それ何が面白いの。英語のユーモアを日本語超訳で笑う

それ何が面白いの。英語のユーモアを日本語超訳で笑う

こんにちはmakokonです。

ＬＬＭの発達で、外国語を理解することは、ＡＩ以前がもう思い出せないくらい便利になりました。

でも、依然としてうまく伝わらないものもあります。その最たるものがジョークなどユーモアです。

このあたりを解消するようなシステムが提案されました。その答えは、超訳（久しぶりに使った）です。

• ジョークの面白さを分析する。

• 分析した面白さを、翻訳する。

• 翻訳結果に基づいて、新しくジョークを作る。

この仕組みを、ＡＩ利用者目線で眺めていきましょう

なお、ジョークの構造理論（話題、角度、オチ）も組み込むと、より一層面白くなるようですよ。

※一度記事を書いたあと、論文にないＬＬＭで実施に試してみましたが、かなり難しい。試した例を途中に挿入しています。この研究の原理の問題でなく、日本語固有の問題な気がします。付録１の独自考察を読んでください。

Psychology-Driven Enhancement of Humour Translation

1. 翻訳ジョークはなんで面白くないの

ユーモア翻訳の壁と現場の課題

AIを活用して英語のジョークやユーモアを日本語に翻訳したとき、「なんだか面白くない」「意味は通じるけど笑えない」と感じた経験はありませんか？
たとえば、英語のダジャレや言葉遊びは、そのまま訳すと意味が伝わっても、肝心の「笑い」が消えてしまうことが多々あります。
これは、単なる言語の違いだけでなく、文化的背景や心理的な期待値のズレが大きく影響しています。

現場でAIを使いこなす皆さんも、

• 「ChatGPTで翻訳したジョークが全然ウケない」

• 「直訳だと不自然、意訳だと元の面白さが消える」

• 「そもそもAIは“笑い”を理解できるのか？」
  といった悩みを持つことが多いのではないでしょうか。

本記事では、AIによるユーモア翻訳の新しいアプローチ「Humour Decomposition Mechanism（HDM）」を解説します。
なるべく、具体的にわかりやすく、「自分で試せる」レベルの理論・実装・評価・今後の展望まで、説明していきます。

2. ＨＤＭ理論・概念解説

2.1 ユーモア翻訳の難しさ

文化・言語の壁

• ジョークは「意味」だけでなく「文化的背景」「言葉遊び」「暗黙の了解」など多層的な要素で成り立つ

• 直訳では「笑い」が消えることが多い

• 例：英語のダジャレ “Invisibull”（invisible + bull）は、日本語に直訳しても面白さが伝わらない

【図表1 】（論文Fig.1：英語ジョークの直訳とHDMによる翻訳の比較）

2.2 既存のAI翻訳の限界

• LLM（大規模言語モデル）は一般的な翻訳は得意だが、ユーモア翻訳では「不自然」「面白くない」結果になりやすい

• 伝統的な翻訳手法は「逐語訳（formal equivalence）」が中心で、感情や文脈を重視した「動的等価（dynamic equivalence）」は未発達

2.3 Humour Decomposition Mechanism（HDM）の概要

人間の思考プロセスを模倣

HDMは、ジョークを「分解→翻訳→再構成」する3ステップのパラダイムを提案します。

1. 分解（Decomposition）ジョークを「トピック」「アングル」「パンチライン」に分解し、構造的に理解する

2. 翻訳（Translation）分解した要素ごとにターゲット言語へ翻訳

3. 再構成（Composition）
   翻訳した要素をもとに、ターゲット言語で新たなジョークを生成

【図表2】（論文Fig.2：HDMのワークフロー）

HDMイメージ図

2.4 ユーモア理論の統合

• トピック（話題）、アングル（切り口）、パンチライン（オチ）という構造でジョークを分析

• これにより、AIが「どこが面白いのか」を理解しやすくなる

3. 実装イメージ

3.1 Python風プロンプト例

ステップ1：ジョークの分解

prompt = """
あなたはユーモアアシスタントです。次のジョークを分析してください。
ジョーク: What do you call a green cow in a field? Invisibull.
分析は「トピック」「アングル」「パンチライン」に分けてください。
"""

ステップ2：分析結果の翻訳

prompt = """
次の分析を英語から日本語に翻訳してください。
トピック: 牧場の牛
アングル: 牛が緑色
パンチライン: "Invisibull"は"invisible"と"bull"の言葉遊び
"""

ステップ3：日本語ジョークの生成

prompt = """
上記の分析に基づいて、日本語のジョークを生成してください。
"""

ちょっと試してみた／かなりうまくいかない（予定外に挿入）

ちょっと、論文にないＬＬＭチャットを使って試してみました。
案外落とし所が難しい。適したＬＬＭ性能があるのかなあ。それとも日本語はこの考えにそぐわないのか？

3.2 実装フロー（擬似コード）

def hdm_translate(joke, src_lang="en", tgt_lang="ja"):
    # 1. 分解
    analysis = decompose_joke(joke, src_lang)
    # 2. 翻訳
    translated_analysis = translate_analysis(analysis, src_lang, tgt_lang)
    # 3. 再構成
    new_joke = compose_joke(translated_analysis, tgt_lang)
    return new_joke

4. 評価・結果解説

4.1 自動評価指標（GEMBA）

• ユーモア（Humour）、流暢さ（Fluency）、一貫性（Coherence）をGPT-4ベースの自動評価指標GEMBAで評価

• HDMは従来手法（DUAL-REFLECT, MAPS）よりも全指標で高スコアを記録

【図表3】（論文Table 1：各モデルの自動評価結果）

Table 1などに記載されている「SQM-H」「STAR-H」「SQM-F」「STAR-F」「SQM-C」「STAR-C」は、GEMBAという自動評価指標を用いた各種スコアを示しています。これらの指標で、各手法の翻訳結果が「どれだけ面白いか」「どれだけ自然か」「どれだけ一貫しているか」を多角的に評価しています。

つまり、本研究では、面白さなどを機械評価しています。（人間の主観は見ていない）

• SQM-HGEMBA-SQM（Scalar Quality Metric）による「ユーモア（Humour）」のスコア。0〜100の連続値で、数値が高いほど「面白さ」が高いと評価されます。

• STAR-HGEMBA-STARSによる「ユーモア（Humour）」のスコア。1〜5の星評価（★）で、数値が高いほど「面白さ」が高いと評価されます。

• SQM-FGEMBA-SQMによる「流暢さ（Fluency）」のスコア。0〜100の連続値で、翻訳文の自然さ・読みやすさを評価します。

• STAR-FGEMBA-STARSによる「流暢さ（Fluency）」のスコア。1〜5の星評価で、翻訳文の自然さ・読みやすさを評価します。

• SQM-CGEMBA-SQMによる「一貫性（Coherence）」のスコア。0〜100の連続値で、文脈や内容のまとまり・論理性を評価します。

• STAR-C
  GEMBA-STARSによる「一貫性（Coherence）」のスコア。
  1〜5の星評価で、文脈や内容のまとまり・論理性を評価します。

4.2 具体例

英語ジョーク例と各手法の翻訳

• 原文: What did the snail say while riding on the turtle’s back? Wheeeeeee!

• 直訳: ウミガメの背中に乗ったカタツムリが言った。「ウィーーー！」

• HDM: カタツムリがウミガメの背中に乗って叫んだ。「わあ！速い！」

  • （注意）ＨＤＭ中国語ジョークです。ちっとも面白さがわからないのは中国語から日本語にしているためだと思われる。次の図表４も日本語にするのはやめました。

【図表4 】（論文Fig.4：HDMによる翻訳例）

4.3 汎用性・他言語対応

• 英→中、英→西、英→独など多言語で有効性を確認

  • 日本語がない

• 小規模LLMでは効果が限定的だが、大規模モデルでは一貫して高評価

【図表5】（論文Table 2, 3, 4：他言語・他モデルでの評価）

中国語、スペイン語、ドイツ語での評価。モデル比較は中国語。

4.4 アブレーションスタディ

• HDMやユーモア理論の有無で大きな性能差

• CoT（Chain-of-Thought）プロンプトが翻訳の質向上に寄与

【図表6】（論文Table 5：アブレーション結果）

「-」「-HDM」「-HT」「base」は、HDM（Humour Decomposition Mechanism）およびユーモア理論（Humour Theory）の有無による各種手法の比較設定を示しています。

• 「-」：HDM＋ユーモア理論（論文の提案手法・完全版）

• 「-HDM」：ユーモア理論のみ

• 「-HT」：HDMのみ

• 「base」：どちらもなし（ベースライン）

この比較により、HDMやユーモア理論の有無が翻訳品質（ユーモア・流暢さ・一貫性）にどの程度影響するかを定量的に評価しています。

5. 考察・まとめ

現場での活用ポイント

• HDMは「直訳→意訳→再構成」という人間的な思考をAIに模倣させることで、ジョークの「面白さ」や「自然さ」を損なわずに翻訳できる

• HDM型プロンプトを活用することで、
  LLMの翻訳結果を「自分で再構成」する新しいワークフローを実現できる

限界と今後の展望

• 本研究は英・中・西・独の4言語のみ。今後は多言語・多文化対応が課題

• 自動評価のみで人間評価が未実施。今後は人間による主観評価も必要

• 言葉遊びや文化依存の強いジョークには限界も

6. ハッシュタグ

#AI翻訳 #ユーモア翻訳 #HDM #ChainOfThought #LLM #自然言語処理 #プロンプトエンジニアリング #GPT4 #Gemini #YiLarge #MAPS #DUALREFLECT #GEMBA #多言語AI #文化翻訳 #AI活用 #論文紹介 #AIヘビーユーザー #Python #プロンプト例 #dot言語 #自動評価 #人間らしさ #AI研究 #AIブログ

付録１　日本語でイマイチな理由（論文内容から見た独自考察）

チョロチョロと試しながら、論文を読んでいたのですが、結構いろんなモデルで試してみたのですが、イマイチなジョークしか出てきませんでした。
高性能モデルは、何もしなくてもそこそこ日本語らしいジョークになるのですが、それにHDMを使っても、最初のジョークとレベルが変わりません。
小規模モデルでは、分析も、分析に基づくジョーク生成も全然でした。日本語では、あまりうまく働かないのかなあ。日本語ではうまくいかないものと仮定して、その原因を考えてみました。

1. 言語的要因

• 英語の言葉遊び（puns）や音韻的なダジャレは、日本語に直訳できない場合が多い

  • 例：「Invisibull（invisible + bull）」のような英語特有の音の重なりやスペル遊びは、日本語では同じ効果を持つ単語が存在しない

  • 日本語のダジャレは音の一致や語呂合わせが中心で、英語の語形成とは構造が異なる

• HDMの「分解→翻訳→再構成」プロセスで、分解した要素（トピック・アングル・パンチライン）を日本語で再構成しても、元の面白さが再現できない

  • 分解した情報を日本語で再構成しても、文化的・言語的な「笑いのツボ」が異なるため、自然な日本語ジョークになりにくい

2. モデル・データセットの要因

• 本研究の訓練・評価データセットに日本語が含まれていない

  • HDMの有効性は中国語・スペイン語・ドイツ語で検証されているが、日本語は対象外

  • 日本語のユーモアコーパスやジョークデータが少なく、モデルが日本語の「笑い」を学習できていない

• 日本語のLLMや翻訳モデルの「再構成」能力が限定的

  • 軽量モデルでは分析や再構成が不十分

  • 最新のLLMでも、プロンプト設計やモデル能力に依存しやすい

3. 文化的要因

• 日本語のユーモアは、英語圏と比べて「間」や「空気」「文脈依存」が強い

  • 英語のジョークを日本語に再構成しても、文化的な「笑いの文法」が異なるため、違和感が生じやすい

• 中国語ではうまくいくが日本語では難しい、という現象は、文化的な「笑いの型」の違いも影響

  • 中国語は英語と同じく「言葉遊び」や「語呂合わせ」が比較的多いが、日本語は独自のダジャレ文化や「オチ」の作法がある

4. 評価指標の限界

• GEMBAなど自動評価指標は日本語の「面白さ」を正確に測れない

  • 人間評価が未実施であり、日本語の主観的な「笑い」を反映できていない

総合的な推論

• HDMの枠組み自体は理論的に有効だが、「日本語の言語的・文化的特性」「モデルの訓練データ」「自動評価の限界」が重なり、日本語では「面白いジョークの再構成」が難しい

• 今後は、日本語のユーモアコーパスの拡充、プロンプト設計の最適化、人間評価の導入が必要