Synth

1
Synthèse de la parole à partir de courriels et
évaluation de la conversion graphème-phonème

• Philippe Boula de Mareüil
• LIMSI-CNRS
• mareuil_at_limsi.fr

2
Introduction

• Nouvelles formes de communication écrite (NFCE)
• courrier électronique (e-mail), forums
• chat (IRC, ICQ)
• pages personnelles (blogs, webzines, wiki)
• ? nouveaux besoins en synthèse de la parole
• applications embarquées (automotive)
• multimédia
• télécommunications

3
Introduction

• Problèmes typiques des mails
• absence daccentuation, néologismes, et autres
  abréviations
• fautes de frappe ou dorthographe
• mails sans majuscule (ou au contraire sans
  minuscules)
• Difficultés pour recueillir un corpus de mails
• séparer le corpus du message des entêtes et
  signatures
• rendre anonymes les adresses par un générateur
  aléatoire

4
Architecture dun système de synthèse vocale
5
Normalisation du texte
6
Prétraitements usuels

• Signes non alphanumériques, sigles, symboles et
  autres abréviations
• Nombres décimaux, ordinaux, écrits en chiffres
  romains
• Notations liées à linformatique

_at_portia.psyc.queensu.ca _at_nytud.hu _at_uasoiro.freenet
.ua _at_physik.hu-berlin.de _at_elka.pw.edu.pl,
_at_lettere.unibo.it
7
État de lart pour le français

• Le Mail Itineris (France Télécom RD)
• Dial play (Elan)

8
Le système dElan

• filtre les entêtes et les séparateurs répétés
  plus de 2 fois
• opère une réaccentuation partielle
• prend en compte les heures, les adresses
  électroniques Ex.
• (01?0-920-4)0-50-9
• alnumalnum.-alnum_at_alnum
  alnum.-alnum
• où alnum désigne  alphanumérique  et où
  les parenthèses délimitent les
• arguments du  ou  ().
• épelle la 1re consonne de pnom_at_adresse.ll si le
  groupe pn nest pas attesté en début de mot, et
  épelle le suffixe composé de 2 lettres

9
Le système dElan

• peut être paramétré pour lire gt, _at_...
• traite les items spécifiques comme _at_, ) (?)
• peut tirer profit de la forme isolée des
  signatures (pour les numéros de téléphone, les
  codes postaux)
• prévoit de décrire les documents au format HTML
  (ex. les énumérations)
• détecte la langue du message sur la base des 200
  mots les plus fréquents, et lance le moteur de
  synthèse correspondant

10
Évaluation de la conversion graphème-phonème (GP)

• Le volet EvaSy du projet Technolangue EVALDA
• évaluation de la synthèse de la parole à partir
  du texte en français
• corpus en cours de construction au DELIC,
• réutilisable dans des études futures
• 2 tâches envisagées pour la conversion GP
• - liste de noms propres
• - courriers électroniques
• LARC ILOR B3 de la campagne AUPELF

11
Problèmes spécifiques aux mails ?

• Delphine ma transmis vos questions. Voici
  quelques éléments de réponse.
•        /_at_/                 /oO/ 
  /eE/                      /_at_zz/ /eE/       
  /eE/ _at_/
• Question des variantes
• abréviations ? épellation (ex. qqch, bcp, ds, ns,
  pb)
• g pour jai ? /?e/
• c important pour cest important ? /se
  ??p??t??/ (pas de liaison)
• vs pour vous ? /ve?s/ (conflit homonymique
  avec versus )
• Même la dégradation provenant dabsence de
  diacritiques ne représente
• quun faible pourcentage des erreurs observées.

12
Problèmes spécifiques aux mails ?

• Delphine ma transmis vos questions. Voici
  quelques éléments de réponse.
•        /_at_/                 /oO/ 
  /eE/                      /_at_zz/ /eE/       
  /eE/ _at_/
• Question des variantes
• abréviations ? épellation (ex. qqch, bcp, ds, ns,
  pb)
• g pour jai ? /?e/
• c important pour cest important ? /se
  ??p??t??/ (pas de liaison)
• vs pour vous ? /ve?s/ (conflit homonymique
  avec versus )
• Même la dégradation provenant dabsence de
  diacritiques ne représente
• quun faible pourcentage des erreurs observées.

13
Problèmes spécifiques aux mails ?

• Delphine ma transmis vos questions. Voici
  quelques éléments de réponse.
•        /_at_/                 /oO/ 
  /eE/                      /_at_zz/ /eE/       
  /eE/ _at_/
• Question des variantes
• abréviations ? épellation (ex. qqch, bcp, ds, ns,
  pb)
• g pour jai ? /?e/
• c important pour cest important ? /se
  ??p??t??/ (pas de liaison)
• vs pour vous ? /ve?s/ (conflit homonymique
  avec versus )
• Même la dégradation provenant dabsence de
  diacritiques ne représente
• quun faible pourcentage des erreurs observées.

14
Conclusion

• Évaluation coûteuse
• ? plus de 99 de mots bien prononcés par le
  meilleur système,
• sur des textes journalistiques
• ? majorité derreurs provenant des noms propres
• Autres situations
• Audiotel, alerte de bord, bulletins météo ou
  circulation, textes de droit, bibliographies,
  pages Web, manuels utilisateurs, recettes de
  cuisine, petites annonces, horoscopes, articles
  de bourse
• ? plus derreurs potentielles