文字起こしの誤変換は固有名詞に集まる。置換してよい範囲と、いけない範囲

文字起こし・AI文章の整形コラム

執筆:松村 誠(植木鉢団 代表)

文字起こしを読み返して直すとき、時間を取られるのは誤変換です。
数字・日付・人名・地名・社名を入れた短い原稿を作り、同じ原稿を4回読んで、Pixel 9a の標準のレコーダーアプリで録音・文字起こししました。※マイクとの距離と話す速さを変えた4回です。条件ごとの違いは「自分の音声メモを文字起こしする前に。録音でつまずかないコツ」のコラムに書いています。

数字は、今回は揺れなかった

「10月25日」「1万5000円」「20%」「3月14日」「1280ピクセル」「15分」は、4回とも原稿どおりで、表記も4回とも同じでした。
原稿と表記が変わったのは「0.5ギガ」で、4回とも「0.5 GB」になっています。※ゆっくり読んだ回だけ「0。.5 GB」と崩れました。

ただ、数字は書き方が1通りではありません。
「いちまんごせん」なら、15000・15,000・1万5000・一万五千のどれでも間違いではないので、ツールや設定が変われば、別の表記で出ることはありえます。今回試したのは1つの文字起こしだけです。

固有名詞は当たりにくい

人名、会社名、製品名、地名。音声認識は、聞き慣れない語ほど、音の近い、よく使われる語に置き換えがちです。
今回の4回では、こうなりました。

  • 大矢さん:4回とも「大家さん」
  • 東海林(しょうじ)さん:「ショージさん」「庄司さん」など、回によって違う
  • 放出(はなてん):4回とも「花天」
  • 株式会社ミドリノヤネ:4回とも「緑の屋根」
  • Seishonize・Shrinkuma(ツールの名前):「聖書内図」「シュリンクバー」など、4回とも外れ
  • 御徒町、小野寺さん:近くで録った3回は正しく、離して録った回だけ外れ

厄介なのは、出力された語が日本語として自然に読めてしまうことです。
「大矢さんに確認する」が「大家さんに確認する」になっても、文としては成立しているので、読んでいて引っかかりません。
同じ音に、人名としての表記と一般名詞としての表記が両方ある場合に起きます。一般名詞のほうがよく使われる表記なので、そちらが選ばれやすくなります。

機械的に直せるもの

表記の統一は、一括置換で処理できます。

  • 数字の表記を揃える(半角に統一する、桁区切りを付ける/付けない)
  • 単位の表記を揃える(「GB」と「ギガ」、「%」と「パーセント」)
  • 日付の形式を揃える

これらは、どちらの表記でも意味が変わりません。だから機械的に決めてよい範囲です。
※「ギガ」は、話によっては容量のGBではなく、周波数のGHzや通信速度のGbpsのこともあります。置き換える前に、どの単位の話かだけは確かめてください。

直してはいけないもの

一方、音から推測して固有名詞を書き換えるのは危険です。
今回出た「庄司さん」は、実在する名字の書き方です。原稿を知らない人が読めば、そのまま正しい名前として通ってしまいます。
こうした語を、文脈から「たぶんこの人だろう」と推測して書き換えると、当たっていれば直りますが、外していれば、元の情報も失われた状態で誤った内容が残ります。

判断が付かない箇所は、直さずに印を付けておくほうが安全です。後から音を確認できる形にしておけば、確認した人が直せます。推測で埋めてしまうと、その箇所が確認済みなのか未確認なのかも分からなくなります。※Seishonize に通しても、こうした誤変換は直りません。フィラーやタイムスタンプを取り除く道具で、言葉そのものは書き換えないためです。

一括置換の副作用

置換するときは、当たる範囲を確認してから実行します。
短い語ほど、意図しない箇所に当たります。「山田」を置換するつもりが、「山田町」まで変わる。「3」を置換したら、「13」や「30」の一部まで動く。
前後を含めた形で指定する、置換前に件数を確認する。この2つだけでも事故は減ります。

探し方を決めておく

読み返して見つけるのは、見落としが出ます。抽出してから見るほうが早いです。
数字は、数字だけを拾って一覧にすると表記のゆれが見えます。並べれば、半角と全角が混ざっているところや、桁区切りの有無が一目で分かります。
固有名詞は、出てきそうな名前を先に書き出しておき、その名前で検索します。見つからない名前は、どこかで別の語になっています。※同じ人の名前でも、出てくるたびに違う語になることがあります。今回の東海林さんは、近くで普通に読んだ回で、1回目が「ショージさん」、2回目が「じさん」でした。1か所を確かめて置換すれば全部直る、とは限りません。日付は、前後の文と突き合わせます。「来週の水曜」と「15日」が食い違っていれば、どちらかが誤変換です。

確認の順番

数字、固有名詞、日付の順に見ると効率がよくなります。
数字は機械的に揃えられるので先に済ませます。固有名詞は判断が要るので、集中力のあるうちにやります。日付は数字と固有名詞の両方の性質があるので、最後にまとめて確認します。