Luísa Coheur - Projecto PT-STAR

Tradução Automática de Fala para Fala
no Projecto PT-STAR
Luísa Coheur (L2F/INESC-ID)
Place Logos of Partner Institutions

3
3
INESC-ID
 Brief history
 Established January 2000 (Owned by IST and INESC)
 Private Not-for Profit Research Institute of Public Interest
 Associated Laboratory since December 2004
 Facilities
 Alameda
 Tagus Park

4
4
The Spoken Language Systems Lab
 History
 Work on speech processing for Portuguese since the 90s
 Creation: 2001
 Mission
 Creating technology to bridge the gap between natural spoken language and the
underlying semantic information.
 Interdisciplinary background:
 Signal processing, natural language processing, linguistics, etc.

5
5
Core Technologies
Speech processing
 Text-to-speech synthesis
 Automatic process for building new voices
 Limited domain synthesis
 Expressive speech synthesis
 Audio-visual synthesis
 Automatic speech recognition
 Robust speech recognition
 Speaker adaptation
 Large vocabulary continuous recognition
 Rich transcription of spontaneous speech
 Speech coding
 Speech enhancement
 Speaker and language identification
Text processing
– Morphological analysis
– Syntactic analysis
– Semantic analysis
– Discourse analysis
– NL Generation
– Named entity extraction
– Information retrieval
– Summarization
– Question answering
– Machine translation
Spoken language processing
– Speech understanding
– Spoken dialog systems
– Speech-to-Speech machine translation
– Summarization of spoken documents
– Question answering on spoken documents
– Classification of multimedia documents
– Language tutoring
– etc.

6
Statistical Machine Translation

7
 Automatic Translators target to maximize:
 Faithfulness or fidelity
 How close is the meaning of the translation to the meaning of the
original
 Fluency or naturalness
 How natural the translation is, just considering its fluency in the
target language
 Developed by researchers from IBM

ˆT  argmaxT fluency(T)faithfulness(T,S)

8

ˆT  argmaxT fluency(T)faithfulness(T,S)
Translation ModelLanguage Model
Estou cansado Fluência Fidelidade
I’m exhausted 5 3
Tired me 2 5
I love cookies 5 0

9
Modelo de língua: fluêcia
 Qual a frase mais fluente?
 Passa a: “qual a mais provável”
 Podemos recorrer a modelos de língua
 criados com base em N-grams, por exemplo
 Advantage: this is monolingual knowledge!

10
Modelo de tradução: fidelidade
 Qual a frase mais fiel?
 Aqui há que observar como frases na língua fonte se traduzem na línga
alvo.
 Problema: precisa de Corpora paralelos
 Parlamento Europeu
 TED Talks
 …

11
Centauri/Arcturan [Knight 97]
1a. ok-voon ororok sprok .
1b. at-voon bichat dat .
7a. lalok farok ororok lalok sprok izok enemok .
7b. wat jjat bichat wat dat vat eneat .
2a. ok-drubel ok-voon anok plok sprok .
2b. at-drubel at-voon pippat rrat dat .
8a. lalok brok anok plok nok .
8b. iat lat pippat rrat nnat .
3a. erok sprok izok hihok ghirok .
3b. totat dat arrat vat hilat .
9a. wiwok nok izok kantok ok-yurp .
9b. totat nnat quat oloat at-yurp .
4a. ok-voon anok drok brok jok .
4b. at-voon krat pippat sat lat .
10a. lalok mok nok yorok ghirok clok .
10b. wat nnat gat mat bat hilat .
5a. wiwok farok izok stok .
5b. totat jjat quat cat .
11a. lalok nok crrrok hihok yorok zanzanok .
11b. wat nnat arrat mat zanzanat .
6a. lalok sprok izok jok stok .
6b. wat dat krat quat cat .
12a. lalok rarok nok izok hihok mok .
12b. wat nnat forat arrat vat gat .
Translate this to Arcturan: farok crrrok hihok yorok clok kantok ok-yurp

12

13

14
Spanish/English corpus
1a. Garcia and associates .
1b. Garcia y asociados .
7a. the clients and the associates are enemies .
7b. los clients y los asociados son enemigos .
2a. Carlos Garcia has three associates .
2b. Carlos Garcia tiene tres asociados .
8a. the company has three groups .
8b. la empresa tiene tres grupos .
3a. his associates are not strong .
3b. sus asociados no son fuertes .
9a. its groups are in Europe .
9b. sus grupos estan en Europa .
4a. Garcia has a company also .
4b. Garcia tambien tiene una empresa .
10a. the modern groups sell strong pharmaceuticals .
10b. los grupos modernos venden medicinas fuertes .
5a. its clients are angry .
5b. sus clientes estan enfadados .
11a. the groups do not sell zenzanine .
11b. los grupos no venden zanzanina .
6a. the associates are also angry .
6b. los asociados tambien estan enfadados .
12a. the small groups are not modern .
12b. los grupos pequenos no son modernos .

15
Speech to Speech Machine Translation

16
Speech to speech machine translation
 Speech-to-Speech Machine Translation (S2SMT) technologies
aim at enabling natural language communication between
people that do not share the same language

17
 S2SMT can be seen as a cascade of three major components:
 Automatic Speech Recognition
 Machine Translation
 Text-to-Speech Synthesis

18

20
The PT-STAR project
 Team:
 L2F/INESC-ID
 LTI/CMU
 UBI
 FLUL

21
The PT-STAR project
 One of the main problems of S2SMT is the still weak
integration between the three components
 The main goal of PT-STAR (Speech Translation Advanced
Research to and from Portuguese) is to improve speech
translation systems for Portuguese by strengthening this
integration

23
Task 1: ASR/MT
 Challenge
 Improve full stops and commas insertions
 Segmentation is a hard problem in automatic translation
 Improve capitalization
 Important to disambiguate (Ex: Pedro Steps Rabbit)
 Detect interrogatives
 Important if you target synthesis
 Porte everything to English
 Try to make everything as much language independent as
possible

24
Rich transcriptions
 boa tarde o governo considera que as medidas de austeridade aprovadas e
em vigor só para já adequadas às necessidades financeiras de portugal o
ministro das finanças mostra-se confiante com as metas traçadas no
programa de estabilidade e crescimento apesar de não fechar as portas à
hipótese de medidas adicionais de controlo orçamental em dois mil e doze
é desta forma que teixeira dos santos responde a pressão dos países da
moeda única querem que portugal e espanha avança com mais medidas de
austeridade dentro de ano e meio ainda em mês passou diz que o governo
decidiu apertar o cinto aos portugueses e já europa vem pedir mais para
depois de dois mil e onze o ministro das finanças não fecha a porta, mas
defende cada ano a seu tempo acho que estamos de em condições de
alimentar digamos confessa estar confiantes de que o objectivo para dois
mil e dez vai ser conseguido com as medidas adicionais que foram
entretanto já decididas

25
Rich transcriptions
 [anchor 150] Boa tarde o governo considera que as medidas de austeridade
aprovadas e em vigor. Só para já adequadas às necessidades financeiras de
Portugal. O ministro das Finanças mostra-se confiante com as metas traçadas
no programa de Estabilidade e Crescimento. Apesar de não fechar as portas à
hipótese de medidas adicionais de controlo orçamental, em dois mil e doze. É
desta forma que Teixeira dos Santos responde a pressão dos países da moeda
única, querem que Portugal e Espanha avança com mais medidas de
austeridade, dentro de ano e meio.
 [spk 2000] Ainda em mês passou diz que o Governo decidiu apertar o cinto aos
portugueses e já Europa vem pedir mais para depois de dois mil e onze. O
ministro das Finanças não fecha a porta, mas defende cada ano, a seu tempo.
 [spk 1000] Acho que estamos de em condições de alimentar, digamos confessa
estar confiantes, de que o objectivo para dois mil e dez, vai ser conseguido com
as medidas adicionais que foram entretanto já decididas.
 Tópicos: Política; Economia; Nacional;

26
Rich transcriptions
 [anchor 150] Boa tarde o governo considera que as medidas de austeridade
aprovadas e em vigor. Só para já adequadas às necessidades financeiras de
Portugal. O ministro das Finanças mostra-se confiante com as metas traçadas
no programa de Estabilidade e Crescimento. Apesar de não fechar as portas à
hipótese de medidas adicionais de controlo orçamental, em dois mil e doze. É
desta forma que Teixeira dos Santos responde a pressão dos países da moeda
única, querem que Portugal e Espanha avança com mais medidas de
austeridade, dentro de ano e meio.
 [spk 2000] Ainda em mês passou diz que o Governo decidiu apertar o cinto aos
portugueses e já Europa vem pedir mais para depois de dois mil e onze. O
ministro das Finanças não fecha a porta, mas defende cada ano, a seu tempo.
 [spk 1000] Acho que estamos de em condições de alimentar, digamos confessa
estar confiantes, de que o objectivo para dois mil e dez, vai ser conseguido com
as medidas adicionais que foram entretanto já decididas.
 Tópicos: Política; Economia; Nacional;

27
Translation
 [anchor 150] Good afternoon, the government believes that the austerity
measures approved and in force. Only for already suited to financial needs
of Portugal. The finance minister seems confident with the targets set out
in the stability and growth programme. Despite not close the door to the
possibility of additional measures of budgetery control in two thousand,
twelve. This is the way that Teixeira dos Santos responds the pressure of
the countries of the single currency, they want Spain and Portugal
progresses with more austerity measures, within a year and a half.
 [spk 2000] Still in month passed says that the government has decided to
tighten their belts the Portuguese and already Europe comes to ask for
more for after two thousand and eleven. The finance minister is not closes
the door, but defends each year, the his time.
 [spk 1000] I think that we are in conditions of food, say admits be trusted,
that the objective for two thousand, ten, will be achieved with the
additional measures that were in the meantime, has already decided.
 Topic: Politics; Economy; National;

28
Task 1: ASR/MT
 Challenge
 Take advantage of in-domain texts to build domain adapted
language models for ASR and MT
 Domain adaptation is one of the major problems in SMT (in a
word is not seen during training, the system will not be able to
translate it)

29
Task 1: ASR/MT
 Challenge
 Take advantage of imperfect transcriptions (in which annotations do
not include laughter, applause, filled pauses, repetitions, or other
disfluencies, and sometimes contain errors) to build acoustic models
for ASR
Example:
… In my opinion the many options to solve the...
… In my opinion ++BREATH++ the ++UH++ many options to solve the...

31
Task 2: MT/TTS
 Challenges
 Built Statistical Parametric Synthetic voices for Portuguese
 How do deal with translation errors when you target synthesis?
 Techniques for optimal synchronization using MT N-best list
 Grammar based phrasing strategies to improve synthesis of
disfluent MT output
 Voice Morphing
 Cross lingual voice morphing to match source speaker

33
Task 3: MT
 Challenges
 Alignments
 New algorithms to generate the well known lexicalized reordering
model using weighted alignment matrices
 Geppetto: a toolkit for word alignments and phrase extraction
 Users can improve the phrase extraction algorithm, due to the
fact that key control points can be manipulated
 Available at Google code

34
Task 3: MT
 Challenges
 Error analysis
 Taxonomy and detailed analysis of Moses vs. Google
 From BP to EP
 Built the BP2EP translator
 Corpora:
 TAP-UP corpus
 Flight magazine with parallel corpora PT/EN
 6000 questions translated into PT
 Original corpus in EN, from TREC
 Translation Model adapted with the questions’ corpus
 Important BLEU improvements (EN/PT 9, PT/EN 8)

35
Task 3: MT
 Challenges
 Participated in IWSLT 2010 (Evaluation Campaign)
 CN-EN, EN-CN
 FR-EN

36
Task 4: Proof of concept
TASK 4

37
Proof-of-concept
 Prototype development (pt, en, cn)
 Broadcast news (S2T)
 TED TALKS (S2S)
 Real time demo (S2S)

38
Demo e referências
 Demonstração em vídeo:
https://www.l2f.inesc-id.pt/demos/pt-star/Demo_S2S.mov
 Referências na comunicação social:
Reportagem na SIC Notícias
Artigo no "Ciência Hoje“
Reportagem na revista Sábado

Luísa Coheur - Projecto PT-STAR

Recommended

Recommended

More Related Content

Similar to Luísa Coheur - Projecto PT-STAR

Similar to Luísa Coheur - Projecto PT-STAR (7)

More from I Conferência Internacional de Tradução e Tecnologia

More from I Conferência Internacional de Tradução e Tecnologia (10)

Recently uploaded

Recently uploaded (20)

Luísa Coheur - Projecto PT-STAR