L'apprentissage automatique améliore les capacités de transcription de la parole arabe

Fourni par Fondation du Qatar

Grâce aux progrès du traitement de la parole et du langage naturel, il y a de l'espoir qu'un jour vous pourrez demander à votre assistant virtuel quels sont les meilleurs ingrédients de salade. Actuellement, il est possible de demander à votre gadget domestique de diffuser de la musique ou de l'ouvrir par commande vocale, une fonctionnalité déjà présente dans de nombreux appareils.

Si vous parlez marocain, algérien, égyptien, soudanais ou l'un des autres dialectes de la langue arabe, qui sont immensément variés d'une région à l'autre, où certains d'entre eux sont mutuellement inintelligibles, c'est une autre histoire. Si votre langue maternelle est l'arabe, le finnois, le mongol, le navajo ou toute autre langue à haut niveau de complexité morphologique, vous pouvez vous sentir exclu.

Ces constructions complexes ont intrigué Ahmed Ali pour trouver une solution. Il est ingénieur principal du groupe Arabic Language Technologies au Qatar Computing Research Institute (QCRI), qui fait partie de l'Université Hamad Bin Khalifa de la Fondation du Qatar et fondateur d'ArabicSpeech, une communauté qui existe au profit de la science de la parole arabe et des technologies de la parole.

Siège de la Fondation du Qatar

Ali a été captivé par l'idée de parler aux voitures, aux appareils et aux gadgets il y a de nombreuses années alors qu'il était chez IBM. Pouvons-nous construire une machine capable de comprendre différents dialectes - un pédiatre égyptien pour automatiser une ordonnance, un enseignant syrien pour aider les enfants à comprendre les éléments essentiels de leur leçon ou un chef marocain décrivant la meilleure recette de couscous ? il déclare. Cependant, les algorithmes qui alimentent ces machines ne peuvent pas passer au crible les quelque 30 variétés d'arabe, et encore moins leur donner un sens. Aujourd'hui, la plupart des outils de reconnaissance vocale ne fonctionnent qu'en anglais et dans quelques autres langues.

La pandémie de coronavirus a encore alimenté une dépendance déjà croissante aux technologies vocales, où la façon dont les technologies de traitement du langage naturel ont aidé les gens à se conformer aux directives de maintien à domicile et aux mesures de distanciation physique. Cependant, bien que nous utilisions des commandes vocales pour faciliter les achats en ligne et gérer nos ménages, l'avenir nous réserve encore plus d'applications.

Des millions de personnes dans le monde utilisent les cours en ligne ouverts et massifs (MOOC) pour leur accès libre et leur participation illimitée. La reconnaissance vocale est l'une des principales fonctionnalités du MOOC, où les étudiants peuvent effectuer des recherches dans des zones spécifiques du contenu parlé des cours et permettre des traductions via des sous-titres. La technologie vocale permet de numériser les cours magistraux pour afficher les mots parlés sous forme de texte dans les salles de classe universitaires.

Ahmed Ali, Université Hamad Bin Kahlifa

Selon un récent article du magazine Speech Technology, le marché de la reconnaissance vocale et vocale devrait atteindre 26,8 milliards de dollars d'ici 2025, alors que des millions de consommateurs et d'entreprises du monde entier comptent sur les robots vocaux non seulement pour interagir avec leurs appareils ou leurs voitures, mais également pour améliorer le service à la clientèle, stimuler les innovations en matière de soins de santé et améliorer l'accessibilité et l'inclusivité pour les personnes souffrant de troubles de l'ouïe, de la parole ou de la motricité.

Dans une enquête de 2019, Capgemini prévoyait que d'ici 2022, plus de deux consommateurs sur trois opteraient pour des assistants vocaux plutôt que pour des visites en magasin ou en agence bancaire ; une part qui pourrait à juste titre grimper, compte tenu de la vie et du commerce à domicile et physiquement éloignés que l'épidémie a imposés au monde pendant plus d'un an et demi.

Néanmoins, ces appareils ne parviennent pas à fournir de vastes étendues du globe. Pour ces 30 types d'arabe et des millions de personnes, c'est une occasion largement manquée.

Arabe pour les machines

Les robots vocaux anglophones ou francophones sont loin d'être parfaits. Pourtant, apprendre aux machines à comprendre l'arabe est particulièrement délicat pour plusieurs raisons. Ce sont trois défis communément reconnus :

1. Manque de signes diacritiques. Les dialectes arabes sont vernaculaires, comme principalement parlés. La plupart du texte disponible n'est pas diacritique, ce qui signifie qu'il manque des accents tels que l'aigu (´) ou le grave (`) qui indiquent les valeurs sonores des lettres. Par conséquent, il est difficile de déterminer où vont les voyelles.
2. Manque de ressources. Il y a une pénurie de données étiquetées pour les différents dialectes arabes. Collectivement, ils manquent de règles orthographiques standardisées qui dictent comment écrire une langue, y compris les normes ou l'orthographe, la césure, les coupures de mots et l'emphase. Ces ressources sont cruciales pour former des modèles informatiques, et le fait qu'elles soient trop peu nombreuses a entravé le développement de la reconnaissance vocale arabe.
3. Complexité morphologique. Les arabophones se livrent à de nombreux changements de code. Par exemple, dans les régions colonisées par les Français - Afrique du Nord, Maroc, Algérie et Tunisie - les dialectes comprennent de nombreux mots français empruntés. Par conséquent, il existe un grand nombre de ce qu'on appelle des mots hors vocabulaire, que les technologies de reconnaissance vocale ne peuvent pas comprendre parce que ces mots ne sont pas arabes.

Mais le terrain évolue à la vitesse de l'éclair, dit Ali. C'est un effort de collaboration entre de nombreux chercheurs pour le faire avancer encore plus vite. Le laboratoire de technologie de la langue arabe d'Ali dirige le projet ArabicSpeech pour rassembler les traductions arabes avec les dialectes natifs de chaque région. Par exemple, les dialectes arabes peuvent être divisés en quatre dialectes régionaux : nord-africain, égyptien, du Golfe et levantin. Cependant, étant donné que les dialectes ne respectent pas les frontières, cela peut aller jusqu'à un dialecte par ville; par exemple, un locuteur natif égyptien peut différencier son dialecte alexandrin de son concitoyen d'Assouan (à 1 000 kilomètres sur la carte).

Construire un avenir technophile pour tous

À ce stade, les machines sont à peu près aussi précises que les transcripteurs humains, en grande partie grâce aux progrès des réseaux de neurones profonds, un sous-domaine de l'apprentissage automatique en intelligence artificielle qui repose sur des algorithmes inspirés du fonctionnement biologique et fonctionnel du cerveau humain. Cependant, jusqu'à récemment, la reconnaissance vocale était un peu piratée. La technologie s'appuie depuis longtemps sur différents modules pour la modélisation acoustique, la construction de lexiques de prononciation et la modélisation du langage ; tous les modules qui doivent être formés séparément. Plus récemment, les chercheurs ont formé des modèles qui convertissent directement les caractéristiques acoustiques en transcriptions de texte, optimisant potentiellement toutes les parties pour la tâche finale.

Même avec ces progrès, Ali ne peut toujours pas donner de commande vocale à la plupart des appareils dans son arabe natal. Nous sommes en 2021 et je ne peux toujours pas parler à de nombreuses machines dans mon dialecte, commente-t-il. Je veux dire, maintenant j'ai un appareil qui peut comprendre mon anglais, mais la reconnaissance automatique de la parole arabe multi-dialecte n'a pas encore eu lieu.

Rendre cela possible est l'objectif du travail d'Ali, qui a abouti au premier transformateur pour la reconnaissance vocale arabe et ses dialectes ; celui qui a atteint des performances jusqu'ici inégalées. Baptisée QCRI Advanced Transcription System, la technologie est actuellement utilisée par les diffuseurs Al-Jazeera, DW et BBC pour transcrire le contenu en ligne.

Il y a plusieurs raisons pour lesquelles Ali et son équipe ont réussi à construire ces moteurs vocaux en ce moment. Principalement, dit-il, il est nécessaire d'avoir des ressources dans tous les dialectes. Nous devons accumuler les ressources pour ensuite être en mesure de former le modèle. Les progrès du traitement informatique signifient que l'apprentissage automatique à forte intensité de calcul se produit désormais sur une unité de traitement graphique, qui peut traiter et afficher rapidement des graphiques complexes. Comme le dit Ali, nous avons une excellente architecture, de bons modules et nous avons des données qui représentent la réalité.

Des chercheurs du QCRI et de Kanari AI ont récemment construit des modèles permettant d'atteindre la parité humaine dans les informations diffusées en arabe. Le système démontre l'impact du sous-titrage des rapports quotidiens d'Aljazeera. Alors que le taux d'erreur humaine (HER) en anglais est d'environ 5,6 %, la recherche a révélé que l'HER en arabe est nettement plus élevé et peut atteindre 10 % en raison de la complexité morphologique de la langue et de l'absence de règles orthographiques standard en arabe dialectal. Grâce aux récentes avancées en matière d'apprentissage en profondeur et d'architecture de bout en bout, le moteur de reconnaissance vocale arabe parvient à surpasser les locuteurs natifs dans les actualités diffusées.

Alors que la reconnaissance vocale de l'arabe standard moderne semble bien fonctionner, les chercheurs du QCRI et de Kanari AI sont absorbés par le test des limites du traitement dialectal et obtiennent d'excellents résultats. Étant donné que personne ne parle l'arabe standard moderne à la maison, l'attention au dialecte est ce dont nous avons besoin pour permettre à nos assistants vocaux de nous comprendre.

Ce contenu a été écrit par Institut de recherche informatique du Qatar , Université Hamad Bin Khalifa, membre de la Qatar Foundation. Il n'a pas été écrit par la rédaction de MIT Technology Review.

cacher