Os sistemas de intelixencia artificial capaces de converter a fala en texto poden modificar palabras, eliminar características dialectais e mesmo transformar a lingua empregada por unha persoa durante unha conversa. Estas son algunhas das dificultades identificadas polas investigadoras Adina Vladu e María Pérez Lago, que este xoves participaron na IV Xornada sobre Variación e Cambio Lingüístico, celebrada na Facultade de Filoloxía da USC e organizada polo Instituto da Lingua Galega (ILG).
As dúas especialistas abordaron dende perspectivas complementarias os desafíos que presenta o desenvolvemento de tecnoloxías da fala para o galego. Mentres Vladu examinou o funcionamento dos sistemas de transcrición automática e os erros que poden cometer ante diferentes variedades lingüísticas, Pérez Lago centrou a súa intervención na representación da diversidade do galego nos corpus utilizados para adestrar estas ferramentas.
As análises conclúen na necesidade de estudar e traballar neste fenómeno para a investigación lingüísticas, xa que unha transcrición automática pode producir un texto aparentemente correcto sen reproducir fielmente o que realmente pronunciou a persoa falante. Esta diferenza resulta especialmente relevante cando o obxectivo non é simplemente comprender unha mensaxe, senón estudar como se utiliza unha lingua, que variantes empregan os seus falantes e como se producen os cambios lingüísticos.
Na primeira conferencia sobre este tema, ‘Transcrición automática ante a variación lingüística’, Adina Vladu, investigadora vinculada ao CiTIUS, ao ILG e ao Proxecto Nós, explicou que os sistemas de recoñecemento automático da fala funcionan mediante modelos que aprenden a relacionar os sinais acústicos coas súas correspondentes representacións escritas. O resultado deste proceso depende de diferentes factores, entre eles a arquitectura tecnolóxica empregada, os datos utilizados durante o adestramento e os criterios cos que se elaboraron as transcricións de referencia.
Isto significa que os modelos non interpretan necesariamente todas as variedades dunha lingua coa mesma precisión. Se durante o seu desenvolvemento recibiron principalmente gravacións de falantes que utilizan unha variedade estándar, poden atopar dificultades cando teñen que procesar intervencións con características dialectais, expresións coloquiais ou alternancia entre linguas. Vladu explicou que a maioría destas ferramentas foron deseñadas para facilitar a conversión de audio en texto en contextos xerais, pero non non resultan útiles en moitos casos para a investigación lingüística, onde pode resultar imprescindible conservar as particularidades da produción oral.
Entre os problemas detectados figuran a substitución de formas dialectais por outras máis próximas ao estándar, a modificación de palabras gramaticais, a regularización de estruturas morfolóxicas e a eliminación de repeticións, vacilacións ou intentos de pronunciar determinadas palabras. Estas modificacións poden pasar desapercibidas nunha transcrición destinada a coñecer o contido dunha conversa, pero adquiren outra dimensión cando se pretende analizar a lingua empregada.
Por exemplo, se unha persoa utiliza unha determinada variante dialectal e o sistema a substitúe automaticamente pola forma normativa, a transcrición deixa de reflectir esa característica da súa fala. O mesmo sucede cando unha ferramenta elimina as vacilacións ou reorganiza unha frase para facela máis comprensible.
O problema de distinguir entre galego e castelán
Unha das cuestións abordadas por Vladu foi o comportamento destes sistemas ante gravacións nas que se produce alternancia entre galego e castelán, unha situación especialmente relevante para o estudo dos usos lingüísticos. A investigadora explicou que algúns modelos identifican a lingua a partir dos diferentes segmentos nos que dividen unha gravación. Este procedemento pode provocar que interpreten unha intervención completa como pertencente a unha única lingua, mesmo cando a persoa alterna entre varios códigos lingüísticos.
Durante a súa exposición presentou exemplos de gravacións con diferentes características, entre elas intervencións en galego relativamente estándar e outras nas que aparecían falantes con usos lingüísticos máis heteroxéneos. Nun dos casos analizados, unha persoa que empregaba maioritariamente o castelán introducía palabras en galego durante unha proba oral. O sistema de transcrición tendía a adaptar determinadas expresións á lingua que identificaba como predominante. O resultado podía ser un texto no que a alternancia lingüística orixinal quedaba modificada ou deixaba de ser recoñecible.
Este comportamento presenta dificultades para investigar fenómenos como o contacto entre linguas, as interferencias lingüísticas ou os procesos de aprendizaxe do galego, nos que a maneira concreta de expresarse pode constituír unha parte esencial dos datos que se pretenden estudar.
A investigadora tamén sinalou que os modelos poden atopar dificultades ante determinadas pronuncias, palabras pouco frecuentes ou intervencións infantís, especialmente cando aparecen tentativas de producir palabras ou estruturas que non se corresponden coas formas máis habituais presentes nos datos de adestramento.
A revisión humana continúa sendo necesaria
Malia todos os avances tecnolóxicos existentes no campo da transcrición, a investigadora sinalou que os sistemas actuais aínda presentan limitacións para producir transcricións que poidan empregarse directamente en determinados traballos de investigación.
Neste contexto, explicou que as ferramentas automáticas poden resultar útiles como primeira fase do proceso, pero os textos xerados necesitan unha revisión posterior cando se require unha representación precisa da fala. A intervención tamén abordou cuestións relacionadas coa accesibilidade, a continuidade e a transparencia dos sistemas empregados.
Vladu destacou a importancia de coñecer os modelos utilizados, os datos cos que foron adestrados e as condicións de acceso ás ferramentas, especialmente no caso de proxectos de investigación que se desenvolven durante varios anos. Ademais dos servizos comerciais, presentou diferentes posibilidades baseadas en ferramentas abertas, incluídos sistemas que poden executarse localmente nun ordenador.
A importancia de que os corpus recollan todas as maneiras de falar galego
A segunda intervención, a cargo de María Pérez Lago, investigadora do ILG e da Universidade de Santiago de Compostela, centrouse nun dos elementos que condicionan o funcionamento destas tecnoloxías: os conxuntos de gravacións e transcricións empregados para desenvolver os modelos.
Na conferencia ‘Representación da variación nos corpus deseñados para o desenvolvemento de tecnoloxías da fala’, Pérez Lago explicou que a diversidade presente nos datos de adestramento determina, en boa medida, que formas de falar poderá recoñecer un sistema automático.
A cobertura fai referencia á variedade de falantes, rexistros, procedencias xeográficas, temas e condicións acústicas que aparecen nun corpus. A representatividade, pola súa banda, depende da relación entre esa diversidade e a finalidade concreta para a que se desenvolve o sistema, podendo un corpus formado por intervencións parlamentarias resultar axeitado para crear unha ferramenta especializada nese tipo de discursos, pero non necesariamente para recoñecer conversas espontáneas entre persoas de diferentes idades e procedencias.
Pérez Lago incidiu en que non existe unha representatividade absoluta, independente dos obxectivos de cada recurso lingüístico. Se o propósito é desenvolver tecnoloxías de uso xeral, será necesario incorporar gravacións procedentes de ámbitos comunicativos diferentes, desde discursos planificados ata interaccións cotiás.
Os recursos do Proxecto Nós e a diversidade da fala
Durante a súa intervención, Pérez Lago tamén repasou diferentes corpus empregados no desenvolvemento de tecnoloxías da fala para o galego, con características distintas en canto á procedencia das gravacións, aos rexistros lingüísticos e aos procedementos de transcrición.
Entre os exemplos presentados figuraron gravacións de discursos informativos, materiais procedentes de pódcasts e conxuntos de audio transcritos manual ou automaticamente, ademais doutros recursos vinculados a situacións comunicativas menos planificadas. Estes materiais permiten incorporar distintos tipos de produción oral, aínda que presentan diferenzas importantes na súa composición e no grao de control sobre os datos.
A investigadora explicou que as gravacións realizadas en contornas preparadas, cunha fala planificada e unhas condicións acústicas favorables, poden facilitar o recoñecemento automático. Non obstante, estas características non reproducen necesariamente as dificultades que aparecen nas conversas espontáneas.
Tamén ser referiu aos corpus colaborativos, nos que as persoas usuarias poden contribuír mediante a gravación de fragmentos de fala ou a validación de materiais achegados por outras participantes. Este tipo de iniciativas permite ampliar os recursos dispoñibles para o desenvolvemento tecnolóxico, aínda que tamén require establecer criterios de revisión e validación.
A investigadora sinalou que a participación cidadá pode contribuír a incorporar variedades e perfís de falantes que teñen unha presenza reducida nos conxuntos de datos existentes.