コンピューターの音声機能

私の大学の友人で、応用物理の大学院を卒業したやつが大手電機メーカーに入社し、配属された部署のミッションは音声認識装置の開発だったそうです。「言語学の知識が必要だ」とか言って、チョムスキーを読んでいました。

（チョムスキーから始めるなんて、ずいぶん気の長い話だなあ）

と思ったことを覚えています。

　彼の努力が実って、音声認識装置は完全に実用化したようですね。最近のスマホは、「犬鍋さんにメール」とつぶやくだけで、私宛のＥメール作成画面が出てくるらしい。実際に会社の同僚に、アンドロイド系のスマホで実演してもらいました。

　「認識」のほうはそこまで発達しているようですが、「発声」のほうはどうか。

　日本語は、母音の数や子音の数が少ないので、ほかの言語に比べて発音が簡単だということになっています。しかし、実は高低アクセントがあって、これが正しく発音されないと、変に聞こえる。そして、高低アクセントは文字表記には表れない。単語や構文によってアクセントは変わりますから、機械が発声する場合、機械は文章の意味を正しく認識しなければなりません。おそらくは音声認識と同程度の「認識力」が必要になるでしょう。

　一方タイ語の場合、子音母音が多い上に５つの声調があって、発音は非常に複雑ですが、タイ文字は表音文字には、声調が表示されているのでコンピューターによる認識は楽そうです。

　機械のお手並み拝見ということで、グーグル翻訳についている文章読み上げ機能で遊んでみました。（→リンク）

鼻が高い。

　これは６拍で、東京のアクセントは「低高高低高低」。グーグル翻訳の翻訳元の窓に貼り付け、スピーカーボタンをクリックしてみると…。

　正しい東京アクセントで読まれました。

　次に

花が高い。

　花屋さんで花を買ったら高かったという意味ですね。こちらは「花が」の部分が「低高低」になる。こちらも正しく読まれました。

　なかなか優秀ですね。漢字の違いからアクセントを判断しているようです。

　ここで「鼻／花」をひらがなにしてみました。

はなが高い。

　すると、「高低高」となって、「鼻が」でも「花が」でもない、おかしなアクセントになるうえ、どうも第一文字目の「は」の発音が「わ」と発音されているように聞こえます。

「わなが高い？？？」

　もっとも、「はなが高い」は文章自体が曖昧なので、人間が読むときも迷う。機械が正しく認識できなくて当然かもしれません。

　次に「はな」を「ハナ」にしてみた。

ハナが高い。

　無理にこじつければ、「ハナ」という名のおばあさん（じゃなくてもいいんだけど）のやっている店は、ほかの店よりも値段が高いという意味とすればありえない文章ではありません。「ハナが」の部分は「高低低」になるはずです。

これは

「高低低」

と正しく発音されました。

　ところがおばあさんは亡くなってしまった。

ハナが他界した。

　これも正しく読まれました。

　「はながたかい」に関して言えば、漢字かなまじり文にしてやると、だいたい正しいアクセントで読まれるようです。

　次に

はしが折れた。

　「はし」には「箸、端、橋」の三つの可能性があり、「箸が」（高低低）、「端が」（低高高）、「橋が」（低高低）。関西アクセントでは「箸が」と「橋が」が逆になると思われます（よく知りません）。

　まず、

箸が折れた。

　力を込めて食べていたら箸が折れちゃったんですね（どんな怪力だ）。

　これは「が」の高さがあいまいな気がしますが、だいたい正しいようです。

端が折れた。

　書類の端が折れたんでしょう。これも正しい。

　最後に、

橋が折れた。

　地震で橋が真ん中からポッキリ折れちゃいました。（地震がなくても「聖水大橋」は折れましたが…）

　これは「端が折れた」と同じアクセントになる。東京アクセントとしては間違っています。コンピューターは「橋は折れるはずがない」と思っているのでしょうか。動詞を変えてみましょう。

橋が落ちた。

　こっちも「端が落ちた。」のように発音され、×。「橋が」は正しく発音できないんでしょうか。

ところが、

橋が流された。

にしてみると、今度はきれいな東京アクセントで発音されます。「橋」は「折れたり、落ちたり」はしないけど、「流される」ことはある、という判断がコンピューターに組み込まれているようです。

　念のため、

箸が流された。

にしてみると、これもちゃんと発音されます。我が家のシンクでは、箸はあまり流されませんが、ティースプーンがよく流されて、排水口のゴミの袋に入ったまま棄てられ、定期的に消費されます。

「箸／端／橋」の実験によると、漢字かなまじり文であっても、きちんと読めない場合があるということになりそうです。