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

La música de las palabras: Enseñando a las computadoras a cantar en Yorùbá

Imagine el lenguaje como una canción. En muchos idiomas, la melodía está oculta; usted puede cambiar el tono de su voz y el significado de una palabra podría cambiar, pero las letras escritas permanecen exactamente iguales. Pero en el Yorùbá, un idioma hablado por millones en África Occidental, la melodía está escrita directamente en las notas. El idioma utiliza "tonos" —tonos altos, bajos y ascendentes o descendentes— para decirle exactamente qué significa una palabra. Si escribe la nota incorrecta, podría decir accidentalmente "perro" en lugar de "león". Esto hace que el Yorùbá sea un rompecabezas único para las computadoras. Usualmente, cuando le pedimos a una computadora que lea un texto en voz alta (una tecnología llamada Texto-a-Voz, o TTS), la máquina tiene que adivinar la melodía basándose en patrones que aprendió al escuchar miles de horas de habla humana. Pero para idiomas como el Yorùbá, donde la "partitura" ya está escrita en el texto, no necesitamos que una computadora adivine. Solo necesitamos una computadora que pueda leer las notas perfectamente.

Aquí es donde la historia se pone interesante. Durante mucho tiempo, las computadoras tuvieron dificultades para hablar Yorùbá de forma natural porque no tenían suficientes voces humanas grabadas de las cuales aprender. Eran como un músico tratando de aprender una canción compleja de oído sin partitura, a menudo errando el ritmo. Pero, ¿qué pasaría si construyéramos un robot músico que no necesitara adivinar? ¿Qué pasaría si le diéramos una biblioteca de cada posible combinación de notas musicales, grabada por un humano, y un conjunto estricto de reglas para saber exactamente qué nota tocar a continuación? Este es el desafío abordado por un equipo de investigadores que quería construir una voz para un diccionario masivo de nombres en Yorùbá en línea. Necesitaban un sistema que pudiera tomar un nombre escrito, determinar el tono y el ritmo exactos, y pronunciarlo en voz alta instantáneamente, sin necesidad de que un humano grabara cada uno de los nombres del mundo.

El coro de robots y la magia de las reglas

El artículo presenta TTSYoruba, una ingeniosa voz de robot basada en reglas, diseñada específicamente para el Yorùbá. Piense en este sistema no como un cerebro que aprende escuchando, sino como un bibliotecario muy organizado con una caja gigante de clips de sonido pregrabados. Los investigadores grabaron una voz humana diciendo cada combinación posible de una consonante y una vocal (como "ba", "de", "go") en cinco tonos musicales diferentes. Terminaron con una biblioteca de 651 diminutos clips de sonido.

La magia ocurre en las reglas. Cuando usted escribe un nombre como Adébọ̀wálé, la computadora no solo reproduce los clips en orden. Actúa como un director de orquesta. Observa las notas escritas sobre las letras (las marcas tonales) y verifica la nota que vino antes de ella. En Yorùbá, el tono de una nota a menudo cambia dependiendo de la nota anterior. Si una nota baja es seguida por una nota alta, la nota alta podría realmente "deslizarse" hacia arriba, sonando como un tono ascendente. El sistema tiene una regla específica para esto: si ve una nota alta viniendo después de una baja, cambia el clip de sonido "alto" estándar por un clip de sonido "ascendente" especial. Hace esto también para los tonos descendentes. Al seguir estas estrictas reglas musicales, la computadora une los clips para que suenen como una oración fluida en lugar de un robot haciendo clic con la lengua.

Resolviendo el misterio de la "N"

Una de las partes más complicadas del rompecabezas era la letra n. En Yorùbá, la letra n es un camaleón. A veces es una consonante al principio de una palabra (como en nọ́). A veces es una sílaba completa por sí misma (como ń). Y otras veces, no es un sonido en absoluto, sino un marcador que le indica que la vocal antes de ella es "nasal" (suena a través de la nariz). Para una computadora, esto parece un caos confuso de letras idénticas.

Los investigadores construyeron un sistema de "Desambiguación Nasal" para resolver esto. Es como un detective que hace tres preguntas:

1. ¿Tiene la n una nota musical encima? Si es así, es una sílaba independiente.
2. ¿Está la n entre vocales específicas como i o u? Si es así, es un marcador nasal, y la computadora cambia el sonido de la vocal anterior.
3. ¿Es solo una consonante normal? Si es así, trátela como el inicio del siguiente sonido.

Al aplicar estas reglas, el sistema pronuncia correctamente nombres que de otro modo sonarían mal, distinguiendo entre una vocal nasalizada y una n silábica.

La nueva notación musical: Carones y circunflejos

Aquí es donde el artículo realiza un movimiento audaz y creativo. Los investigadores descubrieron un problema: algunos nombres tienen un "tono de contorno" (un tono que sube o baja) en una sola vocal, pero la forma tradicional de escribir esto en Yorùbá es duplicar la vocal (como Níkẹ̀ẹ́). Esto se ve extraño para muchos hablantes nativos y se siente torpe.

El equipo propuso una nueva forma de escribir estos sonidos utilizando símbolos que ya existen en los teclados de computadora pero que no se han utilizado para este propósito en la escritura estándar del Yorùbá: el caron (una pequeña marca de verificación como ǎ) para los tonos ascendentes y el circunflejo (un pequeño sombrero como â) para los tonos descendentes.

Piense en esto de la siguiente manera: en lugar de escribir un acorde de nota doble larga como dos teclas separadas, presiona una tecla con un "sombrero" especial encima. La computadora sabe que ǎ significa "reproducir el clip de sonido ascendente", y â significa "reproducir el clip de sonido descendente". Esto permite que las personas escriban los nombres exactamente como se deletrean comúnmentamente, sin las extrañas vocales dobles, obteniendo al mismo tiempo el tono musical perfecto. Los investigadores probaron esto pidiendo a 50 personas que escucharan nombres escritos de la forma antigua de "vocal doble" y de la nueva forma con "sombrero". ¿El resultado? Los oyentes no pudieron notar la diferencia. Calificaron ambas versiones como igualmente naturales y fáciles de entender. De hecho, algunos oyentes incluso prefirieron la nueva versión con "sombrero" porque se parecía más a la forma en que ven las palabras en sus cabezas.

El veredicto: Un buen comienzo, pero no es perfecto

El equipo probó su sistema con 50 voluntarios que escucharon 10 nombres diferentes cada uno. Los resultados fueron prometedores pero honestos. La computadora fue increíblemente buena en ser entendida (obteniendo una puntuación alta en "inteligibilidad"), lo que significa que todos sabían exactamente qué palabra se estaba pronunciando. Sin embargo, la puntuación de "naturalidad" fue un poco más baja. Los oyentes describieron la voz como un poco lenta, como un profesor leyendo un libro de texto a una clase, en lugar de un amigo charlando casualmente. Esto se debe a que el sistema une pequeños clips, y hay una pausa breve y antinatural entre cada sílaba.

El artículo es muy claro sobre lo que no hace. No maneja oraciones largas con ritmos complejos o la forma en que el tono cae a lo largo de un párrafo completo. Está diseñado específicamente para nombres cortos. También depende de que el usuario escriba las marcas tonales correctas; si escribe sin ellas, el robot no conocerá la melodía.

En última instancia, este artículo demuestra que para los idiomas donde la música está escrita, no necesitamos cerebros masivos de IA para aprender la canción. Solo necesitamos un bibliotecario inteligente con un buen conjunto de reglas. El sistema demuestra que un enfoque basado en reglas puede manejar la compleja musicalidad del Yorùbá, y los nuevos símbolos de "sombrero" y "marca de verificación" ofrecen una forma práctica y amigable para el teclado de escribir estos sonidos sin cambiar la forma en que las personas deletrean sus nombres. Es una base sólida y funcional que podría ayudar a construir voces aún mejores en el futuro.