1. Analyse des performances de
modèles de langage sub-lexicale
pour des langues peu-dotées à
morphologie riche
Hadrien Gelas1,2, Solomon Teferra Abate2,
Laurent Besacier2, François Pellegrino1
1Laboratoire DDL, CNRS - Université de Lyon, France
2LIG, CNRS - Université Joseph Fourier Grenoble, France

2. Introduction Résultats
1 2 3
Segmentation
des données
textuelles

3. Introduction
1

4. Amharique
Langue
Sémitique
333

5. Swahili
Langue
Bantu
333

6. Reconnaissance
Automatique de la
Parole (RAP)
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
J Sorties
texte

7. Ressources en RAP
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
AMH : 20h de parole lue
SWH : 2h30 de parole lue
+ 10h de broadcast news
J Sorties
texte

8. Ressources en RAP
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
65k mots les plus fréquents
pour les 2 langues
J Sorties
texte

9. Ressources en RAP
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
AMH : 2.3M de mots
SWH : 28M de mots
J Sorties
texte

10. Amharique et swahili
Morphologie riche

11. Morphologie Riche
en swahili
English They will not tell you

12. Morphologie Riche
en swahili
English They will not tell you
Swahili hawatakuambieni

13. Morphologie Riche
en swahili
English They will not tell you
Swahili hawatakuambieni
Segm. ha-wa-ta-ku-ambi-e-ni
Gloss NEG-SM2-FUT-OM2-tell-FIN-PL

14. Morphologie Riche
et RAP [Creutz et al., 2007]

15. Morphologie Riche
et RAP
Faible couverture lexicale
OOV% élevé
3
Segmentation des mots en
sous-unités !

16. Segmentation des
données
3 approches et
3 étiquetages
2

17. Approche #1
Approche non-supervisée
(Morfessor), guidée par les
données.
liste de mots
3
liste de morphes

18. Approche #2
Approche supervisée, nécessite un
corpus d’apprentissage
manuellement segmenté.
liste de mots
3
liste de morphèmes

19. Approche #3
Découpage en syllabe à partir de
règles suivant les contraintes
phonologiques et structurelles des
langues respectives
liste de mots
3
liste de syllabes

20. Ressources en RAP
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
On apprend des modèles de
langage à partir des corpus
segmentés en sous-unités
J Sorties
texte

21. Ressources en RAP
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
Nécessite de reconstruire les
sorties au niveau mot ! J Sorties
texte

22. Etiquetage #1
_AFX : Une frontière (MB) est a joutée
à la gauche (ou droite) de la
segmentation laissant la « racine »
isolé.
ki tabu 3
kiMB tabu 3
kitabu

23. Etiquetage #2
_ALL : Une frontière (MB) est a joutée
de chaque côté de la segmentation.
Distinguant ainsi chaque racine par
sa position (ROOT, MBROOT, ROOTMB,
MBROOTMB)
ki tabu 3
kiMB MBtabu 3
kitabu

24. Etiquetage #3
_POS : Pour les syllabes, nous avons
a joutés à la syllabe la position de la
syllabe dans le mot.
ki ta bu 3
1ki 2ta 3bu kitabu
3

25. Résultats (WER)
"
Dictionnaire
Modèles
r prononciation r Modèles
acoustiques
l l de langage
3 J Sorties
texte

26. Résultats swahili (WER)

27. Résultats amharique (WER)

28. Résultats (OOV %)

29. Conclusion
RAP : langues à morphologie riche
Mots 3
Sous-unités
= Amélioration du WER%
= Amélioration du OOV%
Si segmentation appropriée !

30. Récapitulatif
Influence sur performances =
3 paramètres
#1 : Longueur couverte par n-gram
si suffisante…
#2 : Couverture lexicale
si suffisante…
#3 : Précision des contextes

31. Merci!
hadrien.gelas@univ-lyon2.fr
solomon_teferra_7@yahoo.com
laurent.besacier@imag.fr
francois.pellegrino@univ-lyon2.fr

32. Résultats swahili (TYPE OOV %)
19.17
12.46
10.28 11.36
1.61
Word-65k Word-200k Word-400k Morf-65k Morf-200k

33. Comparaison – swahili
approches et étiquetages