भाषण सहसंबंध के प्रभाव और मान्यता में इसकी अधिकता। न्यूरोस्पेट्सनज़ के लिए मैनुअल

सहकारिता क्या है

खौफनाक जानवर "एलोफोन" नाम

शब्दों और ध्वनियों का उच्चारण करते समय जो उन्हें बनाते हैं, हम कभी नहीं सोचते कि वे शारीरिक रूप से क्या हैं। विभिन्न भाषाओं को बोलने वाले कितने तर्कसंगत जीवों ने अपने भाषण को रिकॉर्ड करने और ग्राफ़, स्पेक्ट्रोग्राम पर इसका अध्ययन करने की कोशिश की? इसकी विशेषताओं को समझें और उनका अध्ययन करें, पैटर्न को हाइलाइट करें और सामान्य तौर पर, भाषण के बारे में अधिक जानें? मुझे बहुत कम लगता है - प्रतिशत के संदर्भ में।



हम सिर्फ इसका इस्तेमाल करते हैं ! और हम अनजाने में इसका उपयोग करते हैं।



हम सहजता से भाषण को ध्वनियों में विभाजित करते हैं जो हम अक्षरों में लिखते हैं, और यह हमें लगता है कि ध्वनि "ए" हमेशा "ए" है, और "मां" शब्द में दो बिल्कुल समान ध्वनियां हैं "ए"।



और यहाँ यह नहीं है !!! एक प्रयोग करें: शब्द "माँ," लिखें और फिर, ऑडियो प्रोसेसिंग टूल का उपयोग करके, सिलेबल्स को स्वैप करें ... वेलमी को यह कहना मुश्किल है कि "माँ" शब्द के साथ क्या होगा। मैंने रिकॉर्डिंग को लंबे समय तक सुना, भाषण को समकक्ष चुनने की कोशिश की, लेकिन यह मुश्किल है। मेरे स्वाद के लिए सबसे करीबी चीज "मो-हा" है



अर्थात्, सामान्य रूप से एक शब्द दूसरी भाषा से निकला है! अज्ञात और असिंचित ...



यही कारण है कि भाषण, और कंप्यूटर को संश्लेषित करना मुश्किल है जब हमें लोड करने का अभी तक शुद्ध रूसी भाषा में शब्दों के साथ स्वागत नहीं किया गया है: "गुड मॉर्निंग टू यू, मास्टर!" ...!



खैर अब। जिसे हम ध्वनियाँ कहते हैं, बड़े-बड़े भाषाई प्राध्यापक बुलाते हैं, "ध्वनि।" बेशक, ध्वनि अलग-अलग हो सकती है - दरवाजे की क्रेक से लेकर बिल्ली की घास काटने तक, लेकिन आपको किसी तरह होमो द रीजनेबल (हालांकि मुझे हमेशा होमो सेपियन्स की तर्कसंगतता के बारे में कुछ संदेह थे) की आवाज़ को बुलाने की ज़रूरत है ...)



ठीक है, फोनीम्स, जैसा कि पहले से ही "माँ" शब्द के उदाहरण से दिखाया गया है, एक दूसरे से काफी भिन्न हो सकते हैं, और इसे हल्के ढंग से, स्पेक्ट्रोग्राम पर अलग-अलग तरीके से डाल सकते हैं।



और यहाँ "एलोफोन" नामक एक चालाक जानवर काम में आता है।



एक एलोपफोन एक विशेष स्थान पर एक विशेष स्थान है। यही है, "माँ" शब्द पर लौटते हुए, दूसरी और चौथी ध्वनि यहाँ होगी - एक ही ध्वनि "ए", लेकिन एलोफोन अलग हैं। दूसरी ध्वनि ध्वनि "ए" तनाव से घिरा हुआ है जो ध्वनि "एम" से घिरा हुआ है। चौथी ध्वनि है अनस्ट्रेस्ड "a" फोनिम के बाद "m" और शब्द के अंत से पहले (शॉर्ट पॉज़, साइलेंस)।



यही है, एक एलोफोन एक विशिष्ट ध्वनि वातावरण में एक नादविद्या का एहसास है ।

तो क्या सब एक समान है?

इसलिए, शब्द के विभिन्न स्थानों में फोनोमे का कारण खुद ही सरल और सामान्य नहीं है।



ध्वनियों की कोई स्पष्ट सीमा नहीं होती है, और यह निर्धारित करना असंभव है - यह वह जगह है जहां फोनीमे "ए" समाप्त होता है, और यहां फोनीमे "एम" शुरू होता है।



वाणी के स्वर एक-दूसरे के सुचारू रूप से गुजरते हैं, जबकि ध्वनि वातावरण ध्वनि-समूह के आकार को बहुत विकृत कर देता है।



उदाहरण के लिए, दूसरी ध्वनि "मां" शब्द का शब्द "मां" पड़ोस में दो अक्षर "m" से गंभीर रूप से प्रभावित होता है, और यह चौथे स्वर "a" से भिन्न होता है, जिसमें एक तरफ "m" और दूसरी तरफ कुछ भी नहीं होता है।





अंजीर। 1. माँ शब्द का वर्णक्रम ध्वनियों से टूट गया



आंकड़ा बताता है कि एक ही फोनेम के स्पेक्ट्रोग्राम काफी भिन्न होते हैं।



जैसा कि पहले ही उल्लेख किया गया है, एक ध्वनि वातावरण द्वारा परिवर्तित जीवन द्वारा घुमाए गए एक ध्वनि को एक एलोपोन कहा जाता है।

बिग बॉस - मुख्य एलोफोन

एक स्वर के लिए एलोफोन की पूरी विविधता के बीच, विकल्पों में से एक को मानक के रूप में लिया जाता है। इस मानक को "मुख्य एलोफोन" कहा जाता है।



स्वरों के लिए, ऐसा मानक अलग-थलग है।



व्यंजन के लिए - सदमे "ए" से पहले।

और इसे कैसे पहचानें?

और अब हम कार्य निर्धारित करते हैं: एक शब्द को पहचानने के लिए स्वचालित रूप से (अर्थात, मानवीय हस्तक्षेप के बिना) और इसे ध्वनि रूप से करें।



केवल तभी हम यह कैसे करेंगे यदि एक फोनीमो के एलोफोन्स एक दूसरे से अलग हैं?



मानक विधि इस प्रकार है:

स्वरों के बजाय, युग्मकों और युग्मकों के युग्मों को लिया जाता है, जिन्हें "डिप्हन्स" (स्वरों की एक जोड़ी) और "ट्राइफोन्स" (स्वरों का एक समूह) कहा जाता है।



ट्राईफोन बेहतर होते हैं, इसलिए उनका उपयोग बेहतर होता है।



इसी समय, ट्रिफोन्स में टूट-फूट की अधिकता होती है, ताकि प्रत्येक फोनीम कम से कम एक बार ट्रिफ़ॉन के केंद्र में हो।



उदाहरण के लिए, पहले से ही उल्लेखित शब्द "एमओएम" को ट्रिफोन्स में तोड़ा जाएगा:



चुप एम ए

एम ए एम

ए एम ए

एम ए चुप



यहाँ चुप का अर्थ है शब्द की शुरुआत या अंत (" साइल एनस" - मौन)।



कभी-कभी निम्नलिखित रिकॉर्ड होता है: एम (चुप, ए)। यह एक ट्रिफ़ॉन नामित करता है, जिसके केंद्र में "एम" है, शुरुआत में - मौन (चुप), और अंत में - "ए"।

तो समस्या क्या है?

कोई समस्या नहीं हैं। बस एक टिप्पणी: सह-अभिव्यक्ति के खिलाफ लड़ाई का यह "डिजाइन" मार्कोव छिपे हुए मॉडल के लिए विकसित किया गया था और "एक अच्छे जीवन से नहीं" पेश किया गया था।



हम और अधिक उन्नत भाषण मान्यता प्रौद्योगिकियों - तंत्रिका नेटवर्क का उपयोग करने का प्रयास करेंगे।



और "तंत्रिका नेटवर्क" के लिए यह "डिज़ाइन" बदतर है, क्योंकि तंत्रिका नेटवर्क में "आयामी अभिशाप" है।



एक तंत्रिका नेटवर्क उदाहरणों से सीखता है, इसलिए डेटा का आयाम जितना बड़ा होगा, प्रशिक्षण के लिए उतने ही अधिक उदाहरणों की आवश्यकता होती है। इसी समय, उदाहरणों की संख्या बहुत तेज़ी से बढ़ रही है, आयाम की तुलना में बहुत तेज़ी से :)



खैर, दर्जनों फोनेमिस, सैकड़ों एलोफोंस और लगभग 6000 मुख्य हैं।



एक तंत्रिका नेटवर्क सैद्धांतिक रूप से यह सीख सकता है, केवल यह मुश्किल है और प्रशिक्षण डेटा आधार बड़ा होना चाहिए, और प्रशिक्षण का समय बहुत बड़ा होगा।



क्या इसके आसपास कोई रास्ता है?



मैं निम्नलिखित विधि का सुझाव देता हूं:



कुछ फ़ंक्शन का परिचय दें जो किसी दिए गए ध्वनि की समानता को मुख्य एलोफ़ोन के लिए मापेंगे।

तब एएनएन केवल इनपुट अनुभाग की समानता की डिग्री को मुख्य एलोपोफोन में पा सकता है। और एएनएन आउटपुट की संख्या एलोफोने के संभावित संयोजनों की संख्या के बराबर नहीं होगी, लेकिन बस फोनम की संख्या।



इससे हम शब्द मान्यता को कम संख्या में स्वरों में विभाजित कर सकेंगे (प्रत्येक के लिए, यदि आवश्यक हो, तो एक तंत्रिका नेटवर्क आवंटित किया जा सकता है)।



यह दृष्टिकोण आपको उच्च-गुणवत्ता वाले प्रासंगिक विश्लेषण करने की अनुमति देता है (जो उन लोगों के लिए नहीं है - यह विश्लेषण भाषा में स्वरों के कुछ विशेष संयोजनों की आवृत्ति के आधार पर आपको मान्यता त्रुटियों को ठीक करने की अनुमति देता है)।



तो, विज्ञापन से स्पष्टीकरण तक। यह कैसा दिखता है? व्यवहार में? निम्नलिखित आकृति को देखो।





अंजीर। 2. शब्द टैंक के फोनोग्राम के उदाहरण द्वारा फोनेम्स बी, ए, के के लिए समानता कार्य



जैसा कि पहले ही उल्लेख किया गया है, फोनमेस एक-दूसरे को परस्पर प्रभावित करते हैं, प्रभावित करते हैं। और यह प्रभाव फोनीम के केंद्र तक कम हो जाता है और इसके सशर्त किनारों के करीब बढ़ता है। इस प्रकार, किसी भी एलोनफोन का केंद्र लगभग पूरी तरह से मुख्य एलोपोन (और अन्य सभी एलोफोन के केंद्रों) के साथ मेल खाता है, साथ ही, पड़ोसी ध्वनियों के प्रभाव के कारण, मुख्य एलोपोन की समानता फोनीमे जंक्शनों के क्षेत्रों के करीब आती है। उपरोक्त आकृति में पूरी तरह से क्या दिखाई दे रहा है।



अब केवल एक ही चीज छोटी है: इस फ़ंक्शन को अनियंत्रित संख्या में नमूनों में विभाजित करने के लिए (मैं 1 से 32 तक सलाह देता हूं) और तंत्रिका नेटवर्क को "फ़ीड" करता हूं।



उसी समय, "मुख्य एलोफोन" के संदर्भ के साथ ध्वनियों की तुलना करने के लिए एक चालाक एल्गोरिथ्म बनाने के लिए आवश्यक नहीं है, यह "घुटने पर" खींचने के लिए पर्याप्त है एक मनमाना फ़ंक्शन जो वांछित एलोफोन के केंद्र में एकात्मक है, इसके किनारों को कम करना और अन्य सभी ध्वनि और ध्वनियों के लिए शून्य।

पुनश्च

आलोचना न केवल अपेक्षित है, बल्कि स्वागत योग्य भी है।

मैं टिप्पणियों के लिए विशेष रूप से आभारी रहूंगा:



1. प्रस्तुति के तर्क और उसके सुधार के अनुसार

2. अनिवार्य रूप से :)



बहुत से सक्रिय धन्यवाद - अगर आपको साहित्य में कुछ ऐसा ही या नजदीकी मिल रहा है - लेकिन केवल लिंक के लिए (जरूरी नहीं कि इलेक्ट्रॉनिक) :)