| { |
| "paper_id": "P98-1005", |
| "header": { |
| "generated_with": "S2ORC 1.0.0", |
| "date_generated": "2023-01-19T09:18:44.744401Z" |
| }, |
| "title": "Parole et traduction automatique : le module de reconnaissance RAPHAEL", |
| "authors": [ |
| { |
| "first": "Mohammad", |
| "middle": [ |
| "Akbar" |
| ], |
| "last": "Geod", |
| "suffix": "", |
| "affiliation": { |
| "laboratory": "", |
| "institution": "Universit6 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": { |
| "laboratory": "", |
| "institution": "Universit6 Joseph Fourier", |
| "location": { |
| "postBox": "BP. 53", |
| "postCode": "38041", |
| "settlement": "Grenoble cedex 9", |
| "country": "France" |
| } |
| }, |
| "email": "" |
| } |
| ], |
| "year": "", |
| "venue": null, |
| "identifiers": {}, |
| "abstract": "Pour la traduction de parole, il est n6cessaire de disposer d'un syst~me de reconnaissance de la parole spontan6e grand vocabulaire, tournant en temps r6el. Le module RAPHAEL a 6t6 con~u sur la plateforme logicielle de JANUS-III d6velopp6e au laboratoire ISL (Interactive Systems Laboratory) des universit6s Karlsruhe et Carnegie Mellon. Le corpus BREF-80 (textes lus extraits du Journal Le Monde) a 6t6 utilis6 pour le d6veloppement, l'apprentissage et l'6valuation du module. Les r6sultats obtenus sont de l'ordre de 91% de bonne reconnaissance de mots. L'article d6crit l'architecture du module de reconnaissance et son int6gration ~ un module de traduction automatique.", |
| "pdf_parse": { |
| "paper_id": "P98-1005", |
| "_pdf_hash": "", |
| "abstract": [ |
| { |
| "text": "Pour la traduction de parole, il est n6cessaire de disposer d'un syst~me de reconnaissance de la parole spontan6e grand vocabulaire, tournant en temps r6el. Le module RAPHAEL a 6t6 con~u sur la plateforme logicielle de JANUS-III d6velopp6e au laboratoire ISL (Interactive Systems Laboratory) des universit6s Karlsruhe et Carnegie Mellon. Le corpus BREF-80 (textes lus extraits du Journal Le Monde) a 6t6 utilis6 pour le d6veloppement, l'apprentissage et l'6valuation du module. Les r6sultats obtenus sont de l'ordre de 91% de bonne reconnaissance de mots. L'article d6crit 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 6crits a fait de r6els progr6s pendant ces derni6res ann6es. Nous pouvons constater l'6mergence de nouveaux syst~mes de traduction de textes qui proposent une traduction soign6e en diff~rentes langues [1] . I1 semble envisageable de les adapter pour la traduction de l'oral, ~ condition d'en am61iorer le temps de r6ponse et la robustesse : c'est le ~ challenge >> pos6 /~ ces syst~mes mais aussi au module de reconnaissance de Ia parole. Un syst6me de traduction de l'oral repose sur l'int6gration des modules de reconnaissance et de synth~se de la parole et des modules de traduction, pour obtenir une boucle complete d'analyse et de synth~se entre les deux intedocuteurs [Fig. 1] . Le projet CSTAR-II [3] est un projet international darts lequel toutes les 6quipes travaillent sur tousles aspects de ce module. Pour permettre /l deux personnes de communiquer, il faut deux s&ies de processus sym6triques dans les deux langues : un module de reconnaissance pour acqu6rir et transcrire les 6nonc6s dits par un locuteur dans sa langue pals un module de traduction qui traduit la transcription dans la langue du destinateur ou dans un format d'6change standard (IF = Interchange Format) et enfin un module de synth~se de destinateur. Dans le cadre du projet C-STAR II nous avons en charge la conception et la r6alisation du module de reconnaissance de la parole continue ~ grand vocabulaire pour le frangais. Nous collaborons avec l'6quipe GETA du laboratoire CLIPS-IMAG et le laboratoire LATL pour la traduction automatique et le laboratoire LAIP pour la synth6se de la parole. Ce consortium s'est fix6 l'objectif de r6aliser un syst+me de traduction de l'oral pour le frangais. Dans cet article nous allons tout d'abord pr6senter l'architecture du syst6me de traduction et la plate-forme de d6veloppement JANUS-III [2], puis les diff6rentes 6tapes du d6veloppement du module RAPHAEL et enfin, les premiers r6sultats obtenus.", |
| "cite_spans": [ |
| { |
| "start": 229, |
| "end": 232, |
| "text": "[1]", |
| "ref_id": null |
| }, |
| { |
| "start": 702, |
| "end": 710, |
| "text": "[Fig. 1]", |
| "ref_id": null |
| }, |
| { |
| "start": 1245, |
| "end": 1247, |
| "text": "de", |
| "ref_id": null |
| } |
| ], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Introduction", |
| "sec_num": null |
| }, |
| { |
| "text": "L'architecture du syst~me de traduction de parole est compos6e de trois modules essentiels (la reconnaissance, la traduction et la synth~se de la parole) [ Fig. 2 cet alignement l'algorithme de Baum-Welch [5] proc~de ~ l'estimation des param6tres de chaque CMC pr6sente dans la cha~ne. Ce proc6d6 est r6p6t6 pour tous les 6nonc6s du corpus d'apprentissage et cela plusieurs fois. La pr6sence des diff6rents contextes phon6miques permet /lce proc6d6 de minimiser le taux d'erreur de reconnaissance. L'6valuation du taux d'erreur /l la fin de chaque it6ration permet d'6tudier l'avancement de l'apprentissage.", |
| "cite_spans": [], |
| "ref_spans": [ |
| { |
| "start": 156, |
| "end": 162, |
| "text": "Fig. 2", |
| "ref_id": null |
| } |
| ], |
| "eq_spans": [], |
| "section": "RAPHAEL pour la Traduction", |
| "sec_num": "1" |
| }, |
| { |
| "text": "Afin de r6duire le champ de recherche, un mod61e de langage doit ~tre utilis6. Bien que dans les syst6mes /l commande vocale qui utilisent une syntaxe r6duite les grammaires finies ou r6currentes peuvent ~tre utilis6es, celles-ci ne sont pas capables de d6crire tous les ph6nom6nes de la langue parl6e (ellipses, h6sitations, r6p6titions, etc.). Pour cette raison il est souhaitable d'utiliser un module stochastique qui estime dans un contexte donn6, la probabilit6 de succession des mots. Dans le mod61e actuel les contextes gauches d'ordres un et deux (bigramme et trigramme) sont en m~me temps exploit6s. Le bigramme est utilis6 dans la premiere phase de recherche pour cr6er un treillis de mots, puis le trigramme est utilis6 pour raffiner le r6sultat et d6terminer les N meilleurs phrases plausibles. Le mod61e de langage se charge en m~me temps de la r6solution de l'accord en frangais. Le calcul des param~tres de ce module a ~t~ effectu6 ~ partir des corpus enregistr6s et transcrits. Dans l'6tat actuel un vocabulaire de 7000 mots a 6t6 s61ectionn6. ", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "ModUle de langage stoehastique", |
| "sec_num": "2.2" |
| }, |
| { |
| "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 6none6 et locuteur en commun. En r6alit6, nous avons enlev6 tous les 6nonc6s en communs entre ces deux sous corpus. Ainsi le sous-corpus d'apprentissage comprend 4854 ~nonc6s et le sous-corpus d'6valuation 371 6nonc6s. Nous avons retir6 105 6nonc6s pour assurer la disjonetion des deux sous-corpus.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| } |
| ], |
| "back_matter": [], |
| "bib_entries": {}, |
| "ref_entries": { |
| "FIGREF0": { |
| "uris": null, |
| "text": "L'architecture d'un syst~me de traduction instantan6e.", |
| "type_str": "figure", |
| "num": null |
| }, |
| "TABREF1": { |
| "html": null, |
| "text": "", |
| "type_str": "table", |
| "content": "<table><tr><td>tion 1 la parole</td><td colspan=\"3\">point de vue de la robustesse) nous envisageons l'int~gration d'une seconde couche de contr61e pour permettre le ~ restoring >> des hypotheses I Base de donn6es des param~tres ] des Chaines de Markov Cach6es</td></tr><tr><td/><td/><td/><td>en tenant compte des taux de confiance associ~s</td></tr><tr><td/><td/><td/><td>aux diff~rents mots de l'~nonc~ reconnu.</td></tr><tr><td>param~tres acoustiques Traitement num6rique, Estimation des</td><td>~</td><td colspan=\"2\">1.1 Plate-forme de JANUS-Ill la reconnaissance phon6mique Cha~nes de Markov Cach~es pour 1 no.j~,j,</td></tr><tr><td/><td/><td/><td>Cette plate-forme de traduction a 6t~ d~velopp~e</td></tr><tr><td/><td/><td/><td>dans le laboratoire d'ISL des universit6s</td></tr><tr><td>ModUle stochastique de langage (bigramme et trigramme)</td><td/><td colspan=\"2\">Carnegie Mellon et Karlsruhe et contient tousles Dictionnaire phon~tique composants n6cessaires au d~veloppernent d'un (vocabulaire de reconnaissance)</td></tr><tr><td/><td/><td/><td>syst/~me de reconnaissance phon~mique ~ grand</td></tr><tr><td/><td/><td/><td>vocabulaire /l base de Chaines de Markov</td></tr><tr><td/><td/><td/><td>Cach~es (CMC) et de r~seaux de neurones. La</td></tr><tr><td/><td/><td/><td>facilit6 d'~crire un module de reconnaissance en</td></tr><tr><td>2.1 Cha[ne de Markov Cach~es</td><td/><td/><td>langage Tcl/Tk avec JANUS-Ill nous permet</td></tr><tr><td colspan=\"2\">Pour utiliser les CMC il faut conduire une phase</td><td/><td>d'adapter ses capacit~s selon les besoins</td></tr><tr><td colspan=\"2\">d'apprentissage pr6alable dans laquelle on</td><td/><td>d'application et les caract~ristiques du frangais.</td></tr><tr><td colspan=\"2\">adapte les probabilit6s des transitions et des</td><td/><td>De cette plate-forme, seul le moteur de</td></tr><tr><td colspan=\"2\">symboles sortis pour un phon6me donn6 de</td><td/><td>reconnaissance est directement exploitS. Mais le</td></tr><tr><td colspan=\"2\">mani~re /~ ce que la probabilit6 du processus</td><td/><td>travail de preparation des bases de donn~es,</td></tr><tr><td colspan=\"3\">associ6 soit maximale. Les param~tres des ]. Dans ce projet nous utilisons ARIANE et GB [3] pour la traduction modules et la transcription phon6tique des 6nonc6s du corpus sont deux 616ments essentiels et LAIP-TTS [4] pour la synth~se. Le I Reconnaissance de la Parole ] RAPHAEL (CLIPS/IMAG-ISL) Texte d'apprentissage. RAPHAEL comporte 45 CMC repr6sentant 42 phonemes de base du frangais et 3 mod61es pour le silence et le bruit. A quelques exceptions pros les CMC se composent de trois 6tats. Le vecteur Contr01e de param~tres d'entr6e est de dimension 122. Les</td><td>l'apprentissage des modules de phonemes, l'6valuation sont ~galement effectu~s dans cet environnement de programmation. Le langage PERL est en grand partie utilis6 parall~lement pour traitement du texte du corpus. Les d~tails techniques de JANUS-Ill sont donn~s dans [2], [5], [6]. Cependant nous en pr~sentons bri~vement quelques points ci-apr~s.</td></tr><tr><td colspan=\"2\">I CMC ont 16 distributions Gaussiennes pour Traduction Automatique 1 ARIANE (GETA), GB (LATL) chaque 6tat.</td><td/><td>2 Le Module RAPHAEL L'architecture du module de reconnaissance</td></tr><tr><td colspan=\"3\">I d~veloppement du module de reconnaissance Synth~se de la Parole ] LAIP-TTS (LAIP) Fig. 2. Les composants du syst~me Lors de l'apprentissage nous produisons la transcription phon6tique correspondante /~ chaque 6nonc6 (cela se fait /~ l'aide du dictionnaire phon6tique). Pour chaque 6nonc6 les CMC correspondant aux phon6mes sont concat6n6es pour cr6er une longue chaSne. Ensuite l'algorithme de Viterbi [5] propose un alignement de l'6nonc6 avec cette chaine. Avec</td><td>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 6none6s. Un module de langage stochastique /~ bigramme et trigramme, et un dictionnaire des variantes phon6tiques sont en</td></tr><tr><td colspan=\"3\">RAPHAEL a 6t6 effectu6 sur la plate-forme</td><td>parall61e exploit6s pour restreindre le champ de</td></tr><tr><td colspan=\"3\">logicielle de JANUS-Ill. RAPHAEL donne en sortie un treillis de mots sous le protocole TCP/IP. Le traducteur utilise ce r6sultat pour en donner une version traduite. Cette version est ensuite envoy6e au synth6tiseur de la parole. Dans cet article nous nous int6resserons 2 Les coefficients MFCC [5] d'ordre 16 sont calcul6s sur une trame de 16 ms de parole, avec un pas d'avancement de 10ms. La parole est 6chantillonn6e 16 kHz et sur 16 bits. Les MFCC, l'6nergie du signal, et leurs premi6re et seconde d6riv6es (51 valeurs) subissent ensuite une analyse en seulement au module de reconnaissance composantes principales (ACP) pour r6duire la RAPHAEL. Pour l'instant la strat6gie d'6change entre les modules est enti6rement s6quentielle. Afin d'am61iorer le r6sultat final (surtout du dimension du vecteur /~ 12. La matrice d'ACP est calcul6e avant la phase d'apprentissage, sur un grand corpus enregistr6.</td><td>recherche I. Au cours de la recherche le dictionnaire phon6tique fournit le(s) phon6me(s) suivant(s). Le mod61e probabiliste de langage base de bigramme et de trigramme est utilis6 lors de la transition entre deux mots pour fournir un ensemble de mots [Fig. 4]. I Avec 45 phonemes en moyenne une suite de cinq phonemes se transforme th~oriquement en un arbre de d6cision de 455= 184,528,125 feuilles !</td></tr></table>", |
| "num": null |
| }, |
| "TABREF2": { |
| "html": null, |
| "text": "III et Tanja Schultz pour son support scientifique et technique dans l'utilisation des rdsultats du projet GlobalPhone. Proceedings of EuroSpeech'97, Rhodes, Greece. 5 Rabiner L., Juang B.H. (1993), Fundamentals of Speech Recognition, Prentice Hall, 507 p. 6 Haton J.P., Pierrel J.M., Perennou G., Caelen J., Gauvain J.L. (1991), Reconnaissance automatique de laparole, BORDAS, Paris, 239 p. 7 Schultz T. Waibel A., Fast Bootstrapping of L VCSR systems with multilingual phonem sets, Proceedings of EuroSpeech'97, Rhodes, Greece. 8 Lamel L.F., Gauvain J.L., Eskenazi M. (1991), BREF, a Large Vocabulary Spoken Corpus for French, Proceedings of. EuroSpeech'91, Genoa, Italy.", |
| "type_str": "table", |
| "content": "<table><tr><td colspan=\"4\">itdrations, le syst~me a 6t6 6valu6 avec le sous</td><td colspan=\"5\">obtenus. Notre but est d'amdliorer le taux de</td></tr><tr><td colspan=\"2\">corpus de l'dvaluation.</td><td colspan=\"2\">L'hypoth6se de mot #1</td><td colspan=\"5\">~-reconnaissance par l'utilisation des moddles L'hypoth6se de mot #2</td></tr><tr><td/><td/><td/><td/><td colspan=\"2\">phondtiques</td><td colspan=\"2\">contextuels</td><td>et</td><td>d'61argir le</td></tr><tr><td>4 R6sultats</td><td colspan=\"2\">Repr6sentation d'un phon6me</td><td/><td colspan=\"5\">vocabulaire utilis6/t plus de 10000 mots. Pour</td></tr><tr><td colspan=\"4\">Les r6sultats d'6valuation en terme de taux de reconnaissance sont donn6s dans le [Tableau 1].</td><td colspan=\"5\">atteindre ce but nous allons spdcialiser le vocabulaire dans le domaine du tourisme et utiliser d'autres corpus de la parole spontande</td></tr><tr><td/><td/><td/><td/><td colspan=\"5\">dans ce domaine avec un nombre plus important</td></tr><tr><td colspan=\"2\">Syst~mes</td><td colspan=\"2\">% mots reconnus</td><td colspan=\"5\">de locuteurs. En mdme temps nous ddfinirons un</td></tr><tr><td colspan=\"3\">ModUles issus de GlobalPhone</td><td>29</td><td colspan=\"5\">protocole d'dchange plus 6labor6 avec le module</td></tr><tr><td colspan=\"2\">Premi&e itdration</td><td colspan=\"2\">88,8</td><td>de</td><td colspan=\"2\">traduction</td><td>afin</td><td>de</td><td>permettre</td><td>la</td></tr><tr><td colspan=\"9\">Darts un mot le dictionnaire phon6tique est utilis~ pour trouver et encha~ner les 91,1 Tableau 1. Les r6sultats de l'6valuation Troisidme itdration 4.1 Commentaires phonemes suiv~mts Une tr~s bonne initialisation de certaines Pour d6terminer les communication d'informations linguistiques et . . . . . statistiques au module de traduction, toujour dans le but d'amdliorer les performances de roots et les phon6mes suivants le mod61e notre systdme. stochastique du langage et le Remerciement selon les variantes phon6tiques disponibles. vocabulaire transcrit en phon6tique sont en m~me temps utilis6s. Fig. 4. Repr6sentation de I'algorithme de recherche 2.3 Dictionnaire Phon6tique La conversion d'une chalne d'hypoth6ses phon6tiques en une chaine orthographique se fait /t partir d'un dictionnaire phon6tique. Pour couvrir un grand hombre de prononciations diff6rentes dues aux diff6rents 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. ensemble de BREF-80 comprenant les 6nonc6s consonnes identiques dans des diffdrentes Nous remercions Alex Waibel pour la mise /l langues (p, t, k, b, d, g, etc.) a rapidement permis d'obtenir un syst~me fonctionnel. On constate une saturation tr~s rapide du taux de reconnaissance d~s la troisi~me itdration. Nous pouvons distinguer trois types de probldme qui disposition de JANUS-Rdfdrences nous em#chent d'atteindre un meilleur taux de de 4 femmes et 4 hommes a 6t6 utilis6 pour l'6valuation 4. Le vocabulaire a 6t6 transcrit soit manuellement, soit /l partir du dictionnaire phon6tique BDLEX-23000. Le mod61e de langage a 6t6 estim6 h partir de BREF-80 et un corpus de texte d'/t peu pr6s 10 millions de mots extrait du journal Le Monde. Pour l'initialisation des CMC, au lieu d'utiliser les valeurs al6atoires (technique habituelle), nous avons choisi d'utiliser les modules issus du projet GlobalPhone [7]. Pour chaque phoneme 1 Hutchins W. J. (1986) Machine Translation : Past, reconnaissance : Present, Future. Ellis Horwood, John Wiley & \u2022 Fautes de frappe darts le texte du corpus, Sons, Chichester, England, 382 p. \u2022 Transcription erronde ou insuffisamment 2 Finke M., Geutner P., Hild H., Kemp T., Ries K., ddtai116e des 6noncds, Westphal M. (1997) : The Karlsruhe-Verbmobil \u2022 La couverture partielle de toutes les Speech Recognition Engine, Proc. of ICASSP, variantes phondtiques d'un mot. Munich, Germany. Ces trois probl~mes sont les causes d'un grand 3 Boitet Ch., (1986) GETA's MTmethodology and a nombre d'erreurs d'alignement qui vont blueprint for its adaptation to speech translation directement influencer le rdsultat final. Nous within C-STARII, ATR International Workshop on devons donc effectuer une vdrification compldte Speech Translation, Kyoto, Japan.</td></tr><tr><td colspan=\"4\">Ind6pendamment done de la variante utilis6e dans l'6nonc6, nous obtenons la m~me transcription orthographique. Nous utilisons du corpus et du dictionnaire phondtique. Les mots hors du vocabulaire sont /~ l'origine d'un pourcentage important d'erreurs. En effet,</td><td colspan=\"5\">de notre module nous avons manuellement choisi un phon6me dans une des langues support6es par GlobalPhone (principalement 4 Keller, E. (1997). Simplification of TTS architecture versus Operational quality,</td></tr><tr><td colspan=\"4\">sp6cifiquement cette technique pour couvrir les dans 371 6noncds du sous-corpus de l'dvaluation</td><td/><td colspan=\"4\">allemande) et nous avons utilis6 ses param6tres</td></tr><tr><td colspan=\"4\">variantes produites par la liaison, par exemple : nous rencontrons environ 300 mots hors</td><td/><td colspan=\"4\">comme valeurs initiales de nos CMC. Ensuite</td></tr><tr><td colspan=\"4\">Je suis parti de la maison. vocabulaire. Ces mots reprdsentent environ (-Z& sHi paRti ...) Je suis alld ~ la maison. 3,5 % de la taille du vocabulaire. I1 ne sont pas (Z& sHiz ale ...) reprdsentds dans le corpus d'apprentissage et</td><td/><td colspan=\"4\">ces mod61es ont 6t6 adapt6s au fran~ais au moyen de l'algorithme d'apprentissage d6crit en 2.1. A la fin de chaque it6ration et ce pour 3</td></tr><tr><td colspan=\"4\">leur transcription n'existe pas darts le</td><td/><td/><td/><td/></tr><tr><td colspan=\"3\">3 L'apprentissage dictionnaire phon&ique.</td><td/><td/><td/><td/><td/></tr><tr><td colspan=\"4\">Le corpus BREF-80 [8] comportant 5330 6nonc6s par 80 loeuteurs (44 femmes et 36 Conclusion et perspectives</td><td/><td/><td/><td/></tr><tr><td colspan=\"4\">hommes) 3 a 6t6 utilis6 pour les phases Dans cet article nous avons bri~vement ddcrit,</td><td/><td/><td/><td/></tr><tr><td colspan=\"4\">d'apprentissage et d'6valuation. Un sous-en termes d'avancement de projet, notre syst~me</td><td/><td/><td/><td/></tr><tr><td colspan=\"2\">de reconnaissance</td><td>RAPHAEL</td><td>/l grand</td><td/><td/><td/><td/></tr><tr><td colspan=\"4\">vocabulaire et rapport6 des premiers rdsultats</td><td/><td/><td/><td/></tr></table>", |
| "num": null |
| } |
| } |
| } |
| } |
