Darmowa transkrypcja mowy na tekst — język japoński

Japońskim mówi około 125 milionów ludzi, niemal wyłącznie w Japonii, a język ten obsługuje jedną z największych na świecie gospodarek mediów, biznesu i badań. Wywiady, wykłady, posiedzenia zarządów i treści wideo po japońsku nagrywane są nieustannie, a większość z nich prędzej czy później musi stać się przeszukiwalnym tekstem.

Japoński wymaga też od silnika rozpoznawania mowy czegoś, czego nie wymaga prawie żaden inny język: zapisuje się go trzema systemami pisma naraz, przeplatanymi w obrębie jednego zdania. Kanji niosą wyrazy treściowe, hiragana — gramatykę i końcówki fleksyjne, a katakana — zapożyczenia, obce nazwy i onomatopeje. Wybór między nimi nie jest kwestią formatowania; on jest transkrypcją. Te same sylaby wypowiedziane jako „kami" to 紙 (papier), 神 (bóstwo) i 髪 (włosy): w powietrzu identyczne, na papierze trzy różne znaki, a o tym, który jest właściwy, decyduje wyłącznie otaczające zdanie. W próbce poniżej można to zobaczyć na żywo: ゴム, słowo oznaczające gumę, które japoński zapożyczył z niderlandzkiego, jest poprawnie zapisane katakaną, podczas gdy 西洋人 i 手拭 w tym samym fragmencie zapisano w kanji, a partykuły wokół nich w hiraganie.

Do tego pisany japoński nie stawia spacji między wyrazami. Silnik nie może po prostu zapisać dźwięków i zostawić reszty odstępom — musi zdecydować, gdzie kończy się każdy wyraz, bo nie ma żadnej widocznej granicy, na której mógłby się oprzeć. Interpunkcja też nie jest wypowiadana, więc 、 i 。 w transkrypcie są wywnioskowane z frazowania, a nie usłyszane. Mówiony japoński część pracy zrzuca na akcent toniczny: 箸 (pałeczki), 橋 (most) i 端 (skraj) to wszystko „hashi", a w mowie tokijskiej odróżnia je miejsce, w którym opada ton. Liczenie dokłada kolejną warstwę, bo japoński liczy rzeczy klasyfikatorem, który zmienia postać razem z liczbą: trzy przedmioty podłużne to 三本 (sanbon), ale sześć to już 六本 (roppon), rzeczy płaskie biorą 枚, a małe zwierzęta 匹.

Grzeczność jest tu kategorią gramatyczną, nie ozdobną. Przejście z mowy potocznej do keigo nie łagodzi czasownika, tylko go zastępuje: 見る staje się ご覧になる, gdy patrzy rozmówca, i 拝見する, gdy patrzy mówiący, a 言う przechodzi tak samo w おっしゃる albo 申す. Transkrypt, który się w tym pomyli, nie tylko dziwnie się czyta — przekłamuje rejestr społeczny wypowiedzi. Prześlij audio lub wideo, a silnik zapisze wypowiedziany japoński jako czysty, przeszukiwalny tekst z systemami pisma pomieszanymi tak, jak pomieszałby je japoński piszący. Działa w przeglądarce, nie wymaga instalacji, a pierwsze minuty są darmowe, bez zakładania konta.

To prawdziwe, 45-sekundowe nagranie czytane przez człowieka, przepuszczone przez nasz silnik AI dokładnie tak, jak przepuścisz własny plik. Nic nie zostało potem poprawione. Włącz odtwarzanie i czytaj razem z lektorem.

Warto zwrócić uwagę: trzy systemy pisma są pomieszane tak, jak pomieszałby je japoński piszący, i nikt silnikowi tego nie kazał. ゴム — niderlandzkie zapożyczenie oznaczające gumę — stoi w katakanie, podczas gdy 西洋人, 手拭 i 日本人 w tym samym fragmencie są w kanji, a każda partykuła i każda końcówka czasownika siedzi w hiraganie. 一言二言 zapisano w kanji, a nie fonetycznie, a literackie 否や przetrwało nietknięte. Przecinki i kropki nigdy nie zostały wypowiedziane; zostały postawione na podstawie frazowania lektora i trafiają na granice zdań składowych, tam gdzie postawiłby je japoński redaktor.

Nie jest idealnie, a błędy są pouczające. Sōseki napisał 猿股一つ — obcokrajowiec stoi tam w samych kąpielówkach — a silnik usłyszał それまたひとつ, prawdziwie brzmiący ciąg kany, który nic tu nie znaczy. Wyliczenie barw 海老茶や紺や藍 wyszło jako 海茶や昆夜藍, ze znakami kanji dobranymi pod brzmienie, a nie pod sens. Tak w praktyce wygląda presja homofonów. A jest to staranne, wyraźnie artykułowane czytanie, blisko wykładu albo dyktowanej notatki. Wywiad w gwarnej izakai, gdzie trzy osoby mówią jedna przez drugą, nie wyjdzie tak czysto; nie wyjdzie tak w żadnym automatycznym systemie. Jakość nagrania pozostaje najważniejszym czynnikiem decydującym o wyniku.

Standardowy japoński — hyōjungo, zbudowany na mowie Tokio — to język nagrań radiowo-telewizyjnych, biznesowych i akademickich, i właśnie do niego ConvertSpeech jest dostrojony. To także odmiana, której akcent toniczny silnik traktuje jako punkt odniesienia, a ma to znaczenie, bo w mowie to właśnie ton rozdziela kilka częstych par wyrazów, zanim kontekst zdąży się odezwać.

Kansai-ben, używany w okolicach Osaki, Kioto i Kobe, to najsilniejsza odmiana regionalna, jaką realnie możesz nagrać, i różni się nie tylko akcentem. Spójka orzeczeniowa brzmi や zamiast だ, przeczenia tworzy się przez -へん lub -ん zamiast -ない, a codzienne słowa są po prostu inne: おおきに na „dziękuję", あかん na „nic z tego", ちゃう na „nie o to chodzi". Wyraźna mowa z Kansai transkrybuje się użytecznie, ale licz się z tym, że silnik będzie miejscami ciążył ku formom standardowym — nagraniom mocno dialektalnym daj dokładniejszą korektę. Odmiany z Tōhoku i Kiusiu są od standardu jeszcze dalsze; im bardziej dialektalne nagranie, tym bardziej transkrypt czyta się jak standardowy japoński ubrany w regionalne słownictwo.

Grzeczność jest oddawana tak, jak została wypowiedziana, w obie strony. Mowa nasycona keigo — rozmowa z obsługą klienta, formalna prezentacja, wywiad z osobą wyższą rangą — daje いらっしゃいます, させていただきます i ございます dokładnie tak, jak padły, a swobodna rozmowa wśród znajomych daje formy proste i opuszczone partykuły dokładnie tak, jak padły. Silnik nie normalizuje jednego do drugiego, i o to właśnie chodzi: w japońskim poziom grzeczności jest częścią treści, a nie ustawieniem stylu. Trudność pojawia się tam, gdzie mają ją także ludzie — formy skromne i honoryfikatywne tego samego czasownika nie przypominają brzmieniem formy słownikowej, więc nietypowe keigo warto przy korekcie sprawdzić.