# mergedサブセット版の調査・計画

更新日：2026-10-21。状態：ユーザー指定により保留。頻度資料の選定、別資料での評価、基礎文字補助枠の提案・Regular試作まで実施済み。
初回調査：HEAD `1d15c08bb202887fe7a04bc14a83c358376a6899`、続行調査：HEAD `932344750dc8ee3e5f317ebf45081ef395ab28d3`。
いずれも調査開始時のGit差分はなし。配布用ビルドへのサブセット対応は未実装。

## 現在の判断：サブセット版の計画を保留

2026-10-21ユーザー指定。ユーザー自身のゲーム開発では、ゲーム内で使う文字から開発時にサブセット化する方が効率的だったため、
YakuHanJPの配布用サブセット版の調査・選定・実装を一旦保留する。

- 人名追加枠・低頻度文字の除外リストの調査と実装、命名の確定、`merged/full`・`merged/subset`への移行、通常ビルド・ZIPへの組み込みは進めない。
- 調査資料・候補文字リスト・評価結果・調査スクリプトは、再検討時の参考として保持する。
- 既存の配布用フォント・通常ビルド・ZIP構成は、この計画に基づいて変更しない。
- 再開はユーザーの明示的な指示を受けてから行う。以下の計画・次段階・未完了事項は、保留前の記録であり現在の実行予定ではない。

今回の変更は保留状態の文書化のみ。ゲーム側でのサブセット化手順の作成や、新しい生成処理の実装は行っていない。

## 依頼で示された前提

- `merged/full`と`merged/subset`で分ける想定。
- ゲーム・アプリへの内包を主用途とする。
- サブセットのWebフォント版（WOFF/WOFF2・CSS・unicode-range分割）は作らない。
- 第一水準・第二水準だけで分けず、現代日本語での使用頻度を反映した文字セットを検討する。
- ファイル名のどこに`subset`を入れるかは未定。
- [ixkaito/NotoSansJP-subset](https://github.com/ixkaito/NotoSansJP-subset/blob/master/README.md)は参考例。互換や踏襲は要件ではない。

## 保留前の推奨案（提案）

「共通の基礎文字＋頻出漢字＋用途上必要な追加文字」で、包含関係のある候補を比較する。
公開する段階数は容量・欠字の実測後に決める。最初から多数のバリエーションを配布しない。
続行調査ではTUBELEXを暫定採用し、BCCWJ文字表は非営利条件のため採用を保留した。
比較結果から3,000漢字前後を次の検討の中心にする案。詳細は末尾の続行調査を参照。
別資料での評価後は、上位3,000漢字＋基礎679文字（既存602文字＋ギリシャ文字/数学記号77文字）を土台とする。
2026-10-21のユーザー指定により、初回から人名への対応も含める。人名用の追加文字はこれから選定するため、最終総文字数は未確定。
これは追加枠の提案であり、承認済みの文字セットや公開仕様ではない。元の6候補と順位は変更していない。

汎用プリセットだけでは固有名詞や作品独自の語彙を保証できないため、将来の作品テキスト追加・欠字検査にも使える
機械可読の文字リストを設計する。初期公開の中心は汎用プリセットとし、作品専用生成機能は別段階の候補とする。
フォントの字形・約物幅・OpenType機能を維持し、文字削減と機能削除を一緒に行わない。

### 決定：候補にあるが元フォントにない文字の扱い

2026-10-21ユーザー指定。大元の文字選定は維持し、元フォントにない候補文字は、そのフォントの生成から省いて記録する。

- 共通候補集合を`S`、対象フォントのcmapにある文字集合を`F`として、実収録文字は`S ∩ F`、省略文字は`S − F`とする。
- 一つの書体にないことを理由に、共通候補や他書体の生成対象からその文字を除かない。
- 省いた分を下位順位の文字で補充せず、別書体の字形も移植しない。同じ候補IDでも実収録数は書体ごとに異なり得る。
- 省略記録には候補ID・元フォントの識別情報・ファミリー/スタイル・文字・コードポイント・件数・理由（元フォント未収録）を含める。
  内容が同じスタイルはまとめてよい。TTF/OTFで収録範囲が異なる場合は形式別にも記録する。
- 候補の目標文字数/カバー率と、実際に生成したフォントの収録数/カバー率を区別して表示する。
- この省略は生成エラーにしない。一方、元フォントにある選択文字が生成過程で落ちた場合は検証エラーにする。

現在の調査スクリプトは既にこの方式で試作しており、`report.json`の`missing_by_family`に省略文字のコードポイントと
対象スタイル、`regular_support`に基礎文字/漢字別の省略一覧と実カバー率を保存している。
候補IDは各結果のキー、元フォントのハッシュは`font_inventory`に記録し、文字はコードポイントから復元できる。
配布用ビルドへ実装するときは、人が読める文字・件数・理由も明示した省略一覧を添える。

### 初回公開範囲・配布方針の更新

2026-10-21ユーザー指定と、それを受けた命名案の整理。

- 人名への対応を初回の範囲に含める。頻度上位漢字の選定は維持し、人名向けの追加枠を同じサブセットに統合する。
  常用漢字・人名用漢字・名前に使われる異体字を比較対象として調べ、追加理由・元の候補との差・容量増を記録する。
  頻度のみでは漏れる`𠮷`等も検討対象とする。具体的な文字一覧と収録数は未確定で、任意の人名を保証するという意味ではない。
- ZIPは1本とし、`YakuHanJP_v<version>.zip`へcore・merged/full・merged/subsetをまとめる。サブセット専用ZIPへの分割案は採らない。
- `Standard`は将来の軽量版・拡張版の区別用にアシスタントが置いた仮名で、ユーザー要件ではなかった。
  初回1セットの構成では外し、`merged/subset/<family>/…`、`MergedYakuHanJPSubset-Regular.ttf`のような命名案へ簡略化する。
  `Subset`のファイル名内の位置は引き続き提案。内部名にも`Standard`は付けず、文字集合の版はmanifestで管理する案。
- 人名追加後も、元フォントにない文字はそのフォントだけ生成から省き、共通選定と省略記録を維持する。

既存の3,679文字の草案・実測値は、人名枠を追加する前の比較資料として保持する。通常ビルド・配布物はまだ変更していない。

### 低頻度文字の除外候補リスト（検討方針）

2026-10-21ユーザー提案。日本語で極めて使用頻度が低い文字について、subset向けの除外候補リストを別途設ける。
この段階では文字の自動削除を承認したものではなく、具体的な除外文字・頻度の閾値は未確定。

- 元の頻度順位・基礎文字・人名追加枠の選定根拠は維持し、除外の判断を別リストで追跡する。
  上位3,000に入らず初めから選ばれない漢字と、選定済み候補から意図的に除く文字を区別する。
- 調査対象は、用途上不要な可能性のある古い表記・互換記号・特殊な文字など。分類だけで一括除外せず、
  各文字の実際の利用と用途を確認する。候補リスト外の文字を列挙するだけでは現在の試作容量は減らない。
- TUBELEXの不出現だけで除外しない。語彙表での記号の欠落・資料の偏りがあるため、
  頻度値は資料/版・文字種・対象ジャンルとともに記録し、人名・UI・別資料で必要性を確認する。
- 基本のかな・coreの対象約物・採用する人名文字など、用途上残すと決めた文字は保持指定を優先する。
  一般文章では低頻度でも人名に必要な漢字・異体字は、低頻度という理由だけで除かない。
- リストの項目は文字・コードポイント・除外理由・資料別頻度/出典・影響する用途・状態（候補/除外/維持）・判断日。
  保持指定との衝突も記録し、未判断の候補をそのまま生成へ適用しない。
- 将来の生成は、共通の原候補から承認済み除外文字を引いた有効候補を作り、その後に各元フォントとの積集合を取る。
  「選定上の除外」と「有効候補にはあるが元フォント未収録のため省略」を別の理由・一覧として出力する。
  前者は共通の選定判断、後者はフォントごとの収録差であり、既存の省略方針を変更しない。
- 除外前後で容量、文字/文字列カバー率、人名・UIサンプル、縦書き・UVSの挙動を比較する。
  コードポイントを減らしても共有グリフやOpenType依存字形が残る場合があるため、削減効果は字数から推定せず実測する。

次の選定作業では、人名追加枠と保持指定を整理したうえで除外候補を抽出する。fullの文字集合はこの除外リストの対象外。
除外リスト・適用処理は未実装で、既存の候補リストや試作フォントから文字は削っていない。

## 現在の実装との照合

- [`scripts/build_fonts.py`](../scripts/build_fonts.py)の`merged_font()`は元フォントのcmapを保ち、約物と縦書き代替字形を置換する。
  `palt/halt/vpal/vhal`による置換約物の二重詰めを抑止している。
- 現在の出力は`packages/merged/<family>/{ttf,otf}/Merged<family>-<Style>.<ext>`。
  `full`/`subset`区分も文字セット指定もない。
- `--merged-format`は`native/both/ttf/otf`。JP/RPの元形式はTTF、MPはOTF。
  公開用ビルドではTTF・OTFの両方を生成する。
- キャッシュは`build/fonts`で形式別にハッシュを検査する。入力はソース・輪郭・元フォント・生成コード・`uv.lock`。
- [`scripts/build_zip.py`](../scripts/build_zip.py)は6ファミリー46スタイルのcore/mergedを列挙し、計184フォントを1つのZIPに収録する。
  既存ZIPの実測は[v5比較資料](v4.1.1-to-v5.0.0.md#ダウンロード版zip)参照。
- [`scripts/test_build_fonts.py`](../scripts/test_build_fonts.py)に全文字版のcmap維持、整形、約物幅、縦書き、形式変換、キャッシュの検証がある。
  サブセット版には別の収録文字検査が必要。
- [`scripts/zip/README.md`](../scripts/zip/README.md)で、既存の末尾`s`は「カッコだけ半角化」と説明している。
  サブセットの略として`s`を再利用すると意味が衝突する。

### 全文字版の基準値（今回の実測）

対象：現作業ツリーの`packages/merged`、Regularのみ。Python 3.12.11、FontTools 4.67.0。
バイト数は未圧縮のファイルサイズ。文字数は`getBestCmap()`のコードポイント数、グリフ数とは異なる。

| ファミリー | 文字数 | グリフ数 | TTF（B） | OTF（B） |
| --- | ---: | ---: | ---: | ---: |
| YakuHanJP | 16,732 | 17,808 | 5,732,988 | 4,020,296 |
| YakuHanJPs | 16,732 | 17,808 | 5,732,516 | 4,020,316 |
| YakuHanMP | 16,689 | 17,776 | 7,460,240 | 6,170,844 |
| YakuHanMPs | 16,689 | 17,776 | 7,459,416 | 6,169,688 |
| YakuHanRP | 8,201 | 8,532 | 3,397,824 | 2,081,456 |
| YakuHanRPs | 8,201 | 8,532 | 3,397,820 | 2,079,492 |

- Regularの6ファミリー共通部分は6,506コードポイント、和集合は18,399。漢字だけの数ではない。
  続行調査で、各ファミリー内の全ウェイトのcmapが一致することも確認済み。
- TTFのcmap format 14も確認。JPは17セレクター・14,787組、MPは17・14,770組、RPは7・279組のUVSがある。
  これは異体字シーケンスのエントリー数で、独立した文字数や追加グリフ数ではない。
- スポット検査では`劍`はRP/RPsの全文字版にもない。`⚔`（U+2694）・`�`（U+FFFD）も全6ファミリーにない。
  文字セットへ列挙しても元フォントにない字形は増えない。元からない文字と、サブセットで落とす文字を区別する。
- 共通候補は書体間の共通部分へ切り詰めない。2026-10-21決定により、元フォントにない文字は書体別に省略し、その差を記録する。

再測定はリポジトリルートで以下を実行できる（既存`.venv`を使用、フォントは変更しない）。

```sh
.venv/bin/python - <<'PY'
from pathlib import Path
from fontTools.ttLib import TTFont
sets = []
for family in ('YakuHanJP', 'YakuHanJPs', 'YakuHanMP', 'YakuHanMPs', 'YakuHanRP', 'YakuHanRPs'):
    for ext in ('ttf', 'otf'):
        p = Path(f'packages/merged/{family}/{ext}/Merged{family}-Regular.{ext}')
        with TTFont(p) as f:
            cmap = set(f.getBestCmap())
            print(family, ext, p.stat().st_size, len(cmap), len(f.getGlyphOrder()))
            if ext == 'ttf':
                sets.append(cmap)
print('intersection', len(set.intersection(*sets)), 'union', len(set.union(*sets)))
PY
```

`full`移動後はパスの変更が必要。今回の計測は容量削減率・プリセットのカバー率を測ったものではない。

## 頻度資料の候補と採用上の注意

以下は初回調査時の候補。続行調査で確認した条件・集計結果は末尾に記録した。
公開年と収集対象年を区別し、「2026年の利用実態を代表する」とはまだ言わない。

| 資料 | 使い道 | 偏り・不足 | 現段階の扱い |
| --- | --- | --- | --- |
| BCCWJ1文字表・レジスター別文字表 v1.1 | 書籍・新聞・ブログ等の文字頻度を比較する基準 | 近年のゲーム・SNSの使用実態と同一ではない | 続行調査でCC BY-NC-SA 4.0を確認。今回の選定には不使用 |
| BCCWJ2 | 時代差を補う候補 | 調査時に確認した公開サンプルは2006〜2010年書籍。2025年までの構築計画と公開済み範囲は別 | 文字頻度表の入手性と利用条件を追加確認 |
| TUBELEX日本語 | 口語寄りの表記、動画カテゴリ別の差を見る補助 | 字幕でありゲーム台詞ではない。公開資料は語頻度で、全文字の生頻度とは異なる | 続行調査で未正規化の表層形から候補を作成 |
| 利用条件が明確な現代のゲーム台詞・UI文言 | 実用途の欠字、作品・ジャンル差の評価 | 作品の偏り・転載条件。まだ評価用資料は選定していない | 選定用と評価用の作品を分ける |
| JIS・常用漢字・人名用漢字 | 既存セットとの比較と、頻度から漏れる領域の診断 | 使用頻度そのものではない | 補助指標。分類だけを採用基準にしない |

### BCCWJ1 / BCCWJ2

[BCCWJ公開データ](https://clrd.ninjal.ac.jp/bccwj/bcc-chu.html)に文字表とレジスター別文字表、解説へのリンクがある。
同ページには研究・教育目的での無償利用が記載されるが、それだけで商用利用を含むフォント製品への応用や
元表・派生表の再配布を許可されたとは判断しない。文字表の個別条件を確認してから採用する。
初回は文字表解説を取得できなかったが、続行調査でCP932の本文を取得できた。条件は末尾参照。

[BCCWJ1概要](https://clrd.ninjal.ac.jp/bccwj/index.html)では主な書籍対象は1986〜2005年。
[BCCWJ2](https://www2.ninjal.ac.jp/BCCWJ2/)は2006〜2025年等の追加を計画し、2026-03-24に2006〜2010年書籍の
約2,300万語を検索公開したと案内している。[利用方法](https://www2.ninjal.ac.jp/BCCWJ2/index_usage.html)は少納言・中納言を示す。
確認したページではBCCWJ1同様の一括文字頻度表を確認できなかったため、検索結果の収集で代用せず、入手性を次段階で確認する。

### TUBELEX

[公式リポジトリ](https://github.com/naist-nlp/tubelex)は日本語の語頻度、動画・チャンネル出現数、カテゴリ別頻度を公開する。
通常版は小文字化・NFKC済みで、未正規化版もある。元コーパス全文は公開しないと説明されている。
文字選定には未正規化の表層形を優先し、`Σ 語の頻度×語中の当該文字数`を補助値にする案。
ただし分かち書き・フィルタ・記号除去の影響があるため、生テキストの文字カバー率とは呼ばない。
語ごとの動画・チャンネル数を足しても、文字のユニークな文書出現数にはならない。

[リポジトリのLICENSE](https://github.com/naist-nlp/tubelex/blob/main/LICENSE)はBSD-3-Clause。
採用時は対象の頻度ファイルにもその条件が適用されるかと、取得版・帰属表示を確認する。

### その他の候補の優先度

Wikipediaは固有名詞・専門語の補助評価候補。字幕資料は会話の比較候補。いずれも収集時期・重複・表記処理・利用条件を
確認してから追加する。NWJCのようなWebコーパスも将来の補助候補だが、今回は一次候補の確認を優先した。
検索で見つかる出所不明の漢字順位表は採用せず、資料数を増やすより再現可能な基準を先に作る。

## 文字セットの組み立て方（提案）

### 基礎文字と用途の追加

頻度が低くても必要な文字は、漢字順位とは独立した明示リストで扱う。

| 層 | 候補 | 判断方法 |
| --- | --- | --- |
| 基礎 | ASCIIの可視文字・空白、ひらがな・カタカナ、小書き、長音、繰り返し記号、濁点・半濁点、日本語約物 | Unicodeブロック丸ごとではなく、コードポイントと採用理由を記録 |
| 幅・表記違い | 全角英数字、半角カナ、全角空白、NBSP、円・バックスラッシュ、波ダッシュ・全角チルダ、ハイフン・マイナス類 | 実際に渡される文字列で検証。見た目が近くても別コードを同一扱いしない |
| UI・数値 | 矢印、丸数字、星・ハート・音符、単位、通貨、数学記号 | 手動候補＋UI資料で選定。絵文字やボタン図像の全面収録を目標にしない |
| 頻出漢字 | 書き言葉と口語の順位を併用 | 総頻度だけでなくレジスター別の取りこぼしを見る |
| 用途補助 | 例：龍・竜・剣・魔・闇・絆、人名・地名の表記違い | 例示段階。特定ジャンルに偏った追加を無制限に行わず、根拠を記録 |
| シーケンス | 結合濁点・半濁点、選択対象の漢字と元フォントにあるUVS | 単独コードの包含と実際の整形を別々に検証 |

coreで変更する約物は各ファミリーで全て残す案を優先する。`s`版も文字集合は通常版と揃え、半角化範囲だけを変える。
制御文字・改行・タブ・ZWJ・VSなどは、可視グリフの不足と同じ欠字判定にしない。
`.notdef`は保持するが、U+FFFDの収録とは別。元にないU+FFFDを保証文字にしない。

### 頻度の統合と段階数

- 資料ごとの文字頻度を同じ分母に正規化し、レジスターごとの順位・カバー率を併記する。
  コーパス規模が大きいだけで他資料を圧倒する生カウントの合算は避ける。
- 最初は「BCCWJのみ」「口語補助のみ」「両方の組合せ」を比較する。語頻度由来の補助値は混同せず別列に置く。
  重みは測定前に仮置きし、感度分析で順位の変化を見る。現時点で重みは未定。
- 漢字上位2,000 / 3,000 / 4,500を探索点にする案。これは漢字数であり、総文字数・公開製品名・推奨上限ではない。
  基礎文字等を加えるため、総収録数は増える。元フォント対応の検査前に「全書体で4,500漢字」と約束しない。
- 比較用の仮IDは`compact / standard / extended`。各候補は前段階の全文字を含む累積型とする。
  分割された差分フォントを重ねる方式は、組み込み時のフォールバック負担があるため初期案では採らない。
- まず1〜2段階で公開できるか判断し、容量に対する欠字減少の効果が小さい候補は公開しない。
  常用漢字全収録案・JIS第一水準案も同条件で比較し、頻度方式の改善があるか確認する。

### 正規化と再現性

[Unicode UAX #15](https://www.unicode.org/reports/tr15/)に示されるNFKCは互換上の区別を畳む。
全角・半角、丸数字、互換漢字を集計時に消すと、入力文字列で必要なコードポイントを見落とす。
元の表記を保管し、正規化した集計軸と出荷するコードポイント集合を分ける。NFCでも一部の互換漢字等が変化するので、
人名を含む入力を無条件に正規化しない。原文、NFC/NFDのかな、半角濁点などを評価に含める。

文字セットには版番号を付け、ソート済みコードポイント、文字一覧、採用理由（基礎・頻度・追加）、
資料のURL・版・取得日・SHA-256・正規化設定・生成ツール版を保存する。通常ビルドでネットから最新版を再集計しない。
固定版のリストから再生成できるようにし、更新時は追加・削除文字を公開する。
同じセット版で収録文字を黙って削らず、順位変動だけを理由に毎回入れ替えない。

## ゲーム・アプリでの評価

| 用途 | 選び方の案 | 注意点 |
| --- | --- | --- |
| 文言が固定のUI・作品台詞 | プリセット＋作品文字の追加、将来は作品専用生成 | セリフだけでなく実績・DLC・エラー・サーバー文言・権利表記も検査 |
| 更新されるテキスト | 広めのプリセット＋更新時の欠字検査 | テキスト更新とフォント更新を同時管理 |
| ユーザー名・チャット・人名 | 全文字版や適切なフォールバックも検討 | 頻度プリセットだけで任意入力を保証しない。全文字版も全Unicodeを含む意味ではない |
| 多言語UI | 日本語セットと対象言語の必要文字を別途評価 | 日本語の頻出漢字で中国語・韓国語対応を代用しない |

[Unity 6.3のFont assets説明](https://docs.unity.com/en-us/engine/6000.3/manual/uitoolkits/uielements/uie-work-with-text/uie-font-asset/uie-font-asset)は
Static/Dynamic/Dynamic OSを区別し、Dynamicは元フォントを含むと説明する。
一方、[同版のsubsetting説明](https://docs.unity.com/en-us/engine/6000.3/manual/uitoolkits/uielements/uie-work-with-text/uie-font-asset/uie-font-subsetting)は
Advanced Text Generatorでは元フォントが必要でStaticが使えないとする。
実装方式・Unityバージョン・TMP/UI Toolkitを固定せずに「静的アトラスなら元フォント不要」と一般化しない。

[Godotの説明](https://docs.godotengine.org/en/stable/tutorials/ui/gui_using_fonts.html#font-prerendering)では、
事前描画対象の指定と実行時のグリフ生成が分かれている。事前描画を減らすことと、元フォントから文字を削ることは別。
この違いから、配布時はフォントに加えて、エンジンへ渡せるUTF-8文字リスト・Unicode一覧を付ける案を推奨する。

検証対象はまずUnityとGodot、アプリ向けの代表環境を選び、OS・バージョン・文字サイズ・描画方式を記録する。
今回、実エンジン・実機でのインポートや描画測定はしていない。

### 比較で必要な指標

- TTF/OTF単体のB数・圧縮後の配布サイズ・文字数・グリフ数・生成時間。
- 同じ文言・ウェイト・サイズ・padding・描画方式でのアトラス枚数/容量、ビルド容量、初回表示時間、CPU/GPUメモリ。
  同じ文字だけを描画する場合、元フォントのサブセット化でアトラスが必ず小さくなるとは限らない。
- 出現回数で重み付けした文字カバー率、漢字だけのカバー率、異なり文字カバー率、欠字のない文字列の割合。
  `文字カバー率 = 収録文字の出現回数合計 / 評価対象文字の出現回数合計`とし、制御文字等の除外条件も明記する。
- 元フォントで表示可能な評価文字だけを分母にした削減影響と、原文全体に対するカバー率を両方示す。
- `.notdef`、異体字の意図しない既定字形化、結合濁点の分離、フォールバック回数と行高・幅の変化。
  見た目が出ても別字形に置換されていれば成功扱いしない。
- 各レジスター・ジャンル・作品別の結果。平均99.9%などの単一値で未知の作品の表示保証をしない。
  例として文字ごとに独立な99.9%を仮定しても、100文字全てが揃う確率は約90.5%になる（説明用の仮定で、実測ではない）。

選定に使っていない作品を評価に用い、ゲーム・UI・人名・地名を別群にする。
採用する文字数やカバー率の合格値は、比較表を作ってから決める。

## 生成仕様と配布構成（未確定案）

### 生成順序

1. 現行処理で全文字のmergedを作る。
2. 別コピーに固定文字リストを適用し、FontTools subsetで依存字形を閉包する。
3. 必要形式へ変換し、名前・整形・収録文字を検査して保存する。

これなら約物置換のロジックを共有できる。既存の両形式出力をそれぞれ削減する案とも比較し、
「マージ→削減→変換」と「マージ→変換→削減」の時間・字形差・CFF共通化への影響を測ってから実装順序を確定する。
未保存の共有オブジェクトを直接削減してfullを壊さないよう、処理対象を分離する。

[FontTools subsetの仕様](https://fonttools.readthedocs.io/en/latest/subset/index.html)では、保持するlayout機能の指定と、
それで参照される字形の追加がある。初期案は全機能保持（`layout_features=['*']`）とlayout closure有効、
hintingも保持。縦書き・代替字形を落とす既定設定任せにはしない。
`aalt`や地域字形も残すと期待より容量が減らない可能性は実測で判断する。
UVSは基底文字と選択子の扱い、format 14の対応組を明示的に検査する。
GSUB/GPOS/GDEF、縦メトリクス、名前、著作権・ライセンス情報の保持も確認する。
「不要に見えるテーブルを全部削る最小版」は初期対象にしない。

### 配置と名前

```text
packages/merged/
├── full/<family>/{ttf,otf}/...
└── subset/<family>/{ttf,otf}/...
```

上記は候補。`build/fonts`とZIP内でも同じ区分を使う案。
全文字版のファイル名は維持し、サブセット版だけ名前を変える案を優先するが、まだ決定しない。

| ファイル名候補 | 利点 | 注意 |
| --- | --- | --- |
| `MergedYakuHanJPSubset-Regular.ttf` | 元ファミリー名に区分を追記し、styleを末尾に維持 | 現時点の推奨案 |
| `MergedSubsetYakuHanJP-Regular.ttf` | styleが末尾の現構造を維持しやすい | 接頭辞が長くなる |
| `MergedYakuHanJP-Regular-subset.ttf` | 既存名への追記が分かりやすい | style末尾という現構造は崩れる |

ファイル名だけでなくname ID 1/2/3/4/6/16/17、CFF内部名をfull・各セットで区別し、
Regular/Bold等のスタイルリンクを維持する。PostScript名の文字・長さ制約も検証する。
同じ内部名のfullとsubsetがOS・エンジンで衝突しないことを確認する。

### 配布量と互換性

- TTF/OTFの両方を初期候補とし、元形式を組み込み時の第一候補として案内する。
  全46スタイル×2形式なら1セットで92フォント、3セットでは追加276フォントとなる。
  検証・ZIP容量・利用者の選択負担を踏まえ、セット数と全ウェイト提供の必要性を確認する。
- GitHub Releases向けのZIPは1本にまとめる。core・full・採用したsubsetを同梱し、研究用の全候補は含めない。
- 文字リスト、セット版・選定方針、ファミリー別の不足、ライセンスを同梱する。
- `merged/full`への移動は既存パスを変える。生成・キャッシュ・ZIP列挙・テスト・Playground等の参照を検索して移行する。
  旧パスに残ったバイナリを二重配布しないよう、削除対象を列挙して移行する。
- 実装時にルートREADME・ZIP README・v5比較資料を同時更新する。現段階では利用手順は変わっていない。

## ライセンスと参考実装

フォント側はリポジトリの`resource/*/OFL.txt`と[OFL公式FAQ](https://openfontlicense.org/ofl-faq/)を基準にする。
文字削減も改変版に当たる。フォントの著作権・OFL・Reserved Font Nameの条件を維持し、
ゲーム・アプリへ渡す際も必要なライセンス情報を同梱できる案内を用意する。
フォントのOFL、生成コードのMIT、選定資料の利用条件は別々に確認する。
頻度表を同梱するか、派生文字リストだけを同梱するかも、資料の条件を確定してから決める。

[ixkaitoのREADME](https://github.com/ixkaito/NotoSansJP-subset/blob/master/README.md)では、機能を保持する`subset`と
情報を削る`subset-min`を区別し、文字一覧と容量比較を公開している。
文字一覧の公開・容量比較という方法は参考になるが、古い元フォントの容量比や第一水準中心の文字選択は引き継がない。
同資料のWOFF系出力も今回の対象外。文字一覧の流用はしていない。

## 実施順と次の判断

| 段階 | 作業 | 完了条件 | 状態 |
| --- | --- | --- | --- |
| 0 | 現実装・Regularの容量とcmap・外部資料を確認 | この資料と索引を記録 | 完了 |
| 1 | 頻度資料の適用条件・収集年・取得版を確定 | 採用可能な資料と再現手順を記録。BCCWJに制約があれば代替資料を選ぶ | 暫定完了。TUBELEX固定版を採用、正確な収集期間には留保あり |
| 2 | 基礎文字・頻度順位・補助リストと候補セットを作る | 文字ごとの出典、包含関係、全書体・全ウェイトの対応差を出す | 初期6候補を維持。基礎679文字案まで試作済み。初回に含める人名追加枠の選定が次の作業 |
| 3 | JP/MP/RP各Regularで候補を試作 | 各候補の容量・カバー率・OpenType保持の比較表 | 初期18試作＋補助枠案6試作を検証。Godot UIと短編サンプル台本で評価済み。実機・広いジャンル評価は未了 |
| 4 | 命名、公開する段階数、形式・ZIP構成を決める | 比較表を根拠に公開仕様を確定 | 初期1セットの推奨案まで整理。命名・配布構成は未決 |
| 5 | 全スタイル生成・テスト・エンジン検証・文書更新 | 再現可能な生成と配布前チェックが成功 | 未着手 |

段階3〜5の検証では、選択文字の欠落、意図しない追加cmap、約物幅、縦書き、結合文字、UVS、
full/subsetの共存、キャッシュ更新（セット版・文字リスト・設定の変更）、ZIPの欠損検出を対象にする。
グリフIDは削減で振り直されるため、生のID一致ではなく輪郭・メトリクス・整形後の字形対応で比較する。

初回の検証結果：全文字版Regular 12ファイルを読み取り計測できた。生成コード・フォントバイナリは変更しなかった。
初回はドキュメントのみの変更のため、フォント再生成・既存テスト一式の再実行はしなかった。

## 続行調査：資料の確定と初期候補の試作

2026-10-21実施。通常ビルド・`packages`のフォント配置・配布物には変更を加えていない。
追加した[調査スクリプト](../scripts/research_merged_subset.py)はオフライン入力専用で、通常の生成処理とは独立している。

### 資料の採否・版・年代

- BCCWJ文字表の[個別解説](https://clrd.ninjal.ac.jp/bccwj/readme.txt)をCP932で取得し、CC BY-NC-SA 4.0を確認。
  商用ゲーム・アプリにも使える配布の方針と整合させるため、今回は文字選定・順位・カバー率計算に使用していない。
  この判断は採用方針であり、頻度に基づく文字選択の法的扱いを断定するものではない。別許諾の問い合わせもしていない。
- TUBELEXは[固定コミット](https://github.com/naist-nlp/tubelex/tree/7cb5fb36add76b83a266d1967536e1a1d3faa513)内の
  `frequencies/alternative-normalizations/tubelex-ja_no-normalization.tsv.xz`を暫定採用。
  頻度データも同じリポジトリで配布され、再帰的ファイル一覧でライセンスファイルはルートのBSD-3-Clauseのみ。
  元字幕本文を再配布するものではない。派生リストには[同ライセンス・著作権表記](merged-subset-experiment/LICENSE-TUBELEX.txt)を添えた。
- 入力は3,995,080 B、SHA-256は`83982f99f9320ecb7dbfb3e1e796c24623aacb3c447f1b4ab0f01a1bad59300f`。
  README・LICENSE・関連メタデータの固定URL、ハッシュ、取得日は[sources.json](merged-subset-experiment/sources.json)に記録。
- 頻度表は432,573表層語、出現合計163,439,781。`[TOTAL]`と全行の頻度合計の一致を検証した。
  特殊な代替トークン33出現を除外。漢字はUnicode名で統合漢字・互換漢字を判定し、5,926種類を得た。
  繰り返し文字は語内の回数分を数え、NFKC・NFC変換は適用していない。
- 関連動画メタデータの投稿日は2006-09-15〜2023-11-15。ただしメタデータ100,660件と頻度表の動画数100,754が一致せず、
  同一版の完全な対応は確認できない。この期間を頻度表の厳密な収集対象期間とは断定しない。
  [2025年の論文](https://aclanthology.org/2025.coling-main.641/)の公表年と、2026年時点の利用実態も区別する。
  リポジトリの`tubelex-ja.out`も異なる総数を含むため、集計の分母には使っていない。

### 作成した候補と再現用ファイル

- [基礎文字グループ](merged-subset-experiment/base-groups.json)：ASCII、かな、幅違い、日本語記号、通貨・空白、UI記号、
  数字・単位、coreソースに登場する文字の和集合。重複を除くと602文字。現時点では必須保証リストではなくレビュー用候補。
- [漢字順位](merged-subset-experiment/kanji-ranking.tsv)：表層語の頻度×語内の当該文字数。順位同数はコードポイント順。
  全体・gaming・newsのカウントを残し、元フォントで表示できない文字も順位から除外していない。
- `general-2000/3000/4500.txt`：全体の頻度順の上位漢字に基礎文字を追加。総数はそれぞれ2,602 / 3,602 / 5,102文字。
- `general-gaming-2000/3000/4500.txt`：全体とgamingカテゴリの漢字分布を各々正規化し、同じ重みで加算した比較用候補。
  全体側にもgamingが含まれるため、独立した2資料の統合でも、全体におけるgamingの実効比率50%でもない。
  どちらの系列も2,000字候補⊂3,000字候補⊂4,500字候補を検証した。
- [集計結果](merged-subset-experiment/report.json)：全46スタイルの入力ハッシュ、候補ごとの不足文字、Regular実測、UVSと整形の検査数。
  不足内容が同じスタイルはグループ化している。

### カバー率の比較

下表は**選定資料内の漢字出現回数**に対する候補漢字の包含率（%）。元フォントの不足を反映する前の値。
ゲーム台詞の独立評価でも、原文の全記号を含む文字カバー率でも、文字列単位の完全表示率でもない。

| 漢字数 | 全体順位：全体 | 全体順位：gaming | 全体順位：news | 全体＋gaming順位：全体 | 全体＋gaming順位：gaming | 全体＋gaming順位：news |
| --- | ---: | ---: | ---: | ---: | ---: | ---: |
| 2,000 | 99.2681 | 99.3220 | 99.4026 | 99.2379 | 99.4166 | 99.2838 |
| 3,000 | 99.9152 | 99.9479 | 99.9349 | 99.9102 | 99.9620 | 99.9264 |
| 4,500 | 99.9945 | 99.9982 | 99.9961 | 99.9940 | 99.9996 | 99.9954 |

gamingを重くする効果はあるが、他カテゴリで低下もある。公開セットの順位を切り替える根拠としてはまだ不十分。
例えば`龍/竜/剣/魔/闇/絆/鬱/髙`は全体上位2,000に入る一方、`﨑`は2,507位、`劍`は3,786位、`𠮷`は4,884位。
「3,000字なら人名も全て表示できる」とは案内できない。

### Regularの容量実測

全体順位の3候補について、現存する全文字版TTF/OTFを**それぞれ直接削減**した18ファイルの比較。
マージ後・形式変換前に削減する方式との速度比較はまだ行っていない。単位はB、未圧縮。

| 漢字数 | JP TTF | JP OTF | MP TTF | MP OTF | RP TTF | RP OTF |
| --- | ---: | ---: | ---: | ---: | ---: | ---: |
| 2,000 | 1,085,264 | 787,216 | 1,415,328 | 1,200,712 | 1,140,260 | 842,800 |
| 3,000 | 1,527,136 | 1,104,876 | 1,992,088 | 1,701,652 | 1,752,808 | 1,209,044 |
| 4,500 | 2,137,736 | 1,536,732 | 2,790,932 | 2,380,092 | 2,397,968 | 1,569,724 |

3,000字候補の削減率はJPが73.36% / 72.52%、MPが73.30% / 72.42%、RPが48.41% / 41.91%（TTF / OTF）。
試作はOpenType機能・hinting・名前/ライセンスを保持し、元にある対象文字のUVSも残している。
ファイルサイズの削減率はアトラスや実行時メモリの削減率ではない。

### 元フォント側の不足と基礎文字の調整

| 全体順位の漢字数 | JPの漢字不足 | MPの漢字不足 | RPの漢字不足 |
| --- | ---: | ---: | ---: |
| 2,000 | 0 | 0 | 0 |
| 3,000 | 0 | 0 | 14 |
| 4,500 | 23 | 23 | 488 |

全46スタイルのcmapを調べ、同一ファミリーの全ウェイトが同じ集合であることを確認した。
通常版と`s`版の各対も同じ集合だった。
RPの3,000字候補で足りない漢字は`宦寨慥攪攫笘箴繩聟蔡蜷鍮顏髯`。
不足を反映すると、この資料内でのRPの漢字カバー率は全体99.9110%、gaming 99.9463%、news 99.9309%。
2026-10-21決定により、この14字は共通候補に残したままRP/RPsの生成から省く。別文字での補充は行わない。
例えば「3,000漢字候補」のRPは実収録2,986漢字となり、候補漢字3,000字と省略14字を併記する。

基礎602文字にも元フォントとの差がある。JP/MPにない`⇑⇓✔✕✖`、MPにもない`㋿`なども、
候補に残したまま、その文字を持たない書体の生成から省いて記録する。RPには一部の互換単位記号と、他書体由来の縦書き互換コードがない。
coreソースの和集合を取ったことで、RPに元々ないJP/MP用の縦書きコードも候補に入っている。
これはRP自身の縦書き代替グリフが失われたことを意味しない。
基礎文字・任意の追加記号・ファミリー固有の代替字形の整理は、元フォントの収録差とは別に用途上の必要性から判断する。

### 検証方法と残作業

Python 3.12.11 / Unicodeデータ15.0.0 / FontTools 4.67.0 / uharfbuzz 0.56.3。
18試作で対象cmap、対応グリフ、横・縦メトリクス、行高、UVS対応を検査し、
通常サンプルと対象UVS全組について横書き/縦書き・既定/詰め機能有効の整形を全文字版と照合した。
整形照合は合計198,712条件で一致した。
GIDや保存後に変わる合成グリフ名をそのまま比較せず、削減直前の対応で元の字形識別へ戻して比較する。
独立した集計テスト4件で、語内の重複文字・引用符・互換漢字の維持、特殊トークンの除外、
合計不一致の検出、固定ハッシュ以外の入力拒否、補助平面の漢字判定を確認した。

試作フォントは`build/subset-research/fonts`だけに置く。内部名は全文字版と同じままで、配布・インストール用ではない。
見た目の比較、実エンジン・実機、ZIP圧縮サイズ、独立作品のカバー率は未検証。
既存のフォント生成コードは変更していないため、そのテスト一式や全配布ビルドは再実行していない。

初期試作時点での次の優先事項は、(1)用途に応じて基礎文字の必須/任意を整理、(2)人名の補助方針と配布時の省略一覧の形式を決定、
(3)再利用条件が明確な別の書き言葉・UI/作品資料で評価、(4)3,000字前後と必要なら軽量候補を再比較すること。
その後の基礎整理・別資料評価・省略一覧のサンプル作成は後述。公開する文字数・名前・ZIP構成は引き続き未確定。

### 再現手順

リポジトリルートで、固定資料を取得してから実行する。スクリプト本体はネットワークにアクセスしない。
原頻度データ・動画メタデータはGitへ追加していない。

```sh
mkdir -p build/subset-research/source
curl --fail --location \
  https://raw.githubusercontent.com/naist-nlp/tubelex/7cb5fb36add76b83a266d1967536e1a1d3faa513/frequencies/alternative-normalizations/tubelex-ja_no-normalization.tsv.xz \
  --output build/subset-research/source/tubelex-ja_no-normalization.tsv.xz
.venv/bin/python scripts/research_merged_subset.py \
  --input build/subset-research/source/tubelex-ja_no-normalization.tsv.xz \
  --output build/subset-research/data \
  --font-output build/subset-research/fonts
.venv/bin/python -m unittest discover -s scripts -p 'test_research_merged_subset.py'
```

初回環境構築はルートREADMEのフォント生成手順を参照。通常の調査は`--font-output`を省略すれば集計のみで済む。

## 別資料評価と基礎文字の補助枠案

2026-10-21実施。上記の候補6種を固定して評価し、結果を見てから補助枠案を追加した。
選定用のTUBELEXデータ・元の候補リスト・順位・初期実測は変更していない。

### 評価対象と方法

- Godotの日本語エディターUI翻訳：5,689文字列、116,612文字、879種類。
- Godotの日本語プロパティUI翻訳：1,955文字列、15,246文字、673種類。
- Ren’Py同梱サンプルゲーム「The Question」の日本語会話・地の文・選択肢等：76文字列、1,602文字、293種類。
- 固定版のファイルURL・SHA-256・ライセンスの確認根拠は[評価資料の記録](merged-subset-experiment/validation-sources.json)参照。
  Godot翻訳はファイルヘッダーでソースと同じライセンス（MIT）と明記されている。
  Ren’Py公式説明は大部分をMITとするが、選んだ日本語台本には個別条件の明記がないため、本文の再配布や文字選定への転用はしていない。
  今回はエンジン依存ライブラリ・画像・音声を取得/利用していない。
- POは翻訳済み`msgstr`だけを数え、英語原文・ヘッダー・fuzzy・obsolete・空訳を除外。
  台本はコメントの原文・`old`を除き、表示文と`new`を抽出。認識できない文構文は黙って無視せずエラーにする。
- 対応する装飾タグ・プレースホルダー・改行/タブ等の制御文字・不可視書式文字・VSを除外して数える。
  空白は数え、Unicode正規化は行わない。実行時に埋め込む変数値や未翻訳時の英語フォールバックは評価外。
- 文字列は翻訳レコード単位。表示頻度での重み付けやゲームのプレイ分岐による出現回数はない。
  異なり文字・文字出現回数・全文字を含むレコードの割合を分け、元フォントの収録範囲内だけでの包含率も記録した。

### 固定した候補6種の結果

下表は全体順位候補の結果。「文字」は出現回数の包含率、「文字列」は全文字を含むレコードの割合（%）。
ここでは元フォントによる省略を反映する前の、共通候補の結果を示す。各書体の実値は[評価結果](merged-subset-experiment/validation-report.json)参照。

| 対象 | 2,000漢字：文字 | 2,000漢字：文字列 | 3,000漢字：文字 | 3,000漢字：文字列 | 4,500漢字：文字 | 4,500漢字：文字列 |
| --- | ---: | ---: | ---: | ---: | ---: | ---: |
| Godotエディター | 99.9811 | 99.6309 | 99.9940 | 99.8770 | 99.9940 | 99.8770 |
| Godotプロパティ | 99.9082 | 99.2839 | 100 | 100 | 100 | 100 |
| The Question | 99.9376 | 98.6842 | 100 | 100 | 100 | 100 |

2,000字候補から漏れた漢字には、Godotで`矩/遷/蔽/錐/弧/填/累`、台本で`摺`があった。
3,000字に増やすとこれらは入る。gamingを加重した3,000字候補も、この3資料では全体順位版と同じ包含率だった。
3,000字候補のGodotエディターで残る文字は`π/ε/τ/φ/响`。4,500字に増やしても結果は変わらなかった。
`响`は訳文に含まれる簡体字で、この一例を理由に日本語の漢字順位を変えない。

Godotは技術用語の多いUI、The Questionは短い翻訳サンプルであり、一般の日本語文書・商用ゲーム・固有名詞の代表性はない。
この結果は任意のゲームでの欠字ゼロを保証しない。今後は別ジャンル・人名を含む長い作品の検証が有用。

### 基礎文字の役割と追加案

[基礎文字の役割・追加案](merged-subset-experiment/base-policy-proposal.json)で、現行602文字を次の用途へ整理した。
全て「候補に要求する文字」であり、どの書体でも必ず字形があるという意味ではない。未収録なら既定方針どおり省略する。

- 基礎表記：ASCII・かな・日本語約物。
- 入力互換：全角英数字・半角カナ。
- UI表記：空白・通貨・引用符・方向/状態記号。
- 互換記号：囲み数字・単位・元号。新しい作品で不要でも、入力済みテキストへの対応枠として残す案。
- core維持：符号化済みの約物と縦書き互換文字。OpenTypeの縦書き代替字形の閉包とは別に扱う。
- 追加提案：ギリシャ文字49字と数学記号28字。ギリシャ文字は今回不足した4字だけを足すのでなく、大小文字の組で定義。
  数学記号は無限大・比較・平方根・集合等のUI用途からの提案で、頻度上位漢字へ混ぜない。

合計679文字＋上位3,000漢字＝3,679文字の[補助枠付き草案](merged-subset-experiment/general-3000-ui-math-draft.txt)を作成した。
元候補の全3,602文字を含み、追加77文字がある。フォントにないことを理由とする候補削除・補充はない。
この草案は人名追加枠を含む前のもの。以後のユーザー指定により、人名の表記違いも初回の追加枠として調査・選定する。

草案ではGodotエディターの候補包含率が99.9991%、全文字を含む文字列は99.9824%となり、残る文字は`响`だけ。
JP/MPの実フォントでは元にない`✕`も省くため、文字包含率は99.9983%、文字列は99.9648%。
RPは`响`を元から含まず99.9991% / 99.9824%。他の2資料は3書体とも100%だった。
この草案は**同じ評価資料の不足を見た後の調整案**なので、この数値を新たな独立評価の成績とはしない。

### 草案の容量と省略記録

補助枠付き草案をRegularの3書体×2形式で試作した。単位はB、括弧内は初期3,000漢字候補からの増加量。

| 書体 | TTF | OTF | 共通候補 | 実収録 | 省略 |
| --- | ---: | ---: | ---: | ---: | ---: |
| JP | 1,545,608（+18,472） | 1,119,880（+15,004） | 3,679 | 3,673 | 6 |
| MP | 2,012,268（+20,180） | 1,719,496（+17,844） | 3,679 | 3,672 | 7 |
| RP | 1,762,920（+10,112） | 1,215,380（+6,336） | 3,679 | 3,630 | 49 |

ギリシャ文字・数学記号の追加による増加は、この試作で1ファイル約6〜20KB。元にない記号は省略記録へ含めた。
JPの省略は`⇑⇓≒✔✕✖`、MPはそれに`㋿`を加えた7文字。RPの省略49文字には既出の14漢字が含まれる。

省略一覧のサンプルとして、全46スタイル×TTF/OTF＝92件ずつ、候補ID・形式・元ファイル/ハッシュ・
候補数/実収録数/省略数・省略文字/コードポイント・理由をJSON化した。
[初期3,000漢字候補](merged-subset-experiment/general-3000-omissions.json)と
[補助枠付き草案](merged-subset-experiment/general-3000-ui-math-draft-omissions.json)を参照。

草案6フォントのcmap・グリフ対応・横/縦メトリクス・行高・対象UVS全組の整形を検証し、64,064条件で全文字版と一致した。
PO/台本の抽出・装飾/変数除外・文字と文字列の評価差を確認する4テストを追加し、従来の集計テストと合わせて8件成功。
試作は`build/subset-research/ui-math-draft-fonts`内だけ。名前の衝突回避・OS/エンジンでの描画は未検証で、配布用ではない。
ファイルのハッシュと検証条件は[評価成果物の記録](merged-subset-experiment/validation-artifacts.json)、容量は
[草案の実測](merged-subset-experiment/draft-font-measurements.json)に記録した。

### 次段階に向けた推奨案

初期は「全体頻度上位3,000漢字＋基礎679文字＋人名向け追加枠」の1セットを検討する。
2,000漢字は軽量だが今回のUI/台本にも漏れがあり、4,500漢字は同資料で改善せず容量が増えた。
軽量版・拡張版・gaming加重版は今回の比較から直ちに公開せず、具体的な需要が出たら別セットとして判断する。
常用漢字・人名・別ジャンル・別の書き言葉資料の診断はまだ残り、この1セット案を最終決定したわけではない。

次はこの案を基にファイル名・内部名・セットID・ZIP構成を具体化し、公開仕様を確定してから通常ビルドへ組み込む。
`merged/full`・`merged/subset`への移動や配布用バイナリの更新はまだ行っていない。

命名・配布についての具体案（未確定）は以下。ファイル名での`subset`の位置はユーザーが未指定のため、決定事項とは分ける。

- `Standard`や`standard`の区分は付けない。文字集合の版番号をmanifestに保存し、フォント製品のリリース版と区別する。
- 全文字版は`merged/full/<family>/{ttf,otf}/Merged<family>-<Style>.<ext>`とし、ファイル名・内部名を維持する。
- サブセット版は`merged/subset/<family>/{ttf,otf}/Merged<family>Subset-<Style>.<ext>`。
  例：`MergedYakuHanJPSubset-Regular.ttf`。末尾のスタイル名を保ち、`s`は従来のカッコ限定版の意味で維持する。
- 内部のファミリー名にも`Subset`を加え、全文字版と区別する。TTF/OTFで同じスタイルの別形式という関係は維持する。
- 初期は全6ファミリー・46スタイル×2形式＝92サブセットフォントを想定し、core・全文字版と同じ
  `YakuHanJP_v<version>.zip`へ収録する。合計276フォントを想定するが、全スタイルの生成とZIP容量測定は未実施。
- ZIPには文字集合manifest・共通候補一覧・フォント別の省略一覧・README・必要なライセンスを同梱し、
  WOFF/WOFF2・CSSを含めない。ZIP容量は全スタイルを生成してから測定する。

実装時にはこの構成を生成先とキャッシュキーに反映し、旧配置の不要な生成物を列挙して移行する。
名前・パス・同梱範囲の確定、共存確認、全スタイルの生成とZIP作成は残作業。

再現は[評価スクリプト](../scripts/evaluate_merged_subset.py)を使う。
`validation-sources.json`の`local_path`へ対応する固定URLを取得してから、次を実行する（取得は別工程）。

```sh
.venv/bin/python scripts/evaluate_merged_subset.py \
  --source-root /path/to/downloaded-sources \
  --output build/subset-research/validation \
  --font-output build/subset-research/ui-math-draft-fonts
.venv/bin/python -m unittest discover -s scripts -p 'test_*merged_subset.py'
```

原文はリポジトリへ同梱せず、派生した評価値と文字一覧だけを保存している。