Μοντέλα και πλατφόρμες AI

Ερευνητές Επιδιώκουν την Επέκταση της Αυτόματης Αναγνώρισης Ομιλίας σε 2.000 Γλώσσες

Alex McFarland
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ ομάδα του CMU στοχεύει στην αναγνώριση ομιλίας για 2.000 γλώσσες χωρίς δεδομένα ήχου.
Δείτε περισσότερα
  • Η ομάδα του CMU στοχεύει στην αναγνώριση ομιλίας για 2.000 γλώσσες χωρίς δεδομένα ήχου.
  • Το μοντέλο χρησιμοποιεί κοινά φωνήματα μεταξύ γλωσσών για να παρακάμψει τις απαιτήσεις μοναδικών φωνημάτων.
  • Η χαρτογράφηση φυλογενετικού δέντρου βοηθά στην προσέγγιση κανόνων προφοράς για χιλιάδες γλώσσες.

Μια ομάδα ερευνητών στο Πανεπιστήμιο Carnegie Mellon επιδιώκει να επεκτείνει την αυτόματη αναγνώριση ομιλίας σε 2.000 γλώσσες. Μέχρι τώρα, μόνο ένα τμήμα των περίπου 7.000 έως 8.000 ομιλούμενων γλωσσών στον κόσμο θα ωφεληθούν από σύγχρονες γλωσσικές τεχνολογίες όπως η μεταγραφή φωνής-κειμένου ή ο αυτόματος υποτιτλισμός.

Ο Xinjian Li είναι φοιτητής διδακτορικού στο Ινστιτούτο Γλωσσικών Τεχνολογιών (LTI) της Σχολής Επιστημών Υπολογιστών.

«Πολλοί άνθρωποι σε αυτόν τον κόσμο μιλούν διαφορετικές γλώσσες, αλλά τα εργαλεία γλωσσικής τεχνολογίας δεν αναπτύσσονται για όλες τις γλώσσες», είπε. «Η ανάπτυξη τεχνολογίας και ενός καλού γλωσσικού μοντέλου για όλους τους ανθρώπους είναι ένας από τους στόχους αυτής της έρευνας».

Ο Li ανήκει σε μια ομάδα εμπειρογνωμόνων που επιδιώκουν να απλοποιήσουν τις απαιτήσεις δεδομένων που χρειάζονται οι γλώσσες για να αναπτύξουν ένα μοντέλο αναγνώρισης ομιλίας.

Η ομάδα περιλαμβάνει επίσης μέλη του διδακτικού προσωπικού του LTI, τους Shinji Watanabe, Florian Metze, David Mortensen και Alan Black.

Η έρευνα με τίτλο «ASR2K: Αναγνώριση Ομιλίας για Περίπου 2.000 Γλώσσες Χωρίς Ήχο» παρουσιάστηκε στο Interspeech 2022 στη Νότια Κορέα.

Η πλειονότητα των υφιστάμενων μοντέλων αναγνώρισης ομιλίας απαιτούν συνόλους δεδομένων κειμένου και ήχου. Ενώ τα δεδομένα κειμένου υπάρχουν για χιλιάδες γλώσσες, το ίδιο δεν ισχύει για τα δεδομένα ήχου. Η ομάδα θέλει να εξαλείψει την ανάγκη για δεδομένα ήχου εστιάζοντας σε γλωσσικά στοιχεία που είναι κοινά σε πολλές γλώσσες.

Οι τεχνολογίες αναγνώρισης ομιλίας συνήθως εστιάζουν στα φωνήματα μιας γλώσσας, δηλαδή σε διακριτούς ήχους. Το άρθρο τα περιγράφει ως ειδικά για κάθε γλώσσα. Παράλληλα, υπάρχουν οι φθόγγοι (phones), που περιγράφουν τη φυσική ηχητική υλοποίηση μιας λέξης, και πολλοί φθόγγοι μπορούν να αντιστοιχούν σε ένα φώνημα. Έτσι, ενώ οι γλώσσες μπορεί να έχουν διαφορετικά φωνήματα, οι υποκείμενοι φθόγγοι μπορεί να είναι κοινοί.

Η ομάδα δουλεύει σε ένα μοντέλο αναγνώρισης ομιλίας που βασίζεται λιγότερο στα φωνήματα και περισσότερο στις πληροφορίες για τους κοινούς φθόγγους μεταξύ γλωσσών. Αυτό βοηθά στη μείωση της προσπάθειας που απαιτείται για την κατασκευή ξεχωριστών μοντέλων για κάθε ξεχωριστή γλώσσα. Ζευγαρώνοντας το μοντέλο με ένα φυλογενετικό δέντρο, το οποίο είναι ένας χάρτης που χαρτογραφεί τις σχέσεις μεταξύ γλωσσών, βοηθά με τους κανόνες προφοράς. Το μοντέλο της ομάδας και η δομή του δέντρου έχουν επιτρέψει να προσεγγιστεί το μοντέλο ομιλίας για χιλιάδες γλώσσες ακόμη και χωρίς δεδομένα ήχου.

«Προσπαθούμε να αφαιρέσουμε αυτήν την απαίτηση δεδομένων ήχου, η οποία μας βοηθά να μεταβούμε από 100 έως 200 γλώσσες σε 2.000», είπε ο Li. «Αυτή είναι η πρώτη έρευνα που στοχεύει σε τόσο μεγάλο αριθμό γλωσσών και είμαστε η πρώτη ομάδα που στοχεύει να επεκτείνει τα εργαλεία γλώσσας σε αυτό το πεδίο».

Η έρευνα, αν και ακόμη βρίσκεται σε πρώιμο στάδιο, έχει βελτιώσει τα υπάρχοντα εργαλεία προσέγγισης γλώσσας κατά 5%.

«Κάθε γλώσσα είναι ένας πολύ σημαντικός παράγοντας στον πολιτισμό της. Κάθε γλώσσα έχει τη δική της ιστορία και αν δεν προσπαθήσουμε να διατηρήσουμε τις γλώσσες, αυτές οι ιστορίες μπορεί να χαθούν», είπε ο Li. «Η ανάπτυξη αυτού του είδους συστήματος αναγνώρισης ομιλίας και αυτού του εργαλείου είναι ένα βήμα για να προσπαθήσουμε να διατηρήσουμε αυτές τις γλώσσες».

Alex McFarland

Ο Alex ηγείται των ειδησεογραφικών λειτουργιών που τροφοδοτούνται από AI της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για την υποστήριξη έγκαιρης και κλιμακώσιμης κάλυψης της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις του AI εμφανίζονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.