Développement de ressources en swahili pour un sytème de reconnaisance automatique de la parole (Developments of Swahili resources for an automatic speech recognition system) [in French]

Actes de la conférence conjointe JEP-TALN-RECITAL 2012, volume 1: JEP, pages 633–640, Grenoble, 4 au 8 juin 2012. c ⃝2012 ATALA & AFCP Développement de ressources en swahili pour un système de reconnaissance automatique de la parole Hadrien Gelas1, 2 Laurent Besacier2 François Pellegrino1 (1) Laboratoire Dynamique Du Langage, CNRS - Université de Lyon, France (2) Laboratoire Informatique de Grenoble, CNRS - Université Joseph Fourier Grenoble 1, France {hadrien.gelas, francois.pellegrino}@univ-lyon2.fr, laurent.besacier@imag.fr RÉSUMÉ Cette contribution décrit notre travail sur la production de ressources en swahili pour un système de reconnaissance automatique de la parole (RAP). Le swahili est une langue bantu parlée dans une vaste région d’Afrique de l’Est. Nous introduisons en premier lieu le statut de la langue. Ensuite, nous reportons les différentes stratégies choisies pour développer un corpus de texte, un dictionnaire de prononciation et un corpus de parole pour cette langue peu dotée. Nous explorons des méthodologies telles que le crowdsourcing ou un processus de transcription collaboratif. De plus, nous tirons avantage de certaines caractéristiques linguistiques comme la morphologie riche de la langue ou la part de vocabulaire partagée avec l’anglais, afin d’améliorer les performances de notre système de RAP de référence dans une tâche de transcription de parole radiodiffusée. ABSTRACT Developments of Swahili resources for an automatic speech recognition system This article describes our efforts to provide ASR resources for Swahili, a Bantu language spoken in a wide area of East Africa. We start with an introduction on the language situation. Then, we report the selected strategies to develop a text corpus, a pronunciation dictionary and a speech corpus for this under-resourced language. We explore methodologies as crowdsour- cing or collaborative transcription process. Besides, we take advantage of some linguistic characteristics of the language such as rich morphology or shared vocabulary with English to improve performance of our baseline Swahili ASR system in a broadcast speech transcription task. MOTS-CLÉS : Swahili, langues peu dotées, reconnaissance automatique de la parole, ressources numériques. KEYWORDS: Swahili, under-resourced languages, automatic speech recognition, resources. 1 Introduction Durant ces dernières décennies, entrainées par l’évolution permanente de l’informatique et la constante informatisation de nos sociétés, les technologies du langage et de la parole ont connu des progrès majeurs. Le déploiement de ces technologies pour des langues peu-dotées représente un challenge important. En effet, l’utilité et les différentes applications de ces outils dans les pays en voie de développement se sont montrées nombreuses : autant pour l’accès à l’information 633 en Afrique Sub-Saharienne (Barnard et al., 2010), pour l’agriculture en Inde rurale (Patel et al., 2010) ou la santé au Pakistan (Kumar et al., 2011). Cependant, les technologies du langage sont toujours pleinement confrontées au manque de ressources numériques et représentent ainsi peu la diversité des langues (plus de 6000). Comme beaucoup d’autres, les langues d’Afrique sont fortement touchées par cette lacune. Le swahili est une importante langue véhiculaire d’Afrique de l’Est couvrant un large territoire de plus de huit pays (langue nationale au Kenya et en Tanzanie)(Polomé, 1967). La majorité des estimations indique entre …

Content truncated to 500 words