Classificare i sottodialetti kurdi sorani attraverso dati audio

Classificare i diversi sottodialetti sorani curdi può essere complicato. Una delle ragioni principali è la mancanza di dati pubblici disponibili. Per affrontare questo, abbiamo visitato varie città e villaggi, mettendoci in contatto con madrelingua di diverse fasce d'età, generi e professioni. Abbiamo registrato conversazioni su vari argomenti come hobby, esperienze di vita e interessi. L'area focale per questa ricerca era la regione del Kurdistan in Iraq. In totale, abbiamo raccolto oltre 29 ore di registrazioni da 107 interviste, che rappresentano sei sottodialetti.

#L'importanza dei Dialetti

Riconoscere le differenze linguistiche è fondamentale per una comunicazione chiara. In curdo, queste differenze possono complicare il nostro modo di elaborare la lingua in modo naturale. La lingua curda ha molti dialetti, e anche all'interno di un sottodialetto, puoi trovare variazioni da una città all'altra.

#Comprendere il Sorani Curdo

Il sorani, o curdo centrale, è parlato ampiamente nel nord dell'Iraq e nell'ovest dell'Iran. Questo dialetto è prevalente in aree come le province di Sulaimani e Erbil, così come a Kirkuk e Halabja. Viene utilizzato anche in diverse città curde in Iran. Il sorani è la lingua ufficiale nel governo regionale del Kurdistan ed è usato nelle istituzioni locali.

#I Nostri Obiettivi

L'obiettivo principale della nostra ricerca era creare un dataset che rilevasse e classificasse accuratamente i sottodialetti sorani curdi. Un robusto dataset audio è necessario per addestrare e testare modelli di machine learning. Questo ci consente di identificare e raggruppare i diversi sottodialetti in base ai loro suoni unici.

#Raccolta di Dati Audio

Il dataset audio che abbiamo creato consiste in oltre 29 ore di registrazioni, comprendenti sei sottodialetti sorani: Garmiani, Hewleri, Karkuki, Pishdari, Sulaimani, e Khoshnawi. Questo dataset è una risorsa preziosa per ulteriori ricerche e per comprendere questi dialetti.

#Distribuzione e Importanza della Lingua Curda

Oltre 30 milioni di persone parlano curdo in tutto il mondo, soprattutto in Iraq, Iran, Siria e Turchia. Il curdo è una lingua indo-europea con vari dialetti. Sono stati condotti molti studi e discussioni intorno alla lingua e ai suoi dialetti, ma non c'è ancora un chiaro consenso su come classificarli.

#Classificazione dei Sottodialetti Sorani

In termini di geografia, il Kurmanji centrale si trova in Iraq e Iran. C'è una significativa influenza araba nei sottodialetti iracheni e persiana in quelli iraniani. Alcuni sottodialetti sorani includono:

• Sulaimani: Parlato nella città di Sulaimanayah, fondata nel 1784.
• Karkuki: Trovato a Karkuk, questo sottodialetto è riconosciuto per la sua importanza economica grazie ai giacimenti di petrolio nelle vicinanze.
• Hewleri: Chiamato così in onore della città di Hewler, è un altro importante sottodialetto sorani.
• Khoshnawi: Parlato principalmente a Shaqlawa e nelle aree circostanti.
• Garmiani: Comunemente trovato nell'ovest di Sulaimani.
• Pishdari: Un sottodialetto distinto noto come Qaladzaye, situato nel nord di Sulaimani.

#Ricerca Limitata sui Sottodialetti

Sebbene esistano diversi studi, non ci sono molte documentazioni dettagliate sui sottodialetti sorani. La maggior parte delle informazioni disponibili si concentra sulle località geografiche piuttosto che sugli usi specifici del dialetto.

#Revisione della Letteratura

Vari studi sul riconoscimento del parlato hanno esplorato la classificazione dei dialetti. La ricerca sul processamento del parlato curdo è limitata. Alcuni hanno utilizzato modelli Support Vector Machine (SVM) per il riconoscimento dei dialetti curdi nei testi scritti. I recenti sforzi nel riconoscimento del parlato curdo hanno utilizzato modelli acustici avanzati, ma affrontano ancora sfide.

#Metodi Tradizionali di Riconoscimento del Parlato

I modelli tradizionali per il riconoscimento del parlato includono tecniche come Support Vector Machine (SVM) e Naïve Bayes. Questi sono stati utilizzati con successo per vari dialetti. Tuttavia, i ricercatori hanno affrontato sfide, in particolare con dati di addestramento limitati, il che complica l'analisi.

#Progressi nel Riconoscimento del Parlato

Il deep learning ha guadagnato terreno negli ultimi anni per il riconoscimento dei dialetti. Modelli come le Reti Neurali Convoluzionali (CNN) e le Reti Neurali Ricorrenti (RNN) hanno mostrato risultati promettenti. Questi modelli possono apprendere schemi e caratteristiche complesse dai dati, ma richiedono un notevole numero di dati etichettati per l'addestramento.

#Metodologia di Raccolta Dati

Il nostro corpus di parlato ha coinvolto conversazioni quotidiane con i parlanti. Per raccogliere opinioni diverse, abbiamo posto varie domande riguardanti i background personali, le routine quotidiane e le lezioni di vita. Questo approccio ci ha permesso di raccogliere dati di parlato ricchi e vari.

#Editing e Preparazione dei Dati

Il parlato registrato è passato attraverso un processo di editing per pulire il rumore di fondo e le lunghe pause. Abbiamo salvato i file audio finali in formato wav, noto per la sua alta qualità.

#Tecniche di Estrazione delle Caratteristiche

Abbiamo utilizzato i Coefficienti Cepstrali di Frequenza Mel (MFCC) per l'estrazione delle caratteristiche. Questa tecnica ci consente di identificare con precisione le proprietà audio distintive dei vari sottodialetti.

#Approcci alle Reti Neurali

Per il nostro studio, abbiamo adattato due modelli di rete neurale: Rete Neurale Artificiale (ANN) e Reti Neurali Convoluzionali (CNN). Le configurazioni includevano vari numeri di nodi in diversi strati per migliorare le prestazioni.

#Rete Neurale Artificiale (ANN)

Il modello ANN che abbiamo creato consisteva in strati di input, nascosti e di output. Abbiamo utilizzato vari strati con diversi conteggi di nodi e funzioni di attivazione per risultati ottimali.

#Reti Neurali Convoluzionali (CNN)

Il modello CNN è stato progettato per includere diversi strati convoluzionali, seguiti da max pooling e tecniche di regolarizzazione per prevenire l'overfitting. Questo metodo mirava a migliorare le prestazioni nel compito di classificazione dei sottodialetti.

#Reti Neurali Ricorrenti - Long Short-Term Memory (RNN-LSTM)

Il nostro modello RNN-LSTM è stato costruito con strati LSTM impilati per catturare dati sequenziali. Abbiamo utilizzato vari rapporti di set di addestramento, validazione e test per valutare efficacemente il modello.

#Sperimentazione e Risultati

Abbiamo condotto esperimenti approfonditi su ciascun modello con varie configurazioni. Il modello RNN-LSTM ha superato sia l'ANN che il CNN, ottenendo tassi di precisione notevoli.

#Sfide Affrontate

Sono emerse diverse sfide durante i nostri sforzi di raccolta dati e classificazione. La mancanza di sistemi di classificazione automatizzati ha reso difficile il confronto con studi precedenti. Inoltre, alcuni parlanti erano riluttanti a contribuire con le loro voci per le registrazioni a causa di preoccupazioni per la privacy.

#Riepilogo dei Risultati

I risultati hanno dimostrato che l'RNN-LSTM ha costantemente superato ANN e CNN in termini di precisione. Il nostro studio mostra il potenziale per migliorare le tecniche di machine learning nella classificazione dei sottodialetti curdi.

#Direzioni Future

Abbiamo intenzione di ampliare la nostra ricerca per includere più dialetti trovati in Iran e altre regioni. Trascrivere il dataset aiuterà ulteriormente negli studi futuri sui sottodialetti sorani.

#Conclusione

Questa ricerca ha compilato con successo uno dei primi dataset per i sottodialetti sorani curdi. Le registrazioni audio, le metodologie e i risultati forniscono una base solida per lavori futuri in quest'area. Espandendo il campo per includere più sottodialetti e dialetti, possiamo approfondire la nostra comprensione della lingua curda.