WISPR: Welsh and Irish Speech Processing Resources

Rhagarweiniad

Roedd y Project WISPR (Welsh and Irish Speech Processing Resources) yn broject sylweddol a ariannwyd gan raglen Interreg yr Undeb Ewropeaidd. Rhoddwyd arian ychwanegol i’r project gan Fwrdd yr Iaith Gymraeg.

Nod y project oedd datblygu synthesis testun-i-lais ar gyfer y Gymraeg a’r Wyddeleg, a hefyd gasglu cronfeydd data llafar ar gyfer yr ieithoedd hynny. Fe’i datblygwyd ar y cyd gan yr Uned Technolegau Iaith yng Nghanolfan Bedwyr, Prifysgol Cymru, Bangor, a Trinity College Dulyn, gyda chefnogaeth Dublin City University a’r University College Dublin.

Ychydig iawn o waith oedd wedi’i wneud cyn hyn ar ddatblygu offer technoleg llais ar gyfer y Gymraeg a’r Wyddeleg. Cred aelodau’r tîm mai’r ffordd orau i hybu technoleg iaith mewn amgylchedd iaith leiafrifol yw i ddarparu offer a rhaglenni y gellir eu dosbarthu yn rhad ac am ddim ac sy’n hawdd i’r defnyddiwr cyffredin eu trin, gan eu trwyddedu’n rhyddfrydig er mwyn i ddatblygwyr fedru’u hintegreiddio yn eu meddalwedd eu hun.

Synthesis Testun-i-Lais

Mae sythesis testun-i-lais (TiL) yn galluogi cyfrifiadur i lefaru testun. Mae hyn yn wahanol i gyfieithu peirianyddol, gan nad yw’r testun yn cael ei gyfieithu mewn TiL, dim ond ei ddarllen yn uchel. Gellir ei ddefnyddio mewn darllenwyr sgrin ar gyfer pobl â nam ar eu golwg, lle mae cynnwys sgrin y cyfrifiadur yn cael ei ddarllen yn uchel gan lais synthetig. Mae hyn yn gweithio gyda deunyddiau megis negeseuon e-bost a thudalennau gwe (weithiau mae cyflymder y llais yn cael ei gynyddu). Gellir hefyd defnyddio TiL wrth ryngweithio gyda system gyfrifiadurol dros y ffôn. Datblygiad newydd yma yw ffonau symudol sy’n medru defnyddio TiL ar gyfer tasgau megis llefaru negeseuon wedi’u tecstio.

Defnyddiodd y project WISPR fframwaith boblogaidd cod agored "Festival" ar gyfer TiL. Ychwanegodd y tîm WISPR yng Nghymru rai nodweddion defnyddiol newydd i Festival, megis galluogi Festival i ddelio gyda thestun oedd wedi’i greu mewn fformat UTF-8 (er mwyn i bob nod Cymraeg, gan gynnwys ŵ ac ŷ, gael eu trin yn gywir).

Datblygwyd Festival yn wreiddiol yn y Centre for Speech Technology Research, ym Mhrifysgol Caeredin, ac wedi hynny ym Mhrifysgol Carnegie-Mellon, UDA, dan y project "Festvox"

Llwyddiannau WISPR

Mae’r holl adnoddau a chymwysiadau a ddatblygwyd yn ystod y project WISPR ar gael yn ddi-dâl at ddefnydd anfasnachol, a gellir eu llwytho i lawr o’r tudalennau hyn. Hefyd, mae’r rhan fwyaf o'r cod ffynhonnell ar gael yn rhydd yn unol â thrwydded o fath BSD (yr eithriad yw'r llais "hl_diphone" hŷn, sy'n rhydd ar gyfer defnydd anfasnachol yn unig). Mae hyn yn golygu bod modd defnyddio ffrwyth technoleg llais WISPR yn ddirwystr bron, gyda dewis eang o feddalwedd, gan gynnwys meddalwedd berchnogol a meddalwedd cod agored.

Mae’r cynnyrch yn cael eu dosbarthu yn ôl y math o bobl fydd eu hangen, fel a ganlyn:-

Defnyddwyr cyffredin: Defnyddwyr sydd yn syml eisiau gosod a defnyddio sythesesiwr llais Cymraeg.
Datblygwyr : Datblygwyr gydag arbenigedd technegol perthnasol sy’n dymuno addasu’r system TiL Gymraeg a gweithio gyda hi, neu sy’n dymuno datblygu llais TiL Festival ar gyfer iaith arall.

Yr adnoddau sydd ar gael yw:

1 Adnoddau i’r defnyddiwr cyffredin

2 Adnoddau i ddatblygwyr

1 Adnoddau ar gyfer defnyddwyr cyffredin

1.1 Synthesis testun-i-lais Cymraeg ar gyfer Windows

I lwytho fersiwn Windows i lawr o’r tri llais TiL Cymraeg, cliciwch yma.

Bydd hyn yn mynd â chi at y wybodaeth gefndir a’r cyfarwyddiadau gosod.

I lwytho’r lleisiau i lawr, cliciwch y cyswllt o dan "Gosodwr", a dilynwch y cyfarwyddiadau gosod yn is i lawr y dudalen. Bydd hyn yn gosod y tri llais: siaradwr gwrywaidd o dde Cymru o ansawdd sylfaenol, siaradwr benywaidd o ogledd Cymru, a siaradwr gwrywaidd o ogledd Cymru. Mae’n bosibl newid rhwng y tri llais yn ôl eich dewis.

1.2 Cloc sy’n siarad ar-lein

Cynhwyswyd dau lais naturiol eu sain sy’n dweud yr amser (un gwrywaidd ac un benywaidd) mewn arddangosiad gwe yn y wefan ganlynol.

2 Adnoddau ar gyfer datblygwyr

2.1 TiL Cymraeg gan ddefnyddio Unix/Linux/Cygwin

Wrth ddefnyddio Unix, Linux neu Cygwin, mae angen llwytho Festival i lawr a’i adeiladu. Mae hwn yn cynnwys Offer Iaith Caeredin (yr Edinburgh Speech Tools - EST). Gellir cael y rhain o’r cyfeiriadur hwn (mae’n cynnwys y gwelliannau Cymraeg-benodol i god Festival). Dylid adeiladu EST cyn adeiladu Festival.

Yn nesaf, dylid llwytho i lawr y cod sy’n gyffredin i bob llais. Mae hyn yn cynnwys y ffeil " welshtoken.scm", a dylid rhoi hon yn y cyfeiriadur <Festival directory>/lib/voices/welsh/Tokenisation/

Yn olaf, gellir llwytho i lawr a gosod y lleisiau unigol. Mae’r lleisiau yn cynnwys y canlynol:

"Hen" lais deuffonau hl_diphone: Mae hwn yn llais deuffonau gwrywaidd o dde Cymru, gydag ansawdd llefaru is, ond gyda gwelliannau diweddar (mewnbwn UTF-8, a chefnogaeth ar gyfer Tocyneiddio byrfoddau ac acronymau Cymraeg ac ati).
Lleisiau deuffonau gogleddol "newydd" cb_cy_cw (benywaidd) a cb_cy_llg (gwrywaidd): o’u cymharu gyda’r "hen" lais, mae’r rhain yn cynnwys gwell rheolau llythyren-i-sain a model ystadegol ar gyfer parhad.
Dau lais sy’n dweud yr amser cb_amser_cw_ldom (benywaidd) a cb_time_llyr_ldom (gwrywaidd): Mae’r ddau yn lleisiau gogleddol sy’n defnyddio techneg dewis unedau parth cyfyngedig lle mae’r amser yn cael ei fynegi i’r pum munud agosaf.

2.2 Sgriptiau Python i’w defnyddio wrth adeiladu llais newydd neu dasgau eraill

Crëwyd sawl arf newydd i’w defnyddio wrth adeiladu llais Festival newydd. Mae’r rhain ar ffurf sgriptiau Python. Iaith sgriptio yw Python a gellir ei llwytho i lawr o www.python.org. Mae’r offer fel a ganlyn:-

SpeechCluster : Grŵp o offer amlbwrpas ar gyfer awtomeiddio sawl agwedd lafurus ar ddatblygu llais Festival newydd. Ceir manylion pellach a deunydd i’w lwytho i lawr ar dudalen SpeechCluster.
Optese : Mae hwn yn weithrediad effeithiol iawn o’r " algorithm barus" wrth ddewis testunau i’w recordio wrth ddatblygu llais dewis unedau mewn TiL. Ceir manylion pellach a deunydd i’w lwytho i lawr ar dudalen Optese.
pyHTK : Mae’r sgript hwn yn lapiwr cyfleus o gwmpas y grŵp HTK ar gyfer creu adwaenwr lleferydd. Mae’n gwneud HTK yn haws i’w ddefnyddio, yn arbennig i’r rhai heb brofiad o’i ddefnyddio o’r blaen. Ceir manylion pellach a deunydd i’w lwytho i lawr ar ar dudalen pyHTK .
lff2scm : Mae’r sgript hwn yn cymryd set o reolau llythyren-i-sain a ysgrifennwyd â llaw fel mewnbwn, mewn fformat sensitif i gyd-destun sydd wedi’i drefnu’n gritigol (fformat “cyfeillgar i ieithydd”). Mae’n allbynnu’r rheolau yn y fformat "Scheme" a ddefnyddir gan Festival. Gellir ei lwytho i lawr o’r dudalen lff2scm.
txt2xml : Cynlluniwyd y sgript Python hwn i’w ddefnyddio ar y cyd gyda’r meddalwedd JSpeechRecorder o Archif Bafaria ar gyfer Signalau Lleferydd, ar gyfer recordio lleferydd. Mae’r sgript yn cymryd ffeil destun blaen fel mewnbwn, un prompt recordio i bob llinell, lle mae llinell gyntaf y ffeil yn sylw mympwyol neu yn faes metadata, ac mae’r ail linell yn rhoi enw’r ffeil waelodol ar gyfer allbwn y lleferydd a recordiwyd. Ffeil XML yw’r ffeil allbwn sy’n addas i’w defnyddio gyda JSpeechRecorder. Gellir llwytho’r sgript i lawr yma.
utils : Grŵp o sgriptiau Python byr ar gyfer amryw o dasgau lefel isel yw’r rhain. Ceir manylion pellach a deunydd i’w lwytho i lawr ar y dudalen utils.

2.3 Sgriptiau recordio ar gyfer y Gymraeg

Geiriau nonsens siwdo-Gymraeg a ddefnyddiwyd fel promptiau ar gyfer llais deuffonau Cymraeg: gogdiphs
300 brawddeg o’r Beibl Cymraeg (rhai yn hir iawn): sylfaenol-000-299
351 brawddeg o draethawd Cymraeg gan fyfyriwr is-raddedig: brawddeg 000-181, brawddeg 182-350

2.4 Data lleferydd wedi’i recordio ar gyfer y Gymraeg

Geiriau nonsens siwdo-Gymraeg, siaradwr gogleddol gwrywaidd: ffeiliau sain, ffeiliau trawnodau a ffeiliau labelau
Geiriau nonsens siwdo-Gymraeg, siaradwr gogleddol benywaidd: ffeiliau sain, ffeiliau trawnodau a ffeiliau labelau
Y 265 brawddeg gyntaf o’r 300 brawddeg o’r Beibl, siaradwr gogleddol gwrywaidd (ffeiliau sain yn unig): brawddeg 000-264
351 brawddeg o draethawd Cymraeg gan fyfyriwr is-raddedig, siaradwr gogleddol gwrywaidd (ffeiliau sain yn unig): brawddeg 000-181, brawddeg 182-350

2.5 Dogfennau technegol

2.6 Papurau gwyddonol

2006

Integrating Festival and Windows. Rhys James Jones, Ambrose Choy, Briony Williams. InterSpeech 2006 (9th International Conference on Spoken Language Processing, Pittsburgh, USA, 17-21 September 2006).
Tools and resources for speech synthesis arising from a Welsh TTS project. Briony Williams, Rhys James Jones and Ivan Uemlianin. Fifth Language Resources and Evaluation Conference (LREC), Genoa, Italy, 24-26 May 2006.
Poster to accompany the above paper.

2005

Experiences of creating a research capability in speech technology for two minority languages. Briony Williams, Delyth Prys and Ailbhe Ní Chasaide. Interspeech 2005 (9th European Conference on Speech Science and Technology, Lisbon, Portugal, 4-8 September 2005).
Poster to accompany the above paper.
SpeechCluster: A speech database builder's multitool. Ivan A. Uemlianin. Paper given at Lesser Used Languages & Computer Linguistics, European Academy Bozen/Bolzano, Italy, October 2005 (to be published in Proceedings, early 2006)
Text-to-speech synthesis for Welsh and Irish: an overview. Briony Williams. Powerpoint format presentation given at the conference of the North American Association of Celtic Language Teachers, Bangor, UK, June 9-12 2005.

2004

WISPR: Speech Processing Resources for Welsh and Irish. Delyth Prys, Briony Williams, Bill Hicks, Dewi Jones, Ailbhe Ní Chasaide, Christer Gobl, Julie Berndsen, Fred Cummins, Máire Ní Chiosáin, John McKenna, Rónán Scaife, Elaine Uí Dhonnchadha. Pre-Conference Workshop on "First Steps for Language Documentation of Minority Languages", 4th Language Resources and Evaluation Conference (LREC), Lisbon, Portugal, 24-30 May 2004.
Speech technology in Welsh and Irish: the WISPR project. Briony Williams, Delyth Prys and Dewi Jones. ELRA Newsletter (European Language Resources Association), vol. 9, no. 4, Oct-Dec 2004

Language Technologies
(Canolfan Bedwyr)
University of Wales, Bangor 2001 - 2006