Conversor de grafemas para fones baseado em regras para português. Sara Candeias e Fernando Perdigão

Transcrição

1 Capítlo 14 Conversor de grafemas para fones baseado em regras para portgês Sara Candeas e Fernando Perdgão Lís Costa, Dana Santos e Nno Cardoso, edtores, Perspectvas sobre a Lngateca / Actas do encontro Lngateca: 10 anos, Capítlo 14, p ,

2 100 CAPÍTULO 14. Esta apresentação tem por objectvo descrever m sstema de conversão atomátca de grafema para fone (GR2PH) para o portgês de Portgal. Para o desenvolvmento do GR2PH está a ser sado o corps de ndades acentas (palavras) em línga portgesa SPEECHDAT (SPEECHDAT), dsponblzado pela Unversdade do Mnho (provenente da colaboração entre a Lngateca e o Projecto Natra). A avalação do GR2PH fará so do vocabláro da base de dados SPEECHDAT bem como de otros corpora de teste já sados por dversos nvestgadores a trabalhar neste domíno. A anotação fonétca de corpora em línga portgesa sera m nteressante recrso lngístco a tornar públco na Lngateca. Este recrso podera fcar dsponível, depos de avalado e valdado o sstema. A crescente procra de solções baseadas em prodtos de tecnologa da fala tem sdo ma motvação para o desenvolvmento de sstemas capazes de estabelecer m nterface Homem-Máqna mas natral, como são exemplos as prátcas sbjacentes a áreas do ensno/aprendzagem do portgês e da lngístca clínca. A conscencalzação da necessdade destes prodtos moblzo ao desenvolvmento do GR2PH, qe convertesse, de forma atomatzada, corpora grafados em corpora notados fonetcamente. O GR2PH, do qal fazem parte os sbsstemas dvsor de sílabas e marcador de toncdade, é aqele para o qal o conhecmento lngístco contrb com m maor mpacto.a estratéga adoptada para o GR2PH basea-se em regras lngístcas cotejadas na estrtra da línga portgesa. Para o desenvolvmento qer do sstema qe transmta grafema em fone, qer dos sstemas ntermédos para dvsão slábca e para marcação de sílaba tónca, fo sado o corps de ndades acentas (perto de ) em línga portgesa, dsponblzado como recrso nascdo da colaboração entre a Lngateca e o Projecto Natra. Na verdade, o acesso a este recrso reslto nma mas vala ao desempenho do(s) sstema(s) qe se pretenda(m) desenvolver, e os testes qe foram sendo fetos, mesmo de forma faseada, mostraram-se baslares na fase de estrtração da arqtectra do(s) própro(s) sstema(s), complementares e fnal. Para o portgês de Portgal, algns transcrtores de grafema para fone baseados em regras srgem descrtos em Almeda e Smões (2001); Braga e Resende Jr (2007); Texera et al. (2006); Govea et al. (2000); Vana e Andrade (1985). Para a mplementação das regras, em certos grpos, é reconhecda a mportânca da dentfcação da ndade slábca (Almeda e Smões, 2001; Braga e Resende Jr, 2007; Texera et al., 2006; Govea et al., 2000); notros, é sada a nformação da toncdade da vogal (Almeda e Smões, 2001; Braga e Resende Jr, 2007; Vana e Andrade, 1985). A ndspensabldade de desenvolvermos m novo sstema de conversão GR2PH para o portgês de Portgal advém de factores como a escassa partlha dos algortmos dos sstemas já mplementados (dos qas poder-se-a partr para m esforço de melhoramento do sstema) e dos resltados dos testes de desempenho provenentes de estdo comparatvos. Este artgo apresenta ma tesstra alternatva de

3 14.1. ARQUITECTURA DO SISTEMA DE CONVERSÃO GR2PH 101 Convenções Sgnfcado C consoante V vogal. dvsor de sílaba marcador de toncdade # frontera fnal de UA o Tabela 14.1: Convenções sadas nas regras para mplementação. regras lngístcas a serem aplcadas no GR2PH para o portgês de Portgal, alando a pertnênca da nformação lngístca de regras de slabfcação e de marcação de toncdade. Resltando o sstema fnal da confgração de dos sbsstemas perspectvados em regras nerentes à línga, o esforço do nvestmento tem por objectvo a vabldade de m conversor capaz de ma efcáca qe torne dspensável o recrso a dconáros de excepções. A arqtectra do GR2PH é resltado da complementardade da aplcação do conhecmento lngístco e da cênca de engenhara, parcera esta qe se tradz nm dálogo necessáro a ma execção qe se pretende optmzada e efcaz Arqtectra do sstema de conversão GR2PH O GR2PH recorre ao so de sstemas ntermédos, como o de separação da ndade acental (UA, palavras) em sílabas e o de marcação de sílaba tónca (e conseqente delmtação de sílaba(s) pré-tónca(s) e de sílaba(s) pós-tónca(s)). A vantagem desta abordagem explca-se pelo facto de ela permtr resolver a qase totaldade de casos de escolha fonétca qe não sera a acertada se resltasse apenas da nserção dos fones (nomeadamente vocálcos) consderados a partr de nventáros fonétcos não dferencados, sto é, não ponderados nem slabcamente nem atendendo à toncdade em âmbto contextal de UA. Todas as regras foram mplementadas ncalmente em Matlab e foram testadas no vocabláro da base de dados SPEECHDAT (SPEECHDAT) e no corps de ndades acentas dsponblzado pela Lngateca/Projecto Natra. Esta segnda parte apresenta as especfcdades dos sbsstemas de dvsão slábca, de marcação de toncdade e do transcrtor, de forma a se ter ma vsão global do sstema geral de conversão GR2PH. Na tabela 14.1 fgram as convenções sadas nas regras para mplementação Sbsstema de dvsão slábca A estrtra deste sbsstema assenta a) nm modelo de regras de dvsão de base ortográfca, b) na consderação de vogal como núcleo de sílaba e c) na consderação de algns dígrafos como grafema snglar ( ch, ss, lh, g + e, q + e, etc.). O algortmo

4 102 CAPÍTULO 14. Seqênca Exemplo Seqênca Exemplo Seqênca Exemplo CCVCC trans.cre.ver CVCC sbs.cre.ver VC ac.t.ar CCVVC grãos CVVC mães VV e CVCCC tngs.té.n.o VCVC achar V á.ga CCCV stre.sse VVC as.cl.tar CVV pa CCVC trás VCC abs.tra.r CVC a.cam.par CCVV grão CCV a.cre VC ac.t.ar Tabela 14.2: Lsta dos padrões de seqêncas de grafemas a formar sílaba em portgês de Portgal. do dvsor de sílabas reprodz ma bsca feta por padrões de até 5 grafemas, resltando em 18 possíves encontros de seqêncas qe formam sílaba em portgês de Portgal (tabela 14.2). As regras foram dstrbídas por dos grandes grpos para cada padrão de seqênca de grafemas, sto é, consderando se na sílaba da UA a analsar é pertnente a nformação dos 4 caracteres o de mas qe os 4 caracteres da seqênca. Nesta repartção, srgem regras explíctas qe apresentam m tpo repetdo sbseqente da teração de seqêncas, como é exemplo a seqênca VV presente nos padrões CCVV, CVVC, CVV e VVC. Na tabela 14.3, a títlo de exemplfcação de procedmentos, srgem descrtas regras para o padrão CVVC Sbsstema de marcação de toncdade Na estrtração deste sbsstema, toda a ndade (palavra) fo consderada acental (UA) e, por sso, não foram admtdos segmentos desprovdos de toncdade (Candeas, 2007). O algortmo de marcação da sílaba tónca fncona com regras nsttídas a partr da dvsão slábca. Admt-se o acento tónco como o acento da UA (o acento prncpal), pelo qe, nesta estrtra, não se consdero pertnente marcar os acentos secndáros. Na tabela 14.4 fgram regras de marcação de sílaba tónca Sbsstema de transcrção para fones Para a anotação fonétca, segmos o alfabeto SAMPA para o portgês (SAMPA), sem o recrso a extensões como sera o caso das «oclsvas oras sonoras» «frcatzadas», traço qe advém da posção em níco de sílaba e ntervocálca. Anda qe se tenha em vsta a constrção de m sstema de síntese ftro, o qe leva a ter em conta, entre otros aspectos, a natreza partclar de cada som em contexto de co-artclação e/o de sandh, o facto deste mapeamento da transmtação grafema fone r ser adconado a m modelo acústco baseado em trfones, anla a necessdade de ma anotação fonétca mas estreta. Com este mesmo prncípo, não foram consderadas como «semconsonântcas» j e w as ndades vocálcas grafadas (o e ) e (o o ) dos dtongos dtos crescentes (pre-

5 14.1. ARQUITECTURA DO SISTEMA DE CONVERSÃO GR2PH 103 Seqênca C V V C ã õ ã e o l r m s j s # Grafema fnal da UA V g q a o V l z # nh V a e ã õ ã Grpo slábco CVV.C Exemplo pa.lada, mo.ro, te.ma, lo.sa, be.jo mãe.znha, mão, ta.lão qo.cente, ga.rda, qa.se, qa.ldade pa.l, ra.z CV.VC r m C # ca.r, r.m, co.mbra ba.nha, mo.nho ta.b.nha, n C re.ncde, tran.se.nte s C # cas, fas.to, a.zs, bos CVVC. e s mãos, pães o qal, qal,qer, gar.da, qan.do por defeto CV.VC be.ata, f.os g q a o l n r C # Tabela 14.3: Ilstração de algortmo de dvsão slábca para o padrão de grafemas CVVC. 1. Regra Marcador de toncdade Exemplo Se na sílaba exstrem vogas com acento gráfco sílaba em qestão a. ná.l.se 2. Se na sílaba não exstrem vogas sem acento gráfco 2.1. Se a UA tver 1 sílaba sílaba em qestão voz 2.2. Se a UA tver 2 sílabas Se for a últma sílaba pa. l da UA com estrtra de ra. z a e o + l r z ca. r s sílaba em qestão an. do, ca.p. tas + m pe. r, pe. rs r. m por defeto penúltma sílaba a.na. l.se Tabela 14.4: Algortmo de marcação de sílaba tónca.

6 104 CAPÍTULO 14. Fone Posção de Posção toncdade slábca Exemplos o + m n (mesma sílaba) om.bro o br; pon.t. al po tal w ã + (mesma sílaba) cão k6 w ; cão. z.nho k6 w zj o tónca + nh (sílaba segnte) r. so.nho rzoj O tónca + x (sílaba segnte) pa.ra. do.xo p6r6doks o tónca + (mesma sílaba) o.to ojt o tónca + r (mesma sílaba e fnal de UA) pa.ssa. dor p6s6dor O tónca + r (mesma sílaba) cor.ta kort6 o tónca + a (sílaba segnte e fnal de UA) to.da tod6 O tónca por defeto o.de Od@; co.rre kor@ O átona (ncal de UA) + r Or.ga. n.za Org6nz6 átona + r (mesma sílaba) cor. tar krtar O átona (ncal de UA) o. ní.r.co Onrk átona o (sílaba anteror) + co.o. pe.ra. ção kp@r6s6 w átona (fnal de UA) f.lho fl O átona + c p (mesma sílaba) oc. ta.vo Otav; op. ção Ops6 w átona por defeto po. ção ps6 w Tabela 14.5: Ilstração de algortmo de conversão do grafema o para fones. sentes em relógo e em área, em save e em nódoa). O algortmo da conversão do grafema em fone fncona a partr das sílabas com marcação de toncdade. Isto é, a partr de m contexto-base, resltam casos de grafemas admtdos à conversão em fones qe consderam a pertnênca de nformação da a) posção de toncdade e da b) posção no âmbto da sílaba (na qal é pertnente o comportamento fonétco dados os grafemas vznhos). Na tabela 14.5 são exemplfcados os algortmos de conversão do grafema o para os fones [o ], [w ], [o], [O] e [], qe resltam da atenção aos parâmetros descrtos. A análse e verfcação de mtas regras fo consegda por análse exastva ao corps de UAs dsponblzado pela Unversdade do Mnho. Transcrções o pronncações alternatvas não são consderadas neste sstema, como é o caso de homógrafos heterófonos Conclsão e trabalho ftro Até esta fase, a forma gráfca convertda atomatzadamente em forma fonétca fo avalada com referênca à anotação manal. Dspomos apenas do vocabláro assocado à base de dados SPEECHDAT como materal de teste, embora a avalação com este corps não esteja anda conclída, especalmente devda à dscordânca encontrada na conversão das semconsoantes dos dtongos crescentes. Uma forma alternatva de fazer a avalação do sstema consste em comparar os resltados de város sstemas de conversão pelo menos m é de domíno públco (Almeda e Smões, 2001), contando e analsando as dferenças encontradas. Como trabalho ftro, pretendemos constrr ma aplcação on-lne de conversão de grafemas para fones bem como de m corps anotado fonetcamente.