Loquens (E-Journal)
Not a member yet
127 research outputs found
Sort by
Una estrategia de procesamiento automático del habla basada en la detección de atributos
Get PDFState-of-the-art automatic speech and speaker recognition systems are often built with a pattern matching framework that has proven to achieve low recognition error rates for a variety of resource-rich tasks when the volume of speech and text examples to build statistical acoustic and language models is plentiful, and the speaker, acoustics and language conditions follow a rigid protocol. However, because of the “blackbox” top-down knowledge integration approach, such systems cannot easily leverage a rich set of knowledge sources already available in the literature on speech, acoustics and languages. In this paper, we present a bottom-up approach to knowledge integration, called automatic speech attribute transcription (ASAT), which is intended to be “knowledge-rich”, so that new and existing knowledge sources can be verified and integrated into current spoken language systems to improve recognition accuracy and system robustness. Since the ASAT framework offers a “divide-and-conquer” strategy and a “plug-andplay” game plan, it will facilitate a cooperative speech processing community that every researcher can contribute to, with a view to improving speech processing capabilities which are currently not easily accessible to researchers in the speech science community.Los sistemas más novedosos de reconocimiento automático de habla y de locutor suelen basarse en un sistema de coincidencia de patrones. Gracias a este modo de trabajo, se han obtenido unos bajos índices de error de reconocimiento para una variedad de tareas ricas en recursos, cuando se aporta una cantidad abundante de ejemplos de habla y texto para el entrenamiento estadístico de los modelos acústicos y de lenguaje, y siempre que el locutor y las condiciones acústicas y lingüísticas sigan un protocolo estricto. Sin embargo, debido a su aplicación de un proceso ciego de integración del conocimiento de arriba a abajo, dichos sistemas no pueden aprovechar fácilmente toda una serie de conocimientos ya disponibles en la literatura sobre el habla, la acústica y las lenguas. En este artículo presentamos una aproximación de abajo a arriba a la integración del conocimiento, llamada transcripción automática de atributos del habla (conocida en inglés como automatic speech attribute transcription, ASAT). Dicho enfoque pretende ser “rico en conocimiento”, con el fin de poder verificar las fuentes de conocimiento, tanto nuevas como ya existentes, e integrarlas en los actuales sistemas de lengua hablada para mejorar la precisión del reconocimiento y la robustez del sistema. Dado que ASAT ofrece una estrategia de tipo “divide y vencerás” y un plan de juego de “instalación y uso inmediato” (en inglés, plugand-play), esto facilitará una comunidad cooperativa de procesamiento del habla a la que todo investigador pueda contribuir con vistas a mejorar la capacidad de procesamiento del habla, que en la actualidad no es fácilmente accesible a los investigadores de la comunidad de las ciencias del habla
Evaluando los sistemas automáticos de reconocimiento de locutor: Panorama de las evaluaciones NIST de reconocimiento de locutor (1996-2014)
Get PDFAutomatic Speaker Recognition systems show interesting properties, such as speed of processing or repeatability of results, in contrast to speaker recognition by humans. But they will be usable just if they are reliable. Testability, or the ability to extensively evaluate the goodness of the speaker detector decisions, becomes then critical. In the last 20 years, the US National Institute of Standards and Technology (NIST) has organized, providing the proper speech data and evaluation protocols, a series of text-independent Speaker Recognition Evaluations (SRE). Those evaluations have become not just a periodical benchmark test, but also a meeting point of a collaborative community of scientists that have been deeply involved in the cycle of evaluations, allowing tremendous progress in a specially complex task where the speaker information is spread across different information levels (acoustic, prosodic, linguistic…) and is strongly affected by speaker intrinsic and extrinsic variability factors. In this paper, we outline how the evaluations progressively challenged the technology including new speaking conditions and sources of variability, and how the scientific community gave answers to those demands. Finally, NIST SREs will be shown to be not free of inconveniences, and future challenges to speaker recognition assessment will also be discussed.Los sistemas automáticos de reconocimiento de locutor son críticos para la organización, etiquetado, gestión y toma de decisiones sobre grandes bases de datos de voces de diferentes locutores. Con el fin de procesar eficientemente tales cantidades de información de voz, necesitamos sistemas muy rápidos y, al no estar libre de errores, lo suficientemente fiables. Los sistemas actuales son órdenes de magnitud más rápidos que tiempo real, permitiendo tomar decisiones automáticas instantáneas sobre enormes cantidades de conversaciones. Pero tal vez la característica más interesante de un sistema automático es la posibilidad de ser analizado en detalle, ya que su rendimiento y fiabilidad puede ser evaluada de manera ciega sobre cantidades enormes de datos en una gran diversidad de condiciones. En los últimos 20 años, el Instituto Nacional de Estándares y Tecnología (NIST) de EE. UU. ha organizado, proporcionando los datos de voz y protocolos de evaluación adecuada, una serie de evaluaciones de reconocimiento de locutor independiente del texto. Esas evaluaciones se han convertido no sólo en una prueba comparativa periódica, sino también en punto de encuentro de una comunidad colaborativa de científicos que han estado profundamente involucrados en el ciclo de evaluaciones, lo que ha permitido un enorme progreso en una tarea especialmente compleja en la que la información individualizadora del locutor se encuentra dispersa en diferentes niveles de información (acústica, prosódica, lingüística...) y está fuertemente afectada por factores de variabilidad intrínsecos y extrínsecos al locutor. En este artículo se describe cómo las evaluaciones desafiaron progresivamente la tecnología existente, incluyendo nuevas condiciones de habla y fuentes de variabilidad, y cómo la comunidad científica fue dando respuesta a dichos retos. Sin embargo, estas evaluaciones NIST no están libres de inconvenientes, por lo que también se discutirán los retos futuros para la evaluación de tecnologías de locutor
Sintaxis y fonética particular de ciertas palabras: Orígenes de los alomorfos del artículo definido en gallego
Get PDFThe Galician definite article seems to be a case of a ditropic clitic which, phonologically, attaches to the preceding word while maintaining direct, constitutive syntactic relations with following words. The article has three allomorphs whose selection is conditioned by the ending of the preceding word. In this paper I study the historical origins of these allomorphs. They are the result of assimilatory processes due to constraints governing the structure of the syllable and intersyllabic contact; the domain of these constraints, however, was restricted to the definite article and the 3rd person accusative clitic pronoun, leaving unaffected other words having the same phonetic sequences in apparently similar contexts. In this paper I will demonstrate the convenience of explaining the origins of these alternations by means of usage based models designed to explore the role of frequency in the emergence of grammar and facilitate the natural combination of information from the language’s semantic, syntactic and phonological components.El artículo definido gallego parece ser un clítico ditrópico: se liga fonológicamente a la palabra que le antecede, aunque mantiene relaciones constitutivas directas con las palabras que le siguen. Tiene tres alomorfos cuya distribución está condicionada por el segmento final de la palabra que lo precede. En este trabajo estudio los orígenes históricos de estos tres alomorfos, que son el resultado de procesos asimilatorios debidos a las restricciones que gobiernan la estructura de la sílaba y los contactos entre sílabas; en todo caso, la influencia de estas restricciones estaba claramente restringida al artículo definido y al pronombre átono acusativo de 3.ª persona; estas restricciones no afectaron a otras palabras que tenían las mismas secuencias fonéticas en contextos aparentemente similares. En este artículo, intentaré mostrar la conveniencia de explicar los orígenes de las alternancias con las herramientas de los modelos de la lingu..stica basada en el uso, pues fueron concebidos para explorar el papel de la frecuencia en el surgimiento de la gramática y para permitir la combinación natural de información tomada de los componentes sintáctico, semántico y fonológico de la lengua
Los oyentes podrían basarse en la entonación para distinguir lenguas de diferentes clases rítmicas
Get PDFPrevious research argued that listeners can distinguish between languages of different rhythm class but not of the same class (class discrimination hypothesis). In the present research we tested the role of duration and pitch cues (intonation) in this process. In Experiment I we tested whether we could replicate previous findings on listeners’ language discrimination ability with native Swiss German listeners. Results showed that the discrimination of English and Japanese based on durational cues led to the same results as in previous experiments. In Experiment II we tested listeners’ ability to distinguish between languages belonging to different rhythm classes (English-French, French-Japanese, Spanish-Japanese) and the same rhythm class (Spanish-French). Results revealed that listeners’ distinction was not above chance level for all language contrasts. In Experiment III we added intonation to a French- English and a Spanish-French language contrast. Results revealed a significant effect of intonation for the French- English but not the Spanish-French contrast. The experiments showed that the primary cue for listeners to distinguish between languages of different rhythm class is not generally duration, as previously hypothesized, but it can also be intonation. Implications of the findings on the theory that languages can be classified according to their speech rhythm (rhythm class hypothesis) are discussed.Algunas investigaciones anteriores sostienen que los oyentes pueden distinguir entre lenguas de diferente ritmo pero, en cambio, no de la misma clase rítmica (hipótesis de la discriminación de clases). En la presente investigación examinamos el papel de la duración y de las claves tonales (entonación) en este proceso. En el Experimento I analizamos si podíamos replicar los resultados anteriores sobre la capacidad de discriminación lingüistica de los oyentes con jueces nativos de alemán de Suiza. Los resultados muestran que la discriminación de inglés y japonés basada en claves de duración conduce a los mismos resultados que en experimentos anteriores. En el Experimento II analizamos la capacidad de los oyentes para distinguir entre lenguas pertenecientes a diferentes clases rítmicas (inglés-francés, francés-japonés, español-japonés) y a la misma clase rítmica (español-francés). Los resultados pusieron de manifiesto que la distinción por parte de los oyentes no se encontraba por encima del nivel del azar para todos los contrastes entre lenguas. En el Experimento III añadimos la entonación a los contrastes entre francés e inglés y entre español y francés. Los resultados revelan un efecto significativo de la entonación para el contraste francés-inglés pero no para el contraste español-francés. Los experimentos muestran que la clave primaria que los hablantes usan para distinguir entre lenguas de diferente clase rítmica no es generalmente la duración, como previamente se había propuesto, sino que también puede ser la entonación. Por último, se analizan las implicaciones de los resultados para la teoría de que las lenguas pueden clasificarse según su ritmo de habla (hipótesis de la clase rítmica)
Comparación del acento léxico del español y dos tonos estándar del chino mandarín en palabras aisladas: El contorno tonal
Get PDFThis comparative study investigates the relationship between the contour of the word-level stress in Spanish and that of two standard tones in Mandarin Chinese, namely the first and the fourth tones. The experiment was carried out with isolated Spanish words. Contour similarity was found between the word-level stress in Spanish par-oxytone (non-hiatus) and proparoxytone words and the first Chinese tone, as well as between the stress in oxytone words and the fourth tone. These results could be used in teaching Spanish to Chinese students and vice versa.El presente trabajo trata de un estudio comparativo del chino mandarín y el español, dos idiomas muy diferentes. Se estudia la relación entre el contorno del acento léxico del español con dos tonos estándar del chino mandarín a través de un experimento con palabras pronunciadas aisladamente. De esta manera verificamos la seme-janza entre el acento léxico de las palabras paroxítonas (no hiatos) y proparoxítonas españolas y el primer tono del chino mandarín, así como entre el acento léxico de las palabras oxítonas españolas y el cuarto tono del chino manda-rín. Dichos resultados podrían servir como base teórica para la enseñanza-aprendizaje del español por sinohablantes y viceversa
La entonación y sus interfaces en las preguntas absolutas del sardo
Get PDFIn this paper we investigate the interplay between lexicon, syntax, intonation and pragmatics in Sardinian polar questions. To this end, a production study was designed to elicit polar questions with different bias and polarity conditions by means of the Discourse Completion Task Methodology. The resulting data were then prosodically and syntactically annotated using Praat. The results can be summarized as follows. Regarding lexico-syntactic markers, the particle a functions as a mitigator or politeness marker, whereas constituent fronting and negation correspond to positive and negative polarity respectively. In addition, two main intonational patterns can be distinguished: the ¡H+L* L% pattern, which expresses “lack of bias”, and the ¡H*+L L- pattern, which conveys the speaker bias towards the proposition.Este artículo investiga la interacción entre sintaxis, entonación, pragmática y partículas interrogativas en las preguntas absolutas del sardo. Con tal propósito, se diseñó un experimento de producción mediante la metodología de la Tarea de Compleción del Discurso que permite obtener interrogativas absolutas en diferentes condiciones de sesgo y polaridad. Los datos se analizaron prosódica y sintácticamente mediante el programa Praat. Los resultados se pueden resumir como sigue: en relación con los marcadores léxico-sintácticos, la partícula a funciona como un mitigador o marcador de cortesía, mientras que la anteposición de constituyentes y la negación se corresponden con la polaridad positiva y negativa respectivamente. En cuanto a la prosodia, se distinguen dos patrones entonativos principales: el patrón ¡H+L* L%, que expresa “ausencia de sesgo”, y el patrón ¡H*+L L%, que codifica el sesgo del hablante hacia la proposición
Evaluando una década de avances en la conversión texto-habla
Get PDFThe Blizzard Challenge offers a unique insight into progress in text-to-speech synthesis over the last decade. By using a very large listening test to compare the performance of a wide range of systems that have been constructed using a common corpus of speech recordings, it is possible to make some direct comparisons between competing techniques. By reviewing over a hundred papers describing all entries to the Challenge since 2005, we can make a useful summary of the most successful techniques adopted by participating teams, as well as drawing some conclusions about where the Blizzard Challenge has succeeded, and where there are still open problems in cross-system comparisons of text-to-speech synthesisers.El Reto Blizzard (en inglés, Blizzard Challenge) ofrece una perspectiva única en cuanto al progreso realizado en la conversión texto-habla en la última década. Dicho Reto posibilita la comparación directa entre distintas técnicas que compiten, utilizando para ello un experimento auditivo a gran escala en el que se compara el rendimiento de un amplio abanico de sistemas construidos sobre un mismo corpus de grabaciones de habla. Este artículo presenta una revisión de más de cien artículos, representantes de todos los proyectos presentados al Reto desde 2005. Aquí se resumen las técnicas de mayor éxito adoptadas por los equipos participantes, y se extraen algunas conclusiones sobre los mayores logros del Reto Blizzard, así como de los problemas que aún quedan abiertos en la comparación cruzada de conversores texto-habla