Detecção automática de fronteiras prosódicas entre unidades entonacionais

• Autor(a) principal: Bárbara Teixeira
• Data de Publicação: 2020
• Outros Autores: Tommaso Raso, Plínio Almeida Barbosa
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: https://doi.org/10.47627/gradus.v5i1.147; http://hdl.handle.net/1843/58707; https://orcid.org/0000-0002-4484-3590; https://orcid.org/0000-0002-3446-313X; https://orcid.org/0000-0001-6317-3548
• topic: Fronteiras prosódicas; Detecção automática; Fala espontânea; Segmentação da fala; Analise prosódica (Linguística); Atos de fala (Linguística); Percepção da fala

A fala é segmentada em unidades entonacionais marcadas por fronteiras prosódicas. Este trabalho tem como objetivo investigar os parâmetros fonético-acústicos que orientam a produção e a percepção de fronteiras prosódicas, bem como desenvolver modelos para detecção automática de fronteiras prosódicas em fala espontânea. Duas amostras de trechos de fala espontânea masculina foram segmentadas em unidades entonacionais por dois grupos de segmentadores treinados. As fronteiras percebidas pelos segmentadores foram anotadas como terminais (TB) ou não-terminais (NTB). Um script foi utilizado para extrair parâmetros fonético-acústicos ao longo do sinal de fala. Os parâmetros extraídos compreendem medidas de: 1) Velocidade e ritmo da fala; 2) Duração normalizada; 3) Frequência fundamental; 4) Intensidade; 5) Pausa silenciosa. Foi desenvolvido um treinamento de modelos compostos por múltiplos parâmetros projetados para a identificação automática das fronteiras marcadas pelos segmentadores. Utilizou-se o algoritmo Linear Discriminant Analysis e consideraram-se como fronteira posições em que pelo menos 50% dos segmentadores indicaram uma fronteira do mesmo tipo. O modelo de detecção automática de fronteiras terminais mostra uma convergência de 80% em relação às fronteiras terminais observadas pelos segmentadores na Amostra I. Para fronteiras não-terminais, foram obtidos três modelos de classificação estatística. Juntos, os três modelos mostram uma convergência de 98% em relação às fronteiras não-terminais observadas pelos segmentadores na Amostra I. Os modelos foram validados posteriormente na Amostra II. Os resultados da validação indicam que o desempenho do modelo TB é de 74% e o do modelo NTB é de 88% na Amostra II.