YouTube:自動字幕・翻訳機能がおかしい件について

2016年現在の自動字幕の精度

字幕がほぼ完ぺきな例

まずは、まともな字幕の例を挙げてみよう。

[youtube https://www.youtube.com/watch?v=O4djwM_AiHY&w=640&h=360]

これは、音声であるアナウンサーの喋りが、滑舌も良く
聞き取りやすいスピードであり、単語も常用の単語が多いことから
ほぼ正確に音声認識された例だね。

さすがアナウンサー！プロは違うね～！
文字起こしを見てみても、その文章が正しい文章になっているのがわかる。

では次に、字幕がおかしい例を挙げてみよう。

字幕がおかしなことになった例

都心で初雪 平年より9日遅く – YouTube　での街頭インタビューシーンだ。

インタビューを受けている一般人の音声は
「やっぱ、1月ってこれくらい寒さが普通かなって…」
と喋っているけれども、ここに字幕が付くと…

「それでも一環として行われたもの」……

ん？
おかしくなり始めたね。

さらに、この後の音声は「今までがちょっと暖かかったので」と続くが、字幕はというと

「利回りが上がった」……！？

字幕が荒れ始めたね。

この前後の文字起こしを見てみれば、荒れ狂う文章の様子がよくわかる。

おそらく、現在の自動字幕･翻訳機能精度はひどく、
おかしい･カオスなものとしか言い様がなく、実用的と言うにはほど遠い。

笑いのネタとしてしか使えないレベルで、
この字幕ネタのまとめ記事が人気になっていたりするくらいだ。

• 【カオス】 YouTubeの日本語字幕がヤバすぎる – いまトピ
• どうしてこうなった？Youtubeの字幕機能が壮大な勘違いをしているｗｗｗ | コレスゴ！
•  面白い動画がないとき使ってみよう!自動字幕機能の笑える使い方 | YouTubeらいふ

英語の文字起こしはある程度正確らしいんだけど、
でも日本語の書き起こし、翻訳はまだ技術的に未熟で使い物にならないレベルのようだね。

今後の音声認識の精度は向上するのか

YouTubeの音声認識は、Googleの音声認識技術を使用しているわけだけれども、
Googleの音声認識は、精度が良いと評判のはずだ。

数年前に自動翻訳機能がスマホに搭載された時、
とってもおかしな翻訳結果となって、これまた笑いのネタになったりしたけど、
Google音声認識としては、

最初の１～３文字がハッキリと発音されていれば、その後は滑舌が悪くても
Google音声技術が、最も適切であろう単語を補完するんだ。

そう考えると、日常会話や超絶スピードのセリフなどは、
最初の１～３文字が聞こえにくい事も大いにある。

だから、最初の言葉をきちんと発している
アナウンサーの言葉がきちんと認識されるのも頷けるね。

AppleのSiriのほうが精度が良いと思われがちだけれども、
GoogleはAppleが持っていない財産のおかげで、制度は良いそうなんだ。

その財産とは、
Google検索の音声検索にユーザーが入力する音声データと、
YouTubeなどのGoogleのサービスにアップロードされる動画の音声データ。

これらのデータが集積されて、膨大なデータとして蓄積され分析されているそうだ。
（参考：Google検索の音声認識がSiriよりすごい（気がする）理由：海外速報部ログ：オルタナティブ・ブログ）

正確な発音で始まる単語であれば、ほぼ完璧に認識すると考えれば、
YouTubeの字幕の精度は、2016年の今はまだ使い物にならない事が多いけど、
今後は徐々に精度が高くなっていくことは期待はできるかもね。

まとめ