From 6aab4bc299b6e60525e1c446068e7601ffe4da49 Mon Sep 17 00:00:00 2001
From: Yohei <20108042+owayo@users.noreply.github.com>
Date: Tue, 13 Oct 2026 01:26:18 +0900
Subject: [PATCH] =?UTF-8?q?fix:=20=E6=95=B0=E5=AD=97=E3=81=A8=E9=9B=A2?=
 =?UTF-8?q?=E3=82=8C=E3=81=9F=E8=8B=B1=E5=AD=97=E3=82=92=E5=8D=98=E4=BD=8D?=
 =?UTF-8?q?=E8=AA=AD=E3=81=BF=E3=81=97=E3=81=AA=E3=81=84?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

空白を読み飛ばすと、離れた数字が英字の直前のトークンになるため、
階や部屋の英字記号を単位として読んでいた。
入力のバイト位置が連続する場合だけ単位読みを付ける。
既知語・未知語、全角英字、空白類と offset の回帰テストを追加する。
---
 docs/architecture.md |  7 +++++-
 src/lattice.rs       | 60 ++++++++++++++++++++++++++++++++++++++++++--
 2 files changed, 64 insertions(+), 3 deletions(-)

diff --git a/docs/architecture.md b/docs/architecture.md
index 34d3dbe..0fef534 100644
--- a/docs/architecture.md
+++ b/docs/architecture.md
@@ -47,8 +47,13 @@ hasami は入力を文字単位の double-array trie で辞書引きし、未知
 ## 読みと字幅
 
 読みが欠けた仮名のトークンは表層形から補う。半角カナと結合濁点・半濁点も扱う
-（`ｶﾞｯｺｳ` → ガッコウ）。全角英字も ASCII と同じ綴り読み・数字の後の単位読みの対象になる。
+（`ｶﾞｯｺｳ` → ガッコウ）。全角英字も ASCII と同じ綴り読み・数字と隣接する場合の単位読みの対象になる。
 入力と辞書キーは書き換えず、表層形と UTF-8 バイト位置を保つ。
 結合文字が別のトークンに分かれた場合まで入力全体を正規化する機能ではない。
 
+英字の文脈補正では、数字の `end` と英字の `start` が一致するときだけ単位読みを付ける。
+`3F` の F はファラド、`3 F`・タブや改行で離れた F はエフになる。
+`100km`・`3GB`・`5V` は単位読み、`100 km`・`3 GB`・`5 V` はケーエム・ジービー・ブイの綴り読みになる。
+既知語で 3 文字以上の英字にカタカナの読みがある場合は、従来どおり辞書の読みを優先する（`NASA` → ナサ）。
+
 補助平面の CJK 拡張漢字・互換漢字も、char.def の明示指定がなければ漢字として未知語候補を作る。
diff --git a/src/lattice.rs b/src/lattice.rs
index 5ef1172..5529b37 100644
--- a/src/lattice.rs
+++ b/src/lattice.rs
@@ -341,7 +341,7 @@ fn apply_decimal_counter_override(token: &mut Token, after_decimal_point: bool)
 /// 辞書の読みを文脈で補正し、読みが欠けているトークンを補完する。
 /// - 品詞で読みが決まる語: `POS_READING_OVERRIDES`（「他」の名詞/接頭詞）
 /// - 後続で読みが決まる語: 「数」（数詞が続けば「スウ」、続かなければ「カズ」）
-/// - アルファベット: 数字トークンの直後 → 単位読み（該当する場合）、なければアルファベット読み
+/// - アルファベット: 数字トークンと隙間なく隣接 → 単位読み（該当する場合）、なければアルファベット読み
 /// - 繰り返し記号「々」: 直前のトークンの読み（そこだけ無音になるのを防ぐ）
 /// - 仮名のみの語: 表層形をカタカナ化した読み（未知語で読みが空になるケースの救済）
 fn apply_contextual_readings(tokens: &mut [Token]) {
@@ -404,7 +404,8 @@ fn apply_contextual_readings(tokens: &mut [Token]) {
             continue;
         }
 
-        let preceded_by_number = i > 0 && is_number_like(&tokens[i - 1]);
+        let preceded_by_number =
+            i > 0 && tokens[i - 1].end == tokens[i].start && is_number_like(&tokens[i - 1]);
 
         if preceded_by_number && let Some(reading) = unit_reading(&tokens[i].surface) {
             let arc: Arc<str> = Arc::from(reading);
@@ -1911,6 +1912,8 @@ mod tests {
                 reading_token("３", "名詞,数,*,*", "サン"),
                 reading_token(surface, NOUN, ""),
             ];
+            tokens[1].start = tokens[0].end;
+            tokens[1].end += tokens[1].start;
             apply_contextual_readings(&mut tokens);
             assert_eq!(&*tokens[1].reading, expected);
         }
@@ -1919,6 +1922,59 @@ mod tests {
         assert_eq!(&*tokens[0].reading, "ナサ");
     }
 
+    #[test]
+    fn test_alphabet_unit_readings_require_adjacent_number_spans() {
+        let words = [
+            ("第", 0, NOUN),
+            ("3", 0, "名詞,数,*,*"),
+            ("３", 0, "名詞,数,*,*"),
+            ("会議室", 0, NOUN),
+            ("　", 0, "記号,空白,*,*"),
+        ];
+        for (surface, unit, spelled) in [
+            ("F", "ファラド", "エフ"),
+            ("A", "アンペア", "エー"),
+            ("W", "ワット", "ダブリュー"),
+            ("V", "ボルト", "ブイ"),
+            ("km", "キロメートル", "ケーエム"),
+            ("GB", "ギガバイト", "ジービー"),
+            ("Ｆ", "ファラド", "エフ"),
+            ("ｋｍ", "キロメートル", "ケーエム"),
+        ] {
+            for known in [false, true] {
+                let mut entries = words.to_vec();
+                if known {
+                    entries.push((surface, 0, NOUN));
+                }
+                let dict = cost_dict(&entries);
+                let mut workspace = LatticeWorkspace::new();
+                for number in ["3", "３"] {
+                    for gap in ["", " ", "  ", "\t", "\n", "\r\n", "　"] {
+                        let text = format!("第{number}{gap}{surface}会議室");
+                        let offset = 17;
+                        // 既存の出力へ追加する経路でも、元入力の位置で隣接を判定する。
+                        let mut out = vec![reading_token("3", "名詞,数,*,*", "サン")];
+                        workspace
+                            .tokenize_into(&text, &dict, offset, &mut out)
+                            .unwrap();
+                        let token = out.iter().find(|t| &*t.surface == surface).unwrap();
+                        let expected = if gap.is_empty() { unit } else { spelled };
+                        assert_eq!(&*token.reading, expected, "{text:?}, known={known}");
+                        assert_eq!(&*token.pronunciation, expected, "{text:?}");
+                        let start = offset + "第".len() + number.len() + gap.len();
+                        assert_eq!((token.start, token.end), (start, start + surface.len()));
+                        assert_eq!(token.is_known, known);
+                    }
+                }
+                let mut out = vec![reading_token("3", "名詞,数,*,*", "サン")];
+                workspace
+                    .tokenize_into(surface, &dict, 1, &mut out)
+                    .unwrap();
+                assert_eq!(&*out[1].reading, spelled);
+            }
+        }
+    }
+
     #[test]
     fn test_ten_minutes_euphony_requires_numeric_ten_and_minute_suffix() {
         for (ten_pos, counter, counter_pos, expected) in [