テルグ語の音声テキスト変換（無料）

2011年のインド国勢調査によれば、テルグ語の母語話者は約8,300万人です。ヒンディー語、ベンガル語、マラーティー語に次いでインドで4番目に母語話者の多い言語であり、ドラヴィダ語族では最大の言語です。アーンドラ・プラデーシュ州とテランガーナ州、そしてプドゥチェリー連邦直轄領ヤナム地区の公用語であり、録音された発話の量も膨大です。ニュース番組、大学の講義、YouTubeやポッドキャストの音声、コールセンターやオフィスの録音、そしてハイデラバードを拠点とするインド有数の規模を誇る映画産業があります。

まず多くの方が知りたいのは、文字起こしが実際にどんな見た目になるのかでしょう。テルグ語には独自の文字があります。中世に共有されていたテルグ・カンナダ文字系から派生したアブギダで、丸みを帯びた字形と、タラカットゥと呼ばれる小さなV字型の頭の画が特徴です。すべての子音字は固有の母音を内包し、他の母音は付属記号として書かれ、子音連結は主字の下に組み込まれた形として積み重ねられます。ConvertSpeechは、あなたの文字起こしをこの文字、つまりతెలుగుとして書き出します。ラテン文字にローマ字化した「telugu」ではありません。これは実務上も重要です。テルグ文字は帯気音と無気音、短母音と長母音も書き分けており、それらの違いは綴りだけでなく意味を変えるからです。

テルグ語はヒンディー語や英語とはかなり違う成り立ちをしており、それが文字起こしの姿にも表れます。インド・ヨーロッパ語族ではなくドラヴィダ語族に属し、基本語順は主語–目的語–動詞で、文法関係はもっぱら語の末尾に接尾辞を積み重ねることで表されます。テルグ語には接頭辞も接中辞もまったくありません。そのため、英語なら節ひとつを要する内容が1語の発話に収まり、紙の上では長い語として現れます。さらに、都市部の日常的なテルグ語には英語が絶えず混ざります。俗に「テングリッシュ（Tenglish）」と呼ばれる習慣で、dhanyavadamuluではなく「chala thanks」と言い、ハイデラバード、ヴィシャーカパトナム、ヴィジャヤワダのオフィスでは、文の途中で言語が切り替わり、またすぐに戻ります。ConvertSpeechのエンジンは、こうした英単語をテルグ文字に無理やり写すのではなく、テルグ語のテキストの中に英語として書き出します。

音声や動画をアップロードすれば、エンジンが話されたテルグ語を句読点付きの、きれいで検索可能なテキストとして書き出し、ドキュメント・字幕ファイル・翻訳ツールにそのまま貼り付けられる状態にします。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。

まず確認していただきたいのは文字です。文字起こしはテルグ文字で返ってきており、ラテン文字で打ったテルグ語ではありません。登場人物の名前も読めるテルグ語の語として残っています。Chakrapaniはచక్రపాణిです。2文字をひとつの形に積み上げる結合子音も、ばらけることなく正しく組まれています。疑問符も、直接話法を開く二重引用符も、エンジン自身が置いたものです。

正直に添えておきたい点が2つあります。テルグ語は独自の文字ではなくローマ字化されて返ってくることが時折あります。この抜粋では起きませんでしたが、使う前に文字起こしの冒頭に目を通すよう下のコツでおすすめする程度には起こります。もう1点、朗読者はこの小説が書かれた古い格式ばった文語のテルグ語を使っており、文字起こしも現代の口語的な綴りに書き換えることなく、その語域に従っています。

これは速いテンポで読み上げられた会話の場面で、はっきり発音された講義や口述メモよりも難しいものです。一度に一人ずつ話す静かな録音であれば、目に見えてきれいに仕上がります。抜粋は45秒が終わるところでそのまま止まります。

テルグ語は地域によってはっきりと差があります。言語学では通常、テランガーナ地方一帯で話される北部方言、沿岸アーンドラ諸県で話される中部（沿岸部）方言、ラーヤラシーマの南部方言、北アーンドラの東部方言に分類されます。書記標準は主に沿岸部の諸県から育ったため、沿岸部の話し方がテルグ語の書かれ方に最も近い傾向があります。これは書記規範の歴史についての事実であって、どの話し方が優れているかという評価ではありません。

文字起こしの上で最も実務的な違いは語彙です。テランガーナのテルグ語、とりわけハイデラバードの話し方には、14世紀以降のデリー・スルターン朝、そののちのデカンの支配下で吸収されたペルシア語・アラビア語・ウルドゥー語からの借用語が厚く層をなしています。家財、食べ物、行政に関する日常語が沿岸部の対応語と異なることがあり、借用語は統計的に見て自動システムが最も取りこぼしやすい部分です。録音のテランガーナ色が濃い場合は、校正でまずそうした語を確認してください。文法や文の組み立てのほうは問題なく通ります。

語域は地域と少なくとも同じくらい重要です。テルグ語には長らく、格式ばった文語の書き言葉と、実際に人々が話す言葉とのあいだに大きな隔たりがありました。20世紀を通じて — ギドゥグ・ヴェンカタ・ラーマムールティらの長年の運動を経て — 現代の口語標準が、出版・教育・放送の場で旧来の文語形を置き換えました。今でもその両方が耳に入ります。ニュース原稿や式辞では動詞語尾が省略されずに丁寧に発音され、インタビュー、Vlog、電話ではそれが大きく削られます。ConvertSpeechのエンジンは一方を他方へ変換するのではなく、録音の語域に従います。上のサンプルで文語形が読まれたとおりに保たれているのは、そのためです。

いつものことですが、最大の単一要因は録音の品質です。背景ノイズの上に早口で乗る濃い方言は、テルグ語に限らずどの言語でも、どんな自動システムにとっても難題であり、クリーンな信号ほど安定して文字起こしできるエンジンは存在しません。