โมเดลและแพลตฟอร์ม AI
นักวิจัยมุ่งขยายการรู้จำเสียงพูดอัตโนมัติให้ครอบคลุม 2,000 ภาษา
ประเด็นสำคัญทีม CMU ตั้งเป้าการรู้จำเสียงพูดสำหรับ 2,000 ภาษาโดยไม่มีข้อมูลเสียง
ดูเพิ่มเติม
- ทีม CMU ตั้งเป้าการรู้จำเสียงพูดสำหรับ 2,000 ภาษาโดยไม่มีข้อมูลเสียง
- โมเดลใช้หน่วยเสียงร่วมข้ามภาษาเพื่อหลีกเลี่ยงข้อกำหนดหน่วยเสียงเฉพาะ
- การทำแผนที่แผนภูมิวิวัฒนาการช่วยประมาณกฎการออกเสียงสำหรับภาษานับพันภาษา
ทีมนักวิจัยจากมหาวิทยาลัยคาร์เนกีเมลลอนกำลังพยายามขยายการรู้จำเสียงพูดอัตโนมัติไปถึง 2,000 ภาษา ในปัจจุบัน มีเพียงบางส่วนของภาษาที่มีการพูดประมาณ 7,000 ถึง 8,000 ภาษาทั่วโลกที่สามารถใช้เทคโนโลยีภาษาแบบสมัยใหม่ เช่น การถอดเสียงพูดเป็นข้อความหรือการสร้างคำบรรยายอัตโนมัติ
ซินเจียน ลี เป็นนักศึกษาระดับปริญญาเอกที่สถาบันเทคโนโลยีภาษา ซึ่งอยู่ในคณะวิทยาการคอมพิวเตอร์ (LTI)
“มีคนมากมายในโลกที่พูดภาษาที่หลากหลาย แต่เครื่องมือเทคโนโลยีภาษาไม่ได้ถูกพัฒนาเพื่อภาษาทั้งหมด” เขากล่าว “การพัฒนาเทคโนโลยีและแบบจำลองภาษาที่ดีสำหรับทุกคนเป็นหนึ่งในเป้าหมายของการวิจัยนี้”
ลีเป็นส่วนหนึ่งของทีมผู้เชี่ยวชาญที่พยายามลดข้อกำหนดด้านข้อมูลที่แต่ละภาษาต้องใช้ในการพัฒนาแบบจำลองรู้จำเสียงพูด
ทีมนี้ยังรวมถึงสมาชิกคณะของ LTI เช่น ชินจิ วาตานาเบะ, ฟลอเรียน เมตเซ, เดวิด มอร์เทนเซน และอัลัน แบล็ก
การวิจัยที่มีชื่อว่า “ASR2K: Speech Recognition for Around 2,000 Languages Without Audio” ถูกนำเสนอที่ Interspeech 2022 ในประเทศเกาหลีใต้
ส่วนใหญ่ของแบบจำลองการรู้จำเสียงพูดที่มีอยู่ต้องการชุดข้อมูลข้อความและเสียง ในขณะที่ข้อมูลข้อความมีอยู่สำหรับภาษาหลายพันภาษา แต่ไม่ใช่สำหรับเสียง ทีมนี้ต้องการขจัดความจำเป็นในการใช้ข้อมูลเสียงโดยเน้นไปที่องค์ประกอบทางภาษาที่เหมือนกันในหลายภาษา
เทคโนโลยีรู้จำเสียงพูดมักอาศัยหน่วยเสียง (phoneme) ซึ่งใช้แยกความแตกต่างของความหมายในระบบเสียงของแต่ละภาษา ขณะที่เสียงพูดจริง (phone) หมายถึงเสียงที่เปล่งออกมาทางกายภาพ เสียงพูดจริงหลายรูปแบบอาจสอดคล้องกับหน่วยเสียงเดียวกันได้ แม้ภาษาต่างๆ จะมีระบบหน่วยเสียงต่างกัน แต่เสียงพูดจริงบางเสียงอาจเหมือนกันได้ (หมายเหตุ: ต้นฉบับภาษาอังกฤษอธิบายความแตกต่างนี้อย่างย่อและไม่ชัดเจน จึงใช้ความหมายทางสัทศาสตร์ของคำทั้งสองเพื่อแยกให้ชัดเจนในคำแปล)
ทีมนี้กำลังทำงานในการพัฒนาแบบจำลองรู้จำเสียงพูดที่พึ่งพาหน่วยเสียงเฉพาะภาษาน้อยลง และใช้ข้อมูลเกี่ยวกับเสียงพูดจริงที่ภาษาต่างๆ มีร่วมกันมากขึ้น ซึ่งช่วยลดความพยายามที่จำเป็นในการสร้างแบบจำลองที่แยกจากกันสำหรับภาษาแต่ละภาษา โดยการผสมผสานแบบจำลองกับแผนภูมิแสดงสายสัมพันธ์ระหว่างภาษา ซึ่งเป็นแผนภาพที่แสดงความสัมพันธ์ระหว่างภาษา จะช่วยในการสร้างกฎการออกเสียง ทีมนี้สามารถประมาณการแบบจำลองการรู้จำเสียงพูดสำหรับภาษาหลายพันภาษาได้แม้ไม่มีข้อมูลเสียง
“เรากำลังพยายามขจัดความจำเป็นในการใช้ข้อมูลเสียง ซึ่งช่วยให้เราเคลื่อนจาก 100 ถึง 200 ภาษาเป็น 2,000 ภาษา” ลีกล่าว “นี่คือการวิจัยครั้งแรกที่มุ่งเป้าไปที่ภาษาหลายพันภาษา และเราคือทีมแรกที่พยายามขยายเครื่องมือภาษาไปถึงขอบเขตนี้”
การวิจัยในขณะที่ยังอยู่ในขั้นตอนแรกได้ปรับปรุงเครื่องมือการประมาณภาษาโดยอัตโนมัติ 5%
“ภาษาแต่ละภาษาเป็นปัจจัยที่สำคัญมากในวัฒนธรรมของตนเอง ภาษาแต่ละภาษามีเรื่องราวของมันเอง และหากคุณไม่พยายามรักษาภาษาเหล่านั้น เรื่องราวเหล่านั้นอาจสูญหายไป” ลีกล่าว “การพัฒนาระบบการรู้จำเสียงพูดและเครื่องมือนี้เป็นขั้นตอนในการพยายามรักษาภาษาเหล่านั้น”












