%% LyX 1.3 created this file. For more info, see http://www.lyx.org/. %% Do not edit unless you really know what you are doing. \documentclass[dutch]{article} \usepackage[T1]{fontenc} \usepackage[latin1]{inputenc}
\makeatletter
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% LyX specific LaTeX commands. %% Because html converters don't know tabularnewline \providecommand{\tabularnewline}{\\}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% User specified LaTeX commands. \usepackage{url}
\usepackage{babel} \makeatother
Inleiding
Spraaksynthese is al geruime tijd de kinderschoenen ontgroeid. Ook voor het Nederlands zijn verschillende functionerende tekst-naar-spraaksystemen ontwikkeld. Eén daarvan is NeXTeNS {[}referentie?{]}, een project dat verschillende al bestaande componenten en lexica (KunTTS, FonPars, TreeTalk, etc. {[}ref{]}) integreert tot een spraaksynthese-systeem dat vrij te gebruiken is voor niet-commerciële doeleinden. Het bestaat -- zoals alle TTS-toepassingen -- uit verschillende modules {[}referentie presentatie CLIN 02, nog verder uitwerken{]}:
- De tekst opdelen in tokens, herkenning van woorden en leestekens.
- Woordsoortherkenning (POS-tagging)
- Syntactische analyse
- Prosodie-generatie
- Omzetting van tokens naar woorden, waarbij speciale patronen (getallen
en dergelijke) naar hun uitspraak-equivalent omgezet worden.
- Grafeem-foneemconversie
- Duurbepaling: voor elk foneem bepalen hoe lang het duurt.
- Berekening van F0 in functie van de tijd
- Golfvorm-synthese gebaseerd op difonen.
Methodes voor grafeem-foneemomzetting
Geen g2f als het woord in het lexicon staat! Duidelijk vermelden dat dit de voorkeur is bij Nextens. Maar anders heb je g2f nodig.
regelgebaseerd
fonpars
andere
uitzoeken, literatuur!
inductief
De grafeem-foneemomzetting van Nextens kan op twee manieren uitgevoerd worden. Als eerste is er FonPars {[}referentie{]}, een regelgebaseerd systeem. Dit maakt expliciet gebruik van fonologische regels, zoals beschreven in \cite{chomsky68}.
Daarnaast kan ook TreeTalk {[}referentie{]} gebruikt worden, een zelflerend systeem (TiMBL, referentie) dat bepaalt welk foneem er bij een letter hoort. In haar scriptie nam Nanneke Konings \cite{konings03:_leren} beide methodes onder de loep en ze vergeleek ze aan de hand van 4 criteria:
- klankomzetting
- klemtoontoekenning
- syllabificatie
- samenstellingsgrenzen
Ze komt tot de conclusie dat TreeTalk op alle vlakken beter presteert dan FonPars. De voordelen van geheugengebaseerde grafeem-foneemomzetting komen bijvoorbeeld expliciet naar boven bij leenwoorden die de {}"klassieke" uitspraakregels niet volgen. Anderzijds gaat deze methode af en toe ook in de fout, zo worden er soms 2 primaire klemtonen binnen één woord gelegd. Alles wel beschouwd is het verschil tussen beide methodes van die aard dat het logisch was om vervolgonderzoek te doen naar de grafeem-foneemomzetting met TreeTalk.
Treetalk
Nextens beschikt tijdens het tekst-naar-spraakproces standaard niet over de morfologische opbouw van de invoerwoorden. Nochtans kan morfologie een factor zijn die op 3 manieren kan bijdragen tot een verbeterde grafeem-foneemomzetting:
Een verbeterde syllabificatie: TreeTalk splitst het woord autofabriek
als au--tofa--briek \cite{konings03:_leren}. Met kennis over de achterliggende samenstelling (auto--fabriek) zou de correcte splitsing au--to--fa--briek gevonden kunnen worden.
- Als een samenstelling als dusdanig herkend wordt, kan er ook een correcte
primaire en secundaire klemtoon geplaatst worden. Zo wordt {}"voetbalvereniging" niet als samenstelling door Nextens herkend, waardoor de secundaire klemtoon (voetbalvéreniging) ontbreekt.
De mogelijkheid bestaat dat een zelflerend systeem als TreeTalk tijdens
de leerfase voordeel kan halen uit --naast de zuivere grafeeminvoer-- contextinformatie over de morfologie van het om te zetten woord. Zo wordt klinkt de /n @ t j @/% \footnote{Alle fonetische transcripties zijn genoteerd met behulp van de CGN-foneemset\cite{protocol}.% } van {}mannetje anders dan de /n E t j @/ van {}"muggennetje", hoewel beiden op dezelfde manier geschreven zijn. Het systeem zou in dit geval met succes de ambiguïteit kunnen wegwerken omdat het weet dat het de eerste {}e van {}"netje" als deel van een samenstelling op een bepaalde manier moet uitspreken.
Er zijn duidelijk mogelijkheden te over om de grafeem-foneemomzetting te proberen verbeteren met behulp van morfologische analyse. Omwille van praktische redenen en de beperkte tijd die voorhanden was voor dit onderzoek is de keuze gemaakt om alleen de invloed na te gaan van morfologie-informatie op de fonemisatie.
Probleem- en doelstelling
Werking van TreeTalk
Opmerkelijk genoeg bevat TreeTalk geen linguistische kennis in de vorm van fonologische regels. Aan de hand van trainingsmateriaal {}"leert" het als het ware op met welk foneem een grafeem overeenkomt. Deze inductieve manier van werken heeft al op verschillende vlakken in de taal- en spraaktechnologie zijn kwaliteiten bewezen. Zo is het onder meer met succes gebruikt voor klemtoontoekenning , syllabificatie en woordsoortherkenning {[}referenties{]}.
Hoe werkt grafeem-foneemomzetting met TreeTalk nu precies?
Leerfase
Om tot een inductieve classificatie te komen moet het systeem natuurlijk eerst getraind worden. Dat gebeurt door een grote hoeveelheid voorbeelden ({}"instances") in te voeren. Een instance bestaat uit een te classificeren element -- in dit geval een grafeem -- samen met de omliggende elementen en de juiste klasse (i.c. een foneem). De opslag van de trainingsdata kan op verschillende manieren gebeuren. Alle featurevectoren kunnen volledig bewaard worden of er kan verdere abstractie plaatsvinden, die bijvoorbeeld kan resulteren tot beslissingsbomen.\\ Het spreekt voor zich dat er veel trainingsgegevens vereist zijn om tot een betrouwbaar resultaat te komen.
Classificatie
In eerste instantie wordt het te classificeren token omgezet in een featurevector. Die vormt een soort {}"venster" (sliding window) dat buiten de om te zetten letter (het centrum van het venster) ook de omringende letters bevat (de context). Zo zal de eerste {}"e" in {}"alpenwei" voorgesteld worden door de featurevector {[} \_ a l p \textbf{e} n w e i {]}, waarbij {}"\_ a l p"% \footnote{De underscore \_ is een dummy-symbool voor lege elementen van de featurevector.% } en {}"nwei" als context beschouwd worden.
De volgende stap in het classificatieproces bestaat erin om de featurevector te vergelijken met het aangeleerde materiaal (de {}"instance base"). Hierbij zijn verschillende scenario's mogelijk:
De featurevector bestaat in de instance base
In dit geval wordt gewoon de corresponderende klasse uit de instance base gekozen. In ons voorbeeld zou de klasse van de e sjwa (@) zijn.
De featurevector bestaat niet in de instance base
De klasse van de meest gelijkende featurevector is in dat geval het gepaste antwoord. Hoe de gelijkenis (of anders gesteld: de afstand) tussen 2 featurevectoren bepaald wordt, valt onder meer te lezen in \cite{timbl_manual}. {[}evt nog uitgebreide info hierover{]}\\
Uiteindelijk zal de TreeTalk-classificatie van het woord {}"alpenwei" er uitzien als in tabel \ref{cap:grafeem-foneemomzetting-voor-alpenwei}.
%
\hline & & & & focus-feature& & & & & classificatie\tabularnewline \hline \hline \_& \_& \_& \_& \textbf{a}& l& p& e& n& \textbf{A}\tabularnewline \hline \_& \_& \_& a& \textbf{l}& p& e& n& w& \textbf{l}\tabularnewline \hline \_& \_& a& l& \textbf{p}& e& n& w& e& \textbf{p}\tabularnewline \hline \_& a& l& p& \textbf{e}& n& w& e& i& \textbf{@}\tabularnewline \hline a& l& p& e& \textbf{n}& w& e& i& \_& \textbf{-}\tabularnewline \hline l& p& e& n& \textbf{w}& e& i& \_& \_& \textbf{w}\tabularnewline \hline p& e& n& w& \textbf{e}& i& \_& \_& \_& \textbf{-}\tabularnewline \hline e& n& w& e& \textbf{i}& \_& \_& \_& \_& \textbf{E+}\tabularnewline \hline
Prestaties
Fouten, goede en sterke punten (uit literatuur, oa Nanneke)
Werking van MBMA
voorbeeld uit artikel ter illustratie
Kort het bestaan van MBMA uiteenzetten en de combinatie treetalk + MBMA voorstellen
Onderzoeksopzet
Er zijn veel samenstellingen, zie Booij p. 153, dus niet alles kan in het lexicon
Doelstelling: de grafeem-foneemomzetting verbeteren
Probleemstelling: kan MBMA een dergelijke verbetering opleveren voor treetalk?
Experimenten en resultaten
Beschrijving van opzet experimenten en bijhorende uitkomsten
Discussie
Waarom deze uitkomst?
Wat gaat er goed/slecht?
Kwalitatieve uitwerking: kijken naar representatieve voorbeelden.
Voorstellen voor vervolgonderzoek.
Conclusie
Is de doelstelling beantwoord, maw geeft de combinatie treetalk + MBMA een verbetering?
\bibliographystyle{apalike} \addcontentsline{toc}{section}{\refname}\bibliography{/home/dieter/ru/ba/tekst/bascriptie}