Почему синтезатор может ошибаться с ударением в некоторых фонетически сложных языках? Российские исследователи нашли ответ: новый алгоритм для чеченского языка продемонстрировал впечатляющую точность.
Исследователи из Санкт-Петербурга и Чеченской Республики разработали новые методы, которые помогают системам синтеза речи корректно определять смысл омографов — слов, которые пишутся одинаково, но произносятся по-разному в зависимости от контекста и значения. Работа опубликована в журнале Big Data and Cognitive Computing (Scopus Q1).
В основе исследования лежит специально созданная база данных, включающая более 15 тысяч предложений. Эти предложения были вручную отобраны из корпуса объемом свыше пяти миллионов аннотированных слов, чтобы сохранить естественную частоту использования омографов в различных грамматических контекстах. Разметку осуществили лингвисты Академии наук Чеченской Республики, указав значения слов, долготу гласных, наличие дифтонгов и случаи редукции.
Алгоритм стал одним из самых точных
На базе этой информации исследователи создали три алгоритма — WEN, WAW и WATCH, которые направлены на устранение неоднозначности в синтезе речи. Их цель — определить, как именно должно звучать слово в конкретном предложении и где следует расставить правильные ударения.
В ходе испытаний алгоритм WATCH оказался наиболее успешным, показав точность 85%. Сравнение с доступными решениями для языков с ограниченным объемом данных, такими как вьетнамский, урду, ассамский, кашмирский и хауса, показало, что российская разработка занимает второе место в мире по точности среди аналогичных алгоритмов.
Создание базы данных, алгоритмов и программы для распознавания омографов осуществлялось в рамках Года единства народов России. По мнению авторов проекта, эта работа способствует сохранению и развитию языкового многообразия народов России.
