Marius Comper
ROEN

Joc de ascultare · șase limbi romanice

Ce rămâne dintr-o limbă fără consoane: Aceeași frază în română și în cinci limbi surori, redusă la melodie, la ritm sau la vocale

Fiecare frază, tradusă în șase limbi, a fost citită de vorbitori nativi ai românei, italienei, spaniolei, portughezei, catalanei și francezei. Aici o auzi printr-un filtru care lasă să treacă un singur lucru: melodia vocii, ritmul silabelor sau vocalele. Ghicești limba, apoi auzi vocea reală. După 12 fraze vezi ce filtru te-a ajutat.

Vocea reală12 fraze · patru filtre · șase limbi
Ascultă
Pornește sunetul; cu căști se aude mai bine.

Ce lasă să treacă fiecare filtru?

Fiecare versiune e redată de aceeași voce sintetică, construită din înregistrarea reală. Timbrul vorbitorului, acustica încăperii și microfonul dispar. Vocile de femei și de bărbați sunt aduse la aceeași înălțime și, aproximativ, la aceeași lungime a tractului vocal, pentru că în corpus unele limbi sunt citite numai de bărbați, altele numai de femei. Filtrele diferă doar prin ce lasă să treacă.

Ideea vine din laboratoarele de psiholingvistică. În 1999, Franck Ramus și Jacques Mehler au resintetizat fraze în engleză și japoneză, păstrând doar unele indicii. Ritmul silabelor a fost de ajuns pentru ca ascultătorii francezi să deosebească cele două limbi. Engleza și japoneza sunt însă foarte diferite. Între limbile romanice, care seamănă între ele, sarcina e probabil mult mai grea.

În desen, culoarea arată locul din gură în care se formează vocala. Vocalele de la mijlocul gurii, ca ă și î, apar cenușii:

Exemplu: începutul unei fraze în română.

1

Doar melodia

Urcușurile și coborâșurile vocii, fredonate. Fără vocale, fără consoane.

2

Doar ritmul

Fiecare vocală devine „a”, fiecare consoană „s”, pe un singur ton. Rămân duratele.

3

Vocalele

Vocalele adevărate, cât au durat, pe un ton plat. Consoanele tac.

4

Vocale fără ritm

Aceleași vocale, toate la fel de lungi, cu intervale egale între ele. Pauzele rămân.

Cum sună aceeași frază în toate cele șase limbi?

Alege una dintre cele 24 de fraze și ascult-o prin fiecare filtru, limbă cu limbă. Pe rânduri sunt limbile, pe coloane filtrele; ultima coloană e vocea reală.

melodieritmvocalefără ritmvocea realăromânăitalianăspaniolăportughezăcatalanăfranceză

De ce, pentru urechea unui francez, româna seamănă mai mult cu portugheza decât cu italiana?

În 2000, Ioana Vasilescu, François Pellegrino și Jean-Marie Hombert, de la laboratorul Dynamique du Langage din Lyon, au pus patru grupuri de câte 20 de ascultători (francezi, români, japonezi și americani) să spună dacă două fragmente de câte șase secunde erau în aceeași limbă. Limbile erau franceza, italiana, spaniola, portugheza și româna.

Japonezii au răspuns practic la întâmplare. Francezii au despărțit italiana și spaniola, care le erau mai familiare, de portugheză și română, pe care nu le-au putut deosebi între ele după câteva secunde de familiarizare.

Autorii leagă gruparea de sistemele de vocale. Italiana și spaniola au vocale anterioare și posterioare. Româna, franceza și portugheza mai au o a treia serie: vocalele centrale ă și î în română, vocalele nazale în franceză și portugheză, vocalele anterioare rotunjite în franceză. Ascultătorilor români, spaniola și portugheza li s-au părut mai familiare decât franceza și italiana; autorii pomenesc filmele sud-americane difuzate de televiziunea română.

În joc, filtrul „Vocalele” lasă să treacă o parte din acest indiciu: vocalele centrale și pe cele anterioare rotunjite, nu însă nazalitatea. Vocalele centrale apar în desen ca dreptunghiuri cenușii.

Este româna o limbă cu ritm silabic?

Lingviștii au împărțit mult timp limbile în două familii de ritm: cele „silabice”, în care silabele par egale (spaniola, italiana, franceza), și cele „accentuale”, în care accentele vin la intervale aproape regulate, iar silabele dintre ele se strâng (engleza, olandeza). Măsurătorile n-au confirmat o împărțire netă și au apărut mulți indicatori; trei dintre cei mai simpli sunt în tabel. %V este partea din timp în care se aud vocale. ΔC arată cât de mult variază lungimea grupurilor de consoane: limbile care amestecă grupuri lungi și scurte au ΔC mare. VarcoV arată cât de mult diferă duratele vocalelor între ele, raportat la durata lor medie.

Cât din timp se aud vocale, în fiecare dintre cele șase limbiFiecare punct este o înregistrare. Linia verticală este mediana limbii; triunghiurile marchează mediana fiecărui cititor, vocile fiind deosebite după timbru (cititorii cu mai puțin de cinci înregistrări nu apar).30%40%50%60%70%partea din timp ocupată de vocale (%V)italiană51,0%spaniolă48,6%portugheză47,2%franceză44,9%română43,4%catalană41,9%
Fiecare punct este o înregistrare. Linia verticală este mediana limbii; triunghiurile marchează mediana fiecărui cititor, vocile fiind deosebite după timbru (cititorii cu mai puțin de cinci înregistrări nu apar).
limba%VΔC (ms)VarcoVînregistrări
italiană51,05651107
spaniolă48,65349119
portugheză47,25760107
franceză44,9595382
română43,45550110
catalană41,96452112

Pentru aceleași 40 de fraze citite în toate cele șase limbi, 637 de înregistrări în total, măsurile au fost calculate la fel, pornind de la aceleași granițe trasate automat între vocale și consoane. În română se aud vocale 43,4% din timp: mai puțin decât în italiană (51,0%), spaniolă (48,6%) și portugheză (47,2%), cam cât în franceză (44,9%) și puțin peste catalană (41,9%). Comparate frază cu frază, intervalul de 95% al diferenței față de italiană, spaniolă și portugheză rămâne sub zero.

Dar fiecare limbă e citită aici de câțiva oameni: după timbru, vocile se grupează în jur de trei cititori pe limbă, iar cititorii diferă între ei cât diferă limbile. Cei trei cititori români, toți bărbați, au 47,5%, 43,3% și 38,1%. Italiencele au în jur de 51%, dar singurul cititor italian bărbat, cu șase fraze, are 42,8%, cât românii. Cei doi francezi bărbați au 32,8% și 50,7%. Cu trei cititori pe limbă, corpusul nu poate spune unde se așază ritmul românei; poate spune doar că oamenii citesc foarte diferit. Mairano și Romano notează și ei că acești indicatori variază mult de la vorbitor la vorbitor.

Studiul lui Vasilescu, citat mai sus, pune româna alături de italiană printre limbile cu ritm silabic, după o clasificare din 1998. Datele de aici nici nu o confirmă, nici nu o infirmă. După ΔC (55 de milisecunde în română, 56 în italiană), grupurile de consoane variază aproape la fel în cele două limbi.

Valorile absolute depind de cum se trag granițele dintre sunete, așa că nu se compară direct cu valorile din alte studii. Ordinea limbilor, măsurate la fel, e mai sigură decât fiecare număr. Analizând fabula „Vântul de nord și soarele”, citită în 21 de limbi, Paolo Mairano și Antonio Romano au găsit româna lângă limbile considerate silabice pe indicatorii de tip PVI și au amintit că asemenea indicatori depind mult de tempo, de stil și de felul în care se segmentează vorbirea.

Cum s-au făcut sunetele

Înregistrările vin din FLEURS, un corpus publicat de cercetători de la Google în 2022: fraze din Wikipedia în engleză, traduse în alte 101 de limbi și citite de vorbitori nativi. Spaniola este cea din America Latină, iar portugheza, cea din Brazilia. Dintre frazele citite în toate cele șase limbi în seturile de dezvoltare și de test, 141 nu conțin cifre și nici cuvinte scrise cu majusculă după primul (de obicei nume proprii, care ar trăda limba). Dintre ele au rămas cele 24 cu înregistrările cele mai curate în toate limbile. Din fiecare se aude începutul, între aproximativ două și trei secunde și jumătate. Măsurătorile de ritm folosesc toate cele 40 de fraze cu înregistrările cele mai curate, nu doar pe cele din joc.

Textul fiecărei fraze a fost transcris în foneme cu eSpeak NG; apoi un model de recunoaștere a fonemelor, antrenat cu date din multe limbi (wav2vec 2.0 XLSR-53), l-a aliniat cu sunetul. Modelul găsește fiecare sunet, în ordine, dar nu și cât durează. Granița dintre vocală și consoană a fost așezată acolo unde sunetul încetează să semene cu o vocală: sonor, intens și cu mai multă energie sub aproximativ 1.000 de herți decât peste 3.500. Înainte de orice măsurătoare, zgomotul de fond a fost redus la fel în toate limbile, pentru că înregistrările românești sunt mai zgomotoase.

În vocalele astfel decupate s-au măsurat înălțimea vocii și primii trei formanți, rezonanțele care dau timbrul unei vocale. Sunetele noi sunt sintetizate din aceste măsurători: o sursă armonică trecută prin rezonatori care urmăresc formanții. „Doar ritmul” păstrează duratele, dar pune peste tot un „a” și un „s”, pe un ton plat; „Doar melodia” păstrează forma curbei de înălțime și intensitatea, fredonate, mutate în același registru pentru toți vorbitorii și filtrate sub 600 de herți. „Vocale fără ritm” face toate vocalele și toate intervalele dintre ele la fel de lungi; pauzele își păstrează durata.

Limite: o vocală foarte scurtă poate fi pierdută sau lipită de vecina ei. Sinteza nu redă nazalitatea vocalelor franceze și portugheze, doar formanții lor. Tabelele FLEURS nu indică vorbitorul; după timbru, fiecare limbă pare citită de aproximativ trei oameni, așa că aceeași voce revine în mai multe fraze. În frazele din joc, cele românești și portugheze sunt citite numai de bărbați, iar cele catalane și italiene numai de femei. Aducerea vocilor la același registru și la aceeași lungime a tractului vocal e aproximativă: în spaniolă, unde frazele din joc sunt citite și de bărbați, și de femei, valoarea mediană a celui de-al doilea formant rămâne cu aproximativ 8% mai mare la femei. Răspunsurile din joc nu sunt trimise nicăieri; scorul îl vezi doar tu.

Surse

  1. Conneau, A. și colab. (2022). FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech. arXiv:2205.12446. Înregistrările: licență CC BY 4.0. arxiv.org/abs/2205.12446
  2. Setul de date google/fleurs, Hugging Face. huggingface.co/datasets/google/fleurs
  3. Vasilescu, I., Pellegrino, F. și Hombert, J.-M. (2000). Perceptual features for the identification of Romance languages. ICSLP 2000, Beijing, 543–546. www.isca-archive.org/icslp_2000/vasilescu00_icslp.pdf
  4. Ramus, F. și Mehler, J. (1999). Language identification with suprasegmental cues: a study based on speech resynthesis. Journal of the Acoustical Society of America 105(1), 512–521. doi.org/10.1121/1.424522
  5. Ramus, F., Nespor, M. și Mehler, J. (1999). Correlates of linguistic rhythm in the speech signal. Cognition 73(3), 265–292. doi.org/10.1016/S0010-0277(99)00058-X
  6. Mairano, P. și Romano, A. (2011). Rhythm metrics for 21 languages. ICPhS XVII, Hong Kong, 1318–1321. www.internationalphoneticassociation.org/icphs-proceedings/ICPhS2011/OnlineProceedings/RegularSession/Mairano/Mairano.pdf
  7. Xu, Q., Baevski, A. și Auli, M. (2021). Simple and effective zero-shot cross-lingual phoneme recognition. Modelul wav2vec2-xlsr-53-espeak-cv-ft. huggingface.co/facebook/wav2vec2-xlsr-53-espeak-cv-ft
  8. eSpeak NG, sintetizator și transcriere fonetică. github.com/espeak-ng/espeak-ng