Latviešu valodas teksta automatizēta apstrāde runas sintēzes vajadzībām

Abstract

Latviešu valodas runas sintēzē ir identificētas dažādas situācijas, kad kontekstuāli pareizas tekstvienību izrunas noteikšana sagādā problēmas. Darbā tiek aplūkotas divas pieejas kā automatizēti noteikt kontekstam atbilstošās izrunas: skaitļu izvēršana vārdos, izrunas anotēšana. Darba ietvaros tika izstrādātas un salīdzinātas trīs metodes skaitļu izvēršanai: sintaktiskā parsēšana, ChatGPT ar attiecīgu sistēmas uzvedni, specializēta mT5 neironu modeļa apmācīšana. Visaugstākos rezultātus iegūst sintaktiskās parsēšanas metode, sasniedzot 78,8% un 80% precizitāti uz divām darbā izveidotajām testa datu kopām. Vārdu un to locījumu fonētiskajai transkribēšanai ir veiksmīgi izveidots morfoloģiskā analizatora LVTagger paplašinājums. Vienlaikus tika konstatēti nepieciešamie uzlabojumi bāzes tagerī, lai šo metodi varētu pilnvērtīgi pielietot.

Latvian language text to speech synthesis has many situations in which it is difficult to determine the contextually proper pronunciation. Within this work the author looks at two approaches to automate pronunciation correction: numeral expansion, phonetic transcribing. The author developed and tested three different methods for expanding numerals within text – syntactic parsing, promt-engineered ChatGPT and fine-tuned mT5 neural network model. The highest accuracy for the task was achieved with the syntactic parsing method (78,76% and 80%) on the two created test datasets. For the purposes of correcting and declinating Latvian phonetic transcription, the author developed an extension for the morphological analyzer LVTagger. Additionally the author determined necessary LVTagger base model improvents to use this feature in practice.