文字数カウント

何を1語と数えるか

単語をスペースで区切って書く言語では、空白と空白の間の文字の並びを1語とします。そのためハイフンでつないだ複合語は1語、短縮形も分割されません。単語に付いた句読点で語数が増えることもありません。

興味深いのは日本語、中国語、韓国語です。これらは単語の間にスペースを入れずに書くため、空白で分割すると文章全体が1語と判定されてしまいます。そこでCJK文字は1文字を1語として数えます。これはMicrosoft WordとGoogleドキュメントの両方が採用している慣習で、編集者やクライアントが使っているであろう数値と比較できます。ただし言語学的な事実ではなく慣習にすぎません。2文字の熟語はどう定義しても1語です。そのため日本語の文章では、たいてい文字数こそが本当に必要な数値で、それもあわせて表示しています。

混在したテキストでは両方の規則を適用します。ラテン文字の並びは単語として、CJK文字は1文字ずつ数えます。

読了時間と、その信頼度

英語の文章の黙読については、約200件の研究を対象にしたBrysbaertによる2019年のメタ分析の中心値である、1分あたり238語を使って見積もっています。日本語などのCJKの文章は、単語を単位に読む人はいないので、1分あたりの文字数で測ります。

結果は測定値ではなく、おおよその目安として扱ってください。同じメタ分析では、一般的な文章でも個人の読む速さは1分あたり約175語から300語までばらつき、読み手以上に題材によって大きく変わることがわかっています。密度の高い技術文書、コード例、表、なじみのない語彙はどれも読む速さを大きく落とし、見慣れたニュース記事なら速くなります。ブログ記事の読了時間は読者へのちょっとした気配りであって、約束ではありません。

文字数上限のバー

4つの上限を表示しているのは、それが日常的に意識して書かれるものだからです。Xの投稿の280文字、メタディスクリプションの160文字、titleタグの60文字、SMS 1通の160文字です。

それぞれに知っておくべき注意点があります。Xは中国語、日本語、韓国語など一部の文字を2文字として数えるため、日本語の投稿はおよそ140文字で上限に達します。また、リンクは実際のURLの長さにかかわらず固定の長さとして数えます。メタディスクリプションとtitleタグはそもそも厳密な上限ではなく省略される位置の目安で、検索エンジンは文字数ではなくピクセル幅で切り詰めるため、日本語のような全角文字や幅の広い文字が多いと、数値が示すより早く切れます。SMSで160文字入るのはGSMの7ビット文字だけの場合で、絵文字やアクセント付き文字、日本語を含むその範囲外の文字が1つでもあると、メッセージ全体が16ビットのエンコードに切り替わり、上限は70文字に下がります。

よく使われている語

頻度リストは、その文章が実際に何について多く語っているかを示すためのものです。そのため、ごく一般的な機能語は除外しています。冠詞、前置詞、代名詞、助動詞を残すと、どんなジャンルのどんな文章でもリストがそれで埋まってしまうからです。同じ理由で1文字だけの語も除いています。

数える前に単語を小文字にそろえるので、大文字で始まる形と小文字の形で同じ語が分かれることはありません。語幹処理は行いません。runとrunningは別々に数えます。まとめるには推測が必要で、その推測は誤解を招くほど頻繁に外れるからです。日本語などのCJKの文章は、ここでも1文字ずつ数えます。

出版と学術の世界における長さの慣習

編集の現場では、文字数や語数が実際の重みを持ちます。ジャーナリズムの依頼原稿は語数で指定され、その数パーセント以内に収めて入稿します。学術課題では通常プラスマイナス十パーセントの幅が認められ、多くの機関では参考文献と付録を除外する一方で脚注は含めます。この細かい違いが落とし穴になります。

書籍の分量区分は慣習としてほぼ固まっています。フラッシュフィクションは千語未満、短編は七千語強まで、中編は四万語程度まで、そして商業小説の多くは八万語から十万語の間です。出版社がこれを気にするのは、紙代と印刷費が長さに比例するからであり、ジャンルごとの読者の期待が意外なほど狭いからでもあります。

オンラインでは、目安となる数字はもっと小さくなります。ブログ記事なら八百語から千五百語で、水増しせずにたいていの題材をきちんと扱えます。メールニュースレターは五百語を超えると読者が離れがちで、ランディングページはそのどちらよりはるかに少ない語数で役目を果たします。長さは品質ではありませんが、書き終えてからではなく書き始める前に知っておく価値のある制約です。

読みやすさ指標は何を測っているのか

Flesch-Kincaidのような読みやすさスコアは、文の長さと音節数に対する算術にすぎません。難易度との相関は実用に足る程度にはありますが、文章が明快かどうかは何ひとつ測っていません。短くなじみのある単語を並べただけの、語順が滅茶苦茶な文でも高得点を取り、まるで伝わらないということが起こります。

本当に役立つのは警告灯としての使い方です。平均文長が急に伸びた箇所は、たいてい書き手が筋を見失った段落です。技術文書でスコアが異様に高いときは、専門用語が説明ではなく曖昧な表現に置き換わっているサインであることが少なくありません。

ここで表示する数値も、スコアのふりをせずに同じ種類の見直しを支えるためのものです。文数と段落数は文章のリズムを示し、頻出語のリストはその文章が実際に何にこだわっているかを示します。それは書き手の意図とは違っていることがよくあります。段落を声に出して読むことは今なお最良の検査方法であり、しかも費用はかかりません。

文字数が見え方を決める場面

検索結果ではタイトルが幅およそ600ピクセルで切られます。一般的なフォントならだいたい55文字から60文字にあたりますが、切られるのは文字数ではなく幅なので、大文字や横幅の広い文字が多いタイトルはもっと早く消えます。メタディスクリプションは155文字から160文字あたりで切られますし、そもそも検索エンジンが記述を無視して、ページから独自の説明文を生成することも珍しくありません。

SNSのプレビューにも独自の上限がありますが、構図は同じです。タイトルの最初の50文字から60文字が仕事をし、その先はメッセージではなく補足になります。メールの件名はクライアント側で切られ、スマートフォンでは40文字前後で途切れることがよくあります。

実践的な対処は前に寄せることです。区別につながる語を先頭に置き、切られても文として意味が通るようにして、上限より先はすべて全文を見た人へのおまけと考えます。公開前に文字数を確かめるのは二秒で済む習慣で、タイトルが書きかけの文のように見える事故を防いでくれます。

翻訳すると長さは変わる。しかもかなり変わる

テキストは言語をまたいでも同じ長さのままではいられません。英語からドイツ語やロシア語では通常二十から三十五パーセント長くなり、英語からフィンランド語やハンガリー語ではさらに膨らむこともあります。中国語、日本語、韓国語への翻訳では、単語一つが一文字か二文字になることが多いため、たいてい文字数が大きく縮みます。

これは書き手だけでなく設計者にとっての制約でもあります。英語のSaveというボタンはドイツ語ではSpeichern、フランス語ではEnregistrerになるので、四文字を前提に固定幅で設計したボタンはどちらでも壊れます。定石は、短い文字列については四十パーセント程度の伸びを見込んで設計し、いちばん短い言語ではなくいちばん長い言語でテストすることです。

翻訳される前提の原文を書く人にとっては、文を短くし、慣用句を減らし、駄洒落を使わないことが実際の費用削減になります。翻訳は語単位で値付けされ、曖昧さは問い合わせという形で課金されるからです。同じ文章の機械翻訳の品質も、それだけでかなり良くなります。

コードやマークアップ、混在テキストを数えるとき

マークアップを含んだまま数えれば、マークアップも語数に入ります。HTMLを貼り付ければタグと属性で水増しされた数字が出ますし、Markdownを貼り付ければリンクのURLもテキストと一緒に数えられます。その数字をクライアントや編集者に渡すつもりなら、まずレンダリング後のテキストだけにしてください。ソースではなく表示されたページからコピーするのが手っ取り早い方法です。

複数言語が混ざったテキストは、ここでは両方の規則を同時に適用して扱います。ラテン文字の連なりは単語として数え、日本語、中国語、韓国語の文字は一文字ずつ数えます。こうすることで、二言語が混在する文書がどちらか一方に偏った誤解を招く合計値を出すのを防げます。

とくにCJKのテキストでは、商業的に意味を持つのはたいてい文字数のほうです。これらの言語の翻訳料や編集料は、語単位ではなく文字単位で提示されるからです。両方の数値を並べて表示しているのは、まさにそのためです。