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

La Musique des Mots : Enseigner aux Ordinateurs à Chanter en Yorùbá

Imaginez la langue comme une chanson. Dans de nombreuses langues, la mélodie est cachée ; vous pouvez changer la hauteur de votre voix, et le sens d'un mot peut changer, mais les lettres écrites restent exactement les mêmes. Mais en yorùbá, une langue parlée par des millions de personnes en Afrique de l'Ouest, la mélodie est inscrite directement dans les notes. La langue utilise des « tons » — des hauteurs hautes, basses, ou montantes ou descendantes — pour vous indiquer exactement ce que signifie un mot. Si vous écrivez la mauvaise note, vous pourriez accidentellement dire « chien » au lieu de « lion ». Cela fait du yorùbá un casse-tête unique pour les ordinateurs. Habituellement, quand nous demandons à un ordinateur de lire un texte à haute voix (une technologie appelée Synthèse Vocale, ou TTS), la machine doit deviner la mélodie en se basant sur des modèles appris en écoutant des milliers d'heures de parole humaine. Mais pour des langues comme le yorùbá, où la « partition » est déjà écrite dans le texte, nous n'avons pas besoin qu'un ordinateur devine. Nous avons juste besoin d'un ordinateur capable de lire les notes parfaitement.

C'est là que l'histoire devient intéressante. Pendant longtemps, les ordinateurs ont eu du mal à parler le yorùbá de manière naturelle car ils n'avaient pas assez d'enregistrements de voix humaines pour apprendre. Ils étaient comme un musicien essayant d'apprendre une chanson complexe à l'oreille sans partition, manquant souvent le rythme. Mais et si nous construisions un robot musicien qui n'avait pas besoin de deviner ? Et si nous lui donnions une bibliothèque de toutes les combinaisons de notes musicales possibles, enregistrées par un humain, et un ensemble strict de règles pour savoir exactement quelle note jouer ensuite ? C'est le défi relevé par une équipe de chercheurs qui voulaient construire une voix pour un dictionnaire massif de noms en ligne en yorùbá. Ils avaient besoin d'un système capable de prendre un nom écrit, de déterminer la hauteur et le rythme exacts, et de le prononcer instantanément, sans avoir besoin qu'un humain enregistre chaque nom du monde.

Le Chœur de Robots et la Magie des Règles

Le document présente TTSYoruba, une voix robotique intelligente, basée sur des règles, conçue spécifiquement pour le yorùbá. Ne voyez pas ce système comme un cerveau qui apprend en écoutant, mais plutôt comme un bibliothécaire très organisé possédant une immense boîte de clips sonores préenregistrés. Les chercheurs ont enregistré une voix humaine prononçant chaque combinaison possible d'une consonne et d'une voyelle (comme « ba », « de », « go ») en cinq tons musicaux différents. Ils ont ainsi obtenu une bibliothèque de 651 minuscules clips sonores.

La magie réside dans les règles. Lorsque vous tapez un nom comme Adébọ̀wálé, l'ordinateur ne se contente pas de jouer les clips dans l'ordre. Il agit comme un chef d'orchestre. Il regarde les notes écrites au-dessus des lettres (les marques de ton) et vérifie la note qui a précédé. En yorùbá, la hauteur d'une note change souvent en fonction de la note précédente. Si une note basse est suivie d'une note haute, la note haute peut en réalité « glisser » vers le haut, sonnant comme un ton montant. Le système possède une règle spécifique pour cela : s'il voit une note haute arriver après une basse, il remplace le clip sonore « haut » standard par un clip sonore « montant » spécial. Il fait de même pour les tons descendants. En suivant ces règles musicales strictes, l'ordinateur assemble les clips pour créer une phrase fluide plutôt qu'un robot qui clique de la langue.

Résoudre le Mystère du « N »

L'une des parties les plus délicates du puzzle était la lettre n. En yorùbá, la lettre n est un caméléon. Parfois, c'est une consonne au début d'un mot (comme dans nọ́). Parfois, c'est une syllabe complète à elle seule (comme ń). Et parfois, ce n'est pas un son du tout, mais un marqueur qui indique que la voyelle qui le précède est « nasale » (prononcée par le nez). Pour un ordinateur, cela ressemble à un désordre confus de lettres identiques.

Les chercheurs ont construit un système de « Désambiguïsation Nasale » pour résoudre ce problème. C'est comme un détective qui pose trois questions :

1. Est-ce que le n a une note musicale au-dessus de lui ? Si oui, c'est une syllabe autonome.
2. Est-ce que le n est situé entre des voyelles spécifiques comme i ou u ? Si oui, c'est un marqueur nasal, et l'ordinateur modifie le son de la voyelle précédente.
3. Est-ce simplement une consonne normale ? Si tel est le cas, traitez-le comme le début du son suivant.

En appliquant ces règles, le système prononce correctement les noms qui, autrement, seraient mal prononcés, distinguant ainsi une voyelle nasalisée d'un n syllabique.

La Nouvelle Notation Musicale : Carons et Circonflexes

C'est ici que le document fait un mouvement audacieux et créatif. Les chercheurs ont découvert un problème : certains noms possèdent un « ton de contour » (une hauteur qui monte ou descend) sur une seule voyelle, mais la façon traditionnelle d'écrire cela en yorùbá est de doubler la voyelle (comme Níkẹ̀ẹ́). Cela paraît étrange pour de nombreux locuteurs natifs et semble lourd.

L'équipe a proposé une nouvelle façon d'écrire ces sons en utilisant des symboles qui existent déjà sur les claviers d'ordinateur mais qui n'ont pas été utilisés à cette fin dans l'écriture standard du yorùbá : le caron (un petit signe de vérification comme ǎ) pour les tons montants et le circonflexe (un petit chapeau comme â) pour les tons descendants.

Voyez cela comme ceci : au lieu d'écrire un accord de notes doubles comme deux touches séparées, vous appuyez sur une touche avec un « chapeau » spécial dessus. L'ordinateur sait que ǎ signifie « jouer le clip sonore montant », et â signifie « jouer le clip sonore descendant ». Cela permet aux gens de taper les noms exactement comme ils sont couramment orthographiés, sans les étranges doubles voyelles, tout en obtenant la hauteur musicale parfaite. Les chercheurs ont testé cela en demandant à 50 personnes d'écouter des noms écrits de l'ancienne manière (« double voyelle ») et de la nouvelle manière (« chapeau »). Le résultat ? Les auditeurs ne pouvaient pas faire la différence. Ils ont jugé les deux versions comme étant également naturelles et faciles à comprendre. En fait, certains auditeurs préféraient même la nouvelle version avec le « chapeau » car elle ressemblait davantage à la façon dont ils voient les mots dans leur tête.

Le Verdict : Un Bon Début, Mais Pas Parfait

L'équipe a testé son système avec 50 volontaires qui ont écouté 10 noms différents chacun. Les résultats sont prometteurs mais honnêtes. L'ordinateur était extrêmement bon pour être compris (obtenant un score élevé en « intelligibilité »), ce qui signifie que tout le monde savait exactement quel mot était prononcé. Cependant, le score de « naturalité » était un peu plus bas. Les auditeurs ont décrit la voix comme étant un peu lente, comme un professeur lisant un manuel à une classe, plutôt que comme un ami discutant de manière informelle. C'est parce que le système assemble de minuscules clips, et il y a une pause légèrement artificielle entre chaque syllabe.

Le document est très clair sur ce qu'il ne fait pas. Il ne gère pas les phrases longues avec des rythmes complexes ou la façon dont la hauteur chute sur un paragraphe entier. Il est conçu spécifiquement pour les noms courts. Il dépend également de l'utilisateur tapant les marques de ton correctes ; si vous tapez sans elles, le robot ne connaîtra pas la mélodie.

En fin de compte, ce document montre que pour les langues où la musique est écrite, nous n'avons pas besoin de cerveaux d'IA massifs pour apprendre la chanson. Nous avons juste besoin d'un bibliothécaire intelligent avec un bon ensemble de règles. Le système prouve qu'une approche basée sur des règles peut gérer la musicalité complexe du yorùbá, et les nouveaux symboles de « chapeau » et de « coche » offrent une manière pratique et compatible avec les claviers d'écrire ces sons sans changer l'orthographe des noms. C'est une base solide et fonctionnelle qui pourrait aider à construire des voix encore meilleures à l'avenir.