Proceedings 2002

Contents

СЛОВАРЬ ДЛЯ АВТОМАТИЧЕСКОГО СИНТЕЗА РЕЧИ

 

 

Л. М. Захаров

Филологический факультет МГУ им. М.В. Ломоносова

leon@philol.msu.ru

 

 

Ключевые слова: словарь, электронный словарь, «Грамматический словарь русского языка» А.А. Зализняка, фонетика, автоматический синтез речи, орфоэпия

 

 

Для работы автоматического синтеза речи на русском языке (впрочем, и для решения других прикладных задач) необходим словарь словоформ с информацией о месте словесного ударения. Наш словарь, как практически все подобные электронные словари русского языка, базируется на книге «Грамматический словарь русского языка» А.А. Зализняка. При подготовке нашего словаря к работе решен ряд задач: избавление от ошибок 3-х видов (ошибки печатного издания, ошибки электронной версии, ошибки при автоматическом “раскрытии” словарной статьи, т. е. при порождении словоформ); разделение по частотности вариантов произнесения; расстановка маркеров мест дополнительного ударения в сложных словах, а также маркеров на морфемных границах составляющих в сложных словах. Частично решены проблемы пополнения словаря новыми словами, именами собственными и топонимами. Разрабатываются чисто лексические подходы к решению задачи разделения омографов (по частотности и сочетаемости).

 

 

  1. Введение

 

«Речевая группа» филологического факультета МГУ располагала двумя версиями словаря словоформ русского языка (базирующимися на книге «Грамматический словарь русского языка» А.А. Зализняка), любезно предоставленными в наше распоряжение их авторами-создателями. С благодарностью называю их: это Сергей Старостин и Григорий Сидоров. Однако при работе нашего синтезатора речи обнаружилось много ошибок в постановке ударения в словах. Ошибки можно разделить на 2 группы: отсутствие конкретной словоформы в нашем варианте словаря и ошибочное определение места ударения. Это связано:

  • с недостатками электронной версии словаря;
  • с недостаточно полной информацией в словаре о произношении слов с дополнительным ударением;
  • с омографией слов;
  • с неполнотой «книжного» варианта словаря.

Была проделана «работа над ошибками», и я начну описание этой работы с проблем, связанных с получением корректной электронной версии.

 

 

  1. Борьба с «ошибками» в электронной версии словаря

 

Получение полной и корректной версии словаря словоформ (то есть «раскрытие» словаря Зализняка) – задача нетривиальная. В каждой авторской версии оказалось некоторое количество «ошибок». Так как авторы пользовались разными (идеологически) методами «раскрытия», мы получили возможность при сравнении этих версий составить список (около 22 тысяч словоформ) «ошибок» (несовпадений с теоретическим списком словоформ словаря Зализняка). Природа этих ошибок разная:

  • опечатки в первоисточнике («бумажной» версии);
  • опечатки в электронной версии словника словаря Зализняка (в электронном варианте «бумажной» версии);
  • недостатки программ создания электронной версии словоформ словаря.

 

2.1. Опечатки в «бумажной версии»

 

В «бумажной версии» опечаток оказалось на удивление немного. Приведем замеченные:

  • в словарной статье «подносить» в помете нсв пропущена буква в;
  • в словарной статье «потрясти» отсутствует помета -с-;
  • в словарной статье «парсек» и «килопарсек» отсутствует кружочек вокруг цифры 2.
  • в словарной статье «уповать» вместо пометы стоит 2а.

Для человека эти недостатки практически неважны. Вряд ли он их даже заметит при обращении к соответствующим таблицам парадигм. Однако, перейдя в электронную версию, эти опечатки вызывают при создании «раскрытого» варианта или неполноту (случаи 1 и 3), или ошибочность (случаи 2 и 4) списка словоформ.

 

2.2. Опечатки в электронном варианте «бумажной версии»

 

Опечаток в электронном варианте словника «бумажной» версии оказалось гораздо больше. Судя по всему, авторы версий «раскрытия» пользовались идентичными файлами. Назовем типичные:

  • опечатки разного рода собственно в словах: вместо одной буквы другая, пропуск буквы, точка вместо буквы;
  • опечатки и ошибки в пометах;
  • пропуск всей статьи.

2.2.1. Большинство опечаток собственно в словах представляют собой:

  • пропуск начальной буквы, например в словах: заклеивать, фанатичка, чахоточный, нацменьшинство, семестровый, солонеть, россиянин, приболеть, придвинуться и др.;
  • добавление символа: zвыдержанность (начального), плюскаf (конечного).
  • отсутствие пробела после слова перед пометой, например: припаяться6.
  • замена одного символа другим, например: затяжноЪ, инфляционныЪ, втоЪочить.

2.2.2. Опечатки и ошибки в пометах многообразны.

  • большая часть их связана с цифрами, показывающими номер ударного гласного, например: лихорадочный 5, (вместо 6), крейсировать 5, (вместо 6);
  • частотны ошибки (чаще – пропуски) в указаниях с помощью цифр на наличие буквы «ё»;
  • очень неприятны для нас ошибки в буквенных пометах, например контроль 6 м 2в (вместо , что дает формы типа контроля+, вместо контро+ля);
  • частотна потеря кавычек, соответствующих индексу в кружочке в «бумажном» варианте, например преемственный 4 п 1*а[1] (вместо 4 п 1*а[“1”]) – потеря слова преемствен;
  • иногда оказывался вставленным целый кусок текста на месте помет, например, перемолоться 8 5 перев 10с (вместо 8 св 10с), что приводит к получению фантастических словоформ.

2.3. Недостатки программ создания электронной версии словоформ словаря

 

Недостатки программ создания электронной версии словоформ словаря вызваны разными причинами. Назовем наиболее типичные:

  • часть ошибок связана со сложностью (а иногда и невозможностью) передачи в электронной версии «бумажного» варианта развернутых комментариев для исключений из правил, которые иногда встречаются в книге.
  • в одном из вариантов сложные слова с дефисом, в которых по-разному изменяются части слова, просто не попали в список словоформ, например: диван-кровать, меч-кладенец;
  • большие проблемы вызывали формы с нерегулярным появлением «ё» на месте «е»;

Упоминаемый выше список несовпадений версий (список ошибок) был исправлен вручную, при этом основным словарем, с которым сверялся этот список, (кроме, разумеется, «Словаря…» Зализняка) являлся «Орфоэпический словарь русского языка» под редакцией Р.И. Аванесова, авторы которого (С.Н. Борунова, В.Л. Воронцова, Н.А. Еськова) придерживаются тех же позиций в вопросах русского словоизменения, что и А.А. Зализняк. Сложности возникали зачастую в определении принадлежности «странного» слова словарной статье. Например, «слова»: выпився, загний, лганей и др.

 

 

  1. Слова с дополнительным ударением

 

Первая часть сложных слов или безударна (паровоз, аэропорт и пр.) или имеет побочное (дополнительное) ударение (паросборник, аэромаяк и пр.). Побочное ударение (или несколько побочных ударений для слов с тремя и более основами, напр., аэрофотосъемка) могут иметь только первые части слов; основное ударение – всегда на последней основе (или на ее окончании). Если имеется побочное ударение (по­бочные ударения), то оно реализуется следующим способом: качество гласного под побочным ударением аналогично качеству соответствующих гласных, находящихся в позиции первого предударного слога в обычных словах (I степень редукции), остальные гласные в первой (неконечной) основе произносятся так же, как они произносились бы в том случае, если бы первая (неконечная) основа была самостоятельным словом. Так, в слове слабокислый [сла(+)бък’и+слъj] (знаком + обозначено место основного ударения – ударен предыдущий гласный, знаком (+) обозначено место дополнительного ударения), имеющем побочное ударение, гласный слога -бо- произносится со II степенью редукции (как в случае сочетания двух самостоятельных слов …слабо кислый…), так как слово делится на части по ритмике и слог -бо- относится к первой части, а в слове слабосильный [слъбас’и+л’нъj], не имеющим побочного ударения, гласный слога -бо- произносится с I степенью редукции (позиция первого предударного слога), так как слово не делится на части. Из этого следует, что в словаре должно быть помечено не только место побочного ударения, но и граница между частями сложного слова.

Существуют определенные закономерности появления побочного ударения. Например, наличие нескольких слогов между (потенциально) ударным слогом первой части и ударным слогом второй части слова, частотность употребления сложного слова, продолжительность существования сложного слова в языке и др. На­ли­чие / от­сут­ствие побочного ударения зависит от многих факторов: от темпа и ритма речи; от того, падает ли на это слово логическое ударение; от профессионального и социального статуса человека, произносящего данное сложное слово. К тому же нормы в отношении на­ли­чия / от­сут­ствия побочного ударения постоянно меняются. В результате попытка создать алгоритм нахождения слов с побочным ударением и автоматической разметки таких слов не привела к удовлетворительным результатам. Потребовалась трудоемкая ручная работа – необходимо проверять каждое слово по орфоэпическому словарю. Сравни слова с первой частью слабо‑: слабовольный, слабодушный, слабонервный, слабоумный, слабохарактерный, произносящиеся с одним ударением, и слова слабокислый, слаборазвитый, которые имеют побочное ударение на слоге сла-.

Следует заметить при этом, что в целом ряде сложных слов, в первую часть которых входит сочетание «гласный + о», причем в конце первой части сложного слова, типа био-, гео-, зоо-, аудио-, видео- и под., произносится безударное [о]: зоопланктон [зо(+)опланкто+н], геоморфолог [г’е(+)омарфо+лог]. Но это происходит только(!) при наличии дополнительного ударения. Если слово произносится с одним ударением, то произношение «о» подчиняется общим правилам, сравни: зоопарк [зъапа+рк], геодезист [г’ьадыз’и+ст].

Итак, несмотря на то, что в «Словаре…» Зализняка (в отличие от большинства словарей) имеется указание на дополнительное ударение (кстати, обнаружены две ошибки в «бумажном» варианте Зализняка:мо(+)торострое+ние, вместо мото(+)рострое+ние и неомальтузианство без указания на наличие дополнительного ударения), трудоемкую ручную работу по указанию границы сложных слов проделать пришлось.

 

 

  1. Омография слов

 

В данном случае нас интересовали те омографы, которые различаются местом ударения. При этом существуют:

  • «дублеты», то есть различающиеся местом ударения варианты одной и той же формы одного слова, например: тво+рог и творо+г, ко+мпас и компа+с, милы+ и ми+лы, ти+хи и тихи+.
  • различающиеся местом ударения разные грамматические формы одного слова, например: реки+ (род. п. ед. ч.) и ре+ки (им. п. мн. ч.), дю+беля (род. п. ед. ч.) и дюбеля+ (им. п. мн. ч. – менее предпочтительный вариант, чем дю+бели);
  • различающиеся местом ударения разные слова: просеки+ (пов. форма глагола) и про+секи (сущ. в род. п. ед. ч.), на ба+зу (вин. п. ед. ч. от сущ. «база») и на базу+ (предл.2 п. ед. ч. от сущ. «баз»).

Одно из условий нашего словаря – универсальность. Поэтому просто исключать какое-то слово (например, менее частотное) из словаря нежелательно. Мы пошли по пути расстановки помет (более предпочтительное – менее предпочтительное – равноправное) в тех случаях, когда разноударные словоформы представляют собой варианты произнесения одинаковых форм одного и того же слова. При этом можно ориентироваться на «Словарь…» Зализняка, где порядок (слева направо) определяет предпочтительность (к сожалению, неизвестно – нет ли при этом равноправия), и (в основном!) на «Орфоэпический словарь…».

Не имея синтаксического анализатора, невозможно выбрать нужную форму разноударных слововорм одного и того же слова (напр.: реки+ (род. п. ед. ч.) и ре+ки).

Практически нет никакой информации о частотности форм слов. Для этого надо иметь большой массив текстов с разметкой ударения в словах и грамматическими пометами.

Тем не менее можно, опираясь на имеющиеся частотные словари слов (к сожалению, не словоформ) и (чаще) на субъективное чувство носителя языка, проделать аналогичную работу по расстановке помет, определяющих предпочтительность, и с другими омографами, что повысит процент правильно произнесенных слов при работе автоматического синтезатора русской речи. При этом пометы (более предпочтительное – менее предпочтительное – равноправное) должны формально отличаться от случаев с «дублетами».

 

  1. Неполнота словаря

 

Неполнота электронного словаря – проблема вечная и, к счастью, гораздо легче решаемая, чем неполнота «бумажного» варианта. Необходимо только время и аккуратность человека, который пополняет словарь. Мы постепенно пополняем наш словарь новыми словами (всякими брокерами, менеджерами и пр.), именами собственными и топонимами. Аккуратность нужна, в частности и потому, что ввод каждого нового слова может затронуть уже имеющийся размеченный массив: например имя собственное Ми+ла «испортит» равноправие нарицательных форм ми+ла и мила+.

В заключение укажем еще одно применение нашего электронного словаря словоформ – произносительный словарь русского языка. На выходе получается транскрибирование и озвучивание пополненного варианта «Грамматического словаря русского языка» А.А. Зализняка.

 

 

Литература

 

  1. Зализняк А.А. Грамматический словарь русского языка. М.: Русский язык, 1980.
  2. Орфоэпический словарь русского языка / Под ред. Р.И. Аванесова. М.: Русский язык, 1985.
  3. КаленчукМ.Л. Касаткина Р.Ф. Словарь трудностей русского произношения. М.: Русский язык, 1997.

 

 

Dictionary for TTS-synthesis

Leonid Zakharov

 

 

Ключевые слова: dictionary, computer dictionaries, A.A. Zaliznyak’s “Grammatical dictionary of Russian” phonetics, TTS-synthesis, orthoepia

 

For its effective use TTS-system for Russian requires a dictionary of word forms marked for stress. Our dictionary, as practically all similar computer dictionaries is based on
A.A. Zaliznyak’s “Grammatical dictionary of Russian”. In preparing our dictionary for use we have solved the following problems: correction of 3 kinds of mistakes (misprints in the book, misprints in its computer version and mistakes in generation of word forms on the basis of dictionary entries); differentiation of pronunciation variants according to their frequency; marking of secondary stress and morpheme boundaries in compounds. The dictionary was supplied with new words, including proper names of persons and toponyms. Purely lexicalist approaches to the problem of homography are studied.