PENANDAAN PROSODIK BATAS-BATAS FRASA(DUGAAN & HASIL)

Dipresentasikan oleh Heidyanne R. Kaeni

S2 Liguistik – FIB UI

Februari 2012

oleh A.Batliner, R.Kompe, A.KieBling, E.Noth, H.Niemann,U.Killian

Abstrak Penelitian

Dengan menggunakan template kalimat dan tata bahasa stokastik yang bebas konteks, diciptakan sebuah corpus besar (10.000 kalimat) dimana batas-batas frasa dilabeli dalam kalimat secara otomatis selama generasi kalimat

Dengan eksperimen persepsi pada 500 ucapan diverivikasi bahwa 92% dari batas-batas yang ditandai otomatis dirasa tertandai secara prosodik.

Dalam eksperimen otomatis awal untuk 3 level batas dapat tercapai angka pengenalan hingga 81%.

Peta Pembahasan1. Pendahuluan & Material

2. Penandaan Batas Berdasarkan Pengetahuan Linguistik

3. Eksperimen Persepsi

4. Pengelompokan Otomatis terhadap Batas-Batas Frasa

5. Penutup

1a. Pendahuluan

Penemuan otomatis batas-batas frasa

membantu memisahkan hipotesa sebuah kata dalam suatu sistem automatic speech understanding (ASU)

Pandangan dalam Pendekatan Statistik

perlu training database yg besar (corpus dengan label referensi untuk batas-batas frasa yang

ditandai secara prosodik)

metode: generasi otomatis terhadap label-label verifikasi: eksperimen persepsi

1b. Material

Material : Erlanger Bahn Anfragen (ERBA) speech training database besar untuk pengenalan kata

Menggunakan pembangkit kalimat stokastik berdasarkan tatabahasa yang bebas kontes & 38 pola dasar kalimat

corpus teks arbitrer

10000 kalimat direkam dari 100 penutur tidak terlatih

(masing-masing 100 kalimat)

Yang digunakan untuk evaluasi persepsi:

50 dari 100 ucapan oleh 10 penutur (5 pria, 5 wanita)

Dapat diabaikan: pengaruh kalimat dengan keganjilan semantik pada pengenalan kata

2. Penandaan Batas Berdasarkan Ilmu Linguistik

Empat (4) tipe of batas: B3, B2, B1, B0

Batas B3 antara klausa elipitik & klausa

Guten Morgen B3 Ich mochte gerne… (Good morning B3 I would like to…)

antara klausa induk & anak klausa …einen Zug B3 der sehr fruh fahrt (…a train B3 that every early leaves)

pada partikel-partikel penghubung antarklausa Ich mochte um acht Uhr nach Munchen fahren B3 und moglischst fruh

ankommen (I would like at 8 o’clock to Munich to go B3 and as early as possible arrive)

Batas B2 antar konstituen

in der Nacht B2 mit dem IC B2 nach Ulm (during the night B2 with the IC B2 to Ulm)

pada partikel-partikel penghubung antar konstituen zwischem Ulm B2 und Stuttgart between Ulm B2 and Stuttgart

Batas B1 secara sintaktis termasuuk ke B2 namun dekat ke B3

atau awal/akhir ucapan Ich mochte B1 am nachsten Dienstag B2 zwischen drei B2 und sechs Uhr B2

von Hamburg B2 nach Ulm B1 fahren (I would like B1 next Tuesday B2 between three B2 and six o’clock B2 from

Hamburg B2 to Ulm B1 to go)

Batas B0 yag tidak termasuk ke B1, B2, B3

3. Eksperimen Persepsi

Untuk verifikasi dijalankan eksperimen dengan 10 pendengar ‘naif’ yang : diberikan ucapan-ucapan tanpa tanda-tanda baca diminta untuk menandai jarak antara 2 kata jika

terasa ada ‘potongan’ diinstruksikan untuk tidak bergantung pada

pengetahuan mereka tentang struktur kalimat

Data persepsi dibandingkan dengan bagian-bagian berlabel dari batas-batas frasa Skor tiap batas frasa yg memungkinkan: 0 (tanpa

tanda) – 10 (seluruh subjek dalam tes merasakan suatu batas frasa sebagai tanda prosodik)

Hasil: Distribusi B0,B1,B3 sesuai dugaan dan

berkerumun di batas kiri dan batas kanan

4. Pengelompokan Otomatis atas Batas-Batas Frasa

Kontur F0 diperhitungkan menggunakan algoritma

Untuk tiap batas kata, sekumpulan fitur-fitur prosodik diperhitungkan: Panjang jeda Durasi dari pangkal silabel sebelum batas, rata-rata

dan standar deviasi durasi Energi dan posisi frame relatif ke batas, energi rata-

rata dari 2 silabel ke kiri dan ke kanan batas Koefisien regresi linier dari kontur F0 Onset, minimum, maximum, dan offset F0 serta

posisi mereka pada sumbu axis waktu relatif ke batas

Penggolong polinomial kuadratik dilatih untuk membedakan 3 kelompok B0+B1, B2, B3.

Training database terdiri atas 6900 ucapan ERBA dari 69 penutur

Kumpulan tes terdiri atas 1000 ucapan ERBA dari 10 penutur yang digunakan untuk eksperimen persepsi

Tingkat pengenalan: 81% (rata-rata 51%) kemungkinan apriori 71% (rata-rata 69%) distribusi sama

5. Penutup

Akan dibangun model intonasi yang memadukan batas-batas frase dan aksen-aksen frase

Akan dikembangkan metode yang memungkinkan untuk mengenerasi secara otomatis label-label referensi frasa berdasarkan corpus teks seperti ERBA (dimana batas-batas frase prosodik telah ditandai)

Harapan: mendapatkan perbaikan lebih lanjut dengan melihat aksen-aksen frasa dan menambahkan fitur-fitur suprasegmental baru ke vektor fitur.

TERIMAKASIH