Pesquisadores Buscam Expandir o Reconhecimento Automático de Fala para 2.000 Línguas

Uma equipe de pesquisadores da Universidade Carnegie Mellon está buscando expandir o reconhecimento automático de fala para 2.000 línguas. Até o momento, apenas uma parte das cerca de 7.000 a 8.000 línguas faladas em todo o mundo se beneficiaria de tecnologias de linguagem modernas, como transcrição de voz para texto ou legendagem automática.

Xinjian Li é um estudante de doutorado no Instituto de Tecnologias de Linguagem da Escola de Ciência da Computação (LTI).

“Muitas pessoas neste mundo falam línguas diversas, mas as ferramentas de tecnologia de linguagem não estão sendo desenvolvidas para todas elas”, disse ele. “Desenvolver tecnologia e um bom modelo de linguagem para todas as pessoas é um dos objetivos desta pesquisa.”

Li pertence a uma equipe de especialistas que busca simplificar os requisitos de dados que as línguas precisam para desenvolver um modelo de reconhecimento de fala.

A equipe também inclui membros da faculdade do LTI, como Shinji Watanabe, Florian Metze, David Mortensen e Alan Black.

A pesquisa intitulada “ASR2K: Reconhecimento de Fala para Cerca de 2.000 Línguas Sem Áudio” foi apresentada no Interspeech 2022, na Coreia do Sul.

A maioria dos modelos de reconhecimento de fala existentes exige conjuntos de dados de texto e áudio. Embora os dados de texto existam para milhares de línguas, o mesmo não é verdadeiro para o áudio. A equipe deseja eliminar a necessidade de dados de áudio, focando em elementos linguísticos que são comuns a muitas línguas.

As tecnologias de reconhecimento de fala normalmente se concentram em um fonema de uma língua, que são sons distintos que a distinguem de outras línguas. Esses são únicos para cada língua. Ao mesmo tempo, as línguas têm phones que descrevem como uma palavra soa fisicamente, e vários phones podem corresponder a um único fonema. Embora línguas separadas possam ter fonemas diferentes, os phones subjacentes podem ser os mesmos.

A equipe está trabalhando em um modelo de reconhecimento de fala que depende menos de fonemas e mais de informações sobre como os phones são compartilhados entre as línguas. Isso ajuda a reduzir o esforço necessário para construir modelos separados para cada língua individual. Ao emparelhar o modelo com uma árvore filogenética, que é um diagrama que mapeia as relações entre as línguas, ajuda com regras de pronúncia. O modelo da equipe e a estrutura da árvore permitiram que eles aproximassem o modelo de fala para milhares de línguas, mesmo sem dados de áudio.

“Estamos tentando remover este requisito de dados de áudio, o que nos ajuda a mudar de 100 para 200 línguas para 2.000”, disse Li. “Esta é a primeira pesquisa a visar um número tão grande de línguas, e somos a primeira equipe a tentar expandir as ferramentas de linguagem para este escopo.”

A pesquisa, embora ainda esteja em uma fase inicial, melhorou as ferramentas de aproximação de linguagem existentes em 5%.

“Cada língua é um fator muito importante em sua cultura. Cada língua tem sua própria história, e se você não tentar preservar as línguas, essas histórias podem ser perdidas”, disse Li. “Desenvolver este tipo de sistema de reconhecimento de fala e esta ferramenta é um passo para tentar preservar essas línguas.”