Classer les sous-dialectes du kurde sorani à travers des données audio

Classer les différents sous-dialectes kurdes Sorani peut être compliqué. Une des raisons principales est le manque de données publiques disponibles. Pour y remédier, on a visité plusieurs villes et villages, en se connectant avec des locuteurs natifs de différentes tranches d'âge, sexes et professions. On a enregistré des conversations sur divers sujets comme les loisirs, les expériences de vie et les intérêts. La zone de recherche se concentrait sur la région du Kurdistan en Irak. Au total, on a rassemblé plus de 29 heures d'enregistrements issus de 107 interviews, représentant six sous-dialectes.

#L'importance des dialectes

Reconnaître les différences linguistiques est crucial pour une communication claire. En kurde, ces différences peuvent compliquer notre façon de traiter le langage naturellement. La langue kurde a de nombreux dialectes, et même au sein d'un sous-dialecte, tu peux trouver des variations d'une ville à une autre.

#Comprendre le Kurde Sorani

Le Sorani, ou kurde central, est largement parlé dans le nord de l'Irak et l'ouest de l'Iran. Ce dialecte est présent dans des zones comme les provinces de Sulaimani et d'Erbil, ainsi qu'à Kirkuk et Halabja. Il est aussi utilisé dans plusieurs villes kurdes en Iran. Le Sorani est la langue officielle du gouvernement régional du Kurdistan et est utilisée dans les institutions locales.

#Nos objectifs

Le but principal de notre recherche était de créer un ensemble de données qui détecte et classe précisément les sous-dialectes kurdes Sorani. Un ensemble de données audio robuste est nécessaire pour entraîner et tester des modèles d'apprentissage automatique. Cela nous permet d'identifier et de regrouper les différents sous-dialectes en fonction de leurs sons uniques.

#Collecte de données audio

L'ensemble de données audio que nous avons créé consiste en plus de 29 heures d'enregistrements, incluant six sous-dialectes Sorani : Garmiani, Hewleri, Karkuki, Pishdari, Sulaimani et Khoshnawi. Cet ensemble de données est une ressource précieuse pour de futures recherches et pour mieux comprendre ces dialectes.

#Distribution et importance de la langue kurde

Plus de 30 millions de personnes parlent le kurde dans le monde, principalement en Irak, en Iran, en Syrie et en Turquie. Le kurde est une langue indo-européenne avec divers dialectes. De nombreuses études et discussions ont été menées autour de la langue et de ses dialectes, mais il n'y a toujours pas de consensus clair sur leur classification.

#Classification des sous-dialectes Sorani

En termes de géographie, le Kurmanji central se trouve en Irak et en Iran. Il y a une influence significative de l'arabe dans les sous-dialectes irakiens et du persan dans les sous-dialectes iraniens. Certains sous-dialectes Sorani incluent :

• Sulaimani : Parlé dans la ville de Sulaimanayah, fondée en 1784.
• Karkuki : Trouvé à Karkuk, ce sous-dialecte est reconnu pour son importance économique grâce aux réserves pétrolières à proximité.
• Hewleri : Nommé d'après la ville de Hewler, c'est un autre sous-dialecte majeur du Sorani.
• Khoshnawi : Principalement parlé à Shaqlawa et dans les environs.
• Garmiani : Souvent trouvé dans l'ouest de Sulaimani.
• Pishdari : Un sous-dialecte distinct connu sous le nom de Qaladzaye, situé dans le nord de Sulaimani.

#Recherche limitée sur les sous-dialectes

Bien qu'il existe plusieurs études, il n'y a pas beaucoup de documentation détaillée sur les sous-dialectes Sorani. La plupart des informations disponibles se concentrent sur les emplacements géographiques plutôt que sur les spécificités de l'utilisation des dialectes.

#Revue de littérature

Diverses études sur la reconnaissance de la parole ont exploré la classification des dialectes. La recherche sur le traitement de la parole kurde est limitée. Certains ont utilisé des modèles de machine à vecteurs de support (SVM) pour la reconnaissance des dialectes kurdes dans les textes écrits. Les efforts récents en reconnaissance de la parole kurde ont utilisé des modèles acoustiques avancés mais rencontrent encore des défis.

#Méthodes traditionnelles de reconnaissance de la parole

Les modèles traditionnels pour la reconnaissance de la parole incluent des techniques comme les machines à vecteurs de support (SVM) et Naïve Bayes. Ces méthodes ont été utilisées avec succès pour divers dialectes. Cependant, les chercheurs ont rencontré des défis, notamment avec des données d'entraînement limitées, ce qui complique l'analyse.

#Avancées en reconnaissance de la parole

L'apprentissage profond a gagné en popularité ces dernières années pour la reconnaissance de dialectes. Des modèles comme les réseaux de neurones convolutifs (CNN) et les réseaux de neurones récurrents (RNN) ont montré des résultats prometteurs. Ces modèles peuvent apprendre des motifs et des caractéristiques complexes à partir des données, mais nécessitent une quantité substantielle de données étiquetées pour l'entraînement.

#Méthodologie de collecte de données

Notre corpus de parole a impliqué des conversations quotidiennes avec des locuteurs. Pour recueillir des points de vue divers, nous avons posé diverses questions sur les antécédents personnels, les routines quotidiennes et les leçons de vie. Cette approche nous a permis de collecter des données de parole riches et variées.

#Édition et préparation des données

La parole enregistrée a été soumise à un processus d'édition pour éliminer le bruit de fond et les longues pauses. Nous avons sauvegardé les fichiers audio finaux au format wav, connu pour sa haute qualité.

#Techniques d'Extraction de caractéristiques

Nous avons utilisé les coefficients cepstraux en fréquence Mel (MFCC) pour l'extraction de caractéristiques. Cette technique nous permet d'identifier avec précision les propriétés audio distinctes de divers sous-dialectes.

#Approches de réseaux de neurones

Pour notre étude, nous avons adapté deux modèles de réseaux de neurones : le réseau de neurones artificiels (ANN) et les réseaux de neurones convolutifs (CNN). Les configurations incluaient différents nombres de nœuds dans différentes couches pour améliorer la performance.

#Réseau de neurones artificiels (ANN)

Le modèle ANN que nous avons créé se composait de couches d'entrée, cachées et de sortie. Nous avons utilisé diverses couches avec différents nombres de nœuds et fonctions d'activation pour des résultats optimaux.

#Réseaux de neurones convolutifs (CNN)

Le modèle CNN a été conçu pour inclure plusieurs couches convolutionnelles, suivies de techniques de max pooling et de régularisation pour éviter le surajustement. Cette méthode visait à améliorer les performances dans la tâche de classification des sous-dialectes.

#Réseaux de neurones récurrents - Mémoire à long et court terme (RNN-LSTM)

Notre modèle RNN-LSTM a été construit avec des couches LSTM empilées pour capturer des données séquentielles. Nous avons utilisé différents ratios de Jeux de données d'entraînement, de validation et de test pour évaluer le modèle efficacement.

#Expérimentation et résultats

Nous avons effectué des expériences approfondies sur chaque modèle avec diverses configurations. Le modèle RNN-LSTM a surpassé à la fois l'ANN et le CNN, atteignant des taux de précision remarquables.

#Défis rencontrés

Plusieurs défis ont émergé lors de nos efforts de collecte et de classification des données. Le manque de systèmes de classification automatisés a rendu difficile la comparaison avec des études antérieures. De plus, certains locuteurs étaient réticents à contribuer leur voix pour l'enregistrement en raison de préoccupations concernant la confidentialité.

#Résumé des résultats

Les résultats ont démontré que le RNN-LSTM surpassait systématiquement l'ANN et le CNN en termes de précision. Notre étude montre le potentiel d'amélioration des techniques d'apprentissage automatique dans la classification des sous-dialectes kurdes.

#Directions futures

Nous prévoyons d'étendre notre recherche pour inclure d'autres dialectes trouvés en Iran et dans d'autres régions. La transcription de l'ensemble de données facilitera encore les futures études sur les sous-dialectes Sorani.

#Conclusion

Cette recherche a réussi à compiler l'un des premiers ensembles de données pour les sous-dialectes kurdes Sorani. Les enregistrements audio, les méthodologies et les résultats fournissent une base solide pour de futures études dans ce domaine. En élargissant le champ d'étude pour inclure plus de sous-dialectes et de dialectes, nous pouvons approfondir notre compréhension de la langue kurde.