Transkripce psaného českého textu do fonetické podoby

Transkript

1 Transkripce psaného českého textu do fonetické podoby Dana Nejedlová, Marek Volejník Laboratoř počítačového zpracování řeči Technická univerzita v Liberci 1. ZAŘAZENÍ TÉMATU DO PROBLEMATIKY KOMUNIKACE S POČÍTAČEM MLUVENOU ŘEČÍ Za účelem počítačového zpracování řeči je třeba vytvořit její model. Řeč je snímána mikrofonem a výsledkem jsou analogové kmity, které se dále vzorkováním a kvantizací převedou na posloupnost vektorů popisujících jednotlivé mikrosegmenty řečového signálu. Při rozpoznání takovéto nahrávky počítačem, jehož výsledkem je například přepis nahrávky do textové podoby, je třeba rozdělit tuto posloupnost do jistých úseků neboli segmentů, které vymezují předem definované fonetické či lingvistické jednotky korespondující s úsekem textu. Při opačném procesu, kterým je počítačová syntéza řeči, je zase třeba mapovat jednotlivé znaky čteného textu na posloupnost vektorů popisujících výstupní akustický signál vysílaný počítačem opět s využitím segmentace. 2. ROZDÍLY MEZI MLUVENOU A PSANOU FORMOU JAZYKA Při automatickém převodu mluvené řeči na text nebo při opačném procesu syntézy řeči podle textu je třeba přihlédnout k jistým odlišnostem mluveného a psaného jazyka. Toto téma je velmi dobře zpracováno v literatuře [1]. Tato kapitola shrnuje nejdůležitější informace o rozdílech mezi jazykem mluveným a psaným. Zvuková forma jazyka je starší, psaná forma jazyka vznikla jako záznam formy mluvené. Přirozený jazyk je znakový systém. Prvky jazykového systému jsou při vytváření jazykových jednotek i jazykových projevů lineárně uspořádány, vytvářejí lineární řetězy. Zaměníme-li pořadí prvků v řetězech, změní se tím význam. To se nápadněji projevuje u zvukové formy jazyka. Například rozdíl slov ano a ona je v psané podobě opřen o pořadí použitých písmen. V mluvené podobě jazyka si nelze představovat, že mechanickým obrácením vysloveného slova ano vznikne slovo ona. V jazykové komunikaci se linearita jazyka promítá jako závislost na časovém průběhu jazykového projevu. Mluvčí vytváří projev postupně a posluchač postupně zpracovává zvukový signál. Takové faktory, jako rychlost, s jakou za sebou následují relevantní prvky, délka těchto prvků a vyjádření vazeb mezi nimi, bezprostředně ovlivňují pozitivní nebo negativní výsledek komunikace. V psaném projevu je faktor času zřetelně oslaben. Například příjemce sám určuje rychlost, s jakou přijímá sdělení, předem je informován o délce projevů, o zařazení jednotlivých prvků v kontextu atd. Důsledky tohoto rozdílu se objevují například v gramatice: některé typy konstrukcí se v mluvené formě používají spíše výjimečně, ač z hlediska významu nejsou přesně nahraditelné (např. přechodníky, souslednost časová apod.). V psaném jazyce jsou jednoznačně určeny hranice prvků jazyka, jako jsou písmena, slova, věty a odstavce. Mluvená řeč představuje souvislý zvuk a její rozložení na segmenty klade na příjemce podstatně vetší nároky, než je tomu v psané formě jazyka. Na druhé straně 10

2 poskytuje zvukové kontinuum možnosti obměňování významu, které psaná podoba může jen nedokonale naznačit. Jsou to změny výšky hlasu (melodie řeči), změny dynamiky, tempa atd. Jazykový systém je budován hierarchicky. Jeho prvky nižšího řádu (menší jednodušší) obvykle tvoří součást prvku vyššího rádu (většího složitějšího). Mluvený a psaný jazyk se však liší v inventáři jednotek, s nimiž je nutno počítat. V češtině platí pro mluvený jazyk hierarchie foném slabika přízvukový takt promluvový úsek věta a pro psaný jazyk hierarchie písmeno slovo věta. Při užití jazyka v reálné komunikaci je také důležitá skutečnost, že ve zvukové formě je vždy obsažen určitý podíl informací o osobě mluvčího, například jeho charakteristika, zájem o téma, vztah k partnerovi a psychický stav. 3. SEGMENTACE Hlavní náplní tohoto příspěvku je popis procesu přepisu textu na jeden z možných typů segmentů, kterým jsou fonémy. V této kapitole uvádíme definici fonému a dalších segmentů, na které je možno členit řeč, podle literatury [2], kde se dočtete více podrobností. Foném je nejmenší jednotka řeči, která může rozlišovat jednotlivá slova. Například, když ve slově les s fonetickým přepisem [les] zaměníme foném [l] za foném [p], tak se toto slovo změní na pes. Zvolíme-li jako segmentační jednotku foném, dostaneme nejmenší možný inventář segmentů řeči. To je nesporná výhoda segmentování podle fonémů. Nevýhodou fonémů je však to, že neobsahují informaci o koartikulaci s jejich fonetickým okolím. Koartikulace je jev, při kterém určitý foném nabývá různých variant v závislosti na předcházejícím a následujícím zvuku a na tempu a intonaci řeči. Pro odlišení různých variant fonémů byl zaveden termín fón, což je jakákoli varianta jakéhokoli fonému, a alofón, což je jakákoli varianta určitého fonému. Abychom se při segmentaci vyhnuli problémům s koartikulací, můžeme jako segmentační jednotky využít některé jiné možnosti, mezi něž patří: - alofóny, jejichž nevýhodou je velikost jejich inventáře. Ten může nabývat takového počtu, kolik je různých variant, jak lze každý foném obklopit jinými fonémy, - difóny, což je posloupnost samohláska-souhláska, jejichž nevýhodou je opět velikost inventáře, - slabiky, což jsou fonetické útvary, které obsahují samohláskové jádro plus volitelé počáteční a koncové souhlásky nebo skupiny souhlásek. Jejich nevýhodou je vedle velkého inventáře (v mluvené češtině to je více než ) i fakt, že neexistuje obecný souhlas z fonetického i lingvistického hlediska o tom, kde mají být umístěny hranice slabiky. V češtině existují také slabiky tvořené výhradně souhláskami, například ve slovech prst, smrk nebo blb. - poloslabiky, což jsou kompozice počáteční poloslabiky, obsahující počáteční souhláskový shluk a příslušné části samohláskového jádra, plus koncové poloslabiky, obsahující zbývající část samohláskového jádra a koncový souhláskový shluk. Jejich výhodu je, že až 5-krát redukují rozměr inventáře vyžadovaného pro reprezentaci promluv ve srovnání s celými slabikami. Nevýhodou je složitost s rozdělováním samohláskového jádra. - demislabiky, které podstatně eliminují obtíže vyskytující se při dělení na poloslabiky. Od poloslabik se liší umístěním hranice mezi počáteční a koncovou demislabikou. Počáteční demislabika je vymezena zcela krátce tak, že rozdělující hranice je umístěna těsně za přechod souhláska-samohláska (tj. počáteční demislabika obsahuje koartikulační jev, ale neobsahuje podstatnou část samohlásky). Umístění hranice tímto způsobem je efektivní 11

3 tím, že uvolňuje omezení na obou stranách hranice a má i potenciál v redukci inventáře, podobně jako u poloslabik. - slova, jejichž výhodou je eliminace nutnosti zacházet s komplikovanými algoritmy pro segmentaci a identifikaci jednotek nižších. Při rozpoznávání plynulé promluvy však dochází ke koartikulačním jevům i mezi krajními fonémy sousedních slov, což velmi komplikuje problém vymezení hranic slov. 4. FONETICKÁ TRANSKRIPCE ČEŠTINY Pro umožnění hlasové komunikace s počítačem, ať již jde o rozpoznávání lidské řeči nebo její syntézu, je nutné zabezpečit automatický přepis libovolného psaného textu na odpovídající řetězec fonémů, případně jiných jednotek zmíněných výše. Přesný a nedvojznačný přepis textu či zvuků na posloupnost fonémů se nazývá fonetická transkripce. Protože si nelze zapamatovat všechny tvary výslovnosti pro každou promluvu, je nutné hledat obecná pravidla, podle nichž by bylo možné fonetický přepis automaticky vytvářet. Tato obecná pravidla mohou být formulována jako produkční pravidla a nazývají se fonologická pravidla. Protože většina fonémových změn může být vysvětlena levým a pravým kontextem daného fonému, lze definovat obecné produkční pravidlo ve tvaru JESTLIŽE řetězci znaků A bezprostředně předchází řetězec znaků C a je bezprostředně následován řetězcem znaků D PAK se A přepíše na řetězec znaků B. Pro jednoduchost budeme v dalším výkladu toto pravidlo zapisovat ve tvaru A B / C _ D. Definice pojmu fonetické transkripce a fonologických pravidel byla převzata z literatury [2]. Pro zápis fonémů je třeba využít nějakou fonetickou abecedu. Mezinárodní fonetická abeceda (International Phonetic Alphabet IPA), zveřejněná v článku [3], se pro národní účely může nahradit abecedami lépe vystihujícími místní fonetická pravidla. V článku [4] byla navržena fonetická abeceda pro češtinu (Phonetic Alphabet for Czech PAC), kterou jsou zapisovány příklady fonetické transkripce v celém tomto příspěvku. Inventář fonémů podle této abecedy je zachycen v tabulce č. 1. Na rozdíl od článku [4] v této tabulce chybí znaky pro další prvky nezbytné pro popis akustické formy jazyka, jako je pauza a ruch. Důvody pro zavedení fonetické abecedy pro češtinu byly následující: - Některé české fonémy v mezinárodních abecedách chybí. - České fonémy se mohou snadno vyjádřit českými národními znaky, což na rozdíl od používání mezinárodních fonetických abeced, ulehčuje českým badatelům práci v tom, že se snadno naučí představit si zvuk fonému podle jeho zápisu. - S českými národními znaky, které vedle znaků anglické abecedy byly pro zápis fonémů výhradně použity, se lépe operuje v počítačových systémech uzpůsobených češtině než s těmi mezinárodními. 12

4 Tab. 1. Symboly pro české fonémy z PAC dle [4] Číslo Foném vyjádřený českými hláskami Foném dle PAC Příklad Číslo Foném vyjádřený českými hláskami Foném dle PAC Příklad 1 a a táta 21 m m máma 2 á á táta 22 m M tramvaj 3 b b bába 23 n n víno 4 c c ocel 24 n N banka 5 dz C leckde 25 ň ň koně 6 č č čichá 26 o o kolo 7 dž Č rádža 27 ó ó óda 8 d d jeden 28 p p pupen 9 ď ď dělat 29 r r bere 10 e e lev 30 ř ř moře 11 é é méně 31 ř Ř keř 12 f f fauna 32 s s sud 13 g g guma 33 š š duše 14 h h aha 34 t t dutý 15 ch X chudý 35 ť ť kutil 16 i nebo y i bil, byl 36 u u duše 17 í nebo ý í vítr, lýko 37 ú nebo ů ú růže 18 j j dojat 38 v v láva 19 k k kupec 39 z z koza 20 l l dělá 40 ž ž růže 41 Neutrální E *) samo hláska *) hláska známá např. z angličtiny ( temné e ) na konci slov typu the, v češtině se objevuje při hláskování samohlásek typu b, d, k, s, atd, které jsou ve skutečnosti vysloveny jako be, de, atd. Základní fonologická pravidla pro český jazyk jsou uvedena v literatuře [2]. V kapitolách 4.1 až 4.4. uvádíme jejich přehled. Tato pravidla využívají označení pro fonémy z tabulky č. 1 a zkratky vysvětlené v tabulce č. 2. Tab. 2. Dělení českých hlásek dle [2] Samohlásky (SA) a, á, e, é, i, í, o, ó, u, ú Znělé párové souhlásky (ZPS) b d ď g z ž v h dz (C) dž (Č) Neznělé párové souhlásky (NPS) p t ť k s š f ch (X) c č Jedinečné souhlásky (znělé) (JS) m, n, ň, l, j, r, ř 4.1. Základní přepisovací pravidla pro česká slova Pro české ch (pozůstatek spřežkového pravopisu) se používá označení [X] ch X / _ (4.1.1) České ů přepisujeme jako [ú] Písmeno w přepisujeme na [v] ů ú / _ (4.1.2) w v / _ (4.1.3) 13

5 Písmeno q se přepisuje na [kv] Samohlásky y/ý přepisujeme na [i/í] q kv /_ (4.1.4) y i / _ (4.1.5) ý í / _ (4.1.6) Následuje-li ě po b, p, f, v, přepisuje se na [je] Spojení dě, tě, ně, mě přepisujeme na [ďe], [ťe], [ňe], [mňe] Spojení di, ti, ni přepisujeme na [ďi], [ťi], [ňi] ě je / <b, p, f, v> _ (4.1.7) dě ďe / _ (4.1.8) tě ťe / _ (4.1.9) ně ňe / _ (4.1.10) ě ňe / m_ (4.1.11) d ď / _<i, í> (4.1.12) t ť / _<i, í> (4.1.13) n ň / _<i, í> (4.1.14) Jestliže x stojí před znělou souhláskou, přepisuje se na [gz], jestliže stojí před neznělou souhláskou či na konci slova, přepisuje se na [ks] x gz / _ <ZPS, JS> (4.1.15) x ks / _ <NPS, - > (4.1.16) Písmeno x přepisujeme na [ks] na počátku slova před samohláskou a mezi samohláskami x ks / - _ SA (4.1.17) x ks / SA 1 _ SA 2 (4.1.18) Z pravidla (4.1.18) existuje výjimka. Jestliže na počátku slova je dvojice ex a následuje-li po ní samohláska, přepisuje se na [egz] 4.2. Spodoba znělosti ex egz / - _ SA (4.1.19) Spodoby znělosti se zúčastňují jen souhlásky ze skupiny souhlásek párových. Spojení takovýchto dvou souhlásek je buď celé znělé, nebo neznělé podle toho, je-li poslední souhláska znělá či neznělá. Abychom mohli formalizovat zápis přepisovacího pravidla označíme ZPS jako neznělý protějšek ke znělé souhlásce ZPS, tj b = p, d = t, ď = ť, g = k, v = f, z = s, ž = š, h = ch, C = c, Č = č. Obdobně označíme NPS znělým protějškem k neznělé souhlásce NPS. Jestliže půjde při přepisu o stejnou souhlásku, přidělíme jí stejný index, různý index však nemusí znamenat, že jde o jinou souhlásku. Základní pravidla spodoby znělosti pak mají tvar ZPS 1 ZPS 1 / _ < -, NPS, ZPS 2 - > (4.2.1) 14

6 NPS 1 NPS 1 / _ ZPS (4.2.2) Spodoba znělosti se může určitým způsobem projevit i přes hranice slov. Její účinek může nastat jen při plynulém vyslovení příslušného slovního spojení (bez zřetelné pauzy mezi slovy). Platí zde základní pravidlo, že znělá souhláska ztrácí na konci slova znělost a může ji nabýt jen tehdy, když po ní následuje v počátku následujícího slova znělá souhláska párová ZPS 1 ZPS 1 / _ - ZPS 2 (4.2.3) ZPS 1 ZPS 1 / _ < - NPS, - SA, - JS > (4.2.4) Obdobné pravidlo platí pro neznělou párovou souhlásku na konci slova, začíná-li následující slovo znělou párovou souhláskou a nebo souhláskou ř NPS 1 NPS 1 / _ < - ZPS, - ř > (4.2.5) Z pravidel o spodobě znělosti (4.2.1) až (4.2.5) existují tyto výjimky: Vícehláskové předložky zakončené znělou párovou souhláskou (před, pod, nad, bez, ob, od) si zachovávají svou znělost, začíná-li následující slovo znělou párovou nebo jedinečnou souhláskou ZPS 1 ZPS 1 / _ < - ZPS 2, - JS > (4.2.6) Předložky z, v před znělou párovou či jedinečnou souhláskou zůstávají znělé z z / - _ < - ZPS, - JS > (4.2.7) v v / - _ < - ZPS, - JS > (4.2.8) Předložka k se před nepárovými souhláskami a souhláskou v nemění v souhlásku znělou k k / - _ < - JS, - v > (4.2.9) Znělá souhláska v se spodobuje, ale sama spodobu nezpůsobuje v f / _ NPS (4.2.10) NPS NPS / _ v (4.2.11) Spojení souhlásek s a h se spodobuje podle uvedeného základního pravidla (4.2.2) jestliže mezi s-h je zřetelný prefixový šev s z / _ h (4.2.12) V ostatních případech se ve spojení sh může postupovat podle základního pravidla (zejména ve výslovnosti na Moravě) a nebo dochází k tzv. postupné asimilaci (zejména v Čechách) s z / _ h (4.2.13) h X / s _ (4.2.14) Souhláska ř se v postavení před souhláskou párovou řídí základním pravidlem o spodobě znělosti ř ř / _ ZPS (4.2.15) ř Ř / _ < -, NPS, ZPS - > (4.2.16) 15

7 V postavení po párové souhlásce podléhá ř postupné asimilaci 4.3. Spodoba artikulační ř ř / ZPS _ (4.2.17) ř Ř / NPS _ (4.2.18) Při spojení dvou souhlásek s rozdílnou artikulací se vyrovnává rozdíl mezi jejich výslovností artikulační spodobou. Rozeznáváme přitom asimilaci postupnou (předcházející souhláska ovlivňuje následující) a asimilaci zpětnou (následující souhláska ovlivňuje souhlásku předcházející). Artikulační spodobu lze pozorovat u mnoha spojení souhlásek. Podle toho, jak těsnou navrhujeme fonetickou transkripci, tj. jak přesně chceme přepsat či zaznamenat vyslovovanou řeč, tak bohatá budou přepisovací pravidla. Pokusíme se nyní definovat nejdůležitější z těchto pravidel. Jestliže souhláska n stojí před okluzívami k nebo g, spodobuje se v [N] n N / _ < k, g > (4.3.1) Jestliže nazála m stojí před frikativami v nebo f, spodobuje se v [M] m M / _ < v, f > (4.3.2) Jestliže nazála n stojí před okluzívami ť, ď, spodobuje se často v [ň] n ň / _ < ť, ď > (4.3.3) Jestliže nazála ň stojí za souhláskami d, t, dochází k jejich spodobě na [ď], [ť] d ď / _ ň (4.3.4) t ť / _ ň (4.3.5) Připouští se (tj. může i nemusí být) zjednodušená výslovnost závěrových souhlásek t, d ve spojení s úžinovými s, z, š, ž. Tato výslovnost může být realizována pomocí polouzávěrových protějšků [c], [č], popřípadě [C], [Č] ts c / _ (4.3.6) tš č / _ (4.3.7) ds c / _ (4.3.8) dš č / _ (4.3.9) dz C / _ (4.3.10) dž Č / _ (4.3.11) V případě prefixového či mezislovního švu ve spojení ts, tš, ds, dš, dz, dž se dává přednost zachování výslovnosti obou souhlásek. Výslovnost obou souhlásek se zachová i na hranici předložek a jmen. Přitom ve spojení ds, dš se obvykle uplatní pravidlo o spodobě znělosti. Dvě stejné souhlásky cc, čč, dd, jj, kk, ll, nn, mm, ss, šš, tt, zz, které se nacházejí na prefixovém či sufixovém švu (což je naprostá většina případů), se při vyslovení převážně redukují na souhlásku jedinou. Pouze chce-li řečník zdůraznit šev, nebo se zdvojená souhláska nachází na mezislovním švu, vysloví souhlásku zdvojenou. Podle tohoto pravidla lze postupovat i v případě, kdy vedle sebe stojí dvojice hlásek NPS NPS nebo ZPS ZPS. 16

8 Většinou zde dochází k spodobě znělosti a vedle sebe jsou dvě stejné znělé či neznělé párové souhlásky, u kterých může, ale nemusí dojít ke splynutí v hlásku jedinou Slovní přízvuk a ráz Důležitou složkou fonetické transkripce je i umístění slovního přízvuku a rázu. Protože korektní popis všech pravidel a všech výjimek k těmto pravidlům je rozsáhlý, jsou zde uvedeny jen podstatné znalosti nezformulované do pravidel. Ráz se v češtině vytváří automaticky a pravidelně po každé delší pauze, pokud další promluva začíná samohláskou. Spisovná výslovnost vyžaduje užití rázu i po neslabičných předložkách v, z, s a k, začíná-li následující slovo samohláskou. Slovní přízvuk je v mluvené češtině v zásadě vázán na první slabiku přízvukového taktu. Přízvukový takt je úsek promluvy s jedním přízvukovým vrcholem. Přízvukový takt má v češtině tyto vlastnosti: a) Přízvučná slabika je zpravidla první slabikou přízvukového taktu. b) V neutrální promluvě leží hranice taktů v místě hranic slov. c) Přízvukový takt může obsahovat několik slov. d) Hranice mezi jednotlivými přízvukovými takty je obvykle charakterizována kontrastem stupně přízvučnosti (nepřízvučná přízvučná). Některá dílčí upřesnění a časté výjimky: - Původní předložky jednoslabičné, jako je bez, na, do, ke, o, od, pod, po, přes, u apod., přejímají obvykle přízvuk následujícího slova a tvoří s ním jeden takt. - Předložky nepůvodní, např. blíž, dle, kol, krom, skrz apod., přízvuk následujícího slova nepřijímají. - Některá slova, obvykle jednoslabičná, přízvuk nemají a vytvářejí se slovem předcházejícím jednoslabičný takt. - Některá slova nemají přízvuk zcela pravidelně a jejich základní podoba je nepřízvučná. Tato slova se nazývají příklonkami a jsou to například zájmena se, si, mně, mi, ho, mu, částice - li apod. U výslovnosti několika frekventovaných slov se připouští i její nespisovná varianta: jsem [jsem] i [sem], jsi [jsi] i [si], jste [jste] i [ste], jsme [jsme] i [sme], sedm [sedm] i [sedum], osm [osm] i [osum] apod. Nepřípustná nespisovná výslovnost se může vyskytnout například u slov: kdyby [dibi], když [diš], vždycky [dicki], švestka [šveska], jedenáct [jedenác] apod. 5. REALIZACE AUTOMATICKÉ FONETICKÉ TRANSKRIPCE Algoritmus využitelný pro naprogramování fonetické transkripce se dá zjednodušeně popsat takto [2]: - daný text se zpracovává znak po znaku zleva doprava; - u každého znaku se nejprve zjišťuje, zda u něj nelze uplatnit nějakou výjimku; pokud ano, výjimka se prioritně uplatní; - pokud nelze na daný text uplatnit některou z výjimek, aplikuje se vhodné základní pravidlo; 17

9 - jestliže nelze na daný znak (písmeno) aplikovat žádnou z výjimek ani žádné z pravidel, znak se jednoduše opíše do vytvářeného fonetického řetězce. Ing. Volejník, který vyvinul program pro fonetickou transkripci, ve své diplomové práci [5] popisuje tento algoritmus podrobněji: Program v přepisovaném textu nejprve nalezne větu, tj. text oddělený na začátku a na konci některým z interpunkčních znamének. Ve větě algoritmus programu vyhledává slova vyskytující se v souboru výjimek, do kterého jsou zařazena cizí slova mající odlišnou výslovnost, než by odpovídalo již zmíněným fonologickým pravidlům, a také jména, kterých je příliš mnoho a tudíž v souboru nejsou všechna. V případě nalezení slova - výjimky si zapamatuje jeho pozici ve větě a pořadové číslo slova v souboru výjimek a poté zavolá funkci, která provádí vlastní fonetickou transkripci. Provede se sekvenčním způsobem písmeno po písmenu fonetická transkripce a poté jsou vyměněna slova nalezená jako výjimky na začátku algoritmu. Tímto způsobem se postupně převede celý text. Následuje ukázka výsledku převodu vět pomocí výše zmíněného programu: Spolek byl založen devatenáctého listopadu roku devatenácettřicetdva. spoleg_bil_založen_devatenáctého_listopadu_roku_devatenácetřicedva Sejdeme se v naší restauraci ve čtvrt na sedm večer. sejdeme_se_v_naší_restauraci_ve_čtvrt_na_sedm_večer Kdy dnes odjíždí poslední vlak nebo autobus z Liberce do Pardubic. gdi_dnes_odjížďí_posleďňí_vlak_nebo_autobuz_z_liberce_do_pardubic Na konferenci senátor rovněž kritizoval současné právní prostředí. na_konferenci_senátor_rovňeš_kritizoval_současné_právňí_prostřeďí Výkon brankáře znamenal pro hokejové družstvo dobré umístění v tabulce. víkon_brankáře_znamenal_pro_hokejové_drušstvo_dobré_umísťeňí_f_tabulce Dnes bude oblačno až polojasno, místy možno očekávat přeháňky. dnez_bude_oblačno_aš_polojasno_místi_možno_očekávat_přeháňki Využití výsledků tohoto programu komplikuje fakt, že výslovnost mnoha slov není ustálena, takže pro některá slova existuje více variant, jak je lidé vyslovují. Velice komplikované by také bylo zabudovat do programu umístění slovního přízvuku a rázu v transkripci, viz kapitola 4.4, a rozpoznání částí věty, které lidský řečník obvykle vysloví jakoby jedním tahem, což se nejčastěji nazývá promluvový úsek, viz předposlední odstavec 2. kapitoly, takže například transkripce víkon_brankáře_znamenal_pro_hokejové_drušstvo_dobré_umísťeňí_f_tabulce by byla nahrazena za víkonbrankáře_znamenalprohokejovédrušstvo_dobréumísťeňíftabulce Míra úspěšnosti transkripce tímto programem se blíží 100 %. Vyskytne-li se v transkripci chyba, lze ji většinou odstranit přidáním nějaké výjimky. Soubor výjimek je tabulka, jejíž 1. sloupek je úsek slova, 2. sloupek je jeho transkripce podle pravidel a 3. sloupek je transkripce 18

10 platící pro výjimku. Chceme-li dosáhnout 100% úspěšnosti, musíme do tohoto souboru zadávat úseky slov co nejspeciálnější, což znamená, že záznamů zde bude více než v případě, kdybychom volili kratší univerzálnější úseky slov. Například pokud jsou v souboru výjimek tyto záznamy: fini fiňi fini, manit maňit manit, moni moňi moni, program pro fonetickou transkripci nám dá tyto výsledky: finiš je správně přepsáno na [finiš], ale chybně je přepsáno Fini na [fini]. humanitární je správně přepsáno na [humanitárňí], ale chybně je přepsáno vymanit na [vimanit]. Monika je správně přepsáno na [monika], ale chybně je přepsáno Mormoni na [mormoni]. 6. ALTERNATIVNÍ ZPŮSOB FONETICKÉ TRANSKRIPCE V 80. letech došlo na vědeckých pracovištích zabývajících se umělou inteligencí k obnovení zájmu o v průběhu 70. let podceňovaný obor zvaný neuronové sítě, který se rozvíjel od začátku 50. let. Jedním z produktů této doby byl experiment s neuronovou sítí provedený Američany Terrencem Sejnowskim z Johns Hopkins University a Charlesem Rosenbergem z Princetonu publikovaný v článcích [7] a [8]. Jejich síť NETtalk četla tisíce příkladů anglických slov, pomocí řečového syntezátoru je vyslovovala a výsledek své fonetické transkripce korigovala podle správné fonetické transkripce, kterou měla spolu se slovy k dispozici. Úspěšnost fonetické transkripce sítě se postupně zlepšovala až na přibližně 90 % správně přepsaných dvojic písmeno-foném. Nakonec síť dokázala správně vyslovovat i některá slova, u kterých neměla k dispozici jejich správnou fonetickou transkripci, což znamená, že zobecnila dříve naučená pravidla z jedněch příkladů na jim podobné. Perličkou bylo, že syntetizovaná řeč sítě NETtalk se zpočátku podobala žvatlání malého dítěte. Ing. Nejedlová provedla velmi podobný pokus pro případ fonetické transkripce češtiny, který zdokumentovala ve výzkumné zprávě [6]. Naprogramovala třívrstvou neuronovou síť učící se podle algoritmu back-propagation, kterou znázorňuje obrázek č. 1. Na rozdíl od sítě NETtalk byl výstup této sítě pouze textový. a á b c C č Č d _ 1. písmeno 2. písmeno 3. písmeno 4. písmeno 5. písmeno Obr. 1: Třívrstvá neuronová síť pro fonetickou transkripci češtiny 19

11 Kroužky na obrázku č. 1 znázorňují neurony. Dolní řádek neuronů je vstupní vrstvou sítě, prostřední řádek neuronů je takzvanou skrytou vrstvou sítě a horní řádek neuronů je výstupní vrstvou sítě. Neurony mezi sousedními vrstvami byly propojeny způsobem každý s každým. Na obrázku č. 1 je to z důvodu přehlednosti znázorněno jen u prvního vstupního a prvního výstupního neuronu. Neuron provádí matematické operace se signály v podobě reálných čísel. Každému neuronu a každé synapsi spojující neurony patří nějaké proměnlivé reálné číslo. Hodnota vstupních neuronů je zpravidla v intervalu <0, 1>. Číslo patřící synapsi se nazývá její váha. Každý neuron na skryté a výstupní vrstvě spočítá skalární součin vah synapsí a hodnot na neuronech, od kterých do něj synapse vedou. Od výsledku nejdříve odečte takzvanou prahovou hodnotu, která je ještě jedním jeho proměnným atributem, a nový výsledek předá do sigmoidální aktivační funkce znázorněné na obrázku č. 2, jejímž výsledkem je nová hodnota neuronu v intervalu (0, 1), kterou zpracují neurony v následující vrstvě. 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Obr. 2: Sigmoidální aktivační funkce neuronu Pro každý vstupní vzor, který vypadá jako vektor nul a jedniček, jinými slovy, je binární, jehož každý prvek je hodnotou jednoho neuronu na vstupní vrstvě, síť vrátí nějaký výstupní vzor, jehož hodnotou je vektor reálných čísel v intervalu (0, 1), jehož každý prvek koresponduje s konečnou hodnotou na určitém neuronu výstupní vrstvy. Je zřejmé, že pro konkrétní vstup se výstup mění v závislosti na hodnotách vah. Pokud do binárního vektoru na vstupu nějak zakódujeme nějakou skutečnost, můžeme dekódováním výstupního vektoru zjistit odpověď sítě na vstup. Výše zmíněný algoritmus back-propagation postupně upravuje hodnoty vah sítě a prahů neuronů tak, aby po několika přečteních určitého vstupního vzoru síť pro něj na výstupní vrstvě vracela přibližnou hodnotu předem zadaného správného výstupu. Podobně, jako je tomu v biologii, kdy změna reakce organismu na podnět je dána změnou vlastností synapsí přenášejících mezi neurony jeho mozku vzruchy, se úprava vah umělé neuronové sítě žádoucím směrem nazývá učení. Kdyby se neuronová síť uměla pouze naučit to, co do ní bylo vloženo, byla by poněkud samoúčelná. Praktický význam neuronových sítí tkví v tom, že se naučí správně reagovat na typické zástupce nějaké třídy vektorů a potom správně reagují i na jim podobné vzory, které se již nemusí učit. Neuronová síť pro fonetickou transkripci češtiny přepisovala izolovaná slova. Každé slovo četla pomocí pomyslného 5-ti znakového okénka, kterým postupně procházel řetězec písmen tohoto slova, a snažila se uhodnout foném patřící písmenu, které se právě nacházelo uprostřed. Po každém odhadu sítě následovalo přepočítání vah podle správné hodnoty fonému, který tvořil druhou část vstupu, algoritmem back-propagation. V tomto stručném popisu problému zbývá zodpovědět otázku reprezentace slov a jejich fonetického přepisu. Vstupní vrstva sítě byla rozdělena na 5 pomyslných sektorů pro 5 znaků v okénku. Každý sektor měl 44 neuronů, protože ve vstupním textu se mohlo objevit 44 20

12 různých znaků, včetně znaků pro okraj slova. Vstupními vzory byly binární vektory, ve kterých byla pro každý sektor sítě právě jedna jednička určující, který znak se právě nacházel na příslušné pozici okénka. Výstupní vrstva měla 56 neuronů pro 56 možných znaků pro fonémy. Oproti tabulce č. 1, ve které je 40 fonémů, bylo nutné inventář fonémů rozšířit o fonémy pro pauzu (skýtající potenciál sítě i pro rozpoznávání neizolovaných slov), foném pro vynechání písmena bez náhrady (aby bylo možné například šš přepsat na š) a fonémy reprezentující dvojice některých fonémů (aby bylo možné například q přepsat na kv). Foném odhadnutý sítí byl ten, jehož příslušný neuron měl nejvyšší hodnotu. Korigující vstupní vektor se správnou hodnotou fonému byl opět binární s právě jednou jedničkou. Po několika pokusech s touto sítí bylo zřejmé, že úspěšnost jejích předpovědí nikdy nepředčí výkon programu Ing. Volejníka. Nejlepší výsledek, kterého síť dosáhla, byl necelých 96 % správně rozpoznaných slov a 99,5 % správně určených fonémů z více než slov. Ačkoliv se tímto ukazuje, že aplikování neuronové sítě na problém fonetické transkripce není nejlepší možné řešení, pokusy odhalily zajímavé detaily o chování neuronových sítí: 1. Bylo například zjištěno, že síť se učí po jednotlivých pravidlech a jakmile se nějaké pravidlo naučí, dovede jej použít na slova, která se neučila, takže má vynikající zobecňovací schopnosti. Poté, co se síť naučila přibližně slov, vykazovala téměř stejnou úspěšnost na souboru jiných slov. Pravidlem se rozumí přepis konkrétního písmena na konkrétní foném. Bylo identifikováno 92 takových pravidel. Neuronová síť se jich naučila maximálně 86. Výjimky z pravidel se síť učila podstatně hůř. 2. Dále bylo zjištěno, že rychlost učení sítě se postupně zpomaluje až na nulu, což znemožňuje například přeučení již vytrénované sítě na řešení nějakého jiného problému. Síť se musí začít učit vždy z náhodně inicializovaných vah. 3. Nakonec bylo také zjištěno, že je možné ovlivnit, která pravidla se má síť naučit přednostně. To je proveditelné tak, že na začátku učení se síť předtrénuje na omezeném souboru slov, která obsahují pouze vybraná pravidla. Vzhledem k jejich menšímu počtu se je síť všechny naučí a potom může pokračovat v učení se rozšířenému souboru, který obsahuje i jiná pravidla. Cenou za možnost výběru naučených pravidel je fakt, že celkový počet naučených pravidel je potom nižší, což souvisí s bodem Pravidla, která se síť během učení naučila, již většinou nezapomene, pokud by se výběr trénovaných pravidel v průběhu učení změnil nebo rozšířil na jiná. 7. ZÁVĚR Jedním z nejnáročnějších cílů výzkumu komunikace s počítačem mluvenou řečí je rozpoznání spojité řeči. Tento úkol se obvykle řeší pomocí kombinace akustického a jazykového modelu. Akustické modely inventáře segmentů se porovnávají se signálem, a aby se zvýšila pravděpodobnost nalezení správného modelu pro signál, může se použít i jazykový model určující pravděpodobnosti, jak v dané řeči po sobě následují fonémy nebo slova či jiné druhy segmentů. Z důvodů zajištění robustnosti se jazykový model vytváří z co největšího množství textových dat. Ideálními daty by byl přepis souvislých promluv (například telefonátů) do textové podoby, což pro češtinu není z různých důvodů k dispozici. Nejschůdnější cestou pořizování textových dat neboli korpusů v češtině je získávání novinových článků, které se vystavují na Internetu nebo vydávají na CD-ROMech. Výsledek statistického zpracování fonetické transkripce těchto textů by měl napomoci rozpoznávání spojité řeči. To je základní představa, ke které je však možné nalézt mnoho výhrad souvisejících s rozdíly mezi mluvenou a psanou formou jazyka popsanými ve 2. kapitole. K těmto rozdílům 21

13 lze připočíst i další jako třeba to, že mluvený jazyk obsahuje mnoho nespisovných a nářečových výrazů, které se v novinových textech nevyskytují, a v 5. kapitole zmíněná potřeba zavedení více výslovnostních variant některých slov jakož i automatického členění vět na promluvové úseky. K tomu se přidávají specifika novinových textů, například: - Číslice psané číslem by se měly přepsat na slovo, což by nebylo složité, pokud by podobně jako v angličtině existoval jen jeden tvar pro základní a jeden pro pořadovou číslovku. Korektní přepis čísla v češtině by vyžadoval automatickým větným rozborem zjistit správný pád. - Do fonetické podoby by se měly přepsat i zkratky, což by nebylo složité, pokud bychom je dokázali v textu automaticky identifikovat například podle toho, zda byla pro ně použita velká či malá písmena. - Obsah novinových článků se tématicky liší od spontánních promluv, což znamená že slovník použitý pro jazykový model se bude možná nedostatečně krýt se slovníkem promluv, které budou automaticky rozpoznávány. Tyto a další problémy znamenají, že pro dosažení úspěšného rozpoznání spojité řeči v češtině je třeba ještě mnohé vykonat. Literatura: [1] Palková, Z.: Fonetika a fonologie češtiny. Karolinum. Upravené vydání dotisk. Praha ISBN [2] Psutka, J.: Komunikace s počítačem mluvenou řečí. Academia. Praha ISBN [3] The International Phonetic Alphabet. Journal of the Phonetic Association, vol. 19, no. 12, December [4] Nouza, J., Psutka, J., Uhlíř, J.: Phonetic Alphabet for Speech Recognition of Czech. In: Radio Engineering, vol. 6, no. 4, December 1997, pp [5] Volejník, M.: Fonetická transkripce psané a mluvené češtiny pro účely automatického zpracování řeči. [Diplomová práce]. Liberec Technická univerzita v Liberci. Fakulta mechatroniky a mezioborových inženýrských studií. [6] Nejedlová, D.: Fonetická transkripce češtiny pomocí třívrstvé neuronové sítě. [Výzkumná zpráva]. Liberec Technická univerzita v Liberci. Fakulta mechatroniky a mezioborových inženýrských studií. [7] Sejnowski, T. J., Rosenberg, C. R.: NETtalk: a Parallel Network That Learns to Read Aloud. In: Cognitive Science, 14, 1986, pp [8] Sejnowski, T. J., Rosenberg, C. R.: Parallel Networks That Learn to Pronounce English Text. In: Complex Systems, 1, 1987, pp