2 курс / Нормальная физиология / Физиология_речи_Восприятие_речи_человеком_Чистович_Л_А_

несколько узловых вопросов, без решения которых практически невозможно продолжать работу. К ним относится определение системы полезных признаков сигнала, определение набора рас­ познаваемых образов (фонемы или варианты фонем), выяснение отношений между фонемами (вариантами фонем) и отрезками зву нового потока.

Можно видеть, что все перечисленные вопросы находятся за пределами общей теории распознавания образов, их решение тре­ бует выяснения тех частных принципов кодирования и декодиро­ вания информации, которые характерны именно для речевой ком­ муникации.

Очевидно, что для получения нужных сведений необходимо обратиться к исследованию и моделированию деятельности или источника речевого сигнала (системы речеобразования), или приемника речевого сигнала (системы восприятия).

1.4.2.«МОТОРНАЯ ТЕОРИЯ»

И«АНАЛИЗ С ПОМОЩЬЮ СИНТЕЗА»

До последнего времени существовала надежда на то, что ключ к решению проблемы автоматического распознавания речи лежит в изучении речеобразования. Подход этот легко объяс­ ним, если учесть, что наиболее общее определение сигнала состоит в том, что он является процессом, переносящим сведения о состоя­ нии порождающей его системы [14°].

Значительные усилия исследователей были направлены на разработку методов, позволяющих с достаточной точностью вос­ станавливать по текущим значениям речевого сигнала текущие значения параметров передаточной функции речевого тракта и характеристики источника возбуждения [181> 182, 19°]. За послед­ ние годы на этом пути были достигнуты весьма существенные успехи [876].

Казалось, что остается сделать еще один шаг и восстановить по картине изменения состояния тракта во времени те сигналы управления — моторные команды, которые вызвали эти изменения состояния.

На перспективность такого подхода указывала, казалось бы, и весьма популярная примерно 10 лет назад моторная теория вос­ приятия речи [35°] (см. обзоры [40, 889]). Моторная теория посту­ лировала, что, воспринимая речевой сигнал, слушатель определяет моторные команды, которые необходимо применить для создания аналогичного сигнала, и запоминает далее уже не акустическое изображение сигнала, а последовательность этих моторных команд.2

’ Следует заметить, что экспериментальные факты, на которых основы­ валась моторная теория, были в равной мере совместимы с представлением,

Привлекательность моторной теории для специалистов, зани­ мающихся проблемой автоматического распознавания речи, за­ ключалась в том, что моторные команды можно было в первом приближении отождествить со ступенчатыми импульсами упра­ вления, характеризующимися всего двумя параметрами — вре­ менем появления ступеньки и £е величиной.

Рассматривая движение управляемого артикуляторного органа как отклик инерционного звена на ступенчатое возмущение и считая, что параметры этого звена постоянны, можно было на­ деяться составить модель, описывающую преобразование управ­ ляющих команд во временную картину изменения конфигура­ ции речевого тракта и соответствующую ей временную картину изменений параметров тракта как акустической системы.

Если такая модель создана, то появляется возможность при­ менить метод анализа с помощью синтеза, т. е. записать восста­ новленную по речевому сигналу картину изменений параметров речевого тракта во времени и подобрать такие значения управляю­ щих команд в модели, при которых отклик модели будет наилуч­ шим образом соответствовать реально наблюдавшейся картине. Естественно, что реализация такого метода возможна лишь при использовании ЭВМ. Метод требует предварительного запомина­ ния изображения сигнала, параметров тракта — как функции времени, — он включает поиск одновременно по многим перемен­ ным наилучшей аппроксимирующей функции.

Важно, что при таком подходе фонемы существуют как дискрет­ ная последовательность лишь на уровне сигналов управления. Если управляющие ступенчатые импульсы быстро следуют друг за другом, то конфигурация тракта может вообще не достигать стационарных «целевых» состояний. В случае метода анализа с помощью синтеза это не является препятствием — для аппро­ ксимации используются переходные участки процесса.

Рассмотрение фонемы как группы моторных команд, адресован­ ных разным артикуляторным органам, открывало также, как казалось, принципиальную возможность параллельного поиска команд, относящихся к гласным и согласным. Факт переслаивания артикуляции гласных и согласных, известный как эффект коартикуляции, является одним из дополнительных источников трудно­ стей при автоматическом распознавании речевого потока.

Легко заметить, что перспективность указанного очень логич­ ного, но технически сложного подхода критически зависит от того, насколько стандартны моторные команды и что стабиль­ нее — моторные команды или акустический эффект, достигаемый в результате реализации этих команд.

что человек текущим образом распознает дифференциальные признаки фо­ нем (их вариантов) и запоминает не акустический, а фонетический образ сообщения. Именно такая интерпретация этих данных принята в настоящее время.

Последнее десятилетие характеризовалось чрезвычайно интен­ сивными исследованиями характеристик артикуляторных движе­ ний и связанной с этими движениями биоэлектрической актив­ ности мышц артикуляторов. Оказалось, что предположение о стан­ дартности моторных команд не подтверждается [360, 372]. Как и в случае других сложных движений, обнаруживается высокая вариативность движений, зависимость их от многих конкретных условий исполнения. В качестве примера, хорошо известного каждому из обыденной жизни, можно привести тот факт, что че­ ловек достаточно легко говорит лежа, с сигаретой в зубах и т. д. Конкретные характеристики движений в этих разных условиях исполнения оказываются различными.

Исследователи речеобразования приходят сейчас к тому, что для описания н моделирования процесса управления речеобразованием необходимо использовать такое понятие, как цель движе­ ния. Очевидно, что целью в данном случае может быть лишь созда­ ние определенного акустического эффекта, доступного и «понят­ ного» слушателю.

Если это так, то ключ к решению проблемы автоматического распознавания речи следует искать в изучении не источника, но приемника речевой информации, т. е. в изучении процесса восприятия речи.

1.4.3. ИЕРАРХИЧЕСКИЕ СИСТЕМЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РЕЧИ

Наиболее характерной особенностью современного этапа работ по автоматическому распознаванию речи является стремление разработать многоуровневые иерархические системы, способные использовать разного рода сведения о языке и ситуа­ ции I18' 255’ “Ч.

Утверждение, что только системы, знающие язык и понимаю­ щие смысл сообщения, окажутся в конечном итоге работоспособ­ ными и практически полезными, содержалось в письме-заметке Пирса [422]. Считается, что это письмо оказало очень большое влияние на организацию работ по автоматическому распознаванию речи не только в США, но и во всем мире. Оно привело к определен­ ному сокращению разработок технических систем автоматического распознавания речи, но способствовало более серьезному отноше­ нию к теоретическим аспектам речевых исследований [256, 259-324, 436].

Вопрос о том, почему система должна иметь иерархическую многоуровневую структуру, будет достаточно подробно рассмо­ трен в главе 2. Сейчас мы только укажем на то, что первым (самым нижним) блоком системы, в структуре которого уже должно отра­ жаться знание языка, является блок фонетической интерпретации.

Следующие, более высокие, блоки должны моделировать мор­ фологический и синтаксический анализ сообщения, обеспечивая в конечном итоге получение описания смысла сообщения (см. гл. 2).3

Вопрос о том, как и в какой форме может быть заложено в си­ стему знание языка, пока отнюдь не решен.

При обсуждении проектов систем указывается, что блок фоне­ тической интерпретации должен использовать сведения о харак­ терных для данного языка закономерностях сочетаний фонем, а также о фонетических и фонологических взаимовлияниях [4071. Для использования этих сведений, очевидно, необходимо, чтобы отрезок речевого потока, рассматриваемый при фонетической ин­ терпретации, соответствовал интервалу, на котором наблюдаются эти взаимовлияния.

Общепринятый подход состоит в том, что если информации недостаточно, то выходом фонетического интерпретатора является не единственное решение (например, одна цепочка фонем), но

производится на следующем уровне обработки, результатом кото­ рой может быть также указание нескольких кандидатов, но теперь уже не цепочек фонем, но последовательностей слов.

Использование языковой избыточности на уровне морфологи­ ческого и синтаксического анализа может быть весьма разнооб­ разным. Простейший вариант, применяемый в ряде реализован­ ных систем автоматического распознавания [п- 34, 38, 55], заклю­ чается в том, что сообщение считается состоящим только из известных системе слов (набор их ограничен) и что в памяти системы указаны разрешенные сочетания слов.

Элементарный и поверхностный способ учета ситуации со­ стоял бы в том, чтобы словам в словаре системы были приписаны вероятности, значения которых динамически зависели бы от ситуации. Однако разработка этого вопроса требует решения ряда сложнейших проблем, относимых к области моделирования интел­ лекта (форма описания смысла сообщения, организация сведений об окружающем мире в долговременной памяти системы и т. д.). Работа в этом направлении пока только начинается.

При обсуждении возможности использования языковых за­ кономерностей выделяются закономерности, имеющие вид правил, и статистические характеристики. Очевидно, что привлечение при распознавании статистических сведений о языке (например, такое-то слово априорно более вероятно, чем другие слова) чревато опасностями искажения сообщения. Поэтому разработка методов, реализующих догадку о сообщении, ни в коей мере не снимает проблему максимально полного извлечения информации, содержа­ щейся в самом речевом сигнале. Соответственно все вопросы, свя­ занные с определением набора полезных признаков речевого сигнала, набора фонетических элементов, правил фонетической интерпретации и т. д., в полной мере остаются актуальными и для иерархических распознающих систем. Последние обзорные статьи по автоматическому распознаванию речи [147, 260■ 283• 407] свиде­ тельствуют о том, что они все еще не решены.

Глава 2

ОБ ОПИСАНИИ РЕЧЕВОГО СИГНАЛА ПОСЛЕ ЕГО ФОНЕТИЧЕСКОЙ

ИНТЕРПРЕТАЦИИ

Полная модель восприятия речи должна обеспечи­ вать преобразование речевого сигнала в описание смысла сообще­ ния. Анализ возможной структуры полной модели показывает, что она должна состоять из ряда последовательных блоков обра­ ботки информации.

Исследование отдельного блока такой сложной системы необ­ ходимо предполагает использование определенных допущений относительно описания сигнала на входе блока и описания на выходе. Так как описание на выходе г-того блока является вход­ ным описанием для (г+1)-го блока, формулировка требований к этому описанию начинается с того, что исследователь (г+1)-го блока сообщает, какое описание было бы удобным для его целей. Исследователь г-того блока принимает это в качестве исходной гипотезы и пытается ее проверить. Если она не подтверждается, происходят дальнейшие уточнения, ведущие к изменению пред­ ставлений о предполагаемой структуре как г-того, так и (г+1)-го блока.

Одно из фундаментальных положений науки о языке заклю­ чается в том, что переход к смыслу сообщения возможен лишь после того, как речевой сигнал преобразован в последовательность дискретных элементов. Более частным является представление о том, что эта последовательность может быть изображена цепоч­ кой символов-фонем и что число фонем в каждом языке очень мало (так, по мнению московской фонологической школы, в рус­ ском языке существует 39 фонем). В соответствии с этим основным положением модель восприятия речи должна включать блок фоне­ тической интерпретации, обеспечивающий переход от речевого сигнала к последовательности элементов.

Проблема фонетической интерпретации первоначально форму­ лировалась как проблема распознавания фонем, набор которых принят лингвистами для описания данного языка. При этом пред­

полагалось, что вся информация, содержащаяся в описании сиг­ нала, полученном в результате фонетической интерпретации, исчерпывается цепочкой фонем. В настоящее время ни у кого не вызывает сомнений, что такая формулировка проблемы была оши­ бочной. Таким образом, снова появляется необходимость опреде­ лить требования к описанию сигнала на выходе блока фонетиче­ ской интерпретации, исходя при этом из того, какое описание нужно для обработки информации на следующих, более вы­ соких уровнях и какое описание в принципе м о ж п о получить из речевого сигнала.

2.1. ОПИСАНИЕ СМЫСЛА И ПРЕДШЕСТВУЮЩИЕ

ЕМУ ОПИСАНИЯ СООБЩЕНИЯ

Настоящий раздел главы предназначается для чита­ теля, не имеющего специального лингвистического образования. В нем делается попытка популярно объяснить, что для понимания смысла сообщения необходим синтаксический анализ предложе­ ния, который в свою очередь предполагает предварительный морфо­ логический анализ, а последний требует фонемного или близкого

кфонемному описания речевого сигнала. Для достижения этой цели мы сочли возможным избрать один весьма частный подход

кописанию смысла и использовать ряд упрощающих предполо­

жений (подробно о проблеме «текст - ► смысл» см. в рабо­ тах рммоз.иир

Попытаемся прежде всего представить себе, что может под­ разумеваться под смыслом услышанного предложения. Для этого примем, что человек является информационной системой и что любое услышанное сообщение потенциально является либо инфор­ мацией, которая должна быть записана в долговременную память системы, либо запросом, требованием выдать информацию, хра­ нящуюся в системе. Реальная судьба сообщения будет, естественно, зависеть от того, что система уже знает, есть ли в ней запрашивае­ мая информация, является ли сообщаемая информация новой, не приходит ли она в противоречие с уже имеющимися сведениями.

Для того чтобы решить, что делать с полученным сообщением, и быть способной или приобщить его к уже известным данным, или найти запрашиваемую им информацию, система должна распола­ гать удобным для обозрения описанием сообщения, согласован­ ным с описанием данных в долговременной памяти.

Существует мнение [891, что единицей, используемой для описа­ ния (упорядочения) сведений в долговременной памяти человека, является событие. Событие имеет примерно один-два десятка признаков, имеющих смысл вопросов о том, какое действие совер­ шается, кто его совершает, на что оно направлено, что исполь­ зуется в качестве инструмента, где происходит событие, когда оно происходит (происходило) и т. д. Характеристиками события по

признакам, т. е. ответами на эти вопросы, являются или понятия, или другие события.

Не останавливаясь на обсуждении привлекательных сторон такого подхода (например, возможность увеличения упорядочен­ ности сведений с накоплением опыта), обратим внимание на то, что признаки события приближенно соответствуют членам пред­ ложения, тем вопросам, на которые отвечают члены предложения (сказуемое, подлежащее, обстоятельство места, обстоятельство времени и т. д.).

Примем для простоты, что простое предложение является со­ общением только об одном событии, причем в качестве характери­ стик события выступают только понятия (а не другие события). Будем также, заведомо упрощенно, считать, что каждому при­ знаку события соответствует специальный член предложения. Тогда описание события, о котором сообщается в простом предло­ жении, можно представить себе как частично заполненную анкету со стандартным числом вопросов (каждый вопрос — возможный признак события и одновременно возможный в языке член предло­ жения). Это описание можно условно принять в качестве смысла предложения, заметив, однако, что в анкете должна быть по край­ ней мере еще одна графа, указывающая, является ли предложение запросом информации (вопросом^ или сообщением информации.

Мы априорно приняли, что ответом на вопрос анкеты должно быть понятие. Несомненно, что понятие соответствует не одному частному объекту, но множеству объектов, оно обозначается в большинстве случаев не одним словом, но группой слов-сино­ нимов.

Для наглядности примем, что понятие — это номер, указываю­ щий множество слов разных языков, обозначающих одно и то же. Тогда становится вполне понятным, что по анкете уже нельзя вос­ становить язык, на котором было произнесено предложение. Таким образом, описание смысла предложения с помощью анкеты удовлетворяет требованию свободы смысла сообщения от конкрет­ ного языка, на котором оно сделано.

Теперь мы можем определить задачу понимания смысла пред­ ложения как задачу заполнения указанной анкеты.

Легко заметить, что для этого нужно решить два вопроса: найти номера граф анкеты, на которые отвечает предложение, и записать в каждую графу ответ. Для рассматриваемого идеализи­ рованного случая, где каждой графе соответствует специальный член предложения, задача сводится к тому, чтобы определить, какие члены предложения есть в данном предложении, идентифи­ цировать каждый член предложения (найти подлежащее, сказуе­ мое и т. д.) и записать соответствующее ему конкретное понятие.

Информация о номере графы анкеты передается с помощью разнообразных грамматических средств, набор которых различен в разных языках. Существенно, что для описания этих средств необходимо пользоваться понятием слова. Система, осуществляю­

щая синтаксический анализ предложения (упрощенно говоря, производящая поиск подлежащего, сказуемого и т. д.), должна трактовать предложение как состоящее из слов. Тогда она может

понятий. Заметим, что классификация конкретных объектов может осуществляться по нескольким различным признакам. Соответ­ ственно конкретное понятие может быть описано «аналитически» — путем указания двух или более классов, к которым оно одновре­ менно принадлежит. Такой метод широко используется в языке. Например, слово козленок определяет конкретное понятие через

ставить предложение как последовательность единиц, где еди­ ницы — это организованные группы информаций о слове, его характеристики. Характеристики слова разделяются на лексиче­ ские (номер конкретного понятия или классов понятий при ана­ литическом описании) и грамматические (грамматический класс слова, падеж, число, залог и т. д.).

Из этого следует, что модель восприятия речи обязана вклю­ чать промежуточный блок, который обеспечивал бы представление сообщения в виде последовательности слов, описанных в терминах их лексических и грамматических характеристик. Обработка ин­ формации, выполняемая этим блоком, обозначается как морфоло­ гический анализ. Все представления о правилах морфологиче­ ского анализа основываются на допущении, что на входе этого блока слово представлено как последовательность дискретных элементов-фонем.

Понятие «фонема» является весьма конструктивным, так как оно не только позволяет связать слово с соответствующими ему арти­ куляторными жестами и речевым сигналом, но и связывает слухо­ вое изображение речевого сигнала с движениями. Не используя понятий, близких по смыслу к фонемам, нельзя описать таких явлений, как имитация (речевое воспроизведение) услышанного бессмысленного звукосочетания или его буквенная запись.

Как только слово определено как последовательность фонем, появляются понятия начала и конца слова. «Входными» призна­ ками слова, которые можно использовать при определении его грамматических п лексических характеристик, становятся после­ довательности фонем, расположенные на определенном месте в слове. Такие последовательности называются грамматическими и лексическими морфемами. В частном случае морфема может состоять всего из одной фонемы.

Для удобства изложения мы Примем, что на каком-то уровне описания предложения при речеобразовании слова отделены друг от друга и каждое слово представлено своей фонематической транскрипцией. При описании потерь фонемной информации ис­ пользуется понятие позиционных и комбинаторных вариантов фонем [72]. В частности, очень Значительные потери связаны с по­ зиционными вариантами фонем, т. е. с положением фонемы в без­ ударном (заударном, предударном) слоге [21].

Пять (по представлениям московской фонологической школы) русских гласных фонем реализуется лишь в положении под уда­ рением. В безударном положении число отличающихся друг от друга вариантов гласных резко сокращается. Особенно сильной

ции передается с помощью окончаний слов — флексий, очень важен вопрос о фонетических характеристиках заударных флек­ сий. Бондарко и Вербицкая [14] показали, что гласные элементы заударных флексий подвергаются столь же сильной редукции, что и заударные гласные, не несущие грамматической нагрузки.

Из этого следует, что полного описания слова в терминах его лексических и грамматических характеристик принципиально нельзя получить на основании анализа речевого сигнала, соответ­ ствующего одному этому слову.

Обратимся теперь к вопросу о том, есть ли в устной речи какие-то сигналы, которые играли бы роль пробелов между сло­ вами, т. е. указывали бы, где кончается одно слово и начинается другое слово. Такие предполагаемые сигналы называются в рус­ ской фонетической литературе «пограничными сигналами».

Вработе [20] были исследованы динамические спектрограммы

иосциллограммы 300 фраз, составленных таким образом, что

одно и то же сочетание фонем гласный + согласный (ГС) или соглас­ ный + гласный (СГ) то принадлежало одному слову, то относилось к двум разным соседним словам. Например, Ракета кажется, старой и Ракет окажется мало.

Результаты показали, что при произнесении одной и той же фразы (где С и Г относятся к разным словам) наблюдаются два крайних случая. В одном случае между согласным и гласным имеется отчетливая пауза (длительностью 55—80 мс), в другом случае нет ни паузы, ни каких-либо иных акустических призна­ ков границы между словами. Из всех случаев, когда наблюдалась пауза, 95% приходилось на фразы, где первое слово кончалось согласным (С—пауза—Г) и только 5% — на фразы, где первое слово заканчивалось гласным (Г—пауза—С). Во второй части работы исследовалась способность слушателей произвести чле­ нение на слова по вырезанной части фразы. Оказалось, что при наличии паузы граница между словами определялась практически безошибочно. При отсутствии паузы ответы достоверно не отли­ чались от случайных.