高齢者が話すのは台湾語で、機械はそれを聞き取れません

地域拠点で、介護職員が高齢者の隣に座り、タブレットを持っています。昨日はよく眠れましたか。夜中に起きますか。高齢者が答えます。職員は聞きながら、その答えを様式の文言に置き換えながら、下を向いて入力します。高齢者は、その人のつむじに向かって話すことになります。

しかも高齢者が話すのは台湾語です。台湾語と華語が同じ一文に混ざることもよくあります。「わたしの足がね、sng（だるい）」。職員本人は完全に理解しています。ただ、入力するには先に華語へ直さなければなりません。

私たちが欲しかったのは単純なことです。顔を上げて、ちゃんと人と話してもらう。記録は勝手にできあがる。それには台湾語を聞き取れる音声モデルが必要でした。既製の音声認識は華語は得意で、台湾語は苦手です。そして高齢者が、システムに合わせて華語に切り替えてくれることはありません。

237 MB まで縮めて、スマートフォンで直接動かす試みもしました。進展は本物でした。実際の長い音声で、元のモデルとの差は 63% から 38.7% まで縮まりました。しかし元のモデル自身は 14% です。まだ差が大きいので、公開していません。

途中で書き残すに値する失敗もありました。最初の試みでは、小さいモデルに大きいモデルの「言い回し」を真似させすぎて、かえって悪くなりました。正解そのものを主役に戻し、真似は補助に回してから前進が始まりました。こうした記録も公開します。きれいな数字より、他の人の助けになるからです。

行き詰まっているのは訓練技法ではありません。台湾語の録音が少なすぎることです。公開ソースを合わせても数十時間、しかも大半は原稿を読んだ短文で、高齢者が実際に話す言葉とはかなり違います。

もっと根本的な問題もあります。話される台湾語を忠実に書き表すのは台羅（Tâi-lô）ローマ字で、華語漢字で書くと台湾語の読みが失われます。漢字で「斷腦筋」と書かれても、読む人はそれが脳卒中を指すと分かりません。だからいま作っているのは台羅を出力する版です。まだ完成していません。できたら、このページに載ります。