での文字起こしと比較してみよう。その場合、間違いは自分で気づける。文を読んで、意味が通じないと感じたら、音声をもう一度再生する。ここでは、その修正の手段が使えない。自分は、確かめることのできない工程の出力を読んでいるのだ。
実務上の結論としては、疑うべきは翻訳ではなく文字起こしだと考えるべきだ。自分の言語で読んで違和感がある場合、その原因が翻訳の部分にあることはほとんどない。ほぼ必ず、文字起こしが聞き間違えた単語が原因であり、対処法はその箇所の元の言語のテキストを確認し、理解できなくてもその瞬間の音声をもう一度聞くことだ。話者が短い単語を言っている箇所で、文字起こしが長い単語になっていることに気づくだけでも、何かがわかる。
言語を判定させて、その判定を確認する
すぐにぶつかる実際的な問題がある。いくつかのツールは、何かをする前に、リストから元の言語を選ばせようとする。その言語が何なのか自信を持って判断できない場合、そして近い言語同士を耳で聞き分けられない人は多いのだが、結果全体を左右する設定を当てずっぽうで選ぶことになる。
音声そのものから言語を判定してくれれば、この工程は不要になる。WhatsApp Web用のSozAI拡張機能は、選択を求めるのではなく録音から言語を判定し、結果にどの言語だと判断したかを示すバッジを表示する。このバッジこそが役に立つ部分で、判定の誤りに気づく手段になる。送り主が話さないとわかっている言語が表示されていれば、その下の文字起こしは読む価値がないと、混乱した2段落を読む前に、一目でわかる。
1つ知っておくべきことがある。要約は、メッセージが話された言語のまま返ってくる。これは最初の工程としては正しい動作であり、つまり読めなかったメッセージは依然として読めないメッセージのままだということだ。音声の問題をテキストの問題に変換したのであり、それこそがこの工程の目的なのだが、その先の翻訳の作業は、まだ自分でやる必要がある。
間違いやすい箇所ほど、重要な箇所である
自動文字起こしは、ごく普通のつながった会話には強いが、次の3つには弱い。人の名前、地名、そして数字だ。よく使われる単語は、前後の単語から推測できる。だが姓は推測できない。通りの名前も推測できない。数字も推測できない。
ここで、音声メッセージが通常何について話しているかを考えてみよう。どこで会うか。いくら支払うべきか。何曜日か。誰が誰に何を言ったか。本当に必要な情報は、文字起こしの中で最も間違いやすい部分に集中している。そして住所や金額についてのメッセージでは、その部分は細部ではなく、メッセージそのものなのだ。
だから文字起こしは2回に分けて読むべきだ。1回目は、メッセージの全体像をつかむためのもので、誰が話しているか、何についてか、今日中に返信が必要かどうかを確認する。ここは信頼していい。2回目は具体的な情報だけを対象にするもので、ここでは信頼するのではなく確認すべきだ。
- 数字の前後数秒の音声を再生して、桁の音を聞き取る。話せない言語でも、数字はたいてい聞き取れる。
- 名前は文字起こしと照合するのではなく、自分の連絡先や過去のメッセージと照合する。
- 住所は、その相手や店について自分がすでに記録しているものと比較する。
- 金額が次の行動を左右する場合は、行動する前に文字で確認を取る。
送り主に金額を文字で確認してもらうことは、理解できなかったことを認めることにはならない。それは、自分の言語であっても、電波の悪い電話で聞いた数字に対してやるはずのことと同じだ。
これでできないこと
これで、1回の操作でメッセージを自分の言語にしてくれるわけではない。2つの工程があるということは、2つの工程が必要ということであり、文字起こしは話された言語のまま届く。翻訳の作業を別に行わずに、最終結果をそのまま自分の言語で得たいなら、それは文字起こしだけとは違う作業であり、言語間の音声翻訳を探すべきだ。同じことは、WhatsAppのメッセージではなくファイルとして持っている音声、録音や転送された添付ファイル、スマートフォンから保存したものにも当てはまり、これは文字起こしアプリが扱う範囲であって、WhatsApp Web用のブラウザ拡張機能の範囲ではない。
これは口調までは伝えてくれない。長いメッセージを短く文字起こしすると、迷いや温かさ、いらだち、重要な文の前の間が失われてしまう。親戚がどれくらい心配しているかを知りたい場合、言葉だけでは不十分であり、文字起こしを見ながらもう一度音声を聞き直すべきだ。
録音状態の悪い音声には信頼できない。風の音、車内でのスピーカーフォン、複数人が同時に話している状況、通路で録音された音声メッセージなど。入力が悪いと、明らかな失敗ではなく、自信満々の間違った文字起こしが生まれてしまい、これはより厄介だ。完成しているように見えるからだ。
そして、メッセージが本当に曖昧な場合には、いとこの代わりにはならない。ただ、これができるのは、誰かに聞かせる前に、メッセージが本当に曖昧かどうかを自分で確かめることだ。たいていの場合、答えは「いいえ」であり、自分だけで対応できる。答えが「はい」の場合でも、録音全体を渡す代わりに、どの30秒について尋ねればいいかが、もうわかっている。
