Prozodija

Dažreiz tas nav atkarīgs no tā, ko jūs sakāt, bet gan par to, kā jūs to sakāt. Tā ir patiesība, ar kuru lielākā daļa cilvēku var piekrist, bet datori to nevar. Lai gan runas atpazīšanas programmatūra ir diezgan labi spējusi saprast vārdus, tā joprojām nevar atšķirt pieturzīmes, piemēram, punktus un komatus, vai izvēlēties starp neviennozīmīgiem teikumiem, kuru nozīme ir atkarīga no runātāja emocijām. Tas ir tāpēc, ka šāda programmatūra joprojām nevar saprast intonācijas, uzsvarus un pauzes, ko kopīgi dēvē par prozodiju, ko cilvēki intuitīvi izmanto, lai veiktu šādas atšķirības.

Taču, tā kā vairāk nekā simts korporatīvo un akadēmisko pētniecības grupu strādā pie šīs problēmas, mēģinājumi iekļaut prozodiju runas programmatūrā gūst arvien lielākus panākumus. Uz prozodijām balstīti rīki jau tiek izmantoti runas sintēzei, lai uzlabotu datora balsu dabiskumu, piemēram, to, kas pa tālruni izrunā jūsu bankas bilanci. Prozodiju izpētei attīstoties, šīs automatizētās sistēmas skanēs arvien dabiskāk, pat runājot sarežģītus teikumus.

Šis stāsts bija daļa no mūsu 2002. gada jūlija numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Tomēr vissvarīgākie ieguvumi ir runas atpazīšanas jomā. Nesenie sasniegumi liecina, ka piecu gadu laikā prozodijas programmatūra veiks tādus uzdevumus kā paziņot, kad klients, kurš runā ar automatizētu telefonu sistēmu, kļūst dusmīgs, un attiecīgi reaģēs, piemēram, pārsūtot zvanu cilvēkam. Šīs ir patiešām visprogresīvākās lietas, saka Maikls Pičenijs, datorzinātnieks un runas un valodas algoritmu grupas vadītājs IBM Research Yorktown Heights, NY. Līdz pēdējiem pāris gadiem runas atpazīšanas kvalitāte bija tik primitīva, ka nebija pat vērts pētīt, kā izraisīt dažādas mašīnas uzvedības, paužot emocionālu nolūku. Vispirms jūs vienkārši vēlējāties, lai mašīna saprastu pareizos vārdus.

Skaņas viļņiem ir trīs pamata komponenti, ar kuriem var strādāt prozodijas programmatūra. Pirmais ir laiks — paužu ilgums starp vārdiem un teikumiem. Otrais nāk tonis — precīzāk, relatīvās augstuma izmaiņas vārdos un teikumos. Visbeidzot, ir skaļuma izmaiņas, kas norāda uz uzsvaru.

Izgūt nozīmi no šīm funkcijām datoram ir daudz grūtāk nekā identificēt vārdus, saka Elizabete Šriberga, datorzinātniece, kas vada prozodiju izpēti SRI International Menlo Parkā, Kalifornijā. Vārdi ir lineāra fonētisku notikumu virkne, piemēram, ee un th. Turpretim prozodiskās pazīmes ir sastopamas vārdos un teikumos. Vēl ļaunāk, dažāda veida prozodiskie modeļi bieži pārklājas viens ar otru; viens kopums var atklāt, ka teikums tika pateikts mierīgi, otrs, ka teikums bija jautājums. Bet pētnieki sāk tos kartēt. Piemēram, Šriberga un viņas kolēģi ir izveidojuši dusmīga teikuma veidni: tas kopumā ir lēnāks, tajā ir pārspīlēts uzsvars uz atslēgas vārdiem un beidzas ar toņa pagriezienu uz leju (man tas bija vajadzīgs pagājušo otrdien bet tas nav ieradies). Šribergs ir ģenerējis prozodiskus modeļus visam, sākot no dažādiem emocionāliem stāvokļiem līdz pieturzīmēm un beidzot ar novirzēm-maiņām, kad cilvēki maina domas teikuma vidū vai murmina uh.

Lai gan SRI rīki joprojām ir pētniecības vingrinājumi, plaša mēroga prozodiju izmantošana runas atpazīšanai varētu būt tikai apvāršņa priekšā. Ķīniešu runas atpazīšanas programmatūrā jau tiek izmantotas ierobežotas lietojumprogrammas. Ķīnā, atkarībā no locījuma, vārds Ma var nozīmēt mammu vai zirgu vai norādīt, ka teikums bija lāsts, skaidro Sjuedons Huangs, datorzinātnieks, kurš vada runas tehnoloģiju grupu Microsoft Research Redmondā, Vašingtonā. Tas ir ļoti bīstami, viņš joko. Microsoft jau ir sācis iekļaut vienkāršu prozodiju savā ķīniešu valodas runas atpazīšanas programmatūrā un strādā, lai izveidotu nākamās paaudzes programmatūru ķīniešu un japāņu valodām.

Nākamo piecu gadu laikā angļu valodas prozodiskie rīki runas atpazīšanai veiks pirmos tirgus iebrukumus. Viena lietojumprogramma: uzņēmumi varēja automātiski meklēt ierakstītās klientu apkalpošanas tālruņu datubāzēs, atrast dusmīgos zvanus un izpētīt, kas nogāja greizi. Vēl viena iespēja: noteikt pieturzīmes, lai ārstiem, kas runā diktēšanas sistēmās, nebūtu jāsaka punkts.

Taču paies vismaz desmit gadi, saka SRI Shriberg, pirms jebkurš dators var sākt darīt to, ko cilvēki dara katru dienu, pilnībā atšifrējot sarunu ar visu tās izplūdumu, vienlaikus filtrējot fona trokšņus. Mēs cenšamies nedaudz novērst [cilvēka-mašīnas] plaisu, tāpēc, kad cilvēku trūkst, vai kosmosā vai dzīvības uzturēšanai, dators būs pēc iespējas gudrāks, saka Šribergs. Pagaidām jebkurā gadījumā nemēģiniet izskaidrot šīs ambīcijas datoram. Tas nesapratīs jūsu sajūsmu.

paslēpties