Media > AI活用ユースケース > 品質管理 > ゲーム開発会社が、ゲーム内の文章の英語・中国語の訳を Azure OpenAI で用語集と照らして校正し、訳語の揺れと文字数の超過を指摘する

ゲーム開発会社が、ゲーム内の文章の英語・中国語の訳を Azure OpenAI で用語集と照らして校正し、訳語の揺れと文字数の超過を指摘する

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

翻訳会社から納品されたゲーム内の文章の英語・中国語の訳を、用語集と過去の承認訳に照らして Azure OpenAI で校正します。訳語の揺れと用語の食い違いを根拠の写し付きで挙げ、文字数の超過と置き換え記号の欠けは規則の処理で数えます。

サマリー
生成AI
Azure OpenAI Service/Claude/Gemini
連携・自動化
Power Automate
対象業界
IT・SaaS/その他
対象部門
品質管理/研究開発
対象業務
内容確認・チェック/比較検討
主な課題
人手が足りない/属人化している/確認ミスが多い
AIで行う処理
校正
主な効果
入力漏れ削減/品質標準化/工数削減
導入難易度
★★★☆☆
実装レベル
本格構成
費用感
API連携(中)
人間の確認
必須
現在工数
80h/月
AI導入後
32h/月
想定削減
60%
年間削減
576h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 翻訳会社から、訳文の入った文字列の表が納品される
  2. LQA の担当が、1件(1場面)ずつ原文と訳文を並べて読む
  3. 用語集を別の画面で開き、名前・スキル・アイテムの訳が用語集と同じかを目で確かめる
  4. 置き換え記号(`{0}`、`{player_name}`、`<color=#...>`、改行の記号)が残っているかを目で見る
  5. 表示枠に収まりそうかを、長い訳だけ目で見て判断する
  6. 気づいた点を指摘の表に書き、翻訳会社に戻す。直った訳をもう一度確かめる
導入後(After)
  1. 人翻訳会社が、訳文の入った文字列の表を納品のフォルダに置く
  2. 自動置き換え記号の数と種類、表示枠の上限に対する長さを、規則の処理で全行数える
  3. 自動原文に出てくる用語集の語と、過去の承認訳の中から同じ語を含む訳を、場面ごとに引く
  4. 自動Azure OpenAI が、場面ごとに用語の食い違い・訳語の揺れ・訳抜け・誤訳の疑いを、写しと修正の案付きで JSON で返す
  5. 自動写しが訳文と用語集に実在するかを照らし、規則の結果と合わせて指摘の一覧にする
  6. 人LQA の担当が、指摘の一覧を確かめ、採る指摘だけを翻訳会社に戻す
  7. 人翻訳会社が訳を直し、LQA の担当が直った行を確かめる
各工程の詳しい説明を読む
  1. 翻訳会社から、訳文の入った文字列の表が納品される
  2. LQA の担当が、1件(1場面)ずつ原文と訳文を並べて読む
  3. 用語集を別の画面で開き、名前・スキル・アイテムの訳が用語集と同じかを目で確かめる
  4. 置き換え記号({0}、{player_name}、<color=#...>、改行の記号)が残っているかを目で見る
  5. 表示枠に収まりそうかを、長い訳だけ目で見て判断する
  6. 気づいた点を指摘の表に書き、翻訳会社に戻す。直った訳をもう一度確かめる

(a)用語集との突き合わせが追いつかない。 1つの場面に名前やスキルが10個出てくると、用語集を10回引くことになります。 締め切りが近づくと、見覚えのある語は引かずに通し、そこで食い違いを見落とします。

(b)同じ語の訳が場面ごとに揺れる。 原文の「結界」が、ある場面では Barrier、別の場面では Ward と訳されます。用語集に載っていない語は、場面をまたいで並べないと揺れに気づけません。 1場面ずつ読む確認では、構造として見つからない種類の誤りです。

(c)置き換え記号の欠けが実機まで残る。 {0} が1つ消えた訳は、画面に数値が出なくなるか、ゲームが文字列の組み立てで止まります。 目で見る確認では、記号の数を数え間違えます。

(d)表示枠の超過が後から見つかる。 「長そうなもの」だけを見ているので、ぎりぎりの訳は実機の確認で文字が切れて見つかり、更新の直前に翻訳会社に戻すことになります。

  1. 【人】 翻訳会社が、訳文の入った文字列の表を納品のフォルダに置く
  2. 【自動】 置き換え記号の数と種類、表示枠の上限に対する長さを、規則の処理で全行数える
  3. 【自動】 原文に出てくる用語集の語と、過去の承認訳の中から同じ語を含む訳を、場面ごとに引く
  4. 【自動】 Azure OpenAI が、場面ごとに用語の食い違い・訳語の揺れ・訳抜け・誤訳の疑いを、写しと修正の案付きで JSON で返す
  5. 【自動】 写しが訳文と用語集に実在するかを照らし、規則の結果と合わせて指摘の一覧にする
  6. 【人】 LQA の担当が、指摘の一覧を確かめ、採る指摘だけを翻訳会社に戻す
  7. 【人】 翻訳会社が訳を直し、LQA の担当が直った行を確かめる

2番目は、AI を使わずに全行を数えます。 置き換え記号の欠けと表示枠の超過は、数え方さえ決めれば誤りなく見つけられる指摘で、AI に任せる理由がありません。

6番目で指摘を選ぶのは、LQA の担当です。 AI の指摘には、ゲームの文脈を知っていれば不要と分かるものが混ざります。翻訳会社に戻すのは、担当が採った指摘だけです。

02今回想定するシステム構成

構成図
翻訳会社の納品(文字列の表:キー・原文・訳文・表示枠の上限・話者・場面)
   ▼【トリガー】納品のフォルダ(Azure Blob Storage)へのファイルの保存
Azure Functions ── 規則の検査(全行)
   │   置き換え記号の数と種類/表示枠の上限に対する幅/訳抜け(空・原文のまま)
   ▼
Azure Functions ── 場面ごとに束ね、用語集の語と過去の承認訳を引く
   ▼
Azure OpenAI(Microsoft Foundry) ── 場面ごとに校正(構造化出力)
   │   用語の食い違い/訳語の揺れ/誤訳の疑い/口調の外れ + 写しと修正の案
   ▼
Azure Functions ── 写しの照合、規則の結果との統合、場面をまたいだ揺れの集計
   ▼
指摘の一覧(言語ごと・場面ごと)と Teams への通知
   ▼
【LQA の担当が指摘を選び、翻訳会社に戻す】
役割想定する製品代替候補
生成AIAzure OpenAI(Microsoft Foundry)Claude API(Amazon Bedrock)、Gemini API
連携Azure Functions(規則の検査、場面ごとの束ね、写しの照合、一覧の作成)Power Automate
保管Azure Blob Storage(納品の表、指摘の一覧、承認済みの訳)SharePoint のドキュメントライブラリ
通知Microsoft Teams(言語ごとの指摘の件数を LQA のチャネルに知らせる)メール

新しく足すのは、Azure Functions の処理と Azure OpenAI の配置、納品のフォルダです。 文字列の管理の表には書き込まず、採った指摘を翻訳会社が直し、直った訳を従来どおりの手順で表に取り込みます。

中心になるのは、Azure OpenAI の構造化出力です。 公式のページでは、Chat Completions では response_format に JSON スキーマを書くとされています。指摘の種類を enum で固定でき、規則で並べ替えられない言葉が返ってきません。 公式のページでは、文字列の maxLength や配列の maxItems はスキーマで使えないとされているので、修正の案の長さや指摘の数は、受け取った後に Functions の側で確かめます。

もう一つ、既定の安全方針(DefaultV2)は、暴力・性的などの4分類で入力と出力の重大度「中」以上を止めます。 公式のページでは、ゲームなどの創作の文脈で、賛美の無い暴力の場面の描写は「低」の例に挙げられています。ただし、ホラーや戦闘の描写が強い場面は「中」に入りうるので、止められた場面の扱いを第7章の例外処理で決めます。

03どうやって実装するのか

Step1

処理の起点を決める

翻訳会社が納品のフォルダ(Azure Blob Storage)に文字列の表を置いたときに動かします。 納品は言語ごとに1つのファイルで、ファイル名に更新の版と言語を入れる決まりにします。 決まりに合わないファイル名は処理せず、取りまとめの担当に知らせます。

納品の単位で一度に全行を処理します。 訳語の揺れは、場面をまたいで並べないと見つからないためです。1場面ずつ納品を受けて逐次処理すると、後から届いた場面の揺れが、先に確かめた場面と比べられません。

直った訳の再納品も、同じフォルダで受けます。 再納品のときは、前回の指摘の一覧と突き合わせ、直すべき行が直っているかを規則で確かめます。

Step2

入力データを集める

データ中身取得元
文字列の表キー、場面、話者、原文、訳文、表示枠の上限(幅の値)、文字列の種類(会話・説明・ボタン)翻訳会社の納品
用語集原語、訳語(言語ごと)、品詞、「翻訳しない」の印、使ってはいけない訳ローカライズの部門の用語集の書き出し
承認済みの訳過去の更新で承認した原文と訳文の組文字列の管理の表の書き出し
口調の決まりキャラクターごとの一人称・語尾・敬語の使い方(言語ごと)ローカライズの部門の決まりの文書

質を決めるのは、用語集の「使ってはいけない訳」の欄です。 用語集に正しい訳だけが載っていると、AI は同じ意味の別の訳を、言い換えとして許してしまいます。 「結界」に Barrier を決め、Ward と Shield を使ってはいけない訳として並べておくと、揺れが確実に指摘になります。

承認済みの訳は、用語集に載っていない語の揺れを見るために渡します。 用語集は名前やスキルが中心で、「結界を張る」のような言い回しの訳は、過去の承認訳の中にしかありません。 場面に出てくる語を含む承認訳を、1場面あたり20組ほどに絞って渡します。

Step3

データの取得方法を決める

取るものどこから何に使うか
文字列の表納品のフォルダのファイル規則の検査と AI への入力
用語集の語用語集の書き出し(原文に含まれる語だけを文字列の一致で選ぶ)AI への入力
承認済みの訳承認済みの訳の書き出し(場面の語を含むものを選ぶ)AI への入力、揺れの比較
口調の決まり決まりの文書(場面の話者の分だけ)AI への入力
指摘の候補Azure OpenAI の構造化出力指摘の一覧

用語集の語は、原文との文字列の一致で選んでから渡します。 3,000語の用語集を毎回すべて渡すと、関係の無い語の訳を、似た語の訳と取り違えて指摘することがあります。 場面の原文に実際に出てくる語だけを渡します。

Azure OpenAI には、Chat Completions で場面ごとに送ります。 1場面は約30行で、会話の前後の流れを読めないと誤訳の疑いを判断できないため、行ごとではなく場面ごとにします。

Step4

AIへ渡す前に整形する

  1. 置き換え記号を数える … 原文と訳文で、{0} などの番号付きの記号、{player_name} などの名前付きの記号、<color> などのタグ、改行の記号の種類と数を比べます
  2. タグの対応を確かめる … 開くタグと閉じるタグの組が訳文でそろっているかを見ます
  3. 表示枠の幅を数える … 訳文の幅を、決めた数え方で数え、表示枠の上限と比べます
  4. 訳抜けを拾う … 訳文が空のもの、原文とまったく同じもの(「翻訳しない」の印の語だけの行を除く)を拾います
  5. 文字の形をそろえる … 全角と半角の英数字が混ざっていないか、unicodedata.normalize の NFKC で比べてから見ます
  6. 簡体字の混入を拾う … 中国語(繁体字)の訳文に、簡体字の字形が混ざっていないかを、自社で持つ繁体字と簡体字の対応の表で照らします
  7. 場面ごとに束ねる … 場面の番号で行を束ね、話者の口調の決まりを付けます

6番目も、AI ではなく表で行います。 繁体字の訳文に「这」「说」のような簡体字が1字混ざっても、意味は通じるので、AI の校正では指摘されにくい誤りです。 一方で、配信先の利用者にはすぐに分かり、ストアのレビューで指摘されます。対応の表は、過去の差し戻しで見つかった字から足していきます。

3番目の数え方は、先に決めておきます。 Python の unicodedata.east_asian_width は、文字ごとに Unicode の幅の区分を返します。漢字は「W(Wide)」、英字は「Na(Narrow)」です。 困るのは「A(Ambiguous)」で、UAX #11 では、文脈で広くも狭くもなり、文脈が確かでなければ狭い文字として扱うとされています。「…」や「○」のような記号がこれに当たり、ゲームのフォントでは全角の幅で描かれることがあります。 実機で使うフォントに合わせて、A の文字を何文字分と数えるかを言語ごとに決めておきます。

4番目で「原文と同じ」を拾うときは、翻訳しない語を除きます。 キャラクターの名前を英字で決めている場合、英語の訳文が原文の名前と同じでも、それは正しい訳です。

Step5

AIに処理させる

させるのは、場面の訳文を、渡した用語集・承認済みの訳・口調の決まりに照らして食い違いと揺れを挙げ、根拠の写しと修正の案を返すことだけです。

返すもの返し方判断できないときの扱い
指摘の種類glossary_mismatch/inconsistent_term/mistranslation_suspect/tone_mismatch/forbidden_variant当てはまらない → 指摘しない
対象の行文字列のキー-
写し原文・訳文・用語集の該当の部分を一字一句そのまま写せない → 指摘しない
修正の案該当の部分の訳の案案が決められない → 空にして needs_translator
確かさclear/needs_translator文脈で訳が変わりうる → needs_translator

needs_translator が、この構成で大事な値です。 原文の「先生」が、ある場面では Teacher、別の場面では Master と訳されていても、話し手と相手の関係で訳し分けている可能性があります。 AI がそれを揺れと決めつけて修正の案を出すと、正しい訳し分けが消えます。文脈で訳が変わりうるものは、翻訳者に聞く指摘として返させます。

させないこと理由
文字数・幅の数え規則の処理で数える。AI の数は外れる
置き換え記号の数の確かめ規則の処理で全行を数える
訳文全体の書き直し指摘の範囲を超え、承認済みの訳まで変わる
配信先の地域の規制や文化への適否の判断地域ごとの担当と法務が決める
用語集の訳そのものの良し悪し用語集は部門で決めたもの。変えるなら別の手続き

1行目がいちばん起きやすい失敗です。 「この訳は表示枠を超えています」と AI に言わせると、数えた結果ではなく、長そうに見えるかで答えます。 規則の処理の結果だけを一覧に載せ、AI の出力に文字数の話が入っていても使いません。

言語ごとに、見てほしい点を口調の決まりに書き足します。 英語なら、スキルやアイテムの名前を語ごとに大文字で始めるか、会話の中で名前を繰り返すときに代名詞に置き換えてよいか。 中国語(繁体字)なら、キャラクターの名前の漢字と、句読点を全角でそろえるか。決まりに書いたことだけを tone_mismatch で指摘させ、書いていない好みを指摘させません。

Step6

指示内容を固定する

あなたはゲーム開発会社のローカライズの品質確認の担当を補助します。
【場面の文字列】の訳文を、【用語集】【承認済みの訳】【口調の決まり】に照らして校正し、指摘を返してください。
訳の採否は担当と翻訳者が決めます。

【指摘する種類】
- glossary_mismatch:用語集に載っている語の訳が、用語集の訳語と違う
- forbidden_variant:用語集の「使ってはいけない訳」が使われている
- inconsistent_term:同じ原文の語が、この場面の中や承認済みの訳と別の訳になっている
- mistranslation_suspect:原文の意味と訳文の意味が食い違っている疑いがある
- tone_mismatch:話者の口調の決まりから外れている

【厳守事項】
- 指摘ごとに、原文・訳文・用語集の該当の部分を一字一句そのまま写してください。
  写せない根拠で指摘しないでください。
- 文字数、幅、表示枠に収まるかについて書かないでください。
- 置き換え記号({0} {player_name} <color> など)の数について書かないでください。
- 修正の案は、該当の部分だけを書いてください。行全体を書き直さないでください。
- 話し手や相手の関係で訳し分けている可能性があるものは、
  certainty を needs_translator にし、修正の案を空にしてください。
- 「翻訳しない」の印のある語が原語のまま残っていることを、指摘しないでください。
- 用語集の訳語そのものの良し悪しを書かないでください。

【言語】{target_lang} 【更新の版】{release} 【場面】{scene_id}
【用語集】{glossary_entries}
【承認済みの訳】{approved_pairs}
【口調の決まり】{tone_rules}
【場面の文字列】{scene_rows}

「文字数について書かない」を明記しないと、AI は親切に表示枠の話を足します。 その指摘は規則の検査と食い違い、担当がどちらを信じるかで迷う時間が増えます。 数える指摘は規則だけが出す、と役割を分けておきます。

Step7

出力形式を固定する

次の形の JSON で受け取ります。

{
  "scene_id": "",
  "target_lang": "en | zh-Hant",
  "findings": [
    { "string_key": "",
      "type": "glossary_mismatch | forbidden_variant | inconsistent_term | mistranslation_suspect | tone_mismatch",
      "source_quote": "",
      "target_quote": "",
      "reference_quote": "",
      "suggestion": "",
      "certainty": "clear | needs_translator" }
  ]
}

1つ目の理由は、写しの照合ができることです。 Functions が target_quote を訳文と、reference_quote を用語集・承認済みの訳と文字列で照らし、どちらかが無ければ指摘を一覧に載せずに別の欄に残します。 根拠の無い指摘が翻訳会社に届く経路を、機械で塞ぎます。

2つ目は、規則の検査と同じ一覧にまとめられることです。

一覧の列出どころ
置き換え記号の欠け・タグの不一致規則の検査(全行)
表示枠の超過(幅と上限)規則の検査(全行)
訳抜け規則の検査(全行)
用語の食い違い・揺れ・誤訳の疑い・口調Azure OpenAI(写しの照合を通ったもの)

3つ目は、場面をまたいだ揺れを集計できることです。 inconsistent_term の source_quote を原文の語で束ねると、「結界」が更新全体で何通りに訳されているかが一覧で分かります。1場面ずつの指摘では見えない揺れを、ここで拾います。

Step8

システムへ連携する

つなぎ先方式内容
納品のフォルダ(Azure Blob Storage)Functions のトリガーと読み取り文字列の表
用語集・承認済みの訳毎晩の書き出しを読むだけAI への入力、揺れの比較
Azure OpenAI(Microsoft Foundry)Chat Completions と構造化出力指摘の候補
指摘の一覧Blob Storage への書き出し言語ごと・場面ごとの一覧
Microsoft TeamsLQA のチャネルへの通知言語ごとの指摘の件数

文字列の管理の表と用語集には書き込みません。 修正の案をそのまま表に入れると、担当が採っていない訳が更新に入る経路ができます。 用語集の変更も、部門の手続きで行います。

Step9

人が確認する

LQA の担当が、すべての指摘の採否を決めます。

  1. 規則の検査の結果を先に見る … 置き換え記号の欠けとタグの不一致は、ゲームが止まりうるので全件を翻訳会社に戻します
  2. 表示枠の超過を見る … 上限に近いものは、実機の画面で確かめるかを決めます
  3. clear の指摘を写しと見比べる … 写しが該当の行にあるか、修正の案が用語集に合うかを見ます
  4. needs_translator の指摘は、翻訳者への質問として戻す … 担当が訳し分けの意図を聞きます
  5. 場面をまたいだ揺れの集計を見る … 用語集に足すべき語があれば、部門の手続きに回します

5番目を省かないでください。 揺れの多い語は、翻訳者が悪いのではなく、用語集に載っていないことが原因であることが多いです。用語集に足せば、次の更新から揺れが減ります。

目標は、240件をならして1件8分です。 指摘の少ない場面は数分、誤訳の疑いが並ぶ場面は15分を超えます。

実機の確認は、この構成の後にも残します。 規則の検査は幅を数えますが、フォントの字形や行の折り返しの位置までは再現しません。 上限に近い行と、新しい画面に初めて出る行は、実機で確かめる一覧に回します。

Step10

例外に対処する

起きること対応
入力が安全方針で止められた(エラーが返る)公式のページでは、止められた入力にはエラー(content_filter)が返るとされている。その場面を「AI 未確認」として一覧に載せ、担当が従来どおり目で確かめる
出力が止められた同じく「AI 未確認」として担当が確かめる
Azure OpenAI が応答しない・時間切れ15分後にもう一度送り、だめなら「AI 未確認」にする
写しが訳文や用語集に無い一覧に載せず「写し不一致」の欄に残す。月に1回、取りまとめの担当が傾向を見る
表示枠の上限が空の行幅の検査をせず「上限未設定」として開発の担当に知らせる
文字列の表の列が足りない・形が違う処理を止め、翻訳会社に納品の形を確かめる
場面の番号が無い行文字列の種類ごとに束ね、会話の流れを使わずに校正する
原文が納品の後に変わった原文の版を比べ、変わった行を指摘の対象から外して翻訳会社に戻す
繁体字の訳文に簡体字の字形がある規則の検査の結果として一覧に載せ、全件を翻訳会社に戻す
同じ行に AI の指摘と規則の指摘が重なる規則の指摘を先に直してもらい、直った行で AI の指摘を見直す

1行目は、戦闘やホラーの場面で起きます。 公式のページでは、創作の文脈の賛美の無い暴力の描写は「低」の例とされる一方、死や暴力を中くらいの強さで生々しく描く内容は「中」とされています。止められた場面を飛ばしたまま一覧を出すと、その場面だけ用語の確認が抜けます。 「AI 未確認」として必ず一覧に載せ、担当が見ます。安全方針の設定を変えるかは、公式のページで設定の可否や承認の要否が制御ごとに異なるとされているので、自社の判断で先に確かめ、変えない前提で組みます。

Step11

記録を残す

  • 納品された文字列の表と、納品の日時・更新の版
  • AI に渡した用語集の語と承認済みの訳の範囲
  • 規則の検査の結果と、AI が返した JSON の全文、写しの照合の結果
  • 担当が採った指摘と採らなかった指摘、その理由の区分
  • 翻訳会社が直した行と、再納品での確かめの結果
  • 場面をまたいだ揺れの集計と、用語集に足した語

4つ目の「採らなかった理由」は、指示の直しに使います。 「訳し分けの意図があった」「ゲームの文脈で正しい」といった理由が同じ種類の指摘に偏っていれば、指示か用語集の書き方を直す合図です。

04実装レベルの3段階

最小構成:20件を Foundry の画面で試し、当時の指摘と並べる / 指摘の出し方の確かめ
半自動化:上記+規則の検査を全行に回し、1言語の納品で AI の指摘の一覧を出す / 規則の検査と用語の指摘
本格構成:上記+両言語の納品をフォルダから自動で処理し、写しの照合、場面をまたいだ揺れの集計、再納品の確かめまでを回す / 校正の一次の確認の全体

最小構成は、AI が数える話をせずに用語の指摘に徹するかを確かめる段階です。 半自動化で、1件20分が12分程度になります。 置き換え記号と幅は数えなくてよくなりますが、1言語だけなので、もう1言語は従来どおりです。本格構成で1件8分になり、この段階が本記事の想定です。 差が大きいのは、揺れの集計と再納品の確かめが、両言語の一覧がそろって初めて自動になるからです。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
5 名
月間件数
240 件
1件あたり現在時間
20 分
1件あたり導入後時間
8 分
現在  240件 × 20分 ÷ 60 = 80 時間/月
導入後 240件 × 8分 ÷ 60 = 32 時間/月
月間削減時間
48h
削減率
60%
年間削減時間
576h
年間金額換算(時間単価4,000円)
230万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 運営型のゲームを英語・中国語など複数の言語で配信し、毎月のイベントと更新で数千行のゲーム内の文章が増える開発・運営会社。翻訳は外部の翻訳会社に出し、社内の LQA の担当が用語集との突き合わせと表示枠への収まりを目で確かめていて、更新の前に確認が間に合わない場合。文字列を表(キー・原文・訳文・表示枠の上限)で管理し、用語集を文字のデータで持っている場合。
向いていない
  1. 配信の言語が日本語だけ、または更新が年に数回で、訳の確認が数百行で済む場合。文字列が画像に焼き込まれていて、表で取り出せない場合。用語集が無く、訳語をその都度翻訳者が決めている場合。なお、訳の採否と最終の文言、表現が配信先の地域の規制や文化に合うかの判断、実機での表示の確認は、この構成では代替できません。

07最小構成で試す方法

  1. 前回の更新から、指摘の多かった場面を20件選ぶ(用語の食い違いと揺れが実際に見つかった場面を必ず含める)
  2. その場面の文字列、用語集の該当の語、承認済みの訳を文字のデータにする
  3. 置き換え記号と幅の検査を、表計算の関数か短いスクリプトで行う
  4. Foundry の画面で、第7章の指示と JSON スキーマを付けて、20件を1件ずつ試す
  5. 当時の LQA の指摘と並べ、AI が見落とした用語の食い違いと、根拠の無い指摘の数を数える

未配信の場面を試すときは、社外への持ち出しの決まりを先に確かめてください。 試しの20件でも、配信前のイベントの内容です。

出てきた内容判断
当時の指摘の用語の食い違いがほぼ出て、写しが正しい納品のフォルダからの処理に進む
文字数や表示枠について書いてくる指示の書き方で直る。構成は有効
揺れの指摘が少ない承認済みの訳の渡し方が先。 場面の語を含む組を増やして試し直す

3行目は、用語集に載っていない言い回しの揺れで起きます。 AI の問題ではなく、比べる相手を渡していないことが原因です。

試しの結果は、翻訳会社にも見せておきます。 指摘の一覧の形と、写しで根拠を示すやり方を先に共有しておくと、本格的に戻し始めたときに、翻訳会社の側で指摘の読み方に迷いません。 指摘の種類ごとに、どこまでを直してほしいかもあわせて取り決めます。

08実装時につまずきやすいポイント

問題対策
AI が文字数や表示枠の話をする指示で禁じ、一覧には規則の検査の結果だけを載せる
置き換え記号の欠けを見落とすAI に任せず、全行を規則で数える
訳し分けを揺れと決めつけて直すneeds_translator を返させ、修正の案を空にする
同じ意味の別の訳を許してしまう用語集に「使ってはいけない訳」を書く
根拠の無い指摘が翻訳会社に届く写しを訳文と用語集で照らし、無いものを載せない
用語集を全部渡して似た語と取り違える原文に出てくる語だけを選んで渡す
「…」などの幅を数え違えて超過を見落とすA の文字の数え方を、実機のフォントで決める
戦闘の場面が止められ、確認が抜ける「AI 未確認」として一覧に必ず載せる

上の4行が、この構成の失敗のほとんどです。 どれも「数えることと読むことの役割が混ざる」か「訳し分けを誤りにする」かのどちらかから出ています。規則と AI の役割を分けているかどうかで、LQA の担当がこの一覧を頼りにできるかが決まります。

下の4行も、同じくらい早く効いてきます。 どれも AI の出来ではなく、何を渡し、どう数え、止められた場面をどう扱うかという、仕組みの側の決まりの問題です。 とくに幅の数え方は、実機のフォントが変わると結果が変わるので、フォントを替える更新のときに数え方を見直す手順を、開発の担当と決めておきます。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 配信前のイベントの会話・アイテム・キャラクターの名前、用語集、承認済みの訳です。未発表の内容で、配信前に外に出ると、ゲームの運営に影響します。

  1. 未配信の文章の扱いを決めておく … 公式のページでは、入力と出力は他の顧客や OpenAI に提供されず、基盤のモデルの学習に使われないとされています。一方で、不正利用の監視で検出された場合は、入力と出力が人の確認に回りうるとされています。社内の機密の区分と照らしてから使います
  2. 処理の場所を確かめる … 公式のページでは、Global や DataZone の配置では、入力と出力が指定した地域の外で処理されうるとされています。翻訳会社や版元との契約で、未配信の文章を扱ってよい地域を確かめます
  3. 翻訳会社に指摘の一覧だけを渡す … AI に渡した用語集の全体や承認済みの訳の書き出しは、一覧に含めず、該当の部分の写しだけを渡します
  4. 訳の最終の判断を AI に寄せない … 訳の採否、地域ごとの表現の適否は、LQA の担当と地域の担当が決めます
  5. 翻訳者の評価に使わない … 指摘の数を、翻訳者個人の評価に結び付けません。揺れの多くは用語集の不足が原因です

誤りが起きた場合のリスクは、置き換え記号の欠けや表示枠の超過が配信に入ることと、正しい訳し分けが AI の指摘で消えることの2つです。 前者は数えることを AI に任せると起き、後者は文脈の要る指摘を clear で返させると起きます。どちらも「数えるのは規則、読むのは AI、決めるのは人」と分けることで防げるので、そこだけは設計で守ります。

10まず何から始めるか

1週目:用語集と数え方を整える

用語集に「使ってはいけない訳」の欄を足し、更新でよく出る語から埋めます。 表示枠の幅の数え方(A の文字の扱い)を、実機のフォントで確かめて決めます。

2週目:20件で試す

前回の更新の20件で第7章の指示を試し、当時の指摘と並べて、用語の食い違いの見落としと、文字数の話が混ざらないかを最優先で見ます。

3週目:規則の検査を作る

置き換え記号・タグ・幅・訳抜けを数える処理を、自社の文字列の書式で作ります。 前回の更新の全行に回し、当時の実機の確認で見つかった不具合が拾えるかを確かめます。

4週目:1言語の納品で動かす

英語の納品だけで、規則の検査と AI の指摘を一覧にし、担当が採否を決めます。この時点では、中国語には広げません。

2か月目: 中国語に広げ、場面をまたいだ揺れの集計と再納品の確かめを足します。3か月目以降: 1件20分が何分になったかを実測し、揺れの集計から用語集に足した語で、次の更新の揺れが減った時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
Chat Completions では response_format、Responses では text.format に JSON スキーマを書くこと。すべての項目を required にし、additionalProperties: false を付けること。enum が使えること。文字列の maxLength・pattern、配列の minItems・maxItems が使えないこと。項目は合計100・入れ子5段までであることMicrosoft Learn: How to use structured outputs with Azure OpenAI in Microsoft Foundry Models2026-11-19
既定の安全方針(DefaultV2)が、ヘイト・性的・暴力・自傷の4分類で入力と出力の重大度「中」以上を止めること。止められた入力は content_filter のエラーが返ること。ゲームなどの創作の文脈で賛美の無い暴力の描写は「低」、死や暴力の中くらいの強さの生々しい描写は「中」の例であること。設定の可否と承認の要否が制御ごとに異なることMicrosoft Learn: Default safety policies in Microsoft Foundry2026-11-19
入力と出力が他の顧客や OpenAI に提供されず、基盤のモデルの学習に使われないこと。Global・DataZone の配置で指定した地域の外で処理されうること。不正利用の監視で入力と出力が人の確認に回りうることMicrosoft Learn: Data, privacy, and security for Foundry Models sold by Azure2026-11-19
unicodedata.east_asian_width が文字の East Asian Width の区分を返すこと。normalize の NFKC が互換分解の後に正準合成を行うことPython documentation: unicodedata2026-11-19
East_Asian_Width の区分(F・H・W・Na・A・N)。漢字が W、ASCII が Na であること。A(Ambiguous)は文脈で広くも狭くもなり、文脈が確かでなければ狭い文字として扱うとされていることUnicode Standard Annex #11: East Asian Width2026-11-19

訳の採否と、配信先の地域ごとの表現の適否は、自社の LQA の担当と地域の担当で決めてください。 本記事は公式のページで確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-4200)についてのご相談はこちらから。

AI活用について相談する
目次