Метод генерування штучної мови на основі комбінації наявних

Анотація

Проаналізовано підходи до створення штучних мов (ручні, ШІ-орієнтовані та алгоритмічні) і встановлено, що наявні рішення або потребують значних витрат часу та експертної участі, або демонструють недостатню відтворюваність результатів, або зберігають впізнаваність мови-оригіналу. Розроблено метод генерування тарабарщини на основі комбінації наявних мов із використанням фонетичних даних у форматі IPA. Для побудови методу застосовано багатомовні словники "ipa-dict" (близько 25 мов), очищення транскрипцій від невалідних і просодичних символів, поділ фонемних послідовностей на склади за набором фонотактичних правил та формування частотної бази складів за їх довжиною і позицією у слові (початок, середина, кінець). Наведено механізм детермінованого відображення вхідного складу на згенерований склад із використанням хешування MD5 для ініціалізації псевдовипадкового вибору, що забезпечує відтворюваність перетворення за однакових вхідних даних. Для зниження шуму в частотній моделі відкинуто рідкісні складові шаблони з низькою частотою появи, а генерування цільових складів реалізовано шляхом зваженого вибору з відповідних частотних груп. Проведено експериментальне оцінювання властивостей висловлювань, згенерованих запропонованим методом, за участі 32 респондентів у чотирьох етапах: розпізнавання мови, розпізнавання емоцій у тарабарщині, відмінність штучної мови від справжньої та ідентифікація базової мови. Встановлено, що точність розпізнавання шести базових емоцій у згенерованому мовленні перевищує 80 %, а частка правильного визначення штучної мови в парі з малознайомою природною мовою становить 59,4 %, що свідчить про складність надійного розрізнення штучного й природного мовлення в запропонованій постановці. З'ясовано, що за використання однієї базової мови її фонетичний вплив часто виявляється під час сприйняття, тоді як комбінація багатьох мов істотно ускладнює ідентифікацію мовного джерела. Досліджено швидкодію підсистеми: тривалість генерування тарабарщини приблизно лінійно залежить від тривалості вхідного аудіо та становить близько 0,1 с на 1 с запису (тобто опрацьовує дані швидше, ніж у реальному часі). Запропоновано структуру наскрізної системи перетворення мовлення на штучне зі збереженням емоцій і голосу мовця; у межах цієї роботи реалізовано блоки розпізнавання фонем у мовленні та їх перетворення на тарабарщину, а також експериментально оцінено результати генерування тарабарщини, а інтеграцію TTS і перенесення просодичних характеристик визначено як напрям подальших досліджень.