Разработан инструмент для повышения качества работы систем синтеза малых языков (на примере чеченского языка)

Специалисты Санкт-Петербургского Федерального исследовательского центра РАН (СПб ФИЦ РАН) совместно с коллегами из Академии наук Чеченской Республики и Комплексного научно-исследовательского института им. Х.И. Ибрагимова РАН создали программный модуль, который позволяет с высокой точностью проводить распознавание омографов (слов, которые пишутся одинаково, но произносятся по-разному) в текстах на чеченском языке без использования нейросетей. Разработка встроена в систему синтеза чеченской речи.

Современные системы синтеза речи делают взаимодействие человека с компьютером более естественным и удобным, и их применение продолжается расширяться с развитием технологий. Цифровые системы анализируют входной текст, разбивают его на составляющие — слова, слоги, ударения и паузы, а затем используют алгоритмы и базы данных для формирования звуковых волн, имитирующих человеческую речь. В результате получается аудиозапись, которая звучит как голос человека, но полностью создана искусственно.

Одним из направлений для исследований и разработок в сфере систем синтеза речи является создание подходов и алгоритмов для языков с острой нехваткой аудио- и текстовых данных, поскольку применение больших нейросетевых моделей в таком случае ограничено. Как правило, это касается языков малых народов, число носителей которых сравнительно невелико, а от количества и качества данных зависит точность синтеза речи.

«Мы разработали подход для распознавания омографов в процессе синтеза чеченской речи без использования больших нейросетевых моделей, которые неприменимы к этому языку из-за нехватки текстовых и аудиоданных на чеченском языке. Созданные нами алгоритмы продемонстрировали высокую точность распознавания — около 80 %. Разработанный на их основе программный модуль интегрирован в систему синтеза чеченской речи, он сделал ее более точной и естественной. В перспективе наши разработки могут быть адаптированы и использоваться для распознавания омографов других языков малых народов России», — рассказала один из авторов разработки, соискатель лаборатории речевых и многомодальных интерфейсов СПБ ФИЦ РАН, научный сотрудник лаборатории прикладной математики Комплексного научно-исследовательского института им. Х.И. Ибрагимова РАН Элиса Израилова.

Для разработки алгоритмов распознавания команда ученых собрала базу данных чеченских текстов, которая содержит более 15 тысяч предложений, отобранных вручную из 5 миллионов аннотированных слов и отражающих естественную частоту многозначности омографов по грамматическим категориям в различных контекстах. База данных была размечена лингвистами Академии наук Чеченской Республики в соответствии со значениями слов, долготой гласных, наличием дифтонгов и редукции.

Ученые разработали три разных алгоритма для разрешения неоднозначности в синтезе речи. Один из них продемонстрировал точность 85 %.

Авторы отмечают, что разработанные база данных, алгоритмы и программа распознавания омографии   были созданы в рамках Года единства народов России, что подчеркивает вклад ученых в сохранение и развитие языкового многообразия народов страны.

Источник: Официальный ресурс Министерства образования и науки Российской Федерации