技術ブログ

音声認識にかけて終わりのつもりだった。壊れるのは固有名詞と専門用語だけで、そこがこの番組の価値そのものだった。取り得た構成と、採らなかった理由。

文字起こし97,000行に、出演していない人の名前が入っていた。実装を変えても、モデルを変えても同じ数字が出る。英語では出ない。再現手順つきで、外れた推測も残して書く。

124行のCSVで機械的に直す仕組みと、その辞書自体を全件検算するスクリプトを書いた理由。

文脈から自然な日本語を作れてしまうのが危ない。直してよい5つの型を定義し、それ以外は証拠を見に行かせる。

該当区間だけ切り出してタイル画像にまとめ、テロップを正解データとして使う。フレーム間隔の落とし穴。

手で直した276件のうち233件は、機械が印を付けていない箇所だった。設計は印を追う形にしたが、精度が追いつくまでは全部読む。

Upstash のオーバーレイと、バッチによる直接更新が衝突。drain-first と base 照合で lost update を止めるまで。

193,849行の edit_stage テーブルと、5項目のプリフライト。証跡のない変更は本番に出せないようにした。

日本語をバイグラムで投入している全文検索索引が、元テーブルの更新に追随していなかった。検算の作り方の話。

長音・中黒・全角半角・カタカナ英語。text_search と text_yomi の2列を持たせて吸収する。

少なく見える語は、たいてい別の字で起こされている。読み・惜しい綴り・語尾・出ないはずがない回、の4通りで洗う。

空いた期間の幅を頭打ちにして詰める。回と回を結ぶ線は、番組が過去回を明言した箇所だけにした。拡大縮小の中でカードを掴む話も。

130万行の集計をページに置かない、表記ゆれを機械で束ねない、言い方が毎回変わる語をどう拾うか。載せない判断も含めて。