I ricercatori cercano di estendere il riconoscimento vocale automatico a 2.000 lingue

Un team di ricercatori dell’Università di Carnegie Mellon sta cercando di estendere il riconoscimento vocale automatico a 2.000 lingue. Al momento, solo una parte delle circa 7.000-8.000 lingue parlate nel mondo potrebbe beneficiare delle tecnologie linguistiche moderne come la trascrizione vocale-testo o la didascalia automatica.

Xinjian Li è uno studente di dottorato presso l’Istituto di tecnologie linguistiche (LTI) della Scuola di scienze informatiche.

“Molte persone in questo mondo parlano lingue diverse, ma gli strumenti tecnologici linguistici non vengono sviluppati per tutte loro”, ha detto. “Sviluppare tecnologia e un buon modello linguistico per tutte le persone è uno degli obiettivi di questa ricerca”.

Li fa parte di un team di esperti che cercano di semplificare i requisiti di dati per le lingue per sviluppare un modello di riconoscimento vocale.

Il team include anche i membri della facoltà dell’LTI Shinji Watanabe, Florian Metze, David Mortensen e Alan Black.

La ricerca intitolata “ASR2K: Riconoscimento vocale per circa 2.000 lingue senza audio” è stata presentata all’Interspeech 2022 in Corea del Sud.

La maggior parte dei modelli di riconoscimento vocale esistenti richiede set di dati testuali e audio. Mentre i dati testuali esistono per migliaia di lingue, non è lo stesso per l’audio. Il team vuole eliminare la necessità di dati audio concentrandosi sugli elementi linguistici che sono comuni a molte lingue.

Le tecnologie di riconoscimento vocale si concentrano normalmente sul fonema di una lingua, che sono suoni distinti che la distinguono dalle altre lingue. Questi sono unici per ogni lingua. Allo stesso tempo, le lingue hanno fonemi che descrivono come una parola suona fisicamente, e più fonemi possono corrispondere a un singolo fonema. Mentre le lingue separate possono avere fonemi diversi, i fonemi sottostanti potrebbero essere gli stessi.

Il team sta lavorando su un modello di riconoscimento vocale che si basa meno sui fonemi e più sulle informazioni su come i fonemi sono condivisi tra le lingue. Ciò aiuta a ridurre lo sforzo necessario per costruire modelli separati per ogni lingua individuale. Abbinando il modello a un albero filogenetico, che è un diagramma che mappa le relazioni tra le lingue, aiuta con le regole di pronuncia. Il modello del team e la struttura dell’albero hanno consentito loro di approssimare il modello di riconoscimento vocale per migliaia di lingue anche senza dati audio.

“Stiamo cercando di rimuovere questo requisito di dati audio, che ci aiuta a passare da 100 a 200 lingue a 2.000”, ha detto Li. “Questa è la prima ricerca a mirare a un numero così grande di lingue, e siamo il primo team a cercare di estendere gli strumenti linguistici a questo scopo”.

La ricerca, seppur ancora in una fase iniziale, ha migliorato gli strumenti di approssimazione linguistica esistenti del 5%.

“Ogni lingua è un fattore molto importante nella sua cultura. Ogni lingua ha la sua storia, e se non si cerca di preservare le lingue, quelle storie potrebbero essere perse”, ha detto Li. “Sviluppare questo tipo di sistema di riconoscimento vocale e questo strumento è un passo per cercare di preservare quelle lingue”.