Transcription automatique de langues peu dotées

Résumé :
Les technologies liées à la parole, et en particulier la reconnaissance de la parole, suscitent un grand intérêt pour un nombre croissant de langues. La très grande majorité des langues du monde ne possèdent pas de grands corpus de données nécessaires à l’élaboration des systèmes de reconnaissance à l’état de l’art, fondés sur des paradigmes probabilistes pour la plupart. Les travaux menés au cours de cette thèse ont consisté, dans un premier temps, à identifier les difficultés rencontrées lors de l’élaboration d’un système pour une langue peu dotée.

Nous avons travaillé principalement sur le problème des forts taux de mots hors-vocabulaire dus au manque de textes, qui est à nos yeux le problème le plus important pour ces langues. Nous défendons l’idée que l’utilisation de sous-unités lexicales correctement sélectionnées, qui peuvent être plus petites que les mots, peut amener des gains significatifs de performances. Nous avons utilisé et modifié un algorithme probabiliste qui propose des frontières de morphe, en introduisant des propriétés qui caractérisent la confusion acoustico-phonétique éventuelle entre les unités lexicales de reconnaissance.

Les expériences de reconnaissance ont été menées sur deux langues différentes : l’amharique et le turc, en collaboration avec une équipe de chercheurs turcs, de l’université stambouliote Bogazici. Les expériences de reconnaissance ont permis d’obtenir des gains modestes mais significatifs, autour de 5% relatifs pour les gains les plus élevés, avec des réductions relatives de taux d’OOV comprises entre 30% et 50%, sur les corpus des deux langues étudiées.