ドイツ語の音声テキスト変換（無料）

ドイツ語は欧州連合で最も母語話者の多い言語で、その数は約9,500万人にのぼります。ドイツ、オーストリア、スイス、リヒテンシュタイン、ルクセンブルク、そしてベルギーとイタリアの一部で公用語とされており、ベルリンの報道現場からチューリッヒの役員会議室まで、ドイツ語の録音はあらゆる場所で生まれています。

そのドイツ語は、音声認識エンジンに特有の課題を突きつけます。まず名詞は必ず大文字で書き始めるため、ここを外した文字起こしは一目で機械出力だと分かってしまいます。ConvertSpeechは正しく大文字にします。次に複合語です。ドイツ語は語を切り離さずに融合させて新しい語を作るため、Rechtsschutzversicherung（訴訟費用保険）やLebensmittelunverträglichkeit（食物不耐症）のような長い単語がひと続きの発話として届き、それを1語として書かなければなりません。さらに100未満の数はひっくり返して読み上げます。einundzwanzigは文字どおり「1と20」であり、素朴なシステムはこれを21ではなく12にしてしまいます。

そしてßがあります。この文字はドイツとオーストリアでは使われますが、スイスでは使われず、代わりにssで統一されます。つまり同じ文でも話者の出身地によって綴りが変わるのです。ConvertSpeechのエンジンはどちらか一方の規範を押しつけるのではなく、録音そのものの慣習に従います。だからこそ下のサンプルでは、読み上げられたとおりの古い綴りdaßがそのまま残っています。

音声や動画をアップロードすれば、エンジンが話されたドイツ語を句読点付きの、きれいで検索可能なテキストとして書き出します。ブラウザだけで動作し、インストール不要、最初の数分間はアカウントなしで無料で使えます。

実際の人間の朗読を録音した45秒の音声を、皆さんがご自分のファイルを処理するのとまったく同じようにAIエンジンにかけた結果です。あとから手直しは一切していません。再生しながら読んでみてください。

注目したいのは、ロシア語由来の人名Abraham Petrowitsch HannibalとKatharinaが正しく書き出されている点、フランス語の階級名en chefがドイツ語化されずフランス語のまま保たれている点、そして歴史的な綴りdaßが現代式のdassに直されずに残っている点です。achtzehnやzweiundneunzigstenも、読み上げられたとおり数字ではなく綴りで書かれています。

これは丁寧にはっきりと読み上げられた音声で、講義や口述メモに近い条件です。三人が同時に話す騒がしいカフェでのインタビューが、ここまできれいに仕上がることはありません。どんな自動システムでも同じです。結果を左右する最大の要因は、やはり録音の品質です。

標準ドイツ語（Hochdeutsch）は放送・ビジネス・学術の録音で最も使われる形であり、ConvertSpeechはこれに最適化されています。ドイツ、オーストリア、スイスで話される標準ドイツ語を安定して処理します。

一方でドイツ語には強い地域差もあります。南部のバイエルン方言やオーストリア・ドイツ語、スイスのスイスドイツ語（Schweizerdeutsch）、北部の低地ドイツ語などです。とりわけスイスドイツ語は標準ドイツ語との隔たりが大きく、方言色の濃い話し方はどんな自動システムにとっても難題です。これはアクセントというより、独自の語彙と母音体系を持つアレマン系方言群に近い存在だからです。方言色の強い録音では、方言をそのまま再現するのではなく、標準ドイツ語の綴りに置き換えて書き出されるとお考えください。

オーストリア・ドイツ語は標準にずっと近く、よく文字起こしできます。ただしオーストリア特有の語彙、たとえばJanuarにあたるJänner、KartoffelnにあたるErdäpfel、TüteにあたるSackerlなどでは取りこぼしが出ることがあります。校正の際にはこのあたりをさっと確認しておくとよいでしょう。