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

La musica delle parole: Insegnare ai computer a cantare in Yorùbá

Immaginate la lingua come una canzone. In molte lingue, la melodia è nascosta; potete cambiare l'altezza della vostra voce e il significato di una parola potrebbe cambiare, ma le lettere scritte rimangono esattamente le stesse. Ma nello Yorùbá, una lingua parlata da milioni di persone in Africa occidentale, la melodia è scritta proprio nelle note. La lingua utilizza i "toni" — altezze acute, gravi o ascendenti/discendenti — per dirvi esattamente cosa significa una parola. Se scrivete la nota sbagliata, potreste accidentalmente dire "cane" invece di "leone". Questo rende lo Yorùbá un puzzle unico per i computer. Di solito, quando chiediamo a un computer di leggere un testo ad alta voce (una tecnologia chiamata Text-to-Speech, o TTS), la macchina deve indovinare la melodia basandosi su schemi appresi ascoltando migliaia di ore di parlato umano. Ma per lingue come lo Yorùbá, dove lo "spartito" è già scritto nel testo, non abbiamo bisogno che un computer indovini. Abbiamo solo bisogno di un computer che sappia leggere le note perfettamente.

È qui che la storia si fa interessante. Per molto tempo, i computer hanno faticato a parlare lo Yorùbá in modo naturale perché non avevano abbastanza voci umane registrate da cui imparare. Erano come un musicista che cerca di imparare una canzone complessa ad orecchio senza spartito, spesso sbagliando il ritmo. Ma cosa succederebbe se costruissimo un robot musicista che non ha bisogno di indovinare? E se gli dessimo una biblioteca di ogni possibile combinazione di note musicali, registrata da un essere umano, e un insieme rigoroso di regole per sapere esattamente quale nota suonare dopo? Questa è la sfida affrontata da un team di ricercatori che voleva costruire una voce per un enorme dizionario online di nomi Yorùbá. Avevano bisogno di un sistema che potesse prendere un nome scritto, capire l'esatta altezza e il ritmo, e pronunciarlo ad alta voce istantaneamente, senza bisogno che un essere umano registrasse ogni singolo nome al mondo.

Il coro robotico e la magia delle regole

Il documento presenta TTSYoruba, una intelligente voce robotica basata su regole, progettata specificamente per lo Yorùbá. Pensate a questo sistema non come a un cervello che impara ascoltando, ma come a un bibliotecario molto organizzato con una gigantesca scatola di clip sonore pre-registrate. I ricercatori hanno registrato una voce umana che pronuncia ogni possibile combinazione di una consonante e una vocale (come "ba", "de", "go") in cinque diversi toni musicali. Sono finiti per avere una biblioteca di 651 minuscole clip sonore.

La magia avviene nelle regole. Quando digitate un nome come Adébọ̀wálé, il computer non si limita a riprodurre le clip in ordine. Agisce come un direttore d'orchestra. Guarda le note scritte sopra le lettere (i segni tonali) e controlla la nota che è venuta prima. Nello Yorùbá, l'altezza di una nota spesso cambia a seconda della nota precedente. Se una nota bassa è seguita da una nota alta, la nota alta potrebbe effettivamente "scivolare" verso l'alto, suonando come un tono ascendente. Il sistema ha una regola specifica per questo: se vede una nota alta in arrivo dopo una bassa, sostituisce la clip sonora "alta" standard con una speciale clip sonora "ascendente". Fa lo stesso per i toni discendenti. Seguendo queste rigide regole musicali, il computer cuce insieme le clip per suonare come una frase fluida piuttosto che come un robot che schiocca la lingua.

Risolvere il mistero della "N"

Una delle parti più difficili del puzzle era la lettera n. Nello Yorùbá, la lettera n è un mutaforma. A volte è una consonante all'inizio di una parola (come in nọ́). A volte è una sillaba completa da sola (come ń). E a volte, non è affatto un suono, ma un segno che indica che la vocale precedente è "nasale" (prodotta attraverso il naso). Per un computer, questo sembra un pasticcio confuso di lettere identiche.

I ricercatori hanno costruito un sistema di "Disambiguazione Nasale" per risolvere il problema. È come un detective che pone tre domande:

1. L' n ha una nota musicale sopra di esso? Se sì, è una sillaba autonoma.
2. L' n si trova tra specifiche vocali come i o u? Se sì, è un segno nasale, e il computer cambia il suono della vocale precedente.
3. È solo una normale consonante? In tal caso, trattatela come l'inizio del suono successivo.

Applicando queste regole, il sistema pronuncia correttamente i nomi che altrimenti suonerebbero sbagliati, distinguendo tra una vocale nasalizzata e una n sillabica.

La nuova notazione musicale: Caroni e circonflessi

Ecco dove il documento compie una mossa audace e creativa. I ricercatori hanno scoperto un problema: alcuni nomi hanno un "tono di contorno" (un'altezza che sale o scende) su una singola vocale, ma il modo tradizionale di scrivere questo nello Yorùbá è raddoppiare la vocale (come Níkẹ̀ẹ́). Questo appare strano a molti parlanti nativi e sembra goffo.

Il team ha proposto un nuovo modo di scrivere questi suoni utilizzando simboli che esistono già sulle tastiere dei computer ma che non sono stati usati per questo scopo nella scrittura standard dello Yorùbá: il caron (un piccolo segno di spunta come ǎ) per i toni ascendenti e il circonflesso (un piccolo cappello come â) per i toni discendenti.

Pensate a questo come a: invece di scrivere un accordo a doppia nota lungo come due tasti separati, premete un tasto con un "cappello" speciale sopra. Il computer sa che ǎ significa "suona la clip sonora ascendente" e â significa "suona la clip sonora discendente". Questo permette alle persone di digitare i nomi esattamente come sono comunemente scritti, senza le strane doppie vocali, ottenendo comunque l'altezza musicale perfetta. I ricercatori hanno testato questo approendo chiedendo a 50 persone di ascoltare nomi scritti nel vecchio modo a "doppia vocale" e nel nuovo modo con il "cappello". Il risultato? Gli ascoltatori non riuscivano a distinguere la differenza. Hanno valutato entrambe le versioni come ugualmente naturali e facili da capire. Infatti, alcuni ascoltatori hanno persino preferito la nuova versione con il "cappello" perché somigliava di più al modo in cui vedevano le parole nella loro testa.

Il verdetto: Un buon inizio, ma non perfetto

Il team ha testato il proprio sistema con 50 volontari che hanno ascoltato 10 nomi diversi ciascuno. I risultati sono stati promettenti ma onesti. Il computer era incredibilmente bravo nell'essere capito (ottenendo punteggi alti in "intelligibilità"), il che significa che tutti sapevano esattamente quale parola veniva pronunciata. Tuttavia, il punteggio di "naturalità" era un po' più basso. Gli ascoltatori hanno descritto la voce come un po' lenta, come un insegnante che legge un libro di testo a una classe, piuttosto che come un amico che chiacchiera casualmente. Questo perché il sistema cuce insieme piccole clip, e c'è una pausa innaturale tra ogni sillaba.

Il documento è molto chiaro su ciò che non fa. Non gestisce frasi lunghe con ritmi complessi o il modo in cui l'altezza cala nell'intero paragrafo. È progettato specificamente per nomi brevi. Inoltre, dipende dal fatto che l'utente digiti i segni tonali corretti; se digitate senza di essi, il robot non conoscerà la melodia.

In definitiva, questo documento dimostra che per le lingue in cui la musica è scritta, non abbiamo bisogno di enormi cervelli AI per imparare la canzone. Abbiamo solo bisogno di un bibliotecario intelligente con un buon insieme di regole. Il sistema dimostra che un approccio basato sulle regole può gestire la complessa musicalità dello Yorùbá, e i nuovi simboli "cappello" e "segno di spunta" offrono un modo pratico e compatibile con la tastiera per scrivere questi suoni senza cambiare il modo in cui le persone compongono i loro nomi. È una base solida e funzionante che potrebbe aiutare a costruire voci ancora migliori in futuro.