Синхронный автоматический перевод (Speech-to-Speech Real-Time Translation) — « моментальный » машинный перевод речи , с одного естественного языка на другой, с помощью специальных программных и технических средств ^{[ источник не указан 3682 дня ]} . Так же называется направление научных исследований , связанных с построением подобных систем ^{[ источник не указан 3682 дня ]} .

В отличие от печатного текста или искусственных сигналов, естественная речь не допускает простого и однозначного членения на элементы (фонемы, слова, фразы), поскольку они не имеют явных физических границ. Границы слов в потоке речи автоматически могут быть определены лишь в ходе распознавания посредством подбора оптимальной последовательности слов, наилучшим образом согласующейся с входным потоком речи по акустическим, лингвистическим, семантическим и иным критериям.

История

Июнь 2012 года — Программа для автоматического синхронного перевода (Технологический институт города Карлсруэ (федеральная земля Баден-Вюртемберг, Германия) . Устройство переводит устные лекции преподавателей института с немецкого на английский язык и воспроизводит перевод в виде субтитров .

Октябрь 2012 года — Автоматический, почти синхронный голосовой перевод с английского на путунхуа. Разработчик — Microsoft. Система машинного обучения, на основе искусственных нейронных сетей (Deep Neural Networks), которая сокращает непонимание до каждого седьмого−восьмого слова. Но самое большое достижение — это, генерация речи с сохранением модуляций голоса говорящего.

Ноябрь 2012 года — Открывшийся сервис, японского мобильного оператора NTT Docomo, позволяет абонентам, говорящим на разных языках общаться в режиме реального времени. Языки, поддерживаемые сервисом: (японский <-> английский), (японский <-> корейский), (японский <-> китайский).

Май 2015 года — Появился , который переводит речь на 14 языков, а чат на 88.

Принцип работы

Процесс электронного перевода речи (S2S Real-Time Translation), как правило, включает следующие три этапа) :

1. автоматическое распознавание речи (ASR — automatic speech recognition) — преобразование речи в текст;
2. машинный перевод (MT — Machine Translation); — автоматический перевод текста с одного языка на другой.
3. синтез речи (TTS — text-to-speech) — технология, которая даёт возможность произнести текст голосом, приближенным к естественному.

Говорящий на языке A говорит в микрофон, а модуль распознавания речи признаёт ^{[ что? ]} произнесённое. Происходит сравнение входных данных с фонологическими моделями, состоящими из большого количества речевых библиотек. Отфильтрованное таким образом, используя словарь и грамматику языка А, преобразуется в строку слов, основанную на массиве фразы языка ^{[ неизвестный термин ]} А. Модуль автоматического перевода преобразует эту строку. Ранние системы заменяли каждое слово, с соответствующим словом в языке B. Более совершенные системы не используют дословный перевод, а принимают во внимание весь контекст фразы, чтобы произвести соответствующий перевод. Созданный перевод передаётся в модуль синтеза речи , который оценивает произношение и интонацию, соответствующую ряду слов из массива речевых данных языка B. Данные, соответствующие фразе, отбираются, соединяются и выводятся в необходимой потребителю форме на языке В.

Системы перевода речи

Системы перевода речи (ST — Speech Translation) , состоят из двух основных компонентов: Автоматическое распознавание речи (ASR — automatic speech recognition) и Машинный перевод (MT — Machine Translation) и различаются:

• Работающие «на клиенте» (client-based).
• По принципу «клиент-сервер» (client-server) (OnLine service).

Распознавание слитной спонтанной речи — конечная цель всех усилий по распознаванию речи. Автоматическое распознавание речи разделяют, на привязку и её отсутствие, к голосу конкретного человека.

Если рассматривать классическую схему «наука-технологии-практические сист

емы», то, наиболее серьёзные проблемы в которых будет работать практическая система автоматического распознавания или понимания речи, возникают при условиях:

• — произвольный, наивный пользователь;
• — спонтанная речь, сопровождаемая аграмматизмами и речевым «мусором»;
• — наличие акустических помех и искажений, в том числе меняющихся;
• — наличие речевых помех.

Обобщённая классификация систем распознавания речи. См.( )

Традиционно системы машинного перевода делятся на категории:

• Rule-Based Machine Translation (RBMT) — системы, основанные на правилах, которые описывают языковые структуры и их преобразования.
• Example-Based MT (EBMT) — системы на примерах двух текстов, один из которых является переводом другого.
• Statistical Machine Translation (SMT) — статистический машинный перевод — разновидность машинного перевода текста, основанная на сравнении больших объёмов языковых пар.
• Hybrid Machine Translation (SMT + RBMT) — Гибридные модели «… где ожидается прорыв в качестве перевода».

Границы между системами Example-based и Rule-based не очень чёткие, поскольку и те и другие используют словари и правила работы со словарями.

Статистический машинный перевод

Статистический машинный перевод основан на поиске наиболее вероятного перевода предложения, с использованием данных двуязычного корпуса (Parallel Corpora) — Битекст . В результате при выполнении перевода компьютер не оперирует лингвистическими алгоритмами, а вычисляет вероятность применения того или иного слова или выражения. Слово или последовательность слов, имеющие оптимальную вероятность, считаются наиболее соответствующими переводу исходного текста и подставляются компьютером в получаемый в результате текст. В статистическом машинном переводе ставится задача не перевода текста, а задача его расшифровки.

Типичная архитектура статистических систем МП.

• Одноязычный корпус (язык перевода).
• Языковая модель — набор n-грамм (последовательностей словоформ длины n) из корпуса текстов.
• Параллельный корпус.
• Фразовая таблица — таблица соответствий фраз исходного корпуса и корпуса переводов с некоторыми статистическими коэффициентами.
• Статистический декодер — среди всех возможных вариантов перевода, выбирает наиболее вероятный.

В качестве языковой модели в системах статистического перевода используются преимущественно различные модификации n-граммной модели, утверждающей, что <грамматичность> выбора очередного слова при формировании текста определяется только тем, какие(n-1)слов идут перед ним.

• n-граммы.
  • — Достоинства: — высокое качество перевода, для фраз, которые целиком помещаются в n-граммную модель.
  • — Недостатки: — качественный перевод возможен только для фраз, которые целиком помещаются в n-граммную модель.

Преимущества SMT

• Быстрая настройка
• Легко добавлять новые направления перевода
• Гладкость перевода

Недостатки SMT

• <Дефицит> параллельных корпусов
• Многочисленные грамматические ошибки
• Нестабильность перевода

Системы, которые не используют обучение, называются « » системы. Системы, использующие обучение, — « » системы.

Системы МП, основанные на правилах «Rule-Based»

(Rule-Based Machine Translation), подразделяются:

• системы пословного перевода;
• трансферные системы (Transfer) — преобразуют структуры входного языка в грамматические конструкции выходного языка;
• интерлингвистические системы (Interlingua)- промежуточный язык описания смысла.

Компоненты типичной RBMT:

• Лингвистические базы данных: — двуязычные словари; — файлы имен, транслитерации; — морфологические таблицы.
• Модуль перевода: — грамматические правила; — алгоритмы перевода.

Особенности RBMT систем:

• Преимущества: — синтаксическая и морфологическая точность; — стабильность и предсказуемость результата; — возможность настройки на предметную область.
• Недостатки: — трудоемкость и длительность разработки, — необходимость поддерживать и актуализировать лингвистические БД; — «машинный акцент» при переводе.

Гибридные модели SMT + RBMT

Архитектура Гибридной технологии:

• Обучение: Параллельный корпус->Обучение: — Модель языка; — Данные для постредактирования; — Правила синтеза; — Словарь терминологии.
• Эксплуатация: Гибридный перевод.

Этапы Гибридной технологии:

• Обучение RBMT на основе параллельного корпуса с использованием статистических технологий;
• Эксплуатация на основе натренированной системы.

Системы синтеза речи

Типичная архитектура «Text-to-Speech» System.

• Анализ текста : — Определение структуры текста; — Нормализация текста; — Лингвистический анализ.
• Фонетический анализ: — Графо — Фонетическое преобразование.
• Анализ просодики: — Шаг & Длительность словосочетаний.
• Синтез речи (Speech Synthesis): — Рендеринг голоса.

В свою очередь, синтез речи разделяют на группы :

• параметрический синтез;
• конкатенативный, или компиляционный (компилятивный) синтез;
• синтез по правилам;
• предметно-ориентированный синтез.

Шумоочистка

Источники шумов в речевых системах: — помехи от микрофонов, провода, АЦП (аналогово-цифровой преобразователь), внешние шумы, возникающие в окружении говорящего.

Классификация шумов относительно их характеристик:

• периодический / непериодический шум;
• ширина диапазона частот, в котором распределяется энергия шума: — широкополосные (ширина полосы частот более 1 кГц) и узкополосные шумы (ширина полосы частот менее 1 кГц);
• речевой шум, состоящий из голосов людей, окружающих говорящего.

Наиболее опасным по своему влиянию на речевой сигнал и наиболее трудноудаляемым шумом считается белый шум: — непериодичный шум, спектральная плотность которого равномерно распределена по всей области частот.

В области систем распознавания речи в шуме, существует следующие подходы:

• Разработчики не обращают внимания на шум.
• Сначала избавляются от шума, а затем распознают очищенный речевой сигнал. Эта концепция обычно используется при разработке систем шумоочистки в качестве дополнительного модуля систем распознавания.
• Распознавание зашумленного сигнала без его предварительного улучшения, при котором изучается, каким же образом человек распознает и понимает зашумленную речь; ведь он не производит предварительной фильтрации речевого сигнала для того, чтобы очистить его от шума.

Методы достижения :

• сводятся либо к выделению некоторых инвариантных относительно шума признаков, либо к обучению в условиях шума или модификации эталонов распознавания с использованием оценки уровня шумов.

Слабым местом подобных методов является ненадежная работа систем распознавания, настроенных на распознавание в шуме, в условиях отсутствия шумов, а также сильная зависимость от физических характеристик шума.

• Вычисление коэффициентов линейного предсказания. В качестве элементов эталонов, вместо численных значений используются вероятностные распределения (среднее математическое, дисперсия).
• Цифровая обработкой сигнала: — методы маскировки шумов (численные значения, сравнимые с характеристиками шума, игнорируются или используются с меньшими весовыми коэффициентами) и методы шумоподавления с использованием нескольких микрофонов (например, очистка от низкочастотных шумов с использованием микрофона с одной стороны устройства и высокочастотных — с другой стороны).
• Очистка полезного сигнала от посторонних шумов, с использованием массивов микрофонов, моделирующих направленный микрофон с переменным лучом направления (простейший метод «задержки и суммирования» или более сложный с модификацией весов микрофонов).

Модели и методы оптимизации

Большинство существующих метрик автоматической оценки машинного перевода, основаны на сравнении с человеческим эталоном.

При обучении System, применяют следующие методы оптимизаций качества и скорости перевода:

• Каскадное ASR/WER с MT/BLEU

Автоматическое распознавание речи (ASR — automatic speech recognition)

• ASR/WER (Word Error Rate) — вероятность ошибки в кодовом слове;
• ASR/PER (Position-independent Word Error Rate)- вероятность ошибок позиционно-независимых слов (в разных предложениях);
• ASR/CSR (Command Success Rate) — вероятность успешного выполнения команды.

Машинный перевод (MAT — Machine-Assisted Translation)

• MT/BLEU (Bilingual Evaluation Understudy) — вероятность совпадение перевода с образцом.

Особенности

Помимо проблем, связанных с переводом текста, синхронный перевод речи имеет дело с особыми проблемами, включая бессвязность разговорного языка, меньше ограничений грамматики разговорного языка, неясной границы слова разговорного языка и коррекции ошибок распознавания речи. Кроме того, у синхронного перевода есть свои преимущества по сравнению с переводом текста, в том числе менее сложную структуру разговорного языка и меньше лексики в разговорном языке.

Стандарты

Когда много стран начнут исследовать и развивать речевой перевод, будет необходимо стандартизировать интерфейсы и форматы данных, чтобы гарантировать, что системы взаимно совместимы.

Международное объединённое исследование, создаётся речевыми консорциумами перевода:

• (C-STAR) Consortium for Speech Translation Advanced Research — международный консорциум по переводу речи для объединённого исследования речевого перевода;
• (A-STAR) Asia-Pacific — для Азиатско-Тихоокеанского региона .

Они были основаны как международная объединённая исследовательская организация, по проектированию форматов двуязычных стандартов, которые важны, для продвижения научных исследований этой технологии и стандартизации интерфейсов и форматов данных, чтобы соединить речевой модуль перевода на международном уровне.

Оценки качества перевода

• (Bilingual Evaluation Understudy) — алгоритм оценки-оптимизации качества текста, машинного перевода.
• (Word Error Rate) — алгоритм оценки-оптимизации качества текста, машинного перевода.
• Классификатор «Речь/не речь» () — определяющий вероятность правильного распознавания речи. Компромисс между определением, голос как шум или шум как голос ().

См. также

• Автоматическое распознавание речи
• Автоматизированный перевод
• Машинный перевод
  • Статистический машинный перевод
  • Гибридный машинный перевод
• Синтез речи
• Искусственная нейронная сеть (Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами)

Литература

• — построен на алгоритме обучения, имеющем линейную вычислительную сложность и высокую устойчивость. (Первый в мировой практике стандарт по автоматическому обучению искусственных нейронных сетей)

Ссылки

• // Microsoft Corporation, 7 November 2012
• by Satoshi, Nakamura in Science & Technology Trends — Quarterly Review No.31 April 2009.
• (недоступная ссылка с 18-05-2013 [3818 дней]) «Architectural overview of speech-centric information processing systems»
• Automatic Speech-to-Speech Translator from IBM
• S2S Real-Time Translation from AT&T Labs
• S2S Real-Time Translation from Nokia Research Center

Примечания