日本語OCRの個人的な予測

慶応大学図書館の著作権きれ 12万冊を、Google ブック検索で提供するというニュースが飛び込んできた。
Googleとしても、古い活字のOCR化に、自信をみせている。
黒澤のみるところ、あまり、簡単にいくだろう。
だいたい、100年程度古い図書は、新活字により復刻、解説がでているので、先にそちらを読み取ってから、
原本の漢字にあわせていけばいいので、原本からOCR化しなければならない理由は見当たらない。
同時に、原本活字の確定も簡単に学習できることになるので、特に問題は無いだろう。
簡単に、作業は済むだろう。
日本語の複雑さは、漢字や日本語の表記など、めまぐるしい変化の多さだろう。
しかし、Googleが、そのことに格闘する（膨大な資金をかけて）格闘することが、
日本語表記、日本語のあり方の分析に貴重な資料、情報になるだろう。
そして、日本語にもっとも詳しい業者になる可能性がある。

しかし、ちょっと心配でもある。
あのGoogleでさえ、日本語への格闘はたいへんだろうなぁ。
あたらしい日本語分析、検索の提案ができるといいなぁ。
もしかすると、日本語の解析技術は、もっと、よい翻訳技術が向上するかもしれない。
世の中には、日本語から英語、英語から日本語に翻訳された本がたくさんあるので、
それらを全部分析してみたいと企んでいる Google社員もいるだろう。
２０％ルールを活用して。

また、楽しみが増えたが、一人ですべてを追跡することはできないので、
まぁ。その辺は、楽しみにとっておこう。


漢字系（旧漢字、新漢字、異体字 JISの変遷など）
漢字とひらがな問題（破綻、破たんなどの分析）
異体字（新撰組、新選組などの問題）
旧かな、旧送り仮名問題
印刷活字おけるフリガナ処理など

Googleブック検索上で、一つの日本語体系として統合されたデータベースが登場すると
すごいことだと思う。
現代日本語を超えた、スーパー日本語が、Googleブック検索上で登場するのかもしれない。
とんでもなくすごい事だと思うが、期待しておこう。