Les chercheurs visent à étendre la reconnaissance automatique de la parole à 2 000 langues

Une équipe de chercheurs de l’Université Carnegie Mellon vise à étendre la reconnaissance automatique de la parole à 2 000 langues. Actuellement, seule une partie des 7 000 à 8 000 langues parlées dans le monde peut bénéficier des technologies linguistiques modernes comme la transcription vocale-à-texte ou la légendage automatique.

Xinjian Li est un étudiant en doctorat à l’Institut des technologies linguistiques (LTI) de l’école d’informatique.

« Beaucoup de personnes dans le monde parlent des langues diverses, mais les outils de technologie linguistique ne sont pas développés pour toutes », a-t-il déclaré. « Développer une technologie et un bon modèle de langue pour tous est l’un des objectifs de cette recherche. »

Li fait partie d’une équipe d’experts qui cherchent à simplifier les exigences de données des langues pour développer un modèle de reconnaissance de la parole.

L’équipe comprend également les membres de la faculté de LTI Shinji Watanabe, Florian Metze, David Mortensen et Alan Black.

La recherche intitulée « ASR2K: Reconnaissance de la parole pour environ 2 000 langues sans audio » a été présentée à Interspeech 2022 en Corée du Sud.

La plupart des modèles de reconnaissance de la parole existants nécessitent des ensembles de données texte et audio. Alors que les données texte existent pour des milliers de langues, il n’en est pas de même pour les données audio. L’équipe souhaite éliminer le besoin de données audio en se concentrant sur les éléments linguistiques communs à de nombreuses langues.

Les technologies de reconnaissance de la parole se concentrent généralement sur les phonèmes d’une langue, qui sont des sons distincts qui la distinguent des autres langues. Ces phonèmes sont uniques à chaque langue. En même temps, les langues ont des phones qui décrivent la façon dont un mot sonne physiquement, et plusieurs phones peuvent correspondre à un seul phonème. Même si les langues différentes peuvent avoir des phonèmes différents, les phones sous-jacents pourraient être les mêmes.

L’équipe travaille sur un modèle de reconnaissance de la parole qui s’appuie moins sur les phonèmes et plus sur les informations sur la façon dont les phones sont partagés entre les langues. Cela aide à réduire les efforts nécessaires pour construire des modèles séparés pour chaque langue individuelle. En associant le modèle à un arbre phylogénétique, qui est un diagramme qui cartographie les relations entre les langues, cela aide avec les règles de prononciation. Le modèle de l’équipe et la structure de l’arbre ont permis d’approximer le modèle de parole pour des milliers de langues même sans données audio.

« Nous essayons d’éliminer cette exigence de données audio, ce qui nous permet de passer de 100 à 200 langues à 2 000 », a déclaré Li. « Il s’agit de la première recherche à viser un tel nombre de langues, et nous sommes la première équipe à viser à étendre les outils de langue à cette portée. »

La recherche, bien qu’elle soit encore à un stade précoce, a amélioré les outils d’approximation de langue existants de 5 %.

« Chaque langue est un facteur très important de sa culture. Chaque langue a son propre histoire, et si vous n’essayez pas de préserver les langues, ces histoires pourraient être perdues », a déclaré Li. « Développer ce type de système de reconnaissance de la parole et cet outil est un pas pour essayer de préserver ces langues. »