こんにちは。

audioコーパスの森井です。

音声認識の開発エンジニアを悩ませる”あるある”について記述したいと思います。

それは表記のばらつき（ゆらぎ）です。

教師データは、会話を書き起こす必要があるわけですが、日本語という言語の性質上、これがなかなかに曲者なのです。

日本語は、ひらがな、カタカナ、漢字、アルファベットと、複数の表記が存在するため、記述がばらつきやすい。

1. ウインドウズ

2. ウィンドウズ

3. Windows

4. windows

みなさまなら、どれを選択しますでしょうか？

横文字の記述だけではありません。

1. こども

2. 子ども

3. 子供

どれも違和感なく読めてしまうのではないでしょうか？

”こども”に関しては、

公文書では「子供」を採用し、

新聞などメディアでは「子ども」を多く採用しています。

これは正誤ではなく、どれを採用するかの問題なのです。

文字を扱うメディア、編集出版、文字起こし業界では、陰ながらにこういったルールを徹底することに取り組んでいます。職人芸といわれる由縁です。

ではまた次の情報でお会いしましょう。