Peneliti Berusaha Mengembangkan Pengenalan Ucapan Otomatis ke 2.000 Bahasa

Tim peneliti di Carnegie Mellon University berusaha mengembangkan pengenalan ucapan otomatis ke 2.000 bahasa. Saat ini, hanya sebagian dari perkiraan 7.000 hingga 8.000 bahasa yang digunakan di seluruh dunia yang dapat memanfaatkan teknologi bahasa modern seperti transkripsi suara-ke-teks atau subtitel otomatis.

Xinjian Li adalah mahasiswa Ph.D. di Sekolah Ilmu Komputer Institut Teknologi Bahasa (LTI).

“Banyak orang di dunia ini berbicara bahasa yang beragam, tetapi alat teknologi bahasa tidak dikembangkan untuk semua bahasa,” katanya. “Mengembangkan teknologi dan model bahasa yang baik untuk semua orang adalah salah satu tujuan penelitian ini.”

Li termasuk dalam tim ahli yang berusaha menyederhanakan persyaratan data bahasa untuk mengembangkan model pengenalan ucapan.

Tim ini juga termasuk anggota fakultas LTI Shinji Watanabe, Florian Metze, David Mortensen, dan Alan Black.

Penelitian yang berjudul “ASR2K: Pengenalan Ucapan untuk Sekitar 2.000 Bahasa Tanpa Audio” dipresentasikan di Interspeech 2022 di Korea Selatan.

Sebagian besar model pengenalan ucapan yang ada memerlukan dataset teks dan audio. Sementara data teks tersedia untuk ribuan bahasa, hal yang sama tidak berlaku untuk audio. Tim ini berusaha menghilangkan kebutuhan akan data audio dengan fokus pada elemen linguistik yang umum digunakan di banyak bahasa.

Teknologi pengenalan ucapan biasanya fokus pada fonem bahasa, yang merupakan suara yang membedakan bahasa dari bahasa lain. Fonem ini unik untuk setiap bahasa. Sementara itu, bahasa memiliki fon yang menjelaskan bagaimana sebuah kata terdengar secara fisik, dan beberapa fon dapat sesuai dengan satu fonem. Meskipun bahasa yang berbeda dapat memiliki fonem yang berbeda, fon yang mendasarinya dapat sama.

Tim ini bekerja pada model pengenalan ucapan yang lebih sedikit bergantung pada fonem dan lebih banyak pada informasi tentang bagaimana fon dibagikan antar bahasa. Ini membantu mengurangi upaya yang diperlukan untuk membangun model terpisah untuk setiap bahasa individu. Dengan memasangkan model ini dengan pohon filogenetik, yang merupakan diagram yang memetakan hubungan antar bahasa, membantu dengan aturan pengucapan. Model tim ini dan struktur pohon telah memungkinkan mereka untuk mengapproximasi model ucapan untuk ribuan bahasa bahkan tanpa data audio.

“Kami berusaha menghilangkan kebutuhan akan data audio, yang membantu kami berpindah dari 100 hingga 200 bahasa ke 2.000,” kata Li. “Ini adalah penelitian pertama yang menargetkan jumlah bahasa yang sangat besar, dan kami adalah tim pertama yang berusaha mengembangkan alat bahasa ke skala ini.”

Penelitian ini, meskipun masih dalam tahap awal, telah meningkatkan alat perkiraan bahasa yang ada sebesar 5%.

“Setiap bahasa adalah faktor yang sangat penting dalam budayanya. Setiap bahasa memiliki ceritanya sendiri, dan jika Anda tidak berusaha melestarikan bahasa, cerita-cerita itu mungkin akan hilang,” kata Li. “Mengembangkan sistem pengenalan ucapan dan alat ini adalah langkah untuk mencoba melestarikan bahasa-bahasa tersebut.”