Investigación / Tecnología lingüística para lenguas con pocos recursos / [11]
Reconocimiento del habla en gallego en 2022: dos sistemas y muy pocos datos
Galician's Language Technologies in the Digital Age. IberSPEECH 2022, 2022.
En 2022 solo dos reconocedores del habla admitían el gallego. En un pequeño conjunto de programas de televisión gallegos, el sistema de la Universidade de Vigo produjo mejores transcripciones que Google Cloud Speech-to-Text en todos los casos, y los recursos para la lengua seguían siendo escasos.
La pregunta
El gallego tiene unos 1,9 millones de hablantes y es cooficial en España, pero aparece en menos del 0,1 % de los sitios web. Este estudio, realizado dentro del proyecto European Language Equality, se pregunta en qué punto estaba el reconocimiento del habla en gallego en 2022.
Qué hicimos
Revisamos los recursos disponibles para la lengua y comparamos los dos reconocedores que encontramos con soporte para el gallego: el desarrollado en la Universidade de Vigo y Google Cloud Speech-to-Text. Ambos transcribieron programas de cuatro productoras gallegas, y las transcripciones se evaluaron con la tasa de error por palabra.
Qué encontramos
Los datos y recursos para el gallego crecieron de forma notable en los cuatro años anteriores al estudio, pero siguen siendo de alcance limitado: el 92 % de los corpus y recursos indexados son solo de texto, y el audio escasea.
El sistema de la Universidade de Vigo produjo mejores transcripciones que el de Google en todos los programas. Las sustituciones fueron el error más frecuente en ambos. Una tasa de error por palabra inferior al 20 %, el nivel que la televisión pública española acepta para los subtítulos automáticos, es alcanzable cuando el audio está controlado y hay pocos hablantes.
Por qué importa
La tecnología del habla depende hoy de grandes cantidades de datos. Sin un esfuerzo considerable por crear recursos, sobre todo de audio, el gallego corre el riesgo de quedarse atrás. El panorama completo está en el Language Report for Galician.
Citar
Ramírez Sánchez J.M., Docío-Fernández L., García-Mateo C. Galician's Language Technologies in the Digital Age. IberSPEECH 2022, 2022.