問題解決技術

耳が聞こえない人に対して、手話を使わずに複数人の会話をどう伝えるか。ここにスマートグラスの期待される未来の一つがあるという話。テクノロジーがさまざまな障壁をなくしていくの素晴らしい。↓ pic.twitter.com/TsxvBrQRAK

— 佐々木俊尚＠「フラット登山 日本を歩く旅60」発売3週間で増刷決定！ (@sasakitoshinao) July 31, 2026

佐々木俊尚氏の引用から、耳の不自由な祖父にAppleのアクセシビリティ機能を使ってみたときの話。一昔前では想像出来ない、実現が厳しいような「音声変換文字起こし技術」が、スマホ1つで出来るのだから技術進歩は凄い。さらにその表示をメガネ(というにはサイズ感があるが)の中に表示させて、声と文字と異なる媒体での会話(=コミュニケーション)を成立させるというのは、ある意味異生物間でのファーストコンタクトみたいな印象も。

多少なりとも技術を知っていると、「あぁ、スマホの音声認識はそれなりに制度もあるから便利なんじゃ無い」と、安易に過信をしてしまうけれど、引用元の記事にも書かれているように、実際に利用してみると色々課題・問題が見つかり、実はそういう部分の方が大変という事も。最初に指摘されているように、複数の人間で会話していると、今誰の発言が文字起こしされているのか、個別認識となる「声」が聞こえないと判別できない。これは、もう少し技術が進んでマイクの指向性や声質まで認識出来るようになれば、例えば右手のこの声質は白色、左手のこの声質は黄色、みたいな感じで表示し分けたり、場合によってはフォントを買えるというのも有効かもしれない。1つ疑問を感じたのが、「聞かせたくない話も文字起こしされる」という部分。これ、普通に会話する場合も相手に聞かせたくない話は目の前でしないでしょう?! 相手(=祖父)に聞こえないという認識があるから、相手に失礼な内容まで目の前で話しをしているだけじゃ無いかな。だから、そこは技術的な問題では無く、一般的なマナーの話だと思う。

今回の話は、耳の不自由人に視覚インターフェースで代替する話ですが、目の不自由な人に対してはどんな方法があるだろうか。外部インターフェースとしては、耳(=音)を代用することになるんだろうけど、例えばAI内蔵のスマホがカメラで周りの状況を認識して実況中継してくれるようなアプリとかどうだろうか。例えば「交差点まで20m、人通りは少ない。進行方向はクリアー。横断歩道手前の停止位置まで、5m、4m、3m、2m、ストップ!」みたいな感じで、「実況中継AI」なんて今でも実現出来そうな気がするなぁ。単に喋り続けるのもうざったいこともあるだろうから、カスタマイズして省略語とか短縮表現出来るように学習できたらどうだろうか。例えば「交差点20m、前進OK、交差点まで5m、4、3、2、1、ストップ」とか。勿論双方向インターフェースもサポートして「交差点近くで、一休みできカフェかスタバはある」「有ります、左に10m先にスタバがあります」「そこへ誘導開始」みたいな。

40年位前に初めて出張でアメリカに行き、夜になると他にやることが無いから向こうのCNNとかスポーツ番組を眺めていましたが、その時に初めて「CC (Closed Caption)」というものを知りました。最初は何なのか意味がわからなったんですが、偶々それがONに成っているときがあり、そうすると画面上にCNNならニュースの内容が英語でパカパカ表示されるわけです。最初は、元々記録されていたものを表示しているのかと思ったんですが、当時でもちゃんとリアルタイムに音声を変換していて、だから結構タイムラグがあり音声を同時に着ていると凄くまどろっこしくて面倒でした。でも、耳が不自由な人にすれば、多少のタイムラグがあってもニュース内容が理解出来ることは重要なわけですよね。当時でも、確かMCとゲストとの会話だと、それぞれの発言の先頭に「MC) ...」「Gst) ...」みたいな感じで、どちらの発言か示しつつその内容を表示していたけれど、40年前の技術でもそこまでで切るのだから、現在はさらに洗練されているのも当然な気がします。それにその技術は、外国語の自動翻訳にも行かせるわけだし、ほぼリアルタイム翻訳機なんて言うのも既に存在しているのも、当時のそういう技術がベースなのかなとちょっと想像しています。やはり技術は人のためのものだと思いましたね。