Constitution d'un corpus de traduction de la parole : augmentation du corpus LibriSpeech - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2017

Constitution d'un corpus de traduction de la parole : augmentation du corpus LibriSpeech

Résumé

Large quantities of parallel corpora such as Europarl, OpenSubitles, etc. is available for machine translation systems. However, for speech translation systems, number of available corpora is very limited. In this research paper, we investigate building a large scale (236h) non-synthetic corpus for speech translation systems from prepared speech recordings of LibriSpeech project. First, we gathered available French e-books corresponding to the English audio-books from LibriSpeech. Then, after aligning English and French texts at the sentence level, we also aligned speech segments at the sentence level with their respective translations. This allowed us to obtain an alignment at the utterance level aligned with their translations. Lastly, we manually evaluated 200 alignments and added alignment scores between transcriptions and their respective translations to sort the corpus according to those scores.
Il existe des corpus parallèles en grande quantité tels que Europarl, OpenSubtitles, etc. pour les systèmes de traduction automatique. Toutefois, dans le domaine de la traduction automatique de la parole, le nombre de corpus disponibles est très restreint. Dans ce mémoire de recherche, nous nous sommes intéressés à la constitution d’un corpus réel de grande taille (236h) pour les systèmes de traduction automatique de la parole à partir du corpus LibriSpeech. Tout d'abord, nous avons récupéré les livres électroniques français correspondant aux livres audios présents dans LibriSpeech en anglais. Ensuite, après avoir aligné les œuvres en français avec les œuvres en anglais correspondantes, nous avons également aligné les segments de paroles des livres audio avec les livres électroniques en anglais, au niveau de la phrase (utterance). Ceci nous a permis d’obtenir l’alignement des segments de parole avec la traduction du texte original en français. Finalement, nous avons évalué manuellement 200 alignements et avons ajouté des scores de correspondance entre les transcriptions et les traductions pour trier le corpus en fonction de ces scores.
Fichier principal
Vignette du fichier
KOCABIYIKOGLU Ali Can M2 IDL.pdf (5.01 Mo) Télécharger le fichier
Loading...

Dates et versions

dumas-01712400 , version 1 (19-02-2018)

Identifiants

  • HAL Id : dumas-01712400 , version 1

Citer

Ali Can Kocabiyikoğlu. Constitution d'un corpus de traduction de la parole : augmentation du corpus LibriSpeech. Sciences de l'Homme et Société. 2017. ⟨dumas-01712400⟩
161 Consultations
449 Téléchargements

Partager

Gmail Facebook X LinkedIn More