Интеллектуальные информационные системы

Характеристики автоматизированных систем обработки изображений

4. РАЗДЕЛ. СИСТЕМЫ РЕЧЕВОГО ОБЩЕНИЯ

4.1 Основные положения

В системах искусственного интеллекта с элементами естественно-языкового общения (ЕЯ-общения) обычно предполагается, что в качестве средства коммуникации используется письменная речь. По понятным причинам это не всегда удобно, а во многих случаях и не эффективно. Использование устной речи как средства общения позволяет почти на порядок повысить скорость ввода информации, разгрузить зрение и освободить руки, осуществить речевое общение на значительном расстоянии и по телефону. Если не затрагивать общих проблем ЕЯ-общения, которые связаны с созданием преобразователей «смысл -- текст» и «текст -- смысл», то узкоспециальными проблемами, стоящими перед разработчиками систем речевого общения (СРО), становятся проблемы создания преобразователей «текст -- речевой сигнал» и «речевой сигнал -- текст». Первая из них называется проблемой синтеза речи, вторая -- анализа и распознавания речи.

В системах ЕЯ-общения под текстом обычно понимают орфографический, или буквенный (как пишется), текст, в СРО -- фонемный (как слышится). В создании преобразователей орфографического текста в фонемный и наоборот не существует особых проблем, хотя сложность таких преобразователей для разных языков (к примеру, русского и английского) будет различной. Поэтому, применительно к СРО, можно ограничиться проблемами разработки преобразователей «цепочка фонем -- речевой сигнал» и «речевой сигнал -- цепочка фонем». В речи фонема выступает в двух аспектах. С одной стороны, это элементарная смыслоразличительная единица письменной речи, с другой -- абстрактное обозначение конкретного звука устной речи. Отметим сразу, что не существует счетного множества, а тем более одного-единственного звука речи, соотносимого с фонемой. Если учесть, что на речевой звук налагается целый ряд экстралингвистических факторов: индивидуальные особенности речи и голоса, эмоциональное и физиологическое состояние говорящего, электроакустические характеристики среды и тракта передачи, а также шумы, помехи и искажения, то сложность проблемы, стоящей перед создателями СРО, пожалуй, трудно переоценить.

Современные исследования в области СРО начаты в индустриально развитых странах в начале 60-х годов. Первые промышленные СРО появились в конце 70-х годов. К настоящему времени созданы разнообразные СРО для многих сфер применения. Это связано с осознанием потенциальными потребителями преимуществ СРО:

-- удобство, простота и естественность процедуры общения, требующей минимума специальной подготовки;

-- возможность использования для связи с информационной системой телекоммуникационных каналов;

-- устранение ручных манипуляций с одновременным увеличением скорости ввода информации (в 3--5 раз по сравнению с клавиатурным вводом) и разгрузка зрения при получении информации.

Для иллюстрации того, как могут быть использованы или уже используются три указанных преимущества, приведем некоторые конкретные примеры применения СРО.

Первое и второе преимущества с наибольшим эффектом проявляются в информационных системах управления предприятием, организацией или отраслью. Однако пока они выполняют в основном информационные функции. Одной из причин такого положения является отсутствие массового оперативного контакта человека и системы. В результате чрезвычайно затрудняется выполнение основной функции системы -- управление. С внедрением в данные системы речевой технологии общения они станут по-настоящему активным звеном управления. Круг пользователей системы в силу простоты и естественности общения с ЭВМ неизмеримо расширится. При этом человеко-машинное взаимодействие будет осуществляться с помощью локальной, городской, государственной или международной телекоммуникационной сети на значительном расстоянии. В любое время большая группа пользователей сможет одновременно общаться с системами для получения разного рода нормативно-справочной и другой правовой и коммерческой информации. Имея необходимую базу знаний -- модель каждого конкретного производства, система будет способна по запросу пользователя дать необходимую консультацию по телефону в случае возникновения трудностей в той или иной сфере производства. Кроме того, система сможет выполнять функции диспетчера, обращаясь по телефону в необходимое время к конкретным специалистам за получением данных о ходе производства, предупреждая их о наступлении критических ситуаций, напоминая о сроках поставки изделий или выполнения разного рода обязательств, а также осуществлять учет и контроль. Несомненно, во всех этих случаях эффективная работа СРО возможна при условии, что она является составной частью систем искусственного интеллекта и современных информационных технологий.

Третье свойство -- разгрузка зрения и рук -- важно для создания нового поколения систем оперативного человеко-машинного управления сложными объектами. К ним относятся, прежде всего, системы управления движением, энергетическими установками и другие АСУ ТП, САПР и ИСУ. В эпоху, когда интенсивность движения и сложность объектов становятся критическими, любая новая возможность повысить оперативность управления и снизить риск аварии должна быть тщательно изучена и использована. Немедленное получение от ИСУ информации в речевой форме и немедленный ввод речевой команды, безусловно, будут важным дополнением к традиционным системам световой индикации и клавишного управления. При этом получение и передачу информации можно будет осуществлять не только с рабочего места оператора, но и на некотором удалении или даже во время движения.

Говорящие компьютеры с успехом применяют и в непроизводственной сфере, например при обучении родному языку или иностранным языкам. В дальнейшем по мере совершенствования техники машинного перевода появится уникальная возможность синхронного устного перевода как двуязычного, так и многоязычного.

Можно также отметить применение речевой технологии в медицинских целях. Появятся говорящие книги и компьютеры для слепых, управляемые голосом инвалидные коляски, приборы для генерации и восприятия речи глухонемых и др.

Основой для разработки современных СРО являются лингвоакустическая и информационная теории речеобразования и восприятия речи. Лингвистическая теория рассматривает фонетические и просодические характеристики речи, акустическая -- акустические характеристики (признаки) фонем и просодем, информационная -- структуру речевого сигнала. Эффективность СРО тем выше, чем полнее реализованы в ней принципы функционирования естественной речевой системы человека. При этом не обязательно, чтобы искусственные СРО копировали структурные особенности работы естественной системы. Важно, чтобы СРО как можно ближе была в функциональном отношении к естественной.

4.2 Классификация речевых процессоров

В общем случае СРО строятся на базе специализированных речевых процессоров двух основных типов: анализаторов и синтезаторов.

4.2.1 Анализаторы

Эти устройства предназначены для преобразования речевых сигналов с микрофона (информационный поток сигналов 10 550 бит/с) в последовательность цифровых кодов с существенно меньшим информационным потоком и с обязательным сохранением передачи смыслового компонента речи. Анализаторы подразделяются на два основных класса: анализаторы сигналов и анализаторы сообщений.

В анализаторах сигналов сокращение информационного потока достигается только за счет учета акустических и статистических характеристик речевого сигнала без обращения к его смысловой функции. Примерами анализаторов сигналов считаются кодеки, спектрально-полосные, анализаторы линейного предиктивного кодирования (ЛПК-анализаторы), форматные.

В анализаторах речевых сообщений (распознавателях) осуществляется сжатие информационного потока за счет введения операции распознавания смысловых элементов речи (фразы, слова, морфемы, фонемы). Анализаторы речевых сообщений, в свою очередь, подразделяются на две группы: анализаторы ограниченного словаря и универсальные.

Размещено на http://www.Allbest.ru/

Рисунок 1. Схемы анализаторов речевых сообщений ограниченного (а) и универсального (б) словаря

Анализаторы ограниченного словаря ориентированы на распознавание заданного конкретной задачей числа речевых команд (обычно порядка 10 000), т.е. на идентификацию одной из произнесенных речевых команд словаря в виде номера команды (рисунок 1, а). Распознавание осуществляется путем нелинейного во времени сопоставления эталонов команд с произносимой командой и выбора наиболее схожего эталона. В большинстве существующих анализаторов ограниченного словаря формирование эталонов осуществляется в процессе обучения на используемый словарь команд и голос диктора. Чаще всего процесс обучения состоит в однократном прочтении оператором всего словаря команд. Еще одним ограничением большинства современных анализаторов этого типа является требование изолированного произнесения речевых команд, т.е. с паузами между словами от 0,3 до 1 с. Распознавание слитной речи даже ограниченного словаря пока нерешенная научная проблема.

Универсальные анализаторы ориентированы на текущее распознавание полного набора смысловых элементов речи (фонем или морфем), из которых может быть составлено и по которым в конечном счете может быть распознано любое слово или слитно произнесенное сообщение (рисунок 1, б). Распознавание осуществляется лингвистическим процессором по правилам, заложенным в базе знаний.

4.2.2 Синтезаторы речи

Эти устройства предназначены для преобразования кодовой последовательности, поступающей от ЭВМ, ПЗУ или линии связи, в непрерывный речевой сигнал. Синтезаторы подразделяются на классы и группы по тем же признакам, что и анализаторы речи. Классам анализаторов речевых сигналов и сообщений соответствуют синтезаторы речевых сигналов и сообщений.

Синтезаторы сообщений делятся по аналогичным признакам на синтезаторы ограниченного словаря -- компиляторы -- и универсальные.

В компиляторах (рисунок 2, а) любое сложное речевое сообщение может быть получено путем компиляции (простого соединения) элементов речи. Элементы речи начитываются диктором, соответствующие им сигналы компрессируются тем или иным способом, кодируются и записываются в ПЗУ. При синтезе речевого сообщения из ПЗУ закодированные речевые элементы считываются в нужной последовательности и одновременно восстанавливается речевой сигнал. Очевидной простотой компиляционного метода и его технической реализации объясняется большое количество сообщений о проектируемых и законченных разработках компиляторов и их применении.

Удовлетворительный по качеству компиляционный синтез речи возможен лишь при использовании в качестве элементов речи отдельных фраз либо словоформ, подставляемых в определенное место стандартной фразы.

Попытки добиться высококачественного синтеза произвольного текста простой компиляцией словоформ, слогов или аллофонов не привели к положительным результатам.

При разработке универсальных синтезаторов речевых сообщений стремятся получить функциональную модель речеобразования, адекватную реально существующим языковым и акустическим явлениям. На входе такой модели -- орфографический или фонемный текст произвольного содержания, на выходе -- звучащая речь (рисунок 1.2, б). По своему существу разрабатываемые в рамках данного подхода синтезаторы являются кибернетической функциональной моделью чтения текста человеком.

Размещено на http://www.Allbest.ru/

Рисунок 2. Схемы синтезаторов речевых сообщений ограниченного (а) и универсального (б) словаря

В базе знаний синтезатора хранится не только информация об элементарных единицах речи (эталоны фонем и интонем), но и алгоритмические правила их модификации в зависимости от конкретного контекста звуковой реализации. Процесс применения этих правил к эталонам фонем и интонем для входного синтезируемого текста реализуется лингвистическим процессором. К настоящему времени качество речи и стоимость универсальных синтезаторов достигли коммерчески приемлемых показателей, и они начинают оказывать серьезную конкуренцию компиляторам в силу простоты применения, малого расхода памяти на элемент речи, неограниченности состава словаря синтезируемых сообщений.

Одним из основных параметров, характеризующих синтезаторы речи, является емкость памяти V, необходимая для хранения 1 с речи, -- примерно 1,5--2 слова. Для компиляторов она определяется типом параметрического представления речевого сигнала, для универсальных синтезаторов не зависит от типа используемого синтезатора речевых сигналов, а определяется числом фонем (букв текста), произносимых в 1 с.

В классе компиляторов выделены наиболее распространенные типы, различающиеся методом представления речевого сигнала: ИКМ -- импульсно-кодовая модуляция; кодек-дельта-модуляция; полосный -- спектрально-полосное; ЛПК -- линейное предиктивное кодирование; форматный.

4.3 Обзор промышленных систем речевого общения

Начало промышленного выпуска СРО в разных странах относится к середине 70-х -- началу 80-х годов. К настоящему времени число различных промышленных СРО достигло нескольких сотен или даже тысяч и продолжает расти. Одновременно наблюдается рост сбыта СРО.

В США и Японии выпускаются различные СРО стоимостью от 99 до 99 тыс. дол., имеющие габаритные размеры от одной БИС до стойки оборудования, потребляемую мощность от долей ватта до 1 кВт, назначение -- от игрушек до телефонных справочных систем [6]. Соответственно меняются и качественные показатели: синтез речи -- от машиноподобного воспроизведения нескольких десятков слов до синтезаторов речи неограниченного словаря с управляемыми характеристиками голоса; анализ речи -- от распознавания 10 команд с надежностью 75--80% до систем понимания речи со словарем в 1000 слов и надежностью 99%. В США есть небольшие фирмы, которые занимаются исключительно системами распознавания и синтеза речи (VOTRAX, SRS, VOTAN, KAI), а также крупные компьютерные фирмы (TTI, DES, Intel, IBM), имеющие собственные подразделения по созданию СРО. Большое внимание уделяется разработке средств распознавания и синтеза речи в Японии (фирмы NES, Matsuchiba, Sanyo). В Западной Европе для проведения работ по созданию СРО сформирован специальный консорциум в составе 10 фирм (Plessay, Ferranty, GEC Marconi, Thorr-EMI, Pocal, Olivetti и др.).

Как уже отмечалось, СРО строятся на базе специализированных устройств: синтезаторов и анализаторов (распознавателей) речи. Поэтому в дальнейшем, характеризуя особенности устройств, мы будем пользоваться отдельными наборами параметров для синтезаторов и анализаторов речи.

Характеристики отечественных и зарубежных синтезаторов речи приведены в табл. 1.1. Таблица охватывает ряд отечественных и наиболее типичные зарубежные разработки синтезаторов речи на конец 1998 г.

Синтез речевых сигналов в большинстве устройств осуществляется методом линейного предиктивного кодирования либо форматным; при этом каждый из них используется как при синтезе ограниченного словаря -- компилятивный метод, так и при универсальном синтезе -- фонемный или дифонный метод. Объем словаря у компилятивных синтезаторов -- от 100 до 1000 слов, у универсальных -- неограниченный.

Входной информацией для компилятивных синтезаторов являются номера слов или фраз из заранее заданного словаря, а для универсальных -- это обычный орфографический текст сообщения, как правило, предварительно размеченный дополнительными знаками ударения и интонации. Важным параметром синтезаторов является объем входной информации, необходимый для синтеза 1 с речи. Этот параметр определяет емкость памяти, необходимую для хранения слов заданного словаря (примерно 2 слова на 1 с речи). Для компилятивных синтезаторов объем информации от 1200 до 3200 бит/с, для универсальных -- 80 бит/с.

Разборчивость синтезированной речи характеризуется процентом правильно воспринятых аудиторами звуков, слогов, слов или фраз в специально подобранных текстах. В настоящее время нет единой методики определения разборчивости синтезированной речи, поэтому данные, приведенные в табл. 1.1, в значительной степени неоднородны и субъективны. Известна только одна попытка применения единой методики для измерения слоговой разборчивости речи трех различных синтезаторов: TYPE-N-TALK, PROSE-2000 и DES-talk. По этой же методике проведено измерение слоговой разборчивости отечественных синтезаторов ФОНЕМОФОН-П и ФОНЕМОФОН-5.

Важным параметром с точки зрения потребителя является возможность синтеза речи на различных языках с различными типами голосов. Сфера применения синтезаторов резко расширяется, если дополнить его телекоммуникационным интерфейсом, позволяющим абоненту получать информацию по телефонной или иной коммутируемой сети.

Характеристики отечественных устройств распознавания речи приведены в табл. 4.2.

Анализ речевых сигналов в большинстве устройств осуществляется с помощью спектрально-полосных анализаторов различных модификаций, а анализ сообщений (распознавания слов) -- с помощью ДП-анализаторов. В некоторых устройствах анализ речевых сигналов осуществляется путем измерения корреляционных функций, форматных параметров, плотности нулей клиппированного сигнала. В последнее время анализируются различные фонетические характеристики речи: звонкость, шумность, гласность, взрывность и др.

Под надежностью распознавания подразумевается процент правильно распознанных слов из заданного словаря в заданных условиях работы. В настоящее время нет единой методики тестирования устройств по надежности распознавания. Поэтому данные, приведенные в табл. 4.2, в значительной степени субъективны: неизвестны степень обученности дикторов, данные о микрофоне и т.д.

Наличие телекоммуникационного интерфейса в устройстве предполагает не только введение специальных блоков сопряжения со стандартной телефонной или иной сетью, но и принятие специальных мер для эффективной обработки полученных сигналов.

Наличие синтезатора речи расширяет сферу применения устройства распознавания, позволяя использовать СРО в полном объеме.

4.4 Перспективные зарубежные системы речевого общения

Из всего разнообразия зарубежных промышленных СРО рассмотрим системы, которые, на наш взгляд, являются наиболее перспективными в плане реализации в них как новых теоретических моделей, так и достигнутых показателей качества синтеза и распознавания речи.

Примером высококачественного синтезатора, с помощью которого можно воспроизвести близкую к естественной речь различного темпа и оттенков непосредственно по тексту неограниченного словаря, является устройство DES-talk.

Таблица 4.1

Устройства синтеза речи

Таблица 4.2

Устройства распознавания речи

Устройство DES-talk (см. табл. 4.1) представляет собой блок размером 10 45 30 см, на задней панели которого расположены разъемы для подключения ЭВМ, видеотерминала и печатающего устройства, различных устройств вывода информации, в том числе телефона, индикатора на светодиодах, регулятора громкости. Высокое качество синтезатора DES-talk обусловлено большой библиотекой используемых правил, возможностью выбора словаря по желанию пользователя, качеством аппаратных средств для преобразования речи. Пользователь может выбрать семь различных голосов, в том числе стандартные женский, мужской, детский, а также низкий мужской и голос пожилого человека.

В устройстве DES-talk процесс преобразования текстовой информации в речевую разделяется на три уровня. На первом слова преобразуются в цифровую форму в соответствии с кодом ASCII и разбиваются на фонемы. При этом используются набор правил преобразования букв в звуки и два словаря. Один содержит 6000 слов, другой -- около 150 специфических терминов, иностранных слов и аббревиатур, вводимых самим пользователем.

Преобразования первого уровня начинаются с поиска эталонных слов, соответствующих вводимому орфографическому тексту, в большом словаре. Если эталоны найдены, то текст, преобразованный в фонемную форму, сразу передается на второй уровень обработки. Если эталоны не найдены ни в одном из словарей, то вводимый текст обрабатывается в соответствии с правилами преобразования букв в звуки и затем передается на второй уровень. На втором уровне производится считывание фонем, синтаксический анализ, определяются интонация, продолжительность и ударение в словах, выполняются акустические расчеты. На третьем уровне осуществляются окончательные преобразования входной текстовой информации и синтез речи.

Синтезирванные цифровые сигналы передаются со скоростью не менее 120 Кбит/с в стандартный цифроаналоговый преобразователь (ЦАП). В синтезаторе DES-talk используются эвристические правила для оценки влияния окружающих слов на произношение, интонацию, продолжительность и ударение в данном слове.

Программное обеспечение для синтезатора DES-talk практически аналогично программному обеспечению для существующих алфавитно-цифровых терминалов, работающих в стандарте ASCII, за исключением модулей, определяющих формат данных. Поэтому создание программного обеспечения не вызывает трудностей, что открывает синтезатору DES-talk широкие области применения.

Создание перспективных моделей распознавания речи связано со стремлением достичь высокой надежности при работе с большими словарями (свыше 1000 слов) в режиме слитного произнесения. Наиболее близко к такому идеалу подходит система KVS-3000, словарь которой содержит 10 000 слов, а точность распознавания 95%. Для подготовки устройства к работе весь набор эталонных слов должен быть произнесен трижды, поэтому память устройства KVS-30 000 рассчитана на хранение 30 000 слов. Среднее время распознавания -- около 500 мс.

Фирма «Verbex» (США) разработала мощную систему распознавания непрерывной речи -- модель Verbex-30 000, позволяющую распознавать предложения любой длины, состоящие из отдельных или слитно произносимых слов. Эта система ориентирована на голос одного диктора, при смене диктора необходима перезапись в ОЗУ для хранения эталонов слов. Модель Verbex-30 000, построенная по архитектуре «звезды», включает 2--4 таких речевых процессора и может оперировать 120--360 словами. Каждый процессор содержит ЗУ емкостью 0,25 Мбайт для хранения данных, а также ЗУ для хранения 4000 микрокодовых инструкций, каждая длиной 64 бит. Кроме того, гибкость конструкции системы, обеспеченная развитой структурой элементов сопряжения, позволяет использовать память центральной ЭВМ. Быстродействие речевого процессора -- 5 млн. опер./с.

Микропроцессорная архитектура системы позволяет производить операции с высоким быстродействием, что является необходимым условием для выполнения алгоритма распознавания непрерывной речи. Процесс распознавания, который заключается в подборе последовательности эталонных слов, максимально соответствующей произнесенной пользователем, осуществляется ДП-методом. Входные речевые сигналы усиливаются, фильтруются и кодируются аудипроцессором, а затем передаются в управляющий процессор с интервалом 10 мкс. Управляющий процессор распределяет сигнал между речевыми процессорами, которые выделяют его фонетические характеристики. Разработчики системы определили, что для обеспечения точности распознавания 99% достаточно 16 таких характеристик. Процесс распознавания в управляющем процессоре и поиск эталона производятся одновременно, т.е. когда процессор «улавливает» окончание речи.

Во избежание влияния на окончательный результат распознавания ошибок, возможных на первом этапе, система постоянно проверяет множество параллельных гипотез, сравнивая ввод данных с грамматически обозначенным набором всех нормальных произношений. Ответ задерживается до момента проверки всех гипотез и совпадения произнесенного с эталоном.

4.5 Тенденции применения средств речевого общения

До последнего времени большинство работ, связанных с созданием СРО, базировалось на идее формирования акустических эталонов речевых элементов разных уровней (фонем, слогов, слов). При этом распознавание было реализовано как обнаружение и идентификация в потоке речи этих акустических эталонов. В настоящее время стало очевидным, что такой подход малоперспективен из-за значительной вариативности акустических характеристик речевого сигнала, связанной как с лингвистическими (эффекты коартикуляции, редукции, ассимиляции), так и с экстралингвистическими факторами (индивидуальные особенности голосов дикторов, различия в их произносительных навыках, состояние проводящей среды и др.). Особенно большую вариантность имеют акустические характеристики фонем. Поэтому в большинстве промышленных систем распознавания речи отказались от пофонемного анализа и приняли слово в качестве минимального распознаваемого элемента. Данный подход, хотя и дал на определенном этапе речевых исследований зримые результаты, оказался неплодотворным при решении сложных задач распознавания, таких, как распознавание речи без подстройки под диктора или создание систем с большими словарями. Это заставило вернуться к идее пофонемного анализа речи на новом качественном уровне, который предполагает моделирование различных аспектов процесса переработки информации человеком при восприятии речи, использование знаний, накопленных в лингвистике, теории восприятия и психологии. При таком подходе одной из кардинальных задач распознавания речи является задача обнаружения и моделирования тех механизмов восприятия речи человеком, которые обеспечивают устойчивость и стабильность воспринимаемых речевых элементов в условиях их огромной акустической вариативности.

Все большее распространение получает подход к решению задачи распознавания речи, связанный с чтением динамических спектрограмм неизвестного речевого сигнала фонетистом-экспертом. Интерес к экспериментам по чтению спектрограммы связан, во-первых, с тем, что они демонстрируют богатство фонетической информации, заключенной в речевом сигнале, представленном в виде трехмерной (частота -- время -- интенсивность) спектральной картины, а во-вторых, с тем, что они позволяют воплотить знания и процедурные навыки эксперта в системах распознавания речи. Исследования по чтению спектрограммы ведутся в разных странах, и в настоящее время главным в этих исследованиях является проблема выявления и формализации знаний и процедурных навыков экспертов. Оказалось, что это весьма сложный процесс, т.к. эксперты не всегда способны выразить принципы и правила, которыми они руководствуются в ходе акустико-фонетического декодирования речевых спектрограмм. Одной из существенных проблем является воплощение в алгоритме правил и знаний, которые кажутся эксперту очевидными (например, F 420 не может быть выше 2500 Гц) либо сложно формулируемыми (например, правило определения компактности взрыва смычных). Для преодоления этих трудностей, связанных с извлечением и записью знаний эксперта, используются экспертные системы. Экспертные системы отличаются от обычных компьютерных программ тем, что они могут решать задачи, не имеющие жестких алгоритмических решений, и осуществлять выводы, основанные на неполной или недостоверной информации. Поэтому они гораздо более приспособлены для моделирования гибкой деятельности человека, что и было использовано в речевых исследованиях. Необходимо подчеркнуть, что в этих исследованиях ЭС применяются именно как инструмент анализа для накопления базы знаний в процессе взаимодействия системы и эксперта. Использование ЭС в качестве системы распознавания неэффективно.

Вторая существенная трудность при моделировании деятельности фонетиста-эксперта заключается в том, что визуальный анализ спектрограмм, лежащий в основе декодирующих действий эксперта, не менее сложен, чем слуховая обработка речевого сигнала. При формализации чтения спектрограмм возникает сложная проблема извлечения акустических признаков, легко выделяемых зрительной системой человека. При разработке ЭС многие исследователи эту трудность просто обходят. Однако уже из самого рассмотрения возникшей ситуации логически вытекает представление о наличии некоторого промежуточного уровня кодирования речевой информации при переходе от параметрического описания спектра к его фонетической интерпретации. Более того, необходимость разработки принципов промежуточного описания речевых сигналов выделяется в качестве центральной проблемы автоматического распознавания речи. Отмечается, что только промежуточное описание позволяет перекинуть мост между непосредственно наблюдаемым непрерывным акустическим сигналом и дискретным лингвистическим описанием. Промежуточное представление описывает «поведение» акустических характеристик, которое в значительной степени является инвариантным при переходе от диктора к диктору и зависит, главным образом, от контекстного взаимодействия фонетических единиц. При этом промежуточное представление, как правило, выражается в качественном виде и описывается в терминах наличия -- отсутствия определенных акустических объектов, высокого -- низкого положения в спектре или сильного -- слабого проявления той или иной энергетической составляющей.

Таким образом, в процессе акустико-фонетического декодирования осуществляется вначале переход от количественных изменений к качественному описанию, а затем от качественных описаний к признакам фонем. Как правило, единицы промежуточного уровня представления речевой информации называются акустическими ключами, акустическими признаками или дискрипторами.

В России работы по чтению спектрограмм фонетистами-экспертами, выработке правил их фонемной и словесной интерпретации проводятся с 1980 года. Полученные результаты позволили приступить к созданию аппаратно-программной модели анализа речи, в основу которой положены алгоритмы чтения спектрограмм.

5. РАЗДЕЛ. СИСТЕМЫ МАШИННОГО ПЕРЕВОДА

Машинный перевод (МП), или автоматический перевод (АП), -- интенсивно развивающаяся область научных исследований, экспериментальных разработок и уже функционирующих систем (СМП), в которых к процессу перевода с одного естественного языка (ЕЯ) на другой привлекается ЭВМ. СМП открывают быстрый и систематический доступ к информации на иностранном языке, обеспечивают оперативность и единообразие в переводе больших потоков текстов, в основном научно-технических. Работающие в промышленном масштабе СМП опираются на большие терминологические банки данных и, как правило, требуют привлечения человека в качестве пред-, интер- или постредактора. Современные СМП, в особенности те, которые опираются при переводе на базы знаний в определенной предметной области, относят к классу систем искусственного интеллекта (ИИ).

Основные сферы использования систем МП:

1. В отраслевых службах информации при наличии большого массива или постоянного потока иноязычных источников. Если СМП используются для выдачи сигнальной информации, постредактирование не требуется.

2. В крупных международных организациях, имеющих дело с многоязычным политематическим массивом документов. Таковы условия работы в Комиссии Европейских сообществ в Брюсселе, где вся документация должна появляться одновременно на девяти рабочих языках. Поскольку требования к переводу здесь высоки, МП нуждается в постредактировании.

3. В службах, осуществляющих перевод технической документации, сопровождающей экспортируемую продукцию. Переводчики не справляются в требуемые сроки с обширной документацией (так, спецификации к самолетам и другим сложным объектам могут занимать до 100 000 и более страниц). Структура и язык технической документации достаточно стандартны, что облегчает МП и даже делает его предпочтительным относительно ручного перевода, т.к. гарантирует единый стиль всего массива. Поскольку перевод спецификаций должен быть полным и точным, продукция МП нуждается в постредактировании.

4. Для синхронного или почти синхронного перевода и некоторого постоянного потока однотипных сообщений. Таков поток метеосводок в Канаде, который должен появляться одновременно на английском и французском языках.

Помимо практической потребности делового мира в СМП существуют и чисто научные стимулы к их развитию: стабильно работающие экспериментальные системы МП являются опытным полем для проверки различных аспектов общей теории понимания, речевого общения, преобразования информации, а также для создания новых, более эффективных моделей самого МП.

5.1 Классификация СМП

Классификация СМП может учитывать также технологические характеристики: масштабность, степень реализованности, долю участия человека в процессе МП. С точки зрения соотношения машина -- человек можно говорить о полностью автоматическом переводе и о человеко-машинном переводе (ЧМП).

Системы, осуществляющие полностью автоматический перевод, -- это СМП большого масштаба, реализованные на больших ЭВМ. Они выполняют перевод без участия человека, что не исключает ни некоторой предварительной обработки текста, ни постредактирования (как это делается и в случае обычного перевода). Но за сам процесс перевода -- от ввода исходного до получения конечного текста -- «ответственна» СМП, располагающая словарями, грамматикой и программами. Системы типа ЧМП выполняют перевод в интерактивном режиме, обычно на малых -- мини- или микро- (персональных) ЭВМ (иногда соединенных с основной центральной ЭВМ). Выделяют две группы таких систем: типа НАМТ (англ. human-aided machine translation) -- МП с участием человека -- и типа МАНТ (англ. machine-aided human translation) -- человеческий перевод с участием ЭВМ. В системах первой группы перевод выполняет СМП, обращаясь к человеку за решением сложных случаев (снятие неоднозначности, выбор одного варианта из нескольких и т.п.). В системах второй группы за выполнение перевода отвечает человек, который работает за дисплеем в интерактивном режиме и может обращаться к ЭВМ, например, для поиска слов в машинных словарях и конкордансах, а также в удаленных банках терминов. Предредактирование при этом, как правило, не нужно, а постредактирование осуществляется, как при обычном переводе.

По количеству привлекаемых языковых пар СМП делятся на двуязычные (реализующие функцию перевода только для данной языковой пары) и многоязычные. Те и другие, в зависимости от техники лингвистического анализа, могут быть либо бинарными (если анализ входного языка ведется в категориях выходного), либо универсальными (если устройство анализа не зависит от выходного языка). Универсальная двуязычная СМП может легко стать многоязычной при комбинации с компонентами анализа и/или синтеза других универсальных систем.

В 80-е годы в отдельный класс выделяют СМП, основанные на знаниях (knowledge-based systems). В системах этого класса (представляющего собой подкласс систем ИИ) в качестве отдельного компонента включаются экстралингвистические знания (знания о ПО), хотя они могут иметь те же формы представления, что и собственно лингвистическая информация (т.е. записываться в словарях и грамматиках). Отчетливо к этому классу принадлежат те СМП, которые используют при анализе концептуальную сеть знаний.

5.2 Лингвистическое обеспечение СМП

Процесс МП представляет собой последовательность преобразований, применяемых к входному тексту и превращающих его в текст на выходном языке, который должен максимально воссоздавать смысл и, как правило, структуру исходного текста, но уже средствами выходного языка. К лингвистическому обеспечению СМП относится весь комплекс собственно лингвистических, металингвистических и так называемых «экстралингвистических» знаний, которые используются при данном преобразовании.

Лингвистическое обеспечение стандартной современной СМП включает: 1) словари; 2) грамматики; 3) формализованные промежуточные представления единиц анализа на разных этапах преобразований. Помимо стандартных, в отдельных СМП могут применяться и некоторые нестандартные компоненты. Так, экспертные знания о ПО могут задаваться с помощью специальных концептуальных сетей, а не в виде словарей и грамматик.

Механизмы (алгоритмы, процедуры) оперирования с имеющимися словарями, грамматиками и структурными представлениями относят к математико-алгоритмическому обеспечению СМП.

Одно из необходимых требований к современной СМП -- высокая модульность. С лингвистически содержательной точки зрения это означает, что анализ и следующие за ним процессы строятся с учетом теории лингвистических уровней. В практике создания СМП различают такие уровни анализа:

-- досинтаксический анализ (в него входит морфологический анализ -- МорфАн, анализ оборотов, неопознанных элементов текста и др.);

-- синтаксический анализ (СинАн; строит синтаксическое представление предложения, или СинП); в его пределах может выделяться ряд подуровней, обеспечивающих анализ разных типов синтаксических единиц;

-- семантический анализ -- СемАн, или логико-семантический анализ (строит аргументно-предикатную структуру высказываний или другой вид семантического представления предложения и текста);

-- концептуальный анализ (анализ в терминах концептуальных структур, отражающих семантику ПО). Этот уровень анализа используется в СМП, ориентированных на очень ограниченные ПО. По сути дела, концептуальная структура является проекцией схем ПО на лингвистические структуры, часто даже не на семантические, а на синтаксические. Только для очень узких ПО и ограниченных классов текстов концептуальная структура совпадает с семантической; в общем случае полного совпадения не должно быть, т.к. текст подробнее любых концептуальных схем.

5.2.1 Словари

Словари анализа, как правило, одноязычные. Они должны содержать всю информацию, необходимую для включения данной лексической единицы (ЛЕ) в структурное представление. Часто различают словари основ (с морфолого-синтаксической информацией: часть речи, тип словоизменения, подкласс, характеризующий синтаксическое поведение ЛЕ и т.п.) и словари словозначений, содержащие семантическую и концептуальную информацию: семантический класс ЛЕ, семантические падежи (валентности), условия их реализации во фразе и т.д.

Во многих системах разделены словари общеупотребительной и терминологической лексики. Такое разделение дает возможность при переходе к текстам другой предметной области ограничиваться лишь сменой терминологических словарей. Словари сложных ЛЕ (оборотов, конструкций) образуют обычно отдельный массив, словарная информация в них указывает на способ «собирания» такой единицы при анализе. Часть словарной информации может задаваться в процедурной форме, например, многозначным словам могут сопоставляться алгоритмы разрешения соответствующего типа неоднозначности. Новые виды организации словарной информации для целей МП предлагают так называемые «лексические базы знаний».

5.2.2 Грамматики и алгоритмы

Грамматика и словарь задают лингвистическую модель, образуя основную часть лингвистических данных. Алгоритмы их обработки, т.е. соотнесения с текстовыми единицами, относят к математико-алгоритмическому обеспечению системы.

Разделение грамматик и алгоритмов важно в практическом смысле, т.к. позволяет менять правила грамматики, не меняя алгоритмов (и соответственно программ), работающих с грамматиками.

Грамматики синтаксического уровня -- наиболее разработанная часть и с точки зрения лингвистики, и с точки зрения их обеспечения формализмами.

Цепочечная грамматика фиксирует порядок следования элементов, т.е. линейные структуры предложения, задавая их в терминах грамматических классов слов (артикль + существительное + предлог...) или в терминах функциональных элементов (подлежащее + сказуемое).

Грамматика составляющих (или грамматика непосредственно составляющих -- ГНС) фиксирует лингвистическую информацию о группировке грамматических элементов, например: именная группа (состоит из существительного, артикля, прилагательного и других модификаторов), предложная группа (состоит из предлога и именной группы) и т.д. до уровня предложения.

Грамматика зависимостей (ГЗ) задает иерархию отношений элементов предложения (главное слово определяет форму зависимых).

Категориальная грамматика Бар-Хиллела -- это версия грамматики составляющих, в ней только две категории -- предложения S и имени п. Остальные определяются в терминах способности комбинироваться с этими главными в структуре НС. Переходный глагол определен как n\S, т.к. он сочетается с именем n слева от него, образуя предложение S.

В грамматике обобщенных составляющих (ГОС) введены метаправила, являющиеся обобщением закономерностей правил.

В грамматиках расширенных сетей переходов (ГРСП) предусмотрены тексты и условия к дугам, а также инструкции, которые надо выполнить в случае, если анализ пошел по данной дуге.

Новым и сразу завоевавшим популярность методом грамматического описания является лексико-функциональная грамматика (ЛФГ). Она устраняет необходимость трансформационных правил. Хотя ЛФГ основывается на КСГ, проверочные условия в ней отделены от правил подстановки и «решаются» как автономные уравнения.

Унификационные грамматики (УГ) представляют собой следующий после граф-схем этап обобщения модели анализа: они способны воплощать грамматики различных видов. УГ содержит четыре компонента: пакет унификаций, интерпретатор для правил лексических описаний, программы обработки направленных графов, анализатор с помощью граф-схемы. УГ объединяют грамматические правила со словарными описаниями, синтаксические валентности с семантическими.

5.3 Математическое и программное обеспечение СМП

К математическому и программному обеспечению СМП относятся: формализмы, используемые для задания лингвистических данных (словарей и грамматик); специальные (МП-ориентированные) алгоритмические языки; языки программирования.

Языки задания грамматик могут рассматриваться как языки программирования очень высокого уровня, допускающие сложные типы данных и ассоциированные операторы. Метаязыки описания данных обычно одинаковы для входного и выходного языков.

Формальными языками являются также языки описания словарей.

Алгоритмический язык (АЯ) характеризуется прежде всего классом алгоритмов, которые можно описать его средствами. Класс, в свою очередь, характеризуется объектами, с которыми работают алгоритмы. Поэтому при описании АЯ, ориентированных на МП, следует прежде всего указать на объекты соответствующих алгоритмов.

Основное программное обеспечение СМП дополняется вспомогательными программными комплексами, периферийными с точки зрения самого МП так называемыми front-end processors. К ним относятся средства, выполняющие следующие процедуры:

1) ввод данных;

2) коррекцию ошибок;

3) управление данными;

4) редактирование текста;

5) вывод текста;

6) коммуникацию (передачу данных);

7) выполнение и модификацию словарей и грамматик.

Все эти средства обычно имеются в распоряжении переводчика и постредактора на рабочих станциях или автоматизированных рабочих местах (АРМ). Они во многом совпадают с программным обеспечением других типов автоматизированных информационных систем, поэтому здесь не описываются. Следует только упомянуть системы управления базами данных (СУБД), которые могут использоваться в СМП для создания и ведения сложных словарных массивов и баз знаний.

В последнее время стоит вопрос о внедрении многоязычных СМП с распределенной обработкой: анализ в пункте ввода, синтез в пункте вывода (такова, например, система DLT). Для них первостепенное значение имеют вопросы коммуникации.

5.4 Оценка СМП

Полностью автоматический высококачественный перевод оказался практически недостижимым, как и предсказывал И. Бар-Хиллел. Кокретных пользователей промышленных МП интересует, может ли МП производить продукт, приемлемый по качеству с точки зрения некоторой конкретной задачи, является ли МП экономически эффективным (по скорости, затратам на расширение системы и т.д.).

Характерно, что в сообщениях о коммерческих СМП чаще всего даются только рекламные примеры без статистических оценок и без эксплицитного анализа качества приводимых переводов.

Перечень основных систем МП и их характеристик приведен в таблице.

Основные системы МП <...