A Situational Speech Synthesizer for Yoruba: System Design, Phonological Rule Architecture, and Orthographic Extensions for Contour

Die Musik der Worte: Computern beibringen, auf Yorùbá zu singen

Stellen Sie sich Sprache als ein Lied vor. In vielen Sprachen ist die Melodie verborgen; man kann die Tonhöhe seiner Stimme ändern, und die Bedeutung eines Wortes könnte sich verschieben, aber die geschriebenen Buchstaben bleiben exakt gleich. Aber in Yorùbá, einer Sprache, die von Millionen Menschen in Westafrika gesprochen wird, ist die Melodie direkt in die Noten eingeschrieben. Die Sprache verwendet „Töne“ – hohe, tiefe sowie steigende oder fallende Tonhöhen –, um Ihnen genau zu sagen, was ein Wort bedeutet. Wenn Sie die falsche Note schreiben, sagen Sie vielleicht versehentlich „Hund“ statt „Löwe“. Dies macht Yorùbá zu einem einzigartigen Rätsel für Computer. Normalerweise, wenn wir einen Computer bitten, Text laut vorzulesen (eine Technologie namens Text-to-Speech oder TTS), muss die Maschine die Melodie basierend auf Mustern erraten, die sie durch das Zuhören von tausenden Stunden menschlicher Sprache gelernt hat. Aber für Sprachen wie Yorùbá, in denen die „Partitur“ bereits im Text geschrieben steht, brauchen wir keinen Computer, der rät. Wir brauchen nur einen Computer, der die Noten perfekt lesen kann.

Hier wird die Geschichte interessant. Lange Zeit hatten Computer Schwierigkeiten, Yorùbá natürlich zu sprechen, weil sie nicht genügend aufgenommene menschliche Stimmen zum Lernen hatten. Sie waren wie ein Musiker, der versucht, ein komplexes Lied nach Gehör zu lernen, ohne Partitur, und dabei oft den Rhythmus falsch trifft. Aber was wäre, wenn wir einen Roboter-Musiker bauen würden, der nicht raten muss? Was wäre, wenn wir ihm eine Bibliothek mit jeder möglichen Kombination musikalischer Noten gaben, aufgenommen von einem Menschen, und einen strengen Satz von Regeln, um genau zu wissen, welche Note als Nächstes zu spielen ist? Dies ist die Herausforderung, der sich ein Team von Forschern widmete, die eine Stimme für ein massives Online-Wörterbuch für Yorùbá-Namen entwickeln wollten. Sie brauchten ein System, das einen geschriebenen Namen nehmen, die exakte Tonhöhe und den Rhythmus bestimmen und ihn sofort laut aussprechen kann, ohne dass ein Mensch jeden einzelnen Namen der Welt aufnehmen muss.

Der Roboterchor und die Magie der Regeln

Das Paper stellt TTSYoruba vor, eine clevere, regelbasierte Roboterstimme, die speziell für Yorùbá entwickelt wurde. Betrachten Sie dieses System nicht als ein Gehirn, das durch Zuhören lernt, sondern als einen sehr organisierten Bibliothekar mit einer riesigen Kiste voller voraufgenommener Soundclips. Die Forscher nahmen eine menschliche Stimme auf, die jede mögliche Kombination eines Konsonanten und eines Vokals (wie „ba“, „de“, „go“) in fünf verschiedenen musikalischen Tönen ausspricht. Sie endeten mit einer Bibliothek von 651 winzigen Soundclips.

Die Magie geschieht in den Regeln. Wenn Sie einen Namen wie Adébọ̀wálé eintippen, spielt der Computer die Clips nicht einfach der Reihe nach ab. Er agiert wie ein Dirigent. Er schaut sich die Noten an, die über den Buchstaben stehen (die Tonzeichen), und prüft die Note, die vor ihm kam. In Yorùbá ändert sich die Tonhöhe einer Note oft abhängig von der Note, die davor liegt. Wenn eine tiefe Note von einer hohen Note gefolgt wird, kann die hohe Note tatsächlich nach oben „gleiten“, was wie ein steigender Ton klingt. Das System hat eine spezifische Regel dafür: Wenn es sieht, dass eine hohe Note nach einer niedrigen kommt, tauscht es den Standard-„Hoch“-Soundclip gegen einen speziellen „steigenden“ Soundclip aus. Dies tut es auch für fallende Töne. Indem es diesen strengen musikalischen Regeln folgt, vernäht der Computer die Clips so, dass sie wie ein fließender Satz klingen und nicht wie ein Roboter, der mit der Zunge klickt.

Das Geheimnis des „N“ lösen

Einer der schwierigsten Teile des Rätsels war der Buchstabe n. In Yorùbá ist der Buchstabe n ein Gestaltwandler. Manchmal ist er ein Konsonant am Anfang eines Wortes (wie in nọ́). Manchmal ist er eine vollständige Silbe für sich allein (wie ń). Und manchmal ist er gar kein Laut, sondern ein Marker, der anzeigt, dass der Vokal vor ihm „nasal“ ist (durch die Nase klingt). Für einen Computer sieht das wie ein verwirrendes Chaos identischer Buchstaben aus.

Die Forscher bauten ein „Nasal Disambiguation“-System (ein System zur Unterscheidung der Nasalität), um dies zu lösen. Es ist wie ein Detektiv, der drei Fragen stellt:

1. Hat das n eine musikalische Note darüber? Wenn ja, ist es eine eigenständige Silbe.
2. Sitzt das n zwischen bestimmten Vokalen wie i oder u? Wenn ja, ist es ein Nasal-Marker, und der Computer ändert den Klang des Vokals davor.
3. Ist es nur ein normaler Konsonant? Wenn ja, behandle ihn als den Beginn des nächsten Lautes.

Durch die Anwendung dieser Regeln spricht das System Namen korrekt aus, die ansonsten falsch klingen würden, indem es zwischen einem nasalisierten Vokal und einem silbischen n unterscheidet.

Die neue musikalische Notation: Carons und Zirkumflexe

Hier macht das Paper einen mutigen, kreativen Schritt. Die Forscher entdeckten ein Problem: Einige Namen haben einen „Konturton“ (eine Tonhöhe, die steigt oder fällt) auf einem einzelnen Vokal, aber die traditionelle Art, dies in Yorùbá zu schreiben, ist das Verdoppeln des Vokals (wie Níkẹ̀ẹ́). Dies sieht für viele Muttersprachler seltsam aus und wirkt klobig.

Das Team schlug eine neue Art vor, diese Klänge zu schreiben, indem es Symbole verwendet, die bereits auf Computertastaturen existieren, aber bisher nicht für diesen Zweck im Standard-Yorùbá verwendet wurden: das Caron (ein kleines Häkchen wie ǎ) für steigende Töne und das Zirkumflex (ein kleines Dach wie â) für fallende Tente.

Stellen Sie sich das so vor: Anstatt einen langen, verdoppelten Notenakkord als zwei separate Tasten zu schreiben, drücken Sie eine Taste mit einem speziellen „Dach“ darauf. Der Computer weiß, dass ǎ bedeutet: „spiele den steigenden Soundclip ab“, und â bedeutet: „spiele den fallenden Soundclip ab“. Dies ermöglicht es den Menschen, Namen genau so zu tippen, wie sie üblicherweise geschrieben werden, ohne die seltsamen Doppelvokale zu verwenden, während sie dennoch die perfekte musikalische Tonhöhe erhalten. Die Forscher testeten dies, indem sie 50 Personen baten, Namen zu hören, die in der alten „Doppelvokal“-Art und der neuen „Hut“-Art geschrieben waren. Das Ergebnis? Die Zuhörer konnten keinen Unterschied feststellen. Sie bewerteten beide Versionen als gleichermaßen natürlich und leicht verständlich. Tatsächlich bevorzugten einige Zuhörer sogar die neue „Hut“-Version, weil sie eher so aussah, wie sie die Wörter in ihrem Kopf sehen.

Das Urteil: Ein guter Anfang, aber nicht perfekt

Das Team testete sein System mit 50 Freiwilligen, die jeweils 10 verschiedene Namen hörten. Die Ergebnisse waren vielversprechend, aber ehrlich. Der Computer war unglaublich gut darin, verstanden zu werden (er erzielte hohe Werte bei der „Intelligibilität“), was bedeutet, dass jeder genau wusste, welches Wort gesprochen wurde. Die Bewertung der „Natürlichkeit“ war jedoch etwas niedriger. Die Zuhörer beschrieben die Stimme als etwas langsam, wie ein Lehrer, der einem Klassenzimmer ein Lehrbuch vorliest, anstatt wie ein Freund, der sich locker unterhält. Das liegt daran, dass das System winzige Clips zusammenfügt und es eine winzige, unnatürliche Pause zwischen jeder Silbe gibt.

Das Paper ist sehr klar darüber, was es nicht tut. Es behandelt keine langen Sätze mit komplexen Rhythmen oder die Art und Weise, wie die Tonhöhe über einen ganzen Absatz hinweg sinkt. Es ist speziell für kurze Namen konzipiert. Es verlässt sich zudem darauf, dass der Benutzer die korrekten Tonzeichen eintippt; wenn man ohne sie tippt, weiß der Roboter nicht, welche Melodie er spielen soll.

Letztendlich zeigt dieses Paper, dass wir für Sprachen, in denen die Musik aufgeschrieben ist, keine massiven KI-Gehirne brauchen, um das Lied zu lernen. Wir brauchen nur einen klugen Bibliothekar mit einem guten Satz von Regeln. Das System beweist, dass ein regelbasierter Ansatz die komplexe Musikalität von Yorùbá bewältigen kann, und die neuen „Hut“- und „Häkchen“-Symbole bieten einen praktischen, tastaturbereiten Weg, diese Klänge zu schreiben, ohne die Art und Weise zu ändern, wie Menschen ihre Namen buchstabieren. Es ist ein solides, funktionierendes Fundament, das helfen kann, in Zukunft noch bessere Stimmen aufzubauen.