速く話しているのに、途中で何度も止まって説明がつながらない。ゆっくりでも、必要な内容をひとまとまりで伝えられる。「日本語が流暢か」を考えるとき、この二つを話速だけで並べると、違いを捉えきれません。
流暢さを見るには、速さに加えて、発話がどのくらい続くか、どこで間が入るかを分けて捉える必要があります。CEFRの公式表でも、流暢さは、やりとりや話のつながりなどと別の観点に置かれています。Council of Europe「CEFR Table 3」
この記事では、時間情報を使う計測の考え方と、J-GRADEの実装で発話のまとまりをどう扱うかを説明します。
速さを比べる前に、何を時間で割るかをそろえる
話す速さを数値にするには、「発話の量」と「時間」を決めます。文字、語、音の単位のどれを数えるのか。時間には、回答中の沈黙を含めるのか。それとも発声していた時間だけを使うのか。この定義が違えば、同じ録音から異なる値が出ます。
たとえば、長い休止を挟んでから短く速く答えた場合、回答全体の時間で割った値と、発声中の時間で割った値は一致しません。速さの数字を比較する前に、分子と分母がそろっているかを確かめる必要があります。
日本語では、文字数と発音上の長さにも違いがあります。「学校」は二文字ですが、「が・っ・こ・う」と発音をモーラという単位で数えると四つになります。文字から求めた近似値を、音声から一つずつ数えた値と同じものとして読むことはできません。
同じ速さでも、発話のまとまりは違う
以下は仕組みを説明する架空の計算例です。J-GRADEの実測値、公式尺度、採点条件ではありません。量を数えるためだけに、仮の「単位」を使います。
| 架空の回答 | 発話の量 | 休止を含む回答時間 | 休止で区切ったまとまりの数 | 一まとまりの平均量 |
|---|---|---|---|---|
| 甲 | 24単位 | 12秒 | 3個 | 8単位 |
| 乙 | 24単位 | 12秒 | 6個 | 4単位 |
どちらも、回答全体では毎秒2単位です。しかし甲は少ないまとまりに、乙は多いまとまりに分かれています。この例だけで甲の会話力が上だとは決められませんが、速さが同じでも、続けて話した量は違うと分かります。
言葉でも考えてみましょう。次も架空の模式例で、「／」は説明のために置いた休止です。
- 甲：「明日は午前中に届きます／受け取りが難しければ／午後に変更できます」
- 乙：「明日は／午前中に／届きます／受け取りが／難しければ／午後に変更できます」
文字として伝えている内容は同じでも、区切り方は異なります。時間で切ったまとまりと、意味のまとまりがどのように重なるかを考える材料になります。ただし、時間の計測だけで、区切りが自然だったかまで自動的に説明できるわけではありません。
音声と文字を時間軸で対応させる
文字起こしに「明日は午前中に届きます」と書いてあっても、いつ発声し、どこで休止したかは文章だけでは分かりません。そこで、録音と転写を対応させ、語が録音のどの時間にあるかを求めます。
この処理は音声整列、または強制アラインメントと呼ばれます。Montreal Forced Aligner（MFA）の公式説明では、音声の転写と発音辞書を使って、時間に対応付けた転写を作る技術として説明されています。MFA User Guide「What is forced alignment?」
処理の入口にあるのは、音声と、そこに含まれると認識された言葉です。整列後は、ある語の終了から次の語の開始までの間を調べられます。句読点の位置をそのまま休止とみなすのとは、使っている材料が異なります。
音声整列は時間を推定する処理であり、話者の意図を判定する処理ではありません。転写に誤認識があれば対応も不確かになります。整列を使っているという技術名だけから、全区間の時間が正確だとは判断しないことも、結果を読む際の前提です。
J-GRADEが集計する「まとまり」の意味
J-GRADEの流暢さの実装では、録音と転写の時間情報から、休止で区切られる発話のまとまりを作ります。このまとまりをrunと呼び、平均の長さ、最も長いrunの長さ、runの数などを集計します。2026年9月時点の実装上の説明です。
平均の長さは、集計対象のrunに含まれる量を、runの数で割ったものです。最も長いrunは、その中で最大のものを表します。長い説明を一度できたことと、全体を通して長めのまとまりが続いたことを、同じ一つの数値にせず記録できます。
ここで測る長さには、転写の文字列から計算した近似値が含まれます。音声だけから厳密なモーラを全数計測する方式ではありません。また、runは時間上の区切りなので、必ず一文や一つの意味に対応するわけでもありません。
実装では録音区間ごとにまとまりを求め、その結果を集めます。別々の発話区間をつなぎ、相手の発話を待つ時間まで一続きの休止として数える処理にはしていません。音声整列を利用できない場合には、無音検出や音声認識が返す時刻を使う経路もあり、計測に使った方法を記録します。
取得できた計測結果は、会話の特徴を示す流暢さの評価へ反映する処理につながっています。こうした接続が実装されていることと、人間の評価との一致や、すべての録音条件での精度が確認されたことは別です。
長い間や言い直しを、どう読み取るか
休止が見つかったとき、時間の数字だけで「言葉が出なかった」と決めることはできません。先ほどの配送の架空例でも、相手の反応を待っていたのか、日付を確かめていたのかは、会話の流れを合わせて見る問いです。
言い直しも同様です。「明日の午前、いえ、午後です」という架空の発話なら、修正が入った事実と、最終的に時間を正しく伝えたことを分けて考えます。間や修正を一律に取り除けば、よい会話になるわけではありません。
逆に、長く途切れずに話せても、質問への答えが見つからなければ、会話の目的を達成したとは限りません。流暢さの数値は話し方の一面を確かめる材料として使い、課題の達成や、相手とのやりとりも合わせて読みます。
結果を次の会話の確認につなげる
前回と今回を比較するなら、同じ種類の課題か、準備の条件は近いか、音声の計測方法は同じかを確かめてください。説明を求める課題と短い返答を求める課題では、続けて話す必要のある量も違います。
練習目標には、「もっと速く」だけでなく、「結論と理由を一まとまりで言う」「必要なところで区切って相手を確かめる」といった案が考えられます。計測値を上げること自体を目的にせず、実際に伝えたい内容から選びましょう。
J-GRADEは日本語の会話能力を判定するサービスです。J-GRADEのレポート例で結果の見せ方をご覧いただけます。学校・企業での活用については、PLUS IMPACTのお問い合わせフォームへご相談ください。
