1. 5秒で結論：見た目はうさぎ、内部は3文字分の合体事故
Simejiの変換で出てきた、これ。
ꪔ̤̮
どう見ても、ちっちゃいうさぎがこっちを見ている。
ところがUnicode上では、これは「うさぎ」という1文字ではない。土台は Tai Viet Letter Low To（U+AA94）。その下に Combining Diaeresis Below（U+0324） と Combining Breve Below（U+032E） が重なっている。[1][2]
つまり見た目は「🐇」寄りなのに、中身は東南アジア系文字＋下付き記号＋下付き記号。
かわいい顔をして、内部構造がだいぶエンジニア泣かせである。
2. 30秒で概要：「草」に混ぜたら本当に生息し始めた
最初はただの顔文字だった。
- ̗̀ ꪔ̤̥ꪔ̤̮ꪔ̤̫ ̖́-
「なんやこのうさぎ」で終わるはずだった。
ところが丸くて密度の高いミャンマー文字へ混ぜると、急に草むらから顔だけ出している野生動物に見え始めた。
မြန်မာမြန်မာမြန်မာ ꪔ̤̮ မြန်မာမြန်မာ
そしてタイ語へ入れた瞬間、事態は悪化した。
ภาษาไทยꪔ̤̮ภาษาไทย
「……なんかうさぎいる？」
さらに10匹入れた。
ภาษาไทยꪔ̤̮ภาษาꪔ̤̥ไทยภาษาꪔ̤̫ไทยꪔ̤̮กำลังꪔ̤̥เขียนอยู่ꪔ̤̫ภาษาไทยꪔ̤̮ภาษาꪔ̤̥ไทยภาษาꪔ̤̫ไทยꪔ̤̮
もう文章ではない。草原の生息数調査である。
3. そもそも「うさぎ」の正体は何なのか
3種類を分解するとこうなる。
| 見た目 | 中身 |
|---|---|
ꪔ̤̥ |
U+AA94 TAI VIET LETTER LOW TO + U+0324 COMBINING DIAERESIS BELOW + U+0325 COMBINING RING BELOW |
ꪔ̤̮ |
U+AA94 TAI VIET LETTER LOW TO + U+0324 COMBINING DIAERESIS BELOW + U+032E COMBINING BREVE BELOW |
ꪔ̤̫ |
U+AA94 TAI VIET LETTER LOW TO + U+0324 COMBINING DIAERESIS BELOW + U+032B COMBINING INVERTED DOUBLE ARCH BELOW |
U+AA94 は Tai Viet という実在の文字体系の子音字だ。[1] その下へ、本来は音声記号や転写などで使われる結合記号を重ねている。[2]
だから「うさぎに見える」のはUnicode規格がうさぎを仕込んだわけではない。人間の脳が勝手に顔を発見しただけだ。
顔文字文化、強い。
4. なぜタイ語に混ぜると異様に強いのか
ここは「タイ文字が変」という話ではない。読めない側の視覚認知の話だ。
タイ文字は、母音記号や声調記号などが基字の上下に配置されることがある。さらに通常のタイ語文章は、英語のように全単語をスペースで区切る方式ではない。Unicodeの行分割仕様でも、タイ文字は単純な「スペースを探して切る」では済まず、言語依存の解析が必要な複雑文脈の文字群として扱われる。[4]
そこへ、下側に記号を2個ぶら下げた ꪔ̤̮ が入る。
読む人には当然「別の文字が混入した」と分かる。しかしタイ文字を読めない人には、周囲も上下へ形が広がって見えるため、うさぎの輪郭が文章の植生へ妙に馴染む。
結果、
ภาษาไทยꪔ̤̮ภาษาไทย
が、
「草、草、草……ん？ 今なんか目合った？」
になる。
5. ミャンマー・クメール・マラヤーラムも強い。ただし優勝は主観
同じ遊びは他の文字でも成立する。
ミャンマー文字：
မြန်မာမြန်မာ ꪔ̤̮ မြန်မာမြန်မာ
クメール文字：
ខ្មែរខ្មែរអក្សរ ꪔ̤̮ ខ្មែរខ្មែរ
マラヤーラム文字：
മലയാളം മലയാളം ꪔ̤̮ മലയാളം
シンハラ文字：
සිංහල භාෂාව ꪔ̤̮ සිංහල
タイ文字：
ภาษาไทยกำลังเขียนอยู่ ꪔ̤̮ ภาษาไทย
視覚ネタとしての個人的な印象は、タイ語がかなり強い。上下の記号と連続する曲線の中へ ꪔ̤̮ が入ると、「隠した」より「もともと生息していた」感が出る。
ただしこれは文字体系の優劣ではない。「知らない文字を模様として見たとき、顔文字がどれだけ迷彩になるか」という完全にどうでもいい競技である。
世界選手権を開催してはいけない。
6. 翻訳に入れたら本当に崩れた。でも犯人をUnicode正規化だけにするのは早い
10匹版を翻訳系の処理へ入れたあと、こんなふうに不自然な空白が混ざった表示が観察された。
ภาษาไทยꪔ̤̮ภาษาꪔ̤̥ไทยภ าษาꪔ̤̫ไทยꪔ̤̮กำลังꪔ̤̥เข ียนอยู่...
ここで「Unicodeだからバグった」は半分正しいが、「正規化が勝手に空白を入れた」まで言うと雑だ。
Unicode正規化は、同じ文字を表す複数の符号列を一定の形式へそろえる仕組みだ。結合記号の分解・合成・標準順序などを扱う。[5] 一方、翻訳サービスはその前後で、文の分割、単語境界推定、トークン化、未知文字処理、フォント選択、Web表示、コピー＆ペーストなど多数の処理を通る。
タイ語やミャンマー語のように分割自体が言語依存になる文字列へ、別文字体系の基字＋複数の結合記号を差し込む。これは文字処理パイプラインへ「ほら、考えてみろ」と渡す嫌なテストケースになる。
どの層が空白を入れたかは、同じ入力を保存・送信・翻訳・表示の各段階でコードポイント列として比較しない限り断定できない。
うさぎはかわいい。原因分析はかわいくない。
7. 「見た目の1文字」と「コンピューターの1文字」は違う
Unicodeで重要なのが grapheme cluster、つまり人が1文字だと感じる単位だ。[3]
たとえばアクセント付き文字は、「完成済みの1コードポイント」の場合もあれば、「基字＋結合記号」の複数コードポイントの場合もある。画面では同じ1文字に見えることがある。
ꪔ̤̮ も同じ方向の罠を持つ。
- 見た目：うさぎ1匹
- コードポイント：3個
- 文字列長：APIや言語によって数え方が変わり得る
- カーソル移動：書記素クラスタ対応なら1単位として動くのが理想
- Backspace：実装によって全部消えるか、結合記号だけ剥がれるか差が出る
- 検索・比較：正規化方針で結果が変わり得る
- フォント：別スクリプトのフォールバックで形や位置が変わる場合がある
つまり「画面で1匹」は、内部でも1匹とは限らない。
野生動物管理台帳がコードポイント単位だった。
8. 実はUnicodeテスト文字列としてかなり優秀
ふざけて作ったが、ꪔ̤̮ はテスト素材として面白い。
確認できるものが多い。
- UTF-8で保存・復元できるか。
- 結合記号を落とさずコピーできるか。
- 文字数カウントがコードポイント依存で壊れないか。
- カーソルや削除が書記素クラスタを尊重するか。
- NFC/NFDなどの正規化前後で比較ロジックが破綻しないか。
- フォントフォールバックで結合記号が迷子にならないか。
- タイ語・ミャンマー語等の分割や改行へ混ぜてもUIが壊れないか。
- 翻訳API往復後に、元のコードポイント列が必要以上に改変されないか。
- 検索インデックスが「見える文字」と内部表現の差を扱えるか。
- モバイル・PC・ブラウザ差で巨大なズレが出ないか。
ただし本番記事へ無意味に混ぜるのはやめた方がいい。テストフィクスチャとして隔離し、期待するコードポイント列を明示した方が安全だ。
本番データに野生のうさぎを放流するな。
9. 多言語サイトでの実務対策
ネタを実務へ戻すと、やることは地味だ。
- 文字コードはUTF-8で統一する。
- 正規化方針を決める。WebコンテンツではNFCを基本にする設計が一般的だが、目的に応じて原文保持との境界を決める。[5]
- 「文字数」はUTF-16コードユニットや単純な配列長ではなく、用途に応じてコードポイント・書記素クラスタ・バイト数を区別する。
lang属性を正しく付け、言語ごとのフォントと行間を確認する。- Thai / Myanmar / Khmer など、単純な空白分割が通用しない文字を実機で確認する。[4]
- 翻訳前後でsource-authored textを勝手に正規化・置換しない。必要な変換は仕様として固定する。
- 文字化けだけでなく、結合記号の位置、行切れ、選択、コピー、検索、読み上げもQAする。
- おかしな出力が出たら「Unicodeのせい」で終わらせず、入力→保存→API送信→翻訳→受信→描画のどこで列が変わったか比較する。
Unicodeは悪くない。だいたいUnicodeを扱う側が『1文字って1個でしょ？』と油断した瞬間に森からうさぎが出てくる。
10. 結論：草むらにいたのは、うさぎではなく人間の顔認識とUnicodeの奥深さだった
発端はただのSimeji顔文字だった。
ꪔ̤̮
それをミャンマー語へ混ぜたら草むらに見えた。タイ語へ混ぜたら完全に生息した。10匹入れたら群れになった。翻訳へ通したら文字列まで怪しくなった。
しかし分解してみると、話はかなりまともなUnicode入門になる。
- 見た目の1文字は、複数コードポイントかもしれない。
- 結合記号は基字へ重なって描画される。
- 東南アジアの文字には単純な空白分割では扱えないものがある。
- 正規化、分割、改行、フォント、翻訳、描画は別レイヤーだ。
- 「変な表示が出た」だけでは犯人を断定できない。
そして何より、
ภาษาไทยꪔ̤̮ภาษาไทย
これを一度「草むらに隠れたうさぎ」だと思ってしまうと、もう戻れない。
Unicodeの勉強をしていたはずなのに、生息確認で終わった。
