Cât de repede se vorbește româna?
Fiecare punct de pe linia de mai jos este un om care a citit propoziții cu voce tare. Româna citită merge cu vreo cinci silabe și jumătate pe secundă, la fel de repede ca italiana măsurată la fel. La urmă, orice voce își poate găsi locul pe aceeași linie.
265 de voci pe o singură linie#
Voluntari ai proiectului Mozilla Common Voice au citit cu voce tare propoziții tipărite, iar înregistrările au fost ascultate și validate de alți voluntari. Pentru fiecare om cu cel puțin cinci înregistrări păstrate s-a calculat un singur număr: silabele propoziției împărțite la timpul de vorbire, cu pauzele mai lungi de 150 de milisecunde scoase din durată.
Vorbitorul din mijloc citește cu 5,6 silabe pe secundă; jumătate dintre oameni stau între 5,1 și 6,0. Este citire, nu conversație, iar voluntarii nu alcătuiesc un eșantion al țării: numărul descrie oamenii măsurați, în situația măsurată.
Ruda apropiată, măsurată cu aceeași riglă#
Dintre limbile măsurate în studiul din 2019, italiana este ruda apropiată a românei. Pe aceleași înregistrări de citire la rece, 2.977 de vorbitori de italiană au mediana la 5,3 silabe pe secundă. Norul lor are aproape aceeași formă și aceeași întindere ca norul românesc.
Româna stă puțin înainte în fiecare clasă de lungime a propoziției; după corecția din numărarea manuală a silabelor, avansul este de vreo șase procente. Despre care limbă înrudită este cea mai apropiată de română prin alte măsurători scrie pagina „Care limbă e cea mai apropiată de română?”.
Între voci, diferența e mai mare decât între mediane#
Cel mai lent vorbitor român păstrat citește cu 3,5 silabe pe secundă, cel mai rapid cu 7,9: un raport de 2,3 între oameni care citesc același fel de propoziții. Trei voci se pot auzi chiar aici, fiecare cu ritmul ei tipărit lângă ea.
Între mediana românei și mediana italienei, măsurate la fel, raportul este de 1,05. În acest corpus, întinderea dintre oameni este mult mai mare decât distanța dintre cele două mediane.
Trei înregistrări din linia de mai sus (Mozilla Common Voice, CC0), aduse la aceeași tărie:
În alt corpus, numărul e altul#
În ambele limbi, ritmul crește cu lungimea frazei: la propoziții de 6–10 silabe, mediana românei este 4,9, la fraze de 31–60 de silabe ajunge la 6,4. O singură propoziție citită la rece, acasă, este treapta cea mai lentă măsurată aici.
Pe treapta următoare, discursurile pregătite din Parlamentul European (corpusul VoxPopuli) așază româna la 6,5 silabe pe secundă (49 de vorbitori) și italiana la 6,4 (77 de vorbitori): la egalitate. Cele două corpusuri au alți vorbitori, alt material și alte condiții, așa că diferența dintre trepte nu se poate pune numai pe seama situației. Numărul fără situație nu spune nimic; de aceea fiecare valoare de pe pagină își păstrează treapta lângă ea.
Pe scara studiului din 2019, prin punte#
Studiul lui Coupé și al colegilor (Science Advances, 2019) a înregistrat câte zece vorbitori pentru 17 limbi, citind texte lungi după ce le citiseră de mai multe ori. Italiana a ieșit la 7,16 silabe pe secundă. Aceeași italiană, măsurată aici la rece, iese la 5,3: cu 25,6% sub scara studiului. Treapta parlamentară o apropie la 9,9% sub aceeași scară.
Româna nu a fost printre cele 17 limbi. Cu italiana drept punte — raportul românesc–italienesc păstrat la trecerea pe scara studiului, o presupunere tipărită aici, nu o măsurătoare — româna ar sta între 7,27 și 7,51 silabe pe secundă: lângă italiană, sub spaniolă (7,73), peste franceză (6,88). Graficul complet al celor 17 limbi este pe pagina „Treizeci și nouă de biți pe secundă”.
| silabe/s | biți/s | |
|---|---|---|
| japoneza | 8,03 | 40,4 |
| spaniola | 7,73 | 42,0 |
| basca | 7,54 | 36,4 |
| finlandeza | 7,17 | 39,4 |
| italiana | 7,16 | 37,9 |
| sârba | 7,15 | 39,1 |
| coreeana | 7,12 | 39,6 |
| catalana | 7,07 | 38,8 |
| turca | 7,05 | 37,6 |
| franceza | 6,88 | 45,9 |
| engleza | 6,34 | 44,9 |
| germana | 6,09 | 37,0 |
| maghiara | 5,87 | 34,6 |
| chineza mandarină | 5,86 | 40,8 |
| chineza cantoneză | 5,57 | 36,4 |
| vietnameza | 5,30 | 42,5 |
| thailandeza | 4,70 | 33,8 |
| româna ≈7,27–7,51 | 7,27–7,51 | 40,5–41,8 |
Câtă informație cară o silabă#
Ritmul este jumătate din poveste; cealaltă este câtă informație poartă fiecare silabă. Cu estimatorul studiului din 2019 — entropia unei silabe dată fiind silaba dinaintea ei în cuvânt — calculat pe silabe din scriere, pe texte din Wikipedia eșantionate la fel (4.000.000 de cuvinte pentru fiecare limbă), silaba românească poartă 6,11 biți, cea italiană 5,80 biți. Controlul italian pe același instrument depășește valoarea publicată pe silabe fonetice cu 0,51 biți; diferența rămâne tipărită lângă orice produs. Diferența dintre cele două limbi pe acest instrument, 0,31 biți, este mai mică decât abaterea controlului: comparația între limbi, făcută cu aceeași metodă, rămâne, dar mărimea ei se citește cu prudență.
Înmulțite cu ritmul, la citirea la rece: româna 34,1 biți pe secundă, italiana 30,9; pe treapta parlamentară: 40,0 față de 37,4. Prin aceeași punte ca mai sus, româna ar sta pe scara studiului între 40,5 și 41,8 biți pe secundă, lângă media celor 17 limbi, 39,15. Limbile repezi pun mai puțin în fiecare silabă; româna stă aproape de italiană la amândoi factorii, puțin mai încărcată pe silabă.
Ritmul oricărei voci, măsurat pe loc#
O propoziție de 21 de silabe, citită cu voce tare, cu ritmul firesc. Sunetul rămâne pe aparat: măsurătoarea se face în pagină, fără înregistrare trimisă undeva, iar rezultatul dispare la închiderea paginii.
Dimineața, trenul pleacă din gară și câmpul se luminează încet.
Comparația este cu voluntari care citeau propoziții tipărite, fiecare în ritmul lui.
Vârsta și sexul, cât se poate spune#
Dintre cei 265 de vorbitori păstrați, 189 și-au declarat vârsta sau sexul. Femeile au mediana la 5,6 silabe pe secundă (36 de vorbitoare), bărbații la 5,8 (151 de vorbitori): același sens ca în studiul din 2019, o diferență mică și cu distribuții aproape suprapuse.
Pe vârste declarate, cei între 20 și 29 de ani citesc cel mai repede (5,9, 121 de vorbitori), iar cei între 40 și 49 de ani mai încet (5,1, 21). Peste 50 de ani sunt 5 vorbitori în total; niciun număr tipărit aici nu se sprijină pe ei.
| silabe/s | n | |
|---|---|---|
| <20 | 5,7 | 11 |
| 20–29 | 5,9 | 121 |
| 30–39 | 5,7 | 30 |
| 40–49 | 5,1 | 21 |
| 50–59 | — | 4 |
| 60+ | — | 1 |
Sudul grăbit și Moldova molcomă: ce nu pot spune înregistrările#
Locul comun spune că în sud se vorbește repede, iar în Moldova încet și cântat. Înregistrările folosite aici nu pot verifica afirmația în niciun sens: rubrica de accent este necompletată la 94% dintre clipuri, iar dintre cele 16 etichete completate, aproape fiecare aparține unei singure persoane.
Un test cinstit al graiurilor ar cere vorbitori mulți din fiecare regiune, citind aceleași propoziții. Până la un asemenea corpus, pagina lasă întrebarea deschisă și nu așază niciun punct pe hartă.
Cum a fost măsurat și cât poate greși#
Cronometrarea urmează definiția din 2019: silabele pronunțării standard a propoziției, împărțite la durata fără pauze mai lungi de 150 de milisecunde. Silabele au fost numărate din scriere cu o regulă tipărită în codul proiectului; pentru că ortografia nu hotărăște orice diftong sau hiat, fiecare propoziție are și o bandă joasă–înaltă, iar mediana românei pe toată grila de alegeri rezonabile cu aceeași definiție a timpului rămâne între 5,4 și 6,5 silabe pe secundă.
Erorile măsurate, nu presupuse: o a doua cronometrare independentă a 150 de clipuri românești a dat timpi cu circa 2,6% diferiți la mediană; numărarea automată a silabelor stă cu circa 2% sub numărarea manuală pe 100 de propoziții românești (și cu 1,2% pe 30 de propoziții italienești); italiana reprodusă pe acest instrument ajunge la 25,6% sub valoarea publicată la treapta de citire la rece și la 9,9% sub ea pe treapta parlamentară — diferența de situație, nu de limbă.
Din cele 17.737 de clipuri validate ale ediției, copia de arhivă folosită a avut sunet pentru 12.918; toți cei 338 de vorbitori rămân reprezentați. Mediana unui vorbitor cu cinci clipuri rămâne o estimare grosieră a ritmului lui obișnuit, iar citirea cu voce tare nu este conversație.
Surse și date#
Numerele paginii sunt recomputate din fișierele proiectului la fiecare publicare. Sursele, în ordinea folosirii:
- Coupé, C., Oh, Y. M., Dediu, D., Pellegrino, F., „Different languages, similar encoding efficiency”, Science Advances 5 (2019). Textul integral; valorile celor 17 limbi au fost recomputate din fișierul de date publicat de autori.
- Pellegrino, F., Coupé, C., Marsico, E., „A cross-language perspective on speech information rate”, Language 87 (2011). DOI.
- Mozilla Common Voice Corpus 17.0 (15 martie 2024), româna, italiana și engleza (dev), licență CC0. Pagina seturilor de date; corpusul este descris de Ardila și alții, LREC 2020.
- VoxPopuli (Parlamentul European, 2009–2020), împărțirile de test pentru română și italiană, licență CC0. Pagina corpusului.
- Texte din Wikipedia (instantaneu 20231101, CC BY-SA), numai pentru estimarea informației pe silabă: wikimedia/wikipedia. Pentru silabele englezești, CMU Pronouncing Dictionary 0.7b.
Înregistrările redate pe pagină: Mozilla Common Voice, CC0; niciun nume sau identificator de vorbitor nu este publicat.