[論文レビュー] A Very Low Resource Language Speech Corpus for Computational Language Documentation Experiments

Pierre Godard, Gilles Adda+12 more|arXiv (Cornell University)|Oct 10, 2017

Natural Language Processing Techniques参考文献 15被引用数 47

ひとこと要約

本論文は、コンゴ=ブラッサヴィルで現実的な現地文書作成条件下で収集された、5,000件のムボシ発話発話とフランス語訳の対応付け、および音声学的動機付けに基づく非標準表記による発音的転写を含む、多言語対応のスピークコーパスを提示する。このコーパスは、非教師あり音素発見（UPD）とベイジアン非パラメトリック分割モデル（dpseg）を組み合わせたパイプラインを用いてゼロリソース語発見を可能にし、低精度にもかかわらず語区切りで34.8のF1スコアを達成した。これは、書き言葉のない低リソース言語における計算言語文書化の可能性を示している。

ABSTRACT

Most speech and language technologies are trained with massive amounts of speech and text information. However, most of the world languages do not have such resources or stable orthography. Systems constructed under these almost zero resource conditions are not only promising for speech technology but also for computational language documentation. The goal of computational language documentation is to help field linguists to (semi-)automatically analyze and annotate audio recordings of endangered and unwritten languages. Example tasks are automatic phoneme discovery or lexicon discovery from the speech signal. This paper presents a speech corpus collected during a realistic language documentation process. It is made up of 5k speech utterances in Mboshi (Bantu C25) aligned to French text translations. Speech transcriptions are also made available: they correspond to a non-standard graphemic form close to the language phonology. We present how the data was collected, cleaned and processed and we illustrate its use through a zero-resource task: spoken term discovery. The dataset is made available to the community for reproducible computational language documentation experiments and their evaluation.

研究の動機と目的

• 書き言葉のない絶滅危惧言語の計算言語文書化のための現実的で低リソースなスピークコーパスの不足に対処すること。
• 事前の転写や表記法が存在しない音声記録から、現地言語学者が音素および語の発見を自動化することを支援すること。
• 真正の書き言葉のない言語におけるゼロリソース音声処理技術の評価のための再現可能なベンチマークを提供すること。
• 非教師あり音素発見とベイジアン分割のパイプラインを用いた無教師語発見実験を通じて、コーパスの有用性を示すこと。
• 語レベルの対応情報を追加することで、今後の二言語語彙発見研究を可能にすること。

提案手法

• コンゴ=ブラッサヴィルでの現地文書作成セッション中に、5,000件のムボシ発話発話を収集した。
• ムボシの音声学的特徴に密接に一致する非標準表記法を用いて、母音長や複雑な子音群を保持した発音的転写を生成した。
• 最先端のアライメントシステムを用いて、音声と転写の間で強制的アライメントを適用し、音素レベルのアライメントを生成した。
• 二段階のパイプラインを開発した：第一段階では、生音声から擬似音素単位を生成する非教師あり音素発見（UPD）を実行し、第二段階では、ビグラムにディリクレ過程を適用するベイジアン非パラメトリック分割（dpseg）を用いて語に類似する単位を発見した。
• 語区切り、トークン、タイプの精度、再現率、F1スコアを用いてパイプラインを評価し、LSHとグラフクラスタリングに基づくベースラインシステムと比較した。
• 分割解像度への感受性を評価するために、UPD出力の複数の粒度（5、30、60単位）を検討した。

実験結果

リサーチクエスチョン

• RQ1 真に書き言葉のない低リソース言語、たとえばムボシにおいて、ゼロリソース語発見パイプラインは語区切りを効果的に同定できるか？
• RQ2 擬似音素単位の粒度が異なる場合、無教師語発見の性能はどのように変化するか？
• RQ3 ベイジアン非パラメトリック分割モデルは、LSHとクラスタリングに基づくベースライン非教師ありシステムをどの程度上回るか？
• RQ4 強制的アライメントの品質は、後続の語発見タスクの性能にどの程度影響を与えるか？
• RQ5 二言語（ムボシ＝フランス語）データの追加により、真の語区切りが存在しない状況でも語分割の正確性が向上するか？

主な発見

• 提案されたパイプラインは、語区切り検出でF1スコア34.8を達成し、スパarsなマッチングによるカバレッジ不足に苦しむベースラインシステム（F1 = 19.3）を顕著に上回った。
• 擬似音素単位の数を5から60に増やすことで、境界再現率は46.5％から60.2％に向上したが、精度は27.4％から24.4％に低下し、再現率と精度のトレードオフが生じた。
• 真の強制的アライメントベースライン（音素境界を真値として使用）は、語区切りでF1 65.4を達成しており、現在の非教師あり手法と教師あり性能の間のギャップを浮き彫りにした。
• トークンレベルおよびタイプレベルのF1スコアは低く（2.1–3.6）、パイプラインは完全なカバレッジを達成しているが、真値基準と比較して分割品質は依然として低いことが示された。
• 粗い粒度（30および60単位）は、細かい粒度（5単位）よりもトークンおよびタイプのF1スコアでわずかに高い結果を示し、より少ない、より抽象度の高い単位が分割の安定性を向上させることを示唆した。
• 結果は、パイプラインが音声信号の網羅的解析が可能である一方で、過剰分割に傾向し、高再現率だが低精度となる傾向があることを示しており、これはゼロリソース環境における知られている課題である。