{ "paper_id": "C98-1005", "header": { "generated_with": "S2ORC 1.0.0", "date_generated": "2023-01-19T12:30:07.548019Z" }, "title": "Parole et traduction automatique : le module de reconnaissance RAPHAEL", "authors": [ { "first": "Mohammad", "middle": [ "Akbar" ], "last": "Geod", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universitd Joseph Fourier", "location": { "postBox": "BP. 53", "postCode": "38041", "settlement": "Grenoble cedex 9", "country": "France" } }, "email": "mohammad.akbar@imag.fr" }, { "first": "Jean", "middle": [], "last": "Caelen Geod", "suffix": "", "affiliation": {}, "email": "" } ], "year": "", "venue": null, "identifiers": {}, "abstract": "Pour la traduction de parole, il est ndcessaire de disposer d'un syst~me de reconnaissance de la parole spontande grand vocabulaire, tournant en temps rdel. Le module RAPHAEL a dtd congu sur la plateforme logicielle de JANUS-III ddveloppde au laboratoire ISL (Interactive Systems Laboratory) des universitds Karlsruhe et Carnegie Mellon. Le corpus BREF-80 (textes lus extraits du Journal Le Monde) a 6td utilis6 pour le ddveloppement, l'apprentissage et l'dvaluation du module. Les rdsultats obtenus sont de l'ordre de 91% de bonne reconnaissance de mots. L'article ddcrit l'architecture du module de reconnaissance et son int6gration /~ un module de traduction automatique.", "pdf_parse": { "paper_id": "C98-1005", "_pdf_hash": "", "abstract": [ { "text": "Pour la traduction de parole, il est ndcessaire de disposer d'un syst~me de reconnaissance de la parole spontande grand vocabulaire, tournant en temps rdel. Le module RAPHAEL a dtd congu sur la plateforme logicielle de JANUS-III ddveloppde au laboratoire ISL (Interactive Systems Laboratory) des universitds Karlsruhe et Carnegie Mellon. Le corpus BREF-80 (textes lus extraits du Journal Le Monde) a 6td utilis6 pour le ddveloppement, l'apprentissage et l'dvaluation du module. Les rdsultats obtenus sont de l'ordre de 91% de bonne reconnaissance de mots. L'article ddcrit l'architecture du module de reconnaissance et son int6gration /~ un module de traduction automatique.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Abstract", "sec_num": null } ], "body_text": [ { "text": "La traduction des documents dcrits a fait de rdels progrbs pendant ces dcrni6res anndes. Nous pouvons constater l'6mergence de nouveaux syst6mes de traduction de textes qui proposent une traduction soignde en diffdrentes langues [1] . I1 semble envisageable de les adapter pour la traduction de l'oral, /t condition d'en amdliorer le temps de rdponse et la robustesse : c'est le << challenge >7 pos6 fi ces systbmes mais aussi au module de reconnaissance de la parole. Un syst6me de traduction de l'oral repose sur l'intdgration des modules de reconnaissance et de synth6se de la parole et des modules de traduction, pour obtenir une boucle complbte d'analyse et de synth6se entre les deux interlocuteurs [Fig. 1] . Le projet CSTAR-II [3] est un projet international dans lequel toutes les dquipes travaillent sur tousles aspects de ce mod61e. Pour permettre /t deux personnes de communiquer, il faut deux sdries de processus symdtriques dans les deux langues : un module dc reconnaissance pour acqudrir et transcrire les dnoncds dits par un locuteur dans sa langue puis un module de traduction qui traduit la transcription dans la langue du destinateur ou dans un format d'dchange standard (IF = Interchange Format) et enfin un module de synth6se de la parole (et de gdndration si on utilise le format IF) dans la langue cible du destinateur. Dans le cadre du projet C-STAR II nous avons en charge la conception et la rdalisation du module de reconnaissance de la parole continue h grand vocabulaire pour le ", "cite_spans": [ { "start": 229, "end": 232, "text": "[1]", "ref_id": "BIBREF0" }, { "start": 705, "end": 713, "text": "[Fig. 1]", "ref_id": null }, { "start": 735, "end": 738, "text": "[3]", "ref_id": "BIBREF2" } ], "ref_spans": [ { "start": 1344, "end": 1511, "text": "Dans le cadre du projet C-STAR II nous avons en charge la conception et la rdalisation du module de reconnaissance de la parole continue h grand vocabulaire pour le", "ref_id": null } ], "eq_spans": [], "section": "Introduction", "sec_num": null }, { "text": "Dans cet article nous avons bri6vement d6crit, en termes d'avancement de projet, notre syst6me de reconnaissance RAPHAEL ~ grand vocabulaire et rapport6 des premiers r6sultats obtenus. Notre but est d'am61iorer le taux de reconnaissance par l'utilisation des mod61es phon6tiques contextuels et d'61argir le vocabulaire utilis6/t plus de 10000 mots. Pour atteindre ce but nous allons sp6cialiser le vocabulaire dans le domaine du tourisme et utiliser d'autres corpus de la parole spontan6e dans ce domaine avec un nombre plus important de locuteurs. En mfime temps nous d6finirons un protocole d'6change plus 61abor6 avec le module de traduction afin de permettre la communication d'informations linguistiques et statistiques au module de traduction, toujour dans le but d'amdliorer les performances de notre syst6me.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Conclusion et perspectives", "sec_num": null }, { "text": "Nous remercions Alex Waibel pour la mise /t disposition de JANUS-III et Tanja Schultz pour son support scientifique et technique dans l'utilisation des r6sultats du projet GlobalPhone.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Remerciement", "sec_num": null }, { "text": "Avec 45 phon6mes en moyenne une suite de cinq phon6mes se transforme th6oriquement en un arbre de d6cision de 455 = 184,528,125 feuilles !", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null }, { "text": "BREF-80 contient 3747 textes diff6rents et environ 150,000 mots.4 Les sous-corpus de l'apprentissage et de l'6valuation n'ont aucun 6nonc6 et locuteur en commun. En r6alit6, nous avons enlev6 tousles 6nonc6s en communs entre ces deux sous corpus. Ainsi le sous-corpus d'apprentissage comprend 4854 6nonc6s et le sous-corpus d'6valuation 371 6nonc6s. Nous avons retir6 105 6noncds pour assurer la disjonction des deux sous-corpus.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null } ], "back_matter": [], "bib_entries": { "BIBREF0": { "ref_id": "b0", "title": "Machine Translation : Past, Present, Future", "authors": [ { "first": "W", "middle": [ "J" ], "last": "Hutchins", "suffix": "" } ], "year": 1986, "venue": "", "volume": "382", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Hutchins W. J. (1986) Machine Translation : Past, Present, Future. Ellis Horwood, John Wiley & Sons, Chichester, England, 382 p.", "links": null }, "BIBREF1": { "ref_id": "b1", "title": "The Karlsruhe-Verbmobil Speech Recognition Engine", "authors": [ { "first": "M", "middle": [], "last": "Finke", "suffix": "" }, { "first": "P", "middle": [], "last": "Geutner", "suffix": "" }, { "first": "H", "middle": [], "last": "Hild", "suffix": "" }, { "first": "T", "middle": [], "last": "Kemp", "suffix": "" }, { "first": "K", "middle": [], "last": "Ries", "suffix": "" }, { "first": "M", "middle": [], "last": "Westphal", "suffix": "" } ], "year": 1997, "venue": "Proc. of ICASSP", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Finke M., Geutner P., Hild H., Kemp T., Ries K., Westphal M. (1997) : The Karlsruhe-Verbmobil Speech Recognition Engine, Proc. of ICASSP, Munich, Germany.", "links": null }, "BIBREF2": { "ref_id": "b2", "title": "GETA's MTmethodology and a blueprint for its adaptation to speech translation within C-STARI1", "authors": [], "year": 1986, "venue": "Proceedings of EuroSpeech'97", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Boitet Ch., (1986) GETA's MTmethodology and a blueprint for its adaptation to speech translation within C-STARI1, ATR International Workshop on Speech Translation, Kyoto, Japan. Keller, E. (1997). Simplification of TTS architecture versus Operational quality, Proceedings of EuroSpeech'97, Rhodes, Greece.", "links": null }, "BIBREF3": { "ref_id": "b3", "title": "Fundamentals of Speech Recognition", "authors": [ { "first": "L", "middle": [], "last": "Rabiner", "suffix": "" }, { "first": "B", "middle": [ "H" ], "last": "Juang", "suffix": "" } ], "year": 1993, "venue": "", "volume": "507", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Rabiner L., Juang B.H. (1993), Fundamentals of Speech Recognition, Prentice Hall, 507 p.", "links": null }, "BIBREF5": { "ref_id": "b5", "title": "Fast Bootstrapping of LVCSR systems with multilingual phonem sets", "authors": [ { "first": "T", "middle": [], "last": "Schultz", "suffix": "" }, { "first": "A", "middle": [], "last": "Waibel", "suffix": "" }, { "first": "L", "middle": [ "F" ], "last": "Lamel", "suffix": "" }, { "first": "J", "middle": [ "L" ], "last": "Gauvain", "suffix": "" }, { "first": "M", "middle": [], "last": "Eskenazi", "suffix": "" } ], "year": 1991, "venue": "Proceedings of. EuroSpeech'91", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "Schultz T. Waibel A., Fast Bootstrapping of LVCSR systems with multilingual phonem sets, Proceedings of EuroSpeech'97, Rhodes, Greece. Lamel L.F., Gauvain J.L., Eskenazi M. (1991), BREF, a Large Vocabulary Spoken Colpus for French, Proceedings of. EuroSpeech'91, Genoa, Italy.", "links": null } }, "ref_entries": { "FIGREF0": { "type_str": "figure", "text": "L'architecture d'un syst~me de traduction instantan~e.", "num": null, "uris": null }, "TABREF0": { "html": null, "num": null, "type_str": "table", "content": "
fiangais. Nous collaborons avec l'6quipe GETA du laboratoire CLIPS-IMAG et le laboratoire LATL pour la traduction automatique et le laboratoire LAIP pour la synth~se de la parole. Ce consortium s'est fix6 l'objeetif de r6aliser un syst6me de traduction de I'oral pour le frangais. Dans cet article nous allons tout d'abord presenter l'architecture du syst6me de traduction et la plate-forme de ddveloppement JANUS-III [2], puis les diff6rentes 6tapes du d6veloppement du module RAPHAEL et enfin, les premiers rdsultats obtenus. 1 RAPHAEL pour la Traduetion L'architecture du syst6me de traduction de parole est compos6e de trois modules essentiels (la reconnaissance, la traduction et la synth~se de la parole) [Fig. 2]. Dans ee projet nous utilisons ARIANE et GB [3] pour la traduction ct LAIP-TTS [4] pour la synth6se. Le I Recolmaissance de la Parole ] RAPI IAEL (CLIPS/IMAG-ISL) Texte Contr61e V ~_~Traduction Automatique IANE (GETA), GB (I,ATL) J I Synth~se de la Parole \u00a2 LA1P-~VI' S (LAII') 1 Fig. 2. Les composants du syst~me d6veloppement du module de reconnaissance RAPHAEL a dt6 effectu6 sur la plate-forme iogicielle de JANUS-Ill. RAPHAEL donne en sortie un treillis de roots sous le protocole TCP/IP. Le traducteur utilise ce rdsultat pour en donner une version traduite. Cette version est ensuite envoyde au synthdtiseur de la parole. Dans cet article nous nous int6resserons seulement au module de reconnaissance RAPHAEL. Pour l'instant la stratdgie d'dchange it6rations, le syst~me a 6t~ 6valu6 avec le sous ~_~__~ Acquisition de 1 la parole I Traitement numdrique, Estimation des param~tres acoustiques I , Base de donndes des paramdtres ] point de vue de la robustesse) nous envisageons des ChaTnes de Markov Cachdes J Chaines de Markov Cachdes pour la reconnaissance phondmique 'Z%%? o -..\u00a2 -L'hypoth6se e mot #1 --:~,. Repr6sentation d'un phoneme L'hypoth6se de mot #2 corpus de l'6valuation. 4 R6sultats Les r6sultats d'dvaluation en terme de taux de reconnaissance sont donn6s dans le [Tableau 1]. l'intdgration dCette plate-forme de traduction a dtd ddvelopp6e Systdmes % mots reconnus dans le laboratoire d'ISL des universitds Carnegie Mellon et Karlsruhe et contient tous les composants ndcessaires au ddveloppement d'un ~ ModUle stochastique de langage (bigramme et trigramme) Dict (vocabu M0dbles issus de GlobalPhone 29 Dictionnaire phondtique Premiere it6ration 88,8 laire de reconnaissance) Troisi6me it6ration 91,1 syst6me de reconnaissance phondmique/t grand Dans un mot le vocabulaire h base de Cha~nes de Markov Cach6es (CMC) et de rdseaux de neurones. La facilitd d'dcrire un module de reconnaissance en Les d6tails techniques de JANUS-III sont donnds dans [2], [5], [6]. Cependant nous en prdsentons bri6vement quelques points ci-apr6s. 2 Le Module RAPHAEL L'architecture du module de reconnaissance RAPHAEL est pr6sent6e sur la [Fig. 3]. L'analyse de la parole produit une suite de vecteurs de param6tres acoustiques. Ces vecteurs sont utilis6s par un moteur de recherche base de CMC pour estimer la suite des phon6mes 6nonc6s. Un mod61e de langage stochastique h bigramme et trigramme, et un dictionnaire des variantes phon6tiques sont en parall61e exploit6s pour restreindre le champ de recherche I. ALl cours de la recherche le Fig. 3. Sehdma du module de reconnaissance phondmique RAPHAEL. Les CMC ont 16 distributions Gaussiennes pour chaque dtat. Lots de l'apprentissage nous produisons la transcription phondtique correspondante chaque dnoncd (cela se fait ~ l'aide du dictiomaaire phondtique). Pour chaque 6nonc~ les CMC correspondant aux phondmes sont concatdndes pour crder une longue chaine. Ensuite i'algorithme de Viterbi [5] propose un alignement de I'dnoncd avec cette chaine. Avec 2 Les coefficients MFCC [5] d'ordre 16 sont calculds cet alignement l'algorithme de Baum-Welch [5] procdde ~ l'estimation des paramdtres de chaque CMC prdsente dans la cha~ne. Ce procddd est rdpdt6 pour tous les 6noncds du corpus d'apprentissage et cela plusieurs fois. La dictionnaire Tableau 1. Les r6sultats de 1'6valuation Pour d6terminer les phon6tique est roots et les phon6mes utilis6 pour trouver suivants le module 4.1 Commentaires et enchMner les stochastique du phonemes suivants langage et le Une tr6s bonne initialisation de certaines selon les variantes vocabulairc transcrit consonnes identiques dans des diff6rentes phon6tiques disponibles. en phon6tique sont en langues (p, t, k, b, d, g, etc.) a rapidement permis m6me temps utilis6s. d'obtenir un syst6me fonctionnel. prdsence des diffdrents contextes phondmiques On constate une saturation tr6s rapide du taux de permet /i ce procdd6 de minimiser le taux Fig. 4. Representation de I'algorithme de recherche reconnaissance d6s la troisi+me it6ration. Nous d'erreur de reconnaissance. L'dvaluation du taux d'erreur /l la fin de chaque itdration permet d'dtudier l'avancement de l'apprentissage. Afin de rdduire le champ de recherche, un moddle de langage doit ~tre utilisd. Bien que dans les systdmes /i commande vocale qui utilisent une syntaxe rdduite les grammaires finies ou rdcurrentes peuvent ~tre utilisdes, ceiles-ci ne sont pas capables de ddcrire tousles phdnomdnes de la langue par[de (ellipses, hdsitations, rdpdtitions, etc.). Pour cette raison il est souhaitable d'utiliser un moddle stochastique qui estime dans un contexte donnd, la probabilit6 de succession des mots. Dans le moddle actuel les contextes gauches d'ordres un et deux (bigramme et trigramme) Sont en marne temps exploitds. Le bigramme est utilisd dans la premidre phase de recherche pour crder un treillis de mots, puis le trigramme est utilisd pour raffiner le rdsultat et ddterminer les N meilleurs 2.3 Dictionnaire Phon~tique La conversion d'une chMne d'hypoth~ses phon6tiques en une chMne orthographique se fair ~t partir d'un dictionnaire phon6tique. Pour couvrir un grand nombre de prononciations diff&entes dues aux diff&ents dialectes de la langue et aux habitudes des locuteurs, ce dictionnaire contient pour chaque mot un ensemble de variantes phon6tiques. A chaque hypoth6se de mot propos6 par le mod61e de langage on associe cet ensemble de variantes. Ind6pendamment donc de la variante utilis6e dans 1'6nonc6, nous obtenons la m6me transcription orthographique. Nous utilisons sp6cifiquement cette technique pour couvrir les variantes produites par ia liaison, par exemple : Je suis parti de la maison. (Z& sHi paRti ...) Je suis all~ h la maison. (Z& sHiz ale ...) pouvons distinguer trois types de probl6me qui ensemble de BREF-80 comprenant les 6nonc6s nous empachent d'atteindre un meilleur taux de de 4 femmes et 4 hommes a 6t6 utilis6 pour reconnaissance : l'6valuation 4. Le vocabulaire a 6t6 transcrit soit \u2022 Fautes de frappe dans le texte du corpus, manuellement, soit ~ partir du dictionnaire \u2022 Transcription erron6e ou insuffisamment phon6tique BDLEX-23000. Le module de d6taill6e des ~noncds, langage a 6t6 estim6 fi partir de BREF-80 et un ,, La couverture partielle de toutes les corpus de texte d'~ peu pr6s 10 millions de mots variantes phon6tiques d'un mot. extrait du journal Le Monde. Ces trois probl~mes sont les causes d'un grand Pour l'initialisation des CMC, au lieu d'utiliser nombre d'erreurs d'alignement qui vont les valeurs al6atoires (technique habituelle), directement influencer le r6sultat final. Nous nous avons choisi d'utiliser les mod61es issus du devons donc effectuer une v6rification compl6te projet GlobalPhone [7]. Pour chaque phon6me du corpus et du dictionnaire phon6tique. de notre module nous avons manuellement Les mots hors du vocabulaire sont fi l'origine choisi un phon6me dans une des langues d'un pourcentage important d'erreurs. En effet, support6es par GlobalPhone (principalement dans 371 6noncds du sous-corpus de l'6valuation allemande) et nous avons utilis6 ses param6tres nous rencontrons environ 300 mots hors comme valeurs initiales de nos CMC. Ensuite vocabulaire. Ces mots repr6sentent environ ces mod61es ont 6t6 adapt6s au frangais au 3,5 % de la taille du vocabulaire. IIne sont pas moyen de l'algorithme d'apprentissage d6crit en reprdsentds dans le corpus d'apprentissage et 2.1. A la fin de chaque it6ration et ce pour 3 leur transcription n'existe pas dans le dictionnaire phon6tique fournit le(s) phon6me(s) suivant(s). Le modble probabiliste de langage base de bigramme et de trigramme est utilis6 Iors de la transition entre deux mots pour fournir un ensemble de roots [Fig. 4]. sur une trame de 16 ms de parole, avec un pas /l 16 kHz et sur 16 bits. Les MFCC, l'dnergie du signal, et leurs premiere et seconde ddrivdes (51 valeurs) subissent ensuite une analyse en composantes principales (ACP) pour rdduire la dimension du vecteur /l 12. La matrice d'ACP est transcrits. Dans l'6tat actuel un vocabulaire de d'apprentissage et d'6valuation. Un sous-effectual /t partir des corpus enregistrds et hommes) 3 a 6t6 utilis6 pour les phases Le calcui des paramdtres de ce moddle a dt6 6nonc6s par 80 locuteurs (44 femmes et 36 l'aceord en frangais. Le corpus BREF-80 [8] comportant 5330 charge en m~me temps de ia rdsolution de d'avancement de 10ms. La parole est 6chantillonnde phrases plausibles. Le moddle de langage se 3 L'apprentissage dictionnaire phon6tique.
entre les modules est enti6rement sdquentielle. calculde avant la phase d'apprentissage, sur un grand7000 mots a dt6 sdlectionnd.
Afin d'amdliorer le rdsultat final (surtout du corpus enregistrd.
", "text": "'une seconde couche de contr61e pour permettre le << rescoring >> des hypoth6ses en tenant compte des taux de confiance associds aux diff6rents mots de l'dnoncd reconnu." } } } }