bookbar5

平野威馬雄・南方熊楠・高市早苗

探していた資料がふいに見つかり、それをテーブルに置いたままで広げた新聞にお二人の名前を見つけて記念撮影。左から「TRA」1号の平野威馬雄、南方熊楠の「菌類彩色図譜」、朝刊。

生物学者であり、民俗学者でもあった南方熊楠は、（中略）。英国への滞在中に、いつもの日記のノートが切れた。日本の知り合いに頼み、入手したのは10カ月後。熊楠先生、記憶をたどって一日分も欠かさず埋めたという（平野威馬雄著『くまぐす外伝』）。▼高市早苗・経済安全保障担当相も、かなりの記憶力の持ち主とお見受けした。（後略）
朝日新聞（2023.3.17）天声人語　より

私自身は、自分に対して記憶の捏造は日常茶飯事だ。だがかの人が発した「捏造」は、自分ではない誰かをおとしめんとするものだ。

秩父鉄道皆野駅、もらわずにはおれない小袋

駐車してないしお金封入してないしお車ナンバーないけれど。

いつもと違う鉢庭。ラーメンとかチャーハンとか

千葉県木更津、与三郎通り

新聞くずかご■いすゞ自動車

・いすゞ自動車／ISUZU World Premiere 2023

「飼育」大江健三郎→大島渚→ワタシ

道具（12）飼育　　四釜裕子　（gui127初出）

新しいバターを開封するとき、キャラメル包みされた銀紙の２か所がバターにめりこんで人中みたいに残ることってないですか？　ところが今朝、これが解消されているのを発見。銀紙でバターを巻くときに最初に抑える役割の金具の角度を斜めに変えたのではないだろうか。しかもその形を舟型にして。鈍角側から銀紙をむいたら破れることなく剥がすことができた。「人中」から「加トちゃんペッ！」へ。たまたまだろうか。

2022.8.23開封の雪印北海道バター200g

さてここ数年で音声の自動文字起こしを使うようになった。重宝している。よく利用しているシステムは使い始めた当初検証実験中で協力する立場で関わった。そのときすでに聞き取りやすい日本語なら９割程度文字化ができていた。でもそんな日本語を話せるのはアナウンサーくらいしかいないから、そうではない多くの人の話し言葉を認識するために、DNN（Deep Neural Network）なる技術を駆使しておよそ4500時間分の音声で学習したと聞いた。単語の誤り率は20％程度。これに書き起こし用のインターフェースをうまく組み合わせれば効率のいい書き起こしができる、ついては使い心地を試して意見せよということだった。

DNNとは「人間の脳内の信号処理をモデル化したニューラルネットワークを多段接続したもの。機械学習手法の一つ」だそうだ。例えばテレビの字幕であれば、放送の音声を認識するのに「発話音声を入力として単語列を推定」するそうだが、書き起こしとなるとそれだけでは難しいので、DNNによって生成された情報を「単語の複数連鎖を表現した言語モデルの学習に活用する手法を新たに開発し、言語モデルの精度を向上」させたそうだ。さらにDNNを応用した「Encoder-Decorder型ネットワークを利用して音声認識結果を修正しながら整形する文整形モデルを構築」したという。4500時間分というのが「すごい！」のか「それだけ？」なのか、他にもわからないことだらけだが置いておこう。

このシステムがメインで想定している利用者とこちらは業務が異なるため、バージョンアップのたびに考慮される「使いやすさ」がほぼ邪魔だった。アンケートには「何もないシンプルなタイプも選べるといい」と毎回添えた。そもそもこのインターフェースで漢字を正す場合、音声の進行にともない着々文字変換が進む中、音声を止め、訂正する箇所をマークして、正しい漢字を打ち直し、音声を戻して再スタートしなくちゃならない。こうしたたぐいの修正ならあとで通して読みながら直せば済む。だけど当時は実験中、システムの学習のためだ、われわれはこのシステムを飼育しているのだと思って、なるべく画面上で直そうと頑張った。そうして日々、システムは賢くなっていったように感じていたんだけど。

ほどなくこのシステムは完成した。シンプルなインターフェースも選べるようになり、われわれの前にも実装された。完成間近になって初めて直接話ができた開発担当者に、このシステムの成長に私たちもいくぶんかは協力できたのかしら、とか言って漢字変換の面倒をくどくど話すと、検証実験段階なのでそこで学習するようにはなっていませんでしたと言われた。そ、そうか……と思いつつ、ひとつずつの傾向を持った記事の中での漢字変換学習にせっせと協力していたつもりだったので、というかそう聞いていたので、なんだよ、と思い脱力した。

昨年版のそのシステムの資料によると、書き起こしは映像尺のおよそ６倍の時間がかかるとされ、例えばすべて手作業だと60分かかるところが、これを使えば36分程度の修正で済むとされている。言語モデルの学習データは字幕やウェブ記事などからの5700万文字であること、そして現在はおよそ28万単語の認識が可能だともある。羅列する数字をどう評価すればいいのか相変わらずわからないけれど、システムは成長し、学習を続け、立派になり、われわれは大島渚が『飼育』で撮っていたみたいに一本だか一丁だかで締めたりして、一瞬の屈辱も傲慢もなかったことにしてあっという間に馴れていく。映画『飼育』より