lexaudit

lexaudit

テキスト内の不自然な語、誤った語、別の言語からコピーされた語を見つけ、最初に修正すべきページを教えてくれます。

簡単に言うと

記事、講座、ドキュメントを書いたり翻訳したりしているとします。一般的なスペルチェッカーは、ブランド名、略語、長いドイツ語の単語まで何でも指摘する一方で、本当に問題になる語は見逃します。たとえば、別の言語からそのまま持ち込まれた語（「カルク」）、実在するものの意味を誤って使った語（「偽同形異義語」）、あるいは誰かが作り出した語です。

lexaudit はファイルを読み込み、問題のないものを無視して、「まずこのページを確認してください」という短い優先順位付きリストを作成します。一般的なノートパソコンで約1秒で実行できます。グラフィックカードも、インターネットも、アカウントも必要ありません。

問題を報告するだけです。テキストを変更することはありません。

不明な用語については、用語集をご覧ください。
0.3.0 の準備および公開手順：docs/p1-INDEX.md。

• 対応言語：英語（en）、ドイツ語（de）、スペイン語（es）、ポーランド語（pl）、ロシア語（ru）、スウェーデン語（sv）、ウクライナ語（uk）
• ハードウェア：CPU のみ
• 作成者：Vadim Nareyko（github.com/nareyko、Arviser Sp. z o.o. の創業者）
• ライセンス：MIT パッケージと AGPL-3.0-or-later のホスト型 SaaS のデュアルライセンス（詳細）

---

30秒で試す

pipx run lexaudit audit --path . --locale en --check
# or: uvx lexaudit audit --path . --locale en --check

不足しているスペル辞書は、ユーザーのキャッシュに自動でダウンロードされます。GPU は不要です。設定ファイルも必要ありません。終了コード 1 は、確認済みのカルクまたは造語が残っていることを意味します。

任意の補助コマンド：lexaudit doctor、lexaudit fetch-dicts、lexaudit init。

ファイルまたはプロジェクト全体をチェックする

# One file or folder, no settings file needed
uv run lexaudit audit --path ./README.md --locale en

# Or create starter settings first, then check everything
uv run lexaudit init
uv run lexaudit audit --locale en

レポートを開く

レポートは出力フォルダー内にあり、言語ごとにサブフォルダーが分かれています。まず queue.md を開いてください。

| score | unique_suspects | path | top_words |
|---|---|---|---|
| 12.0 | 2 | docs/en/en-04-defect-known-calques.md | orientir surveyness |
| 6.0 | 1 | docs/en/en-05-defect-false-friend.md | denseness |
| 1.6 | 2 | docs/en/en-03-clean-unseen-jargon.md | vinylester haulout |

スコアが高いほど、「まず確認すべき」という意味です。top_words にはスコアの根拠となった単語が表示されます。

単語が指摘された理由を確認する

uv run lexaudit explain orientir --locale en

word: orientir (normalized: orientir, locale: en)
status: calque (tier: confirmed)
reason: loan-calque-orientir | detectors: calque, hunspell
editorial hint: working rule / ballpark / figures - not orientir

テスト結果を再現する

uv run lexaudit audit --config examples/synthetic-demo/lexaudit.config.yaml

次に tmp/synthetic-demo-out/<language>/queue.md を開きます。

---

精度はどのくらい？ 正直にお答えします

7言語すべてで、42ページのテストセットを作成しました。問題のない技術ページが21ページ、意図的に問題を仕込んだページが21ページです。既知のルールで検出できる問題もあれば、ルールがこれまで一度も見たことのない新しい単語もあります。詳細：docs/synthetic-benchmark.md。

構成	上位2件に問題のあるページ	上位3件に問題のあるページ	Recall@2	Recall@3	MAP（0～1、高いほど良好）	既知の問題の検出数	新規造語の検出数	仕込んだ問題の合計	問題のないページでの FP / 1k トークン	時間
A. 通常のスペルチェッカー	0.0%	23.8%	0.0%	23.8%	0.389	0.0% (0/26)	0.0% (0/7)	0.0% (0/33)	81.2	0.48 s
B. 独自の単語リストを追加	7.1%	23.8%	4.8%	23.8%	0.421	0.0% (0/26)	0.0% (0/7)	0.0% (0/33)	47.1	0.56 s
C. lexaudit の全機能	100.0%	100.0%	66.7%	100.0%	1.000	100.0% (26/26)	100.0% (7/7)	100.0% (33/33)	47.1	2.97 s

この結果が意味すること：

• すべての言語で、既知の問題があるページが最初に表示されます。通常のスペルチェッカーでは、問題のないページが先に表示されます。
• 既知のルールで検出できる問題：100.0%（26/26）。未確認の単独出現の造語（Zipf + char n-gram / affix-glue）：100.0%（7/7）。仕込んだ問題の合計（実際の割合）：100.0%（33/33）。
• 各ロケールに不備のあるページがちょうど3ページある場合、上位2枠がどちらも問題のあるページでも、Recall@2 は 66.7% です（Precision@2 = 100.0%）。Precision@3 / Recall@3 は 100.0% です（単独出現の造語は、繰り返し使われる分野の専門用語より上位に表示されます）。
• 問題のないページでの誤検出：1000トークンあたり 47.1 個の重複しない指摘語（重複しない FP は36語 / 764トークン）。
• ページ内で繰り返し使われる（または H1 / タイトルに含まれる）専門用語には domain-term-candidate のタグが付き、ランキングへの重みはほぼゼロになり、「用語集への追加候補」に一覧表示されます。

---

ドキュメント

まずは docs/README.md をご覧ください。

ガイド	内容
用語集	すべての用語を平易な言葉で解説
ベンチマーク	42ページのテストを順を追って解説
アーキテクチャ	入力と出力の内容
パイプライン	各単語が通過するゲート
CLI リファレンス	すべてのコマンド
エージェントのワークフロー	レポートからページの修正まで
スコアと指標	ページのスコア算出方法

---

その他のコマンド

# Re-rank pages, filter by source (docs, academy, model_pack)
uv run lexaudit rank --locale ru --mode weighted --sources=docs

# Add every page that contains a known bad word to your to-do list
uv run lexaudit expand-needle --needle orientir --locale all \
  --write-queue /abs/path/to/rewrite-queue.md

# Optional: ask a language model for a second opinion (your own endpoint)
uv run lexaudit label --locale ru --top-pages 20 --top-words 50 --tiers likely,weak --profile cpu

# Compare two runs
uv run lexaudit diff --baseline .../report.json --current .../report.json --out /tmp/diff.json

---

コントリビューター向け

セットアップとチェック：

uv sync --extra dev
uv run ruff check . && uv run ruff format --check .
uv run mypy --strict src/
uv run pytest
uv run python scripts/crap_report.py
uv run mutmut run && uv run python scripts/check_mutation_score.py --min-percent 80
uv build

テストレイヤー：ユニットテストと統合テスト（ブランチカバレッジ80％以上）、7言語ベンチマーク、プロパティベースのファジング（Hypothesis）、読み取り専用でファイルをチェックするゴールデン回帰テスト、JSON Schema コントラクト、複雑度ゲート（CRAP）、ミューテーションテスト（キル率80％以上）。

docs/images 内の画像はコードから生成されます。python scripts/render_diagrams.py を実行してください（Inkscape と Pillow が必要です）。JPG ファイルを手作業で編集しないでください。

ライセンス

対象	ライセンス
PyPI／このリポジトリのコード（CLI、ライブラリ、YAML ルール、パック）	MIT — MIT の条件のもと、製品やプライベート SaaS で使用できます
将来的に予定しているホスト型マルチテナントネットワークサービス（このリポジトリには含まれていません）	ポリシー文書：AGPL-3.0-or-later — MIT の wheel に適用される2つ目のライセンスではありません
ベンチマークコーパスと取得したスペル辞書	LICENSE-THIRD-PARTY.md と上流の *.license.txt

ライセンスの全文：docs/licensing.md。ルールの追加方法：docs/contributing-rules.md。

開発の経緯と作者

Vadim Nareyko（github.com/nareyko）が作成し、メンテナンスしています。FairHelm で多言語コースや百科事典を監査したことをきっかけに開発が始まりました。