Prosodia

A volte non è quello che dici, ma come lo dici. Questo è un truismo con cui la maggior parte delle persone può relazionarsi, ma i computer no. Sebbene il software di riconoscimento vocale sia diventato abbastanza bravo a comprendere le parole, non è ancora in grado di distinguere la punteggiatura come punti e virgole, o scegliere tra frasi ambigue i cui significati dipendono dall'emozione di chi parla. Questo perché tale software non riesce ancora a dare un senso alle intonazioni, alle enfasi e alle pause - note collettivamente come prosodia - che le persone usano intuitivamente per fare tali distinzioni.

Ma con più di un centinaio di gruppi di ricerca aziendali e accademici che lavorano sul problema, i tentativi di incorporare la prosodia nel software vocale stanno riscuotendo un successo crescente. Strumenti basati sulla prosodia sono già utilizzati per la sintesi vocale, per migliorare la naturalezza delle voci sintetizzate come quelle che recitano il tuo conto in banca al telefono. Con l'avanzare della ricerca sulla prosodia, questi sistemi automatizzati suoneranno sempre più naturali anche quando si pronunciano frasi complesse.

Questa storia faceva parte del nostro numero di luglio 2002

• Vedi il resto del problema
• sottoscrivi

È nel riconoscimento vocale, tuttavia, che dovrebbero derivare i vantaggi più importanti. I recenti progressi suggeriscono che entro cinque anni, il software di prosodia eseguirà compiti come dire quando un cliente che parla a un sistema telefonico automatizzato si sta arrabbiando e risponderà di conseguenza, ad esempio, trasferendo la chiamata a un essere umano. Questa è roba davvero all'avanguardia, afferma Michael Picheny, informatico e manager del gruppo di algoritmi vocali e linguistici presso IBM Research a Yorktown Heights, NY. Fino agli ultimi due anni, la qualità del riconoscimento vocale era così primitiva che non valeva nemmeno la pena esplorare come suscitare comportamenti diversi dalle macchine trasmettendo l'intento emotivo. Per prima cosa volevi solo che la macchina pronunciasse le parole giuste.

Le onde sonore hanno tre componenti di base con cui il software di prosodia può funzionare. Il primo è il tempo: la durata delle pause tra le parole e le frasi. In secondo luogo viene il tono, più precisamente, il relativo cambiamento di tono all'interno di parole e frasi. Infine, c'è il volume, un cambiamento di ampiezza che indica l'enfasi.

Per un computer, cogliere il significato di queste caratteristiche è molto più difficile che identificare le parole, afferma Elizabeth Shriberg, una scienziata informatica che guida la ricerca sulla prosodia presso SRI International a Menlo Park, in California. Le parole sono una serie lineare di eventi fonetici, come ee e th. Le caratteristiche prosodiche, al contrario, si verificano attraverso parole e frasi. Peggio ancora, diversi tipi di schemi prosodici spesso si sovrappongono l'uno all'altro; un set potrebbe rivelare che una frase è stata pronunciata con calma, un secondo che la frase era una domanda. Ma i ricercatori stanno iniziando a mapparli. Ad esempio, Shriberg e i suoi colleghi hanno creato un modello di una frase arrabbiata: è complessivamente più lenta, ha un'enfasi esagerata sulle parole chiave e termina con un'inclinazione verso il basso (ne avevo bisogno lo scorso martedì ma non è arrivato). Shriberg ha generato modelli prosodici di qualsiasi cosa, dai diversi stati emotivi alla punteggiatura alle disfluenze, i cambiamenti quando le persone cambiano pensiero a metà frase o borbottano uh.

Mentre gli strumenti di SRI sono ancora esercizi di ricerca, l'uso su larga scala della prosodia per il riconoscimento vocale potrebbe essere appena oltre l'orizzonte. Applicazioni limitate sono già utilizzate nel software di riconoscimento vocale cinese. In Cina, a seconda dell'inflessione, la parola Ma può significare mamma o cavallo, o indicare che la frase era una maledizione, spiega Xuedong Huang, un informatico che dirige un gruppo di tecnologia vocale presso Microsoft Research a Redmond, WA. È molto pericoloso, scherza. Microsoft ha già iniziato a incorporare la semplice prosodia nel suo software di riconoscimento vocale in lingua cinese e sta lavorando per creare software di prossima generazione per le lingue cinese e giapponese.

I prossimi cinque anni dovrebbero vedere gli strumenti prosodici in lingua inglese per il riconoscimento vocale fare le loro prime incursioni nel mercato. Un'applicazione: le aziende possono cercare automaticamente i database telefonici registrati del servizio clienti, trovare le chiamate arrabbiate e studiare cosa è andato storto. Un'altra possibilità: identificare la punteggiatura, così i medici che parlano nei sistemi di dettatura non dovranno dire il punto.

Ma ci vorranno almeno dieci anni, dice Shriberg di SRI, prima che qualsiasi computer possa iniziare a fare ciò che le persone fanno ogni giorno: decodificare completamente una conversazione con tutte le sue inflessioni, filtrando i rumori di fondo. Stiamo cercando di colmare in qualche modo il divario [uomo-macchina], quindi quando gli esseri umani scarseggiano, o nello spazio, o in supporto vitale, il computer sarà il più intelligente possibile, dice Shriberg. Per ora, comunque, non provare a spiegare quell'ambizione a un computer. Non capirà la tua eccitazione.

nascondere