Rapport. Nyttoaspekter av tillgången till en språkdatabas. Daniel Persson. Lars Johannesson. Filip Bonnevier. Stockholm, september 2009

Transkript

1 Rapport Nyttoaspekter av tillgången till en språkdatabas Stockholm, september 2009 Daniel Persson Lars Johannesson Filip Bonnevier Netlight Consulting AB Söder Mälarstrand 27b Stockholm Tel Org nr Bankgiro

2 Innehåll Sammanfattning Bakgrund Netlights uppdrag från PTS Metodik Informationsgranskning Expertanalys Begrepp och definitioner Språkteknologi Automatisk taligenkänning Användningsområden för automatisk taligenkänning Teknisk översikt Språkdatabaser BLARK Språkkorpus Standarder inom talteknologi Marknaden för talteknologi och dess aktörer Forskning och utveckling av talteknologi Användare av talteknologi Språkdatabaser i Sverige och omvärlden Sverige Omvärlden British National Corpus (BNC) The Dutch-Flemish HLT Programme (STEVIN) Norska Språkrådet och Språkbanken Dansk språkdatabas Talteknologi och dess nytta för personer med funktionsnedsättning Dagens användningsområden Diktering Informationsspridning och informationsinsamling Direkttextning av TV-program Framtida användningsområden Översättning Automatiska tolkningstjänster Textsammanfattning MonAmi - Hjälpmedel för äldre och personer med psykisk funktionsnedsättning Robotar i tiden Omfattningen av behovet av taligenkänning som hjälpmedel Analys Behov av en svensk nationell språkdatabas

3 5.2 Nyttoaspekter för PTS av en svensk nationell språkdatabas Finansiering av en svensk nationell språkdatabas Förslag och rekommendationer Referenser

4 Sammanfattning Denna förstudie är gjord på uppdrag av PTS och syftar till att kartlägga nyttan av en svensk nationell språkdatabas samt hur en sådan kan hjälpa PTS i dess arbete med att inom sitt ansvarsområde som sektorsmyndighet inom post och elektronisk kommunikation bör inriktningen bland annat vara att vara stödja och pådriva att underlätta för personer med funktionsnedsättningar. I studien har information inhämtats genom intervjuer med Handisam och KTH samt frågor ställda via e-post till en rad olika intresseorganisationer för personer med funktionsnedsättningar. Vidare har en stor mängd forskningsrapporter, utredningar och andra dokument relevanta för området studerats ingående. Analysen av inhämtad information visar att nyttan av en svensk nationell språkdatabas bedöms som stor då det svenska språket sett ur ett marknadsperspektiv är ett litet språk. Med en sådan språkdatabas som grund kan fler språkteknologiska applikationer och tjänster komma att utvecklas med stöd för det svenska språket än vad som är fallet för andra språk av liknande storlek som saknar denna typ av språklig infrastruktur. Förutom som grund till direkttextning, vilket hjälper personer med hörselnedsättning, kan en svensk nationell språkdatabas vara till nytta för personer med ett antal olika typer av funktionsnedsättningar. Det är dock viktigt att det ställs specifika krav på uppbyggnaden av en språkdatabas så att behoven hos en så bred grupp av människor som möjligt tillgodoses och att utformningen stödjer fortsatt språkteknologisk utveckling genom att ej vara begränsad till användning inom forskningsområdet. För PTS kan en nationell språkdatabas vara till nytta då en sådan bedöms stimulera marknaden att på egen hand skapa tjänster inom svensk språkteknolog vilket i förlängningen ger ökad tillgänglighet för personer med funktionsnedsättning. Det ger även nya möjligheter för att ställa striktare krav på näringslivets parter vad gäller tillgänglighet inom området för elektronisk kommunikation om det samtidigt kan erbjudas goda förutsättningar för utveckling av dessa tjänster. Sammantaget innebär detta kostnadsbesparingar då inte lika många nya hjälpmedel behöver finansieras och utvecklas av PTS samt att driftskostnaderna för de befintliga systemen minskar på sikt eller elimineras helt. På vilket sätt PTS ska finansiera och utöva påverkan på en svensk nationell språkdatabas beror till stor del på utkomsten i Vetenskapsrådets beslut angående att ge medel till forskningsvärldens föreslagna svenska BLARK. Rekommendationer PTS bör vara delaktig i skapandet av en svensk nationell språkdatabas då detta främjar och stödjer vidareutvecklingen av språkteknologi som ökar tillgängligheten för personer med funktionsnedsättning. Hur denna delaktighet ska se ut beror till stor del på Vetenskapsrådets beslut angående framtagandet av en svensk nationell BLARK och PTS bör därför invänta detta innan inriktning vad gäller finansiering väljs. Oavsett Vetenskapsrådets beslut om en svensk nationell BLARK bör PTS vid en eventuell delfinansiering av en svensk nationell språkdatabas ställa krav på hur den utformas så att den tillgodoser behoven hos en så bred grupp av människor som möjligt och följer vedertagna standarder. 3

5 Den språkdatabas som SVT har behov av skulle kunna utgöra basen för en svensk nationell språkdatabas som sedan myndigheter, forskningsvärlden och näringslivet kan dra nytta av för att driva den språkteknologiska utvecklingen framåt. Därför är det viktigt att PTS endast delfinansierar en sådan språkdatabas om den kan komma till generell användning och inte inskränker sig till användning för direkttextning av tvprogram. Inom den svenska forskningsvärlden finns en stor samsyn för hur en nationell språkdatabas skall utformas och om en sådan byggs upp med offentliga medel krävs det att krav ställs på denna utifrån myndigheternas och näringslivets olika aspekter. PTS skulle kunna ta denna roll som och skulle därmed få stort inflytande på slutresultatet samtidigt som man i egenskap av sektorsmyndighet tar sitt ansvar genom att vara stödjande, samlande och pådrivande för att öka tillgängligheten för personer med funktionsnedsättning. 4

6 1 Bakgrund Sveriges Television (SVT) har kontaktat Post- och telestyrelsen (PTS) för att informera om att de i och med det nya sändningstillståndet som utformas under 2009 och kommer att gälla troligen får förhöjda krav med avseende på tillgänglighet vilket påverkar antalet program som ska textas. SVT uppger att dagens textningstäckning på 65 % sannolikt kommer att behöva utökas till att alla program, eller så många som rimligtvis är möjligt, ska textas. I regeringens proposition angående sändningstillstånd för [REG] föreslås det att Under den kommande tillståndsperioden ska målet vara att alla program på svenska i SVT1, SVT2, SVTB, Kunskapskanalen och SVT 24 ska textas. Textningen ska hålla en hög kvalitet.. Då dagens metod med att texta med hjälp av så kallad Velotype-teknik inte är tillräcklig för att kunna tillhandahålla en adekvat nivå av antal textade program krävs ny teknik baserad på taligenkänning som automatiskt konverterar tal till text. SVT kommer att tillsammans med andra public service-bolag att investera i denna taligenkänningsteknik men för att kunna använda tekniken krävs en språkdatabas över det svenska språket för matchning av språkljud mot korrekta ord och meningar. SVT anser att denna språkdatabas över svenska språket bör framtas och upprätthållas med allmänna medel eftersom det finns övriga aktörer på marknaden och i offentlig sektor som skulle kunna ha intresse av att utveckla ny teknik med hjälp av en dylik språkdatabas. Med detta som grund vill därmed SVT ha hjälp med finansiellt bidrag för detta ändamål. 1.1 Netlights uppdrag från PTS PTS har givit Netlight Consulting i uppdrag att utreda den potentiella nyttan för PTS av att ha tillgång till en språkdatabas och på vilket sätt den skulle vara PTS behjälplig och i förlängningen underlätta för personer med funktionsnedsättning att ta del av olika slags elektroniska kommunikationstjänster. Med hjälp av ett grundligt och informativt underlag ska utredningen även öka PTS kunskap om språkdatabaser och dess koppling till tal-till-text-system och trådlös teknik eller andra potentiella nyttjandeområden samt annan teknik som skulle kunna användas i elektroniska kommunikationstjänster för personer med funktionsnedsättning. Resultatet av utredningen kommer vara en del av ett underlag i frågan om huruvida PTS ska delfinansiera en nationell svensk språkdatabas. 1.2 Metodik Vid genomförandet av utredningen har utredarna använt sig av en metodik som består av två byggstenar; informationsgranskning och expertanalys Informationsgranskning En stor del av det underlag som ligger till grund för denna rapport bygger på en granskningsprocess där utredarna samlar in och granskar befintlig information och kunskap som finns inom de områden som projektet berör. Detta innefattar information om generell språkteknologi, tal-till-text-teknologi, språkdatabaser och elektroniska hjälpmedel för människor med funktionsnedsättning. Frågor har även ställts via e-post och intervjuer till ett antal 5

7 organisationer för personer med funktionsnedsättning såsom Handisam, Handikappförbunden (HSO), Hörselskadades riksförbund (HRF), Riksförbundet Attention, Föreningen för barn, unga och vuxna med utvecklingsstörning (FUB), Dyslexiförbundet (FMLS) och Sveriges dövas riksförbund (SDR). Kontakter har även tagits med forskare på KTH inom språkteknologiområdet samt representanter för NRK Expertanalys I expertanalysen vägs information insamlad genom granskning och djupintervjuer samman med utredarnas expertis inom relevanta områden för att bygga välgrundade slutsatser. 1.3 Begrepp och definitioner Förkortning / begrepp ASR BLARK CTT FMLS FUB HLT HRF HSO Ljudbrowser SDR Spektrogram Talsyntes Velotype Förklaring Automatic Speech Recognition. Automatisk omvandling från tal till text. Basic LAnguage Resource Kit Centre for Speech Technology. Institution på Kungliga Tekniska Högskolan (KTH) för forskning inom det språkteknologiska området. Dyslexiförbundet Föreningen för barn, unga och vuxna med utvecklingsstörning Human Language Technologies, vilket på svenska betyder språkteknologi. Hörselskadades riksförbund Handikappförbunden Applikation för att via internet komma åt ljudbaserade tjänster och information på samma sätt som en vanlig webb-browser fungerar för visuella tjänster och information. Sveriges dövas riksförbund Ett spektrogram är en figur som visar hur frekvensinnehållet i en signal varierar över tiden. Automatisk omvandling från text till tal Speciellt tangentbord som används vid direkttextning av TVprogram. 6

8 VINNOVA En statlig myndighet vars uppgifter är att finansiera den behovsmotiverade forskningen som ett konkurrenskraftigt näringsliv och ett välmående samhälle behöver, samt att stärka de nätverk som är nödvändiga kring det arbetet. 7

9 2 Språkteknologi Språkteknologi, även kallat datalingvistik, innefattar tillämpning och användning av språkkunskap vid utveckling av datorsystem för att analysera, förstå, tolka och generera mänskligt språk. Denna teknologi bygger på kunskaper inom datavetenskap, lingvistik, artificiell intelligens samt kognitiv psykologi. De hjälpmedel och verktyg som stödjer för att bättre uttrycka tal eller skrift samt underlätta kommunikation via datorer hör även till detta forskningsområde. I Sverige bedrivs forskning inom språkteknologi på ett antal högskolor där framför allt Kungliga Tekniska Högskolans (KTH) institution Centre for Speech Technology (CTT) bedriver forskning på internationellt hög nivå i samarbete med VINNOVA samt 34 svenska företag och icke kommersiella organisationer. 2.1 Automatisk taligenkänning Under 40-talet inleddes forskningen inom området för automatisk taligenkänning, som på engelska kallas Automatic Speech Recognition (ASR), men det var inte förrän på 60-talet som denna intensifierades vilket ledde till att det första kommersiella systemet för ordigenkänning lanserades först [KH7] Taligenkänning omfattar konvertering av en röstsignal till en följd av ord i textform och är tekniskt svårt att genomföra. För tydligt tal utan någon dialekt som utgörs av separata ord med en begränsad vokabulär och lågt tempo kan man framgångsrikt använda sig av taligenkänning, men vid otydligt tal som använder sig av en obegränsad vokabulär som används för dagligt tal är det betydligt svårare att urskilja ord och meningar med denna teknik. Utvecklingen på området går dock snabbt vilket leder till att igenkänningsprecisionen ständigt ökar Användningsområden för automatisk taligenkänning Dagens system för taligenkänning används framför allt för diktering, telefoni och som ett stöd för personer med funktionsnedsättning. Applikationen för diktering används frekvent av läkare, advokater och personer med funktionsnedsättning för att på ett förenklat sätt föra anteckningar. Inom telefoniområdet används tekniken för att automatisera biljettbokning, vädertjänster och telefonväxlar med gott resultat då det oftast endast krävs en begränsad vokabulär som endast använder sig av enstaka ord i taget. Som hjälpmedel för personer med funktionsnedsättning kan automatisk taligenkänning användas för att styra belysning, radio, TV, uppringning av telefonnummer samt även för att underlätta textning av tv-program för tv-stationer vilket i sin tur ökar tillgängligheten markant. En mer ingående beskrivning av användningsområden och dess nytta för personer med funktionsnedsättningar följer i kapitel 4 av denna rapport Teknisk översikt Den första svårigheten med automatisk taligenkänning är svårigheten att på ett enkelt sätt avkoda fonembudskapet i en talsignal. Som tidigare nämnts kan det vara relativt enkelt att tyda ett diskret ord, men när man ska tolka dagligt tal som inte gör tydliga mellanrum mellan orden blir det betydligt mer problematiskt. 8

10 I det kontinuerliga talet påverkar nämligen talljuden varandra så att ljudet för ett ord ändrar sig beroende på vilket ord som uttalas före eller efter samt att prepositioner och ändelser ofta utsätts för olika typer av reduktioner i talspråket. Förutom detta påverkas även fonemen av talarens kön, ålder, dialekt, personlighet och fysiska förutsättningar i form av kroppsstorlek. Fig. 1: Spektrogram över tal. Vid en vanlig konversation mellan två personer utgörs mycket av informationen av tidigare kunskaper om talaren, djup insikt i språkets natur, kroppsspråk samt allmänna omvärldskunskaper vilka tillsammans bildar en solid grund för att vi ska kunna tolka konversationspartnerns tal på rätt sätt. För att få ett datorsystem att kunna tolka tal på ett tillförlitligt sätt krävs att man kan återskapa och kompensera för att obefintlig eller förvanskad information i den akustiska talsignalen. Något som även ökar svårighetsgraden för systemen är närvaron av olika typer av distorsioner vid dagligt tal såsom tvekan, knarr, utdragningar av bokstäver samt reduktioner av prepositioner och ändelser. Talare Omgivning Överföring Lyssnare Ålder Rumsakustik Bandbredd Ålder Kön Additivt brus Brus Modersmål Anatomi Frekvensgång Hörsel Dialekt Transienter Bekant / okänd Stressnivå Klickar Människa / maskin Sinnesstämning Hälsotillstånd Fig. 2: Faktorer som påverkar talsignalen. 9

11 Fig. 3: Schema över process för automatisk taligenkänning Akustisk modell En akustisk modell skapas genom att ta ljudinspelningar av tal samt dess texttranskriberingar och kombinerar dessa genom att använda sig av en mjukvara som skapar statistiska representationer av ljuden som varje ord består av. Denna modell används vid taligenkänningsmotorer för att känna igen tal Lexikal modell En lexikal modell är en statistisk modell som visar på sannolikheter för att ord förekommer tillsammans med andra ord. Till exempel efter ordet vackert kan man se en högre sannolikhet för att ordet väder förekommer omedelbart efter än för att ordet oväder gör det. På samma sätt är det högre sannolikhet för att ordet skotta följs av ordet snö än något annat ord Grammatisk modell En grammatisk modell består av en relativt begränsad fil som innehåller fördefinierade kombinationer av ord och används för till exempel röstkontroll av datorer eller vid användning av röststyrda telefontjänster som till exempel SJ:s biljettbeställning. 2.2 Språkdatabaser Program för automatisk taligenkänning använder sig av tillgängliga kunskapskällor i form av databaser med fonetisk, lexikal, grammatisk och semantisk data. Tillsammans utgör dessa databaser en språkdatabas som används för att konvertera tal till text. 10

12 2.2.1 BLARK En BLARK eller Basic LAnguage Resource Kit definieras som de minmala uppsättningen av resurser (data eller verktyg) som behövs för att bedriva forskning och utveckling inom talteknologi. Definitionen är språkoberoende men specifika språk har olika förutsättningar och kan därför kräva olika innehåll och uppbyggnad. [ELS] En BLARK kan bland annat innehålla: Språkkorpus Talkorpus Grammatiker Verktyg för text-till-tal och tal-till-text konvertering. Annoteringsstandarder och verktyg Språkkorpus En språkkorpus är en stor och strukturerad samling av text, numera oftast i digital form som används för att göra statistisk analys och testa språkliga forskningshypoteser mot. Om korpusen består av transkriberade ljudinspelningar kallas det för talkorpus. En korpus kan vara enspråkigt eller flerspråkigt och kan då användas till maskinöversättning. Inom området för talteknologi använder man korpus för att bygga upp akustiska modeller som sedan används i matchningen och omvandlingen från ljudsignal till text Standarder inom talteknologi Det finns en stor mängd olika standarder inom området för talteknologi. En del av dem är framtagna av kommersiella företag medan andra är framtagna av internationella standardiseringsorganisationer som The World Wide Web Consortium (W3C) VoiceXML VoiceXML är en W3C-standard framtagen för att utveckla tjänster för ljudbrowsers på samma sätt som HTML är standarden för att utveckla webbtjänster för visuella applikationer. Målet bakom utvecklingen av standarden är att ge samma fördelar för informationsspridning till interaktiva talsvarstjänster som finns hos den vanliga visuella webben [W31]. VoiceXML är uppbyggt med hjälp av ett flertal andra standarder inom W3Cs ramverk för talteknologi (W3C Speech Interface Framework) som till exempel SGRS, SISR, PLS med flera Speech Recognition Grammar Specification (SRGS) SRGS är en W3C-rekommendation sedan 2004 och är tänkt att användas i röstigenkänningsapplikationer så att utvecklare kan specificera den grammatik, ord och mönster, som applikationen skall lyssna efter. Om man tänker sig en applikation som fungerar som en automatisk växeltelefonist skulle grammatiken kunna beskriva hur användaren förväntas svara på frågan Hej du har kommit till XXX. Vem söker du?. Grammatiken skulle i detta fall bestå av ett antal sannolika svar på denna fråga samt listor med möjliga personer eller avdelningar användaren söker. SGRS-standarden säger ingenting om den semantiska innebörden av orden i grammatiken utan för detta används ytterligare en standard som benämns SISR. 11

13 Semantic Interpretation for Speech Recognition (SISR) SISR är en något nyare standard och rekommenderas av W3C sedan Genom att bygga vidare på SGRS- grammatik är det tänkt att SISR skall förse en röstigenkänningsapplikation med förståelse för innebörden av den text som matas ut ur en taligenkännare. Om vi återgår till fallet med växeltelefoni-applikationen skulle SISR beskriva betydelsen av användarens svar till exempel Hej, jag söker Karl Karlsson eller Hej. Jag heter Lisa Larsson och söker någon som kan svara på fakturafrågor genom att dela upp uttalandet i för applikationen betydelsefulla beståndsdelar: Svar 1 Svar 2 Vem ringer? Jag Lisa Larsson Vem/vad sökes? Karl Karlsson Någon som kan svara på fakturafrågor Pronunciation Lexicon Specification (PLS) PLS är en ny standard och uppnådde W3C-rekommendation först hösten Till skillnad från SRGS och SISR används denna standard även inom området för talsyntes, det vill säga konvertering från text till tal. Standarden är avsedd att hantera de skillnader i uttal som kan förekomma mellan olika dialekter av samma språk Speech Application Programming Interface (SAPI) SAPI är ett interface mellan applikationer, taligenkännare och talsynteser utvecklat av Microsoft. I första hand utnyttjas det av Microsoft själva inom deras operativsystem och applikationer men även Nuance Dragon Naturally Speaking stödjer det. SAPI är inte direkt iblandat i själva taligenkänningsprocessen eller talsyntesen, istället används det som ett sammanhållande lager mellan operativsystemet och applikationer. Det går till exempel att byta ut taligenkännaren från Microsofts egna mot en som är utvecklad av en annan leverantör och kanske stödjer andra språk och på sätt kunna styra applikationer eller diktera in text Speech Application Language Tags (SALT) SALT togs fram som en direkt konkurrent till VoiceXML för att användas inom utvecklandet av stöd för röstigenkänning och talsyntes inom ramen för webb-baserade applikationer. Initiativtagare till utvecklingen av SALT var Microsoft men standarden stöddes också länge av bland annat Philips och Scansoft. Efter att allt fler, och till slut även Microsoft själva, valt att övergå till att stödja VoiceXML kan standarden i stort sett anses vara död. 12

14 Digital Accessible Information SYstem (Daisy) Fig. 4: Innehåll producerat enligt DAISY-standarden konverteras till ett format som den inbyggda webbläsaren kan hantera innan det skickas till användaren. [AKL] DAISY eller Digitalt Anpassat InformationsSYstem är en internationell standard för digitala talböcker. Syftet med formatet är att göra böcker tillgängliga på ett så användarvänligt sätt som möjligt för personer med läshandikapp, exempelvis synskada och dyslexi. I DAISY struktureras ljud, text och bild på ett sätt som gör det enkelt att söka i och läsa texten. Till skillnad från exempelvis talböcker på kassettband och de kommersiella ljudböckerna lämpar sig därför detta format även för navigering i uppslagsverk och andra typer av böcker i vilka det är nödvändigt att kunna "bläddra" snabbt. DAISY 3.0 stödjer även multimodala presentationer av information med synkroniserat ljud och text vilket ytterligare utökar användningsområdet för personer med funktionsnedsättning [DCR]. Det finns bland annat ett hjälpmedel för skolelever som heter The ClassMate Reader [CMR] som stödjer denna typ av multimodala presentationer för användning inom undervisning. 2.3 Marknaden för talteknologi och dess aktörer På dagens marknad finns ett flertal stora aktörer som erbjuder tal-till-text-system för olika typer av ändamål. De största aktörerna för taligenkännings- eller dikteringsprogram är Nuance, Loquendo, Philips och IBM. En del av dessa tillhandahåller program för det svenska språket, och de finns i ett antal anpassade varianter för att passa de skiftande behov som finns hos användarna. På den svenska marknaden finns en uppsjö av företag som i någon form sysslar med talteknologi någon form som är relevant för det språkteknologiska området. En sammanställning av dessa företag finns på som är ett centrum för svensk språkteknologi. Webbplatsen har utvecklats av Sveriges nationella forskarskola i språkteknologi, GSLT, och Språkrådet. 13

15 Fig. 5: Schema över aktörer på marknaden för talteknologi Forskning och utveckling av talteknologi I Sverige bedrivs forskning inom området för talteknologi av en rad olika aktörer som både är kommersiella och akademiska. På hemsidan finns en uppdaterad sammanställning av dessa. Gemensam för all forskning på området är att den är i behov av stora mängder inspelad taldata. För att kunna forska på olika aspekter av taligenkänning är det viktigt att insamlad data är så bred som möjligt. Med bred avses i detta fall att den skall innehålla inspelningar av personer med olika dialekter, med svenska som andraspråk, båda könen, i olika åldrar samt personer med talsvårigheter. Vidare behövs inspelningar gjorda i olika sammanhang som till exempel inspelningar av dialoger med två eller fler personer, och inspelningar av personer som högläser skrivna texter. 14

16 Nuance Dragon Naturally Speaking Det amerikanska företaget Nuance är bland de största aktörerna på den internationella marknaden för talteknologi. För några år sedan köpte Nuance upp Scansoft, vilket tidigare var en av de större aktörerna, och skaffade sig därigenom också distributionsrättigheterna för IBM:s produkt ViaVoice då denna tidigare tillhörde Scansoft. Dikteringsprodukten Nuance Dragon Naturally Speaking finns för närvarande inte på svenska utan endast på engelska, tyska, franska, italienska, spanska och holländska men är ett program som har stor utbredning världen över [NU1] Loquendo Loquendo är baserat i Torino, Italien och har även kontor i USA, Spanien, Tyskland och Frankrike. Företaget erbjuder produkter för såväl taligenkänning och talsyntes som produkter för talaridentifiering. Deras produkt för taligenkänning, Loquendo ASR, stöder ett stort antal språk, däribland svenska. [LOQ] Microsoft I Microsofts operativsystem Windows Vista ingår funktionalitet för taligenkänning men tyvärr finns ännu inte detta implementerat i den svenska versionen. Funktionaliteten kan användas till att styra, och att diktera in text i en rad av Microsofts produkter som till exempel MS Officepaketet. Microsoft har tagit fram egna, eller har deltagit i framtagandet av standarder inom området för talteknologi. Bland dessa ingår Speech Application Programming Interface (SAPI) och Speech Application Language Tags (SALT) [MIC] Philips Philips utvecklar dikterings- och taligenkänningsmjukvaran SpeechMagic, vilken finns med stöd för svenska. Philips taligenkänningslösningar har haft stort genomslag inom den europeiska marknaden för hälso- och sjukvård och detta är till stor del anledningen till att Philips Speech Recognition Systems köptes upp av Nuance Nuance var sedan tidigare stora på den nordamerikanska sjukvårdsmarknaden för dikteringssystem och utökade med detta uppköp sina marknadsandelar [NUA]. Det system som används för direkttextning av danska DR och TV2 bygger på Philips system för taligenkänning och är baserad på en dansk språkdatabas som innehåller danska ord [AVM] IBM ViaVoice IBM ViaVoice finns i form av dikteringsmjukvara för Windows- och Mac-datorer och distribueras då av Nuance ViaVoice används dock numera framför allt inom områden för inbyggda system, till exempel i mobiltelefoner, där produkten kallas IBM Embedded ViaVoice. Mjukvaruversionerna av ViaVoice stöder endast ett fåtal språk och däribland ej svenska språket, men versionen för inbyggda system, Embedded ViaVoice, har stöd för svenska. IBM ViaVoice används för den direkttextning som görs med hjälp av taligenkänning på den brittiska public service-kanalen British Broadcasting Corporation[BBC] [CWD]. 15

17 Voxit VoiceXpress Voxit är ett av många små svenska företag på området men det som utmärker dem och gjort att vi valt att ta upp dem i denna förstudie är att de erbjuder en dikteringsprodukt som stöder det svenska språket, Voxit VoiceXpress, samt att de tidigare drivit samarbeten med ett flertal av de inom det handikappolitiska området utsedda sektorsmyndigheterna. Bland dessa finns bland annat Försäkringskassan, Vägverket och Banverket. Det var även produkten VoiceXpress som valdes som grund för den prototyp till applikation för textning av TV-program som togs fram inom ramen för ett examensarbete i ett samarbete mellan SVT och Linköpings universitet [LIU]. I ett projekt kallat FRAMSYN, finansierat av bland annat Vägverket, genomfördes en förstudie till ett system för att ledsaga synskadade inom kollektivtrafiken [TFK]. I Projektet, som genomfördes i början på talet, användes taligenkänning som ett sätt att interagera med en mobil enhet som med hjälp av realtidspositionering (GPS) och kommunikation med servrar (GSM/GPRS) som försåg hjälpmedlet med aktuell information om kollektivtrafiken Användare av talteknologi Marknaden för tjänster baserade på svenska språket är mycket begränsad och det tog till exempel lång tid innan grammatikkontroll för svenska utvecklades för MS Word och Microsoft Speech recognition finns ännu inte på svenska trots att det länge funnits på ett antal andra språk. Det är dyrt för enskilda företag att ta fram den stora mängd data som behövs vilket medför att det även blir dyrt för myndigheter och andra företag att köpa in tjänster och produkter som bygger på denna typ av teknologi. En bra språkdatabas kan öka kvaliteten på tjänster vilket ökar acceptansen för den typen av system vilket i sin tur gör att drivkraften att vidareutveckla dylika system/tjänster ökar Myndigheter I sitt arbete med att tillgängliggöra information och andra offentliga tjänster för personer med funktionsnedsättning utgör myndigheter en viktig grupp som köpare av produkter och tjänster inom området för talteknologi. Allt mer myndighetsinformation görs tillgänglig via webben och för till exempel personer med synskador eller rörelsenedsättning kan det vara ett problem att tillgodogöra sig denna. I fallet med grova synskador kan sidor anpassade för ljudbrowsers vara till hjälp och för personer med nedsatt rörelseförmåga kan talstyrning underlätta. Vid en genomgång av de officiella webbsidorna för de myndigheter som utsetts som sektorsmyndigheter, fann vi att ungefär hälften av dessa har någon form av stöd för ljudbrowsers. Hur stor del av de 521 svenska statliga myndigheter[scb] som har stöd för ljudbrowsers kräver en större undersökning men klart är att myndigheter utgör en betydande målgrupp för tjänster inom talteknologi Kommersiella företag Alla företag som verkar på internet är potentiella kunder av talteknologi och stöd för ljudbrowsers i och med att det skulle kunna göra att de når en större målgrupp. I dagsläget anser dock sannolikt flertalet att det är för dyrt i förhållande till vad de kan få för ökade intäkter. 16

18 Vid vår undersökning av svenska sektorsmyndigheters stöd för ljudbrowsers fann vi på Försäkringskassans hemsida ett hjälpmedel som heter Talande Webb vilket i Sverige utvecklas av företaget Funka Nu AB. Företaget var delaktigt i arbetet att ta fram riktlinjer för en tillgänglig statsförvaltning inom ramen för Vervas Vägledning för 24-timmars webben [FUN]. Talande webb används i stor utsträckning av Sveriges landsting och kommuner men även en rad rent kommersiella aktörer har stöd för systemet på sina hemsidor. Bland dessa noteras till exempel att Sveriges fyra stora dagstidningar, Aftonbladet, Dagens Nyheter, Expressen och Svenska Dagbladet stödjer hjälpmedlet. Talande Webb i sin nuvarande form har inget stöd för taligenkänning utan kan endast användas för att läsa upp innehållet på hemsidor med hjälp av så kallad talsyntes. Detta innebär att det krävs både en viss nivå av seende och rörlighet för att kunna navigera runt på de sidor som stöder hjälpmedlet och för att därmed ha någon nytta av det. Om hjälpmedlet vidareutvecklades med stöd för taligenkänning och därmed talstyrning skulle det sannolikt bli både mer lättanvänt och göra webben ännu mer tillgänglig för personer med funktionsnedsättningar TV bolag Under 2000-talet har den internationella trenden inom området för direkttextning för TV varit att utnyttja taligenkänning för att på ett mer kostnadseffektivt sätt kunna uppnå högre grad av textade program och därmed tillgodose de krav som krävs på tillhänglighet för personer med funktionsnedsättningar BBC Brittiska BBC, som redan 1999 satte upp som målsättning att hundra procent av deras program skulle vara textade, är bland de första TV bolagen i världen att bygga upp ett system för att underlätta direkttextning med hjälp av taligenkänning. BBC ansåg att utvecklingen av talteknologi var det enda sättet att kunna uppnå en fullgod textning på och under 2008 annonserades slutligen att de nått upp till målsättningen på sina sju huvudkanaler, BBC One - BBC Four, CBBC, BBC News samt CBeebies [BB2] DR och danska TV2 Bland de nordiska länderna så är det än så länge endast i Danmark och de danska bolagen DR och TV2 som har kommit igång med att utnyttja system för taligenkänning i arbetet med att direkttexta program. Utvecklingsarbetet för att ta fram den danska lösningen startades 2006 och finansierades av de både tv- och radiobolagen själva samt det danska Videnskabsministeriet och Kulturministeriet[AVM]. Språkdatabasen som detta system bygger på är avsett endast för direkttextning och är igen nationell dansk språkdatabas med mer allmänt användningsområde. Den danska vetenskapsministern har i detta sammanhang uttalat sig: Regeringen är starkt upptagen med att säkra att de handikappade har goda möjligheter att få nytta av ny IT- och teleteknologi. Samtidigt är flera teknologier som kan hjälpa handikappade också väsentliga redskap till att genomföra en automatisering av rutinuppgifter i helt andra sammanhang till exempel utvecklingen av dansk taligenkänning. [SDT] 17

19 När systemet togs i bruk i juli 2007 var precisionen i igenkänningsprocessen % vilket ökade till 97 % under Dock förväntas inte denna precision att ökas ytterligare med nuvarande system [PSC] och DR och TV2 har ännu inte nått målet att alla program ska vara textade men räknar med att nå dit 2012 [CWD] Svenskspråkig TV I Sverige är i första hand SVT och TV4 potentiella användare av ett liknande system eftersom de redan idag direkttextar program och att de har krav på sig från myndigheternas sida att göra detta kommer ett nytt sändningstillstånd att gälla för SVT vilket föreslås innehålla krav på att alla tv-program i SVT1, SVT2, SVTB, Kunskapskanalen och SVT24 ska textas [REG]. Med dagens Velotype-teknik är det inte möjligt att tillgodose detta krav och SVT har även haft stora problem med denna teknik under 2007 [SV1]. Vid upphandlingen av taligenkänningstjänster för automatisk textning av SVT:s tv-program upplevdes svårigheter att hitta leverantörer till en rimlig kostnad som kunde uppfylla de krav på låg felfrekvens som ställdes [KH4] Vad gäller övriga svenska TV-bolag som till exempel Kanal5, vilka i nuläget har textning av svenskspråkiga program, dock inte direktsända, och TV 3 vilka inte har någon textning av svenskspråkiga program alls och deras intresse för teknik inom detta område så är det antagligen en ren kostnadsfråga i förhållande till ökade intäkter eller god publicitet som sådana investeringar kan skapa.. 18

20 3 Språkdatabaser i Sverige och omvärlden 3.1 Sverige Under 2007 och 2008 genomfördes ett projekt kallat En infrastruktur för svensk språkteknologi finansierat av Vetenskapsrådet. Projektet genomfördes av ett konsortium koordinerat av Göteborgs universitet och bestod av sju parter: Göteborgs universitet Chalmers KTH Linköpings universitet Lunds universitet Språkrådet Uppsala universitet Målsättningen med projektet var att förbereda framtagandet av ett förslag till projekt för att skapa en infrastruktur för svensk språkteknologi. Denna infrastruktur är tänkt att bestå av en svensk språkkorpus (Svenskt Nationellt Korpus - SNK) och en så kallad BLARK (Basic Language Resource Kit). Inom ramen för detta projekt genomfördes en kartläggning av: Existerande svenska språkresurser, kvaliteten på dessa och tillgängligheten vad gäller forsknings och kommersiella ändamål. Behovet hos den svenska språkforskningsvärlden och näringsliv. Samla in information om liknande projekt i omvärlden. Kartläggningen visade att det finns mycket resurser för svensk talteknologi men tillgängligheten på grund av upphovsrättliga skäl vad gäller forskning och kommersiella tillämpningar nämns som ett återkommande problem. Brist på standardisering av data och verktyg utgör även det ett stort problem [KH5]. Som resultat av projektet har det lämnats in en ansökan till Vetenskapsrådet för ett nytt projekt med en budget på 120 miljoner kronor för att bygga upp denna infrastruktur. Beslut om eventuell finansiering förväntas tas av Vetenskapsrådet innan slutet av [KH4]. 3.2 Omvärlden Kartläggningen av omvärlden inom projektet En infrastruktur för svensk språkteknologi visar att liknande infrastruktursatsningar inom området för språkteknologi pågår eller redan gjorts i ett flertal andra länder. I denna förstudie har det fokuserats på den norska och den holländska/flamländska satsningen eftersom dessa språk överensstämmer väl i avseende på storlek med det svenska språket och det Brittiska National Corpus är intressant med tanke på att det funnits en lång tid och att det engelska språket talas av betydligt fler människor än det svenska språket. 19

21 3.2.1 British National Corpus (BNC) Engelska är det näst mest talade språket i världen och många framsteg inom området för talteknologi görs därmed på eget initiativ från näringslivet, men till hjälp för utvecklingen finns även en omfattande offentlig språkdatabas som heter British National Corpus (BNC). BNC är en språkkorpus innehållande 100 miljoner ord på modern brittisk engelska. Tio procent av dessa ord är i form av transkriberade ljudinspelningar och utgör därmed en talkorpus som kan användas för taligenkänningsändamål. Inspelningarna består av allt från informella konversationer talade av frivilliga i olika åldrar, från skilda delar av landet och olika sociala grupper till formella affärs- eller och myndighetsmöten. [BNC] BNC-projektet startade 1991 och dess första version lanserades Projektet genomfördes, och hanteras fortfarande, av ett konsortium (BNC Consortium) lett av Oxford University Press och bestående av ett flertal ledande förläggare samt akademiska säten. I konsortiet ingår ingen representant för myndigheter men projektet finansierades, förutom av kommersiella aktörer, av brittiska Science and Engineering Council (numera EPSRC) och Department of Trade and Industry The Dutch-Flemish HLT Programme (STEVIN) STEVIN är ett projekt vars mål är att främja forskningen och utvecklingen kring Human Language Technologies (HLT), det vill säga språkteknologi, på det holländska/flamländska språket. Bakgrunden till projektet är att det holländska/flamländska språket som pratas av totalt 22 miljoner människor i Holland, Belgiska Flandern och Surinam, bedöms vara för litet för att näringslivet på egen hand skall driva utvecklingen inom språkteknologi inriktad på holländska [NT1]. Bakom projektet står en sammanslutning av holländska och flamländska myndigheter (holländska Ministry of Education, Culture and Science, Ministry of Economic Affairs och Flemish Department of Economy, Science and Innovation) näringsliv och den akademiska världen. Projektet som startade 2005 och planerades fortgå till 2009 har blivit förlängt till 2011 och har som mål att skapa en digital infrastruktur för det holländska språket. För att uppnå detta mål skall de ingående parterna göra en gemensam insats för att inom området för HLT [NT2]: Öka medvetenheten om resultat inom det språkteknologiska området och stimulera behovet av språkteknologiska produkter. Främja strategisk forskning inom det språkteknologiska området och utvecklingen av de språkteknologiska resurser/verktyg som behövs för att skapa en så kallad BLARK. Organisera styrningen, driften och underhåll, samt distributionen av språkteknologiska resurser när de utvecklats Norska Språkrådet och Språkbanken I Norge har man under 2000-talet gjort liknande utredningar och kartläggningar av behovet av och existerande data och verktyg inom området för språkteknologi, som det tidigare nämnda svenska projektet En infrastruktur för svensk språkteknologi. [KOK] Under hösten 2008 bestämdes det att en språkdatabas skall upprättas med offentliga medel. Denna databas drivs under namnet Språkbanken av representanter för den norska 20

22 myndigheten (Språkrådet), näringslivet (IBM Norge) och ett antal universitet (NTNU, Universitetet i Bergen och Universitetet i Oslo). Till grund för Språkbanken har man köpt rättigheterna till insamlad data av konkursboet för företaget Nordisk Språkteknologi Holding AS som hade utvecklat en norsk språkdatabas [SPR]. Den totala budgeten för att bygga upp en komplett norsk nationell språkdatabas beräknas vara 100 miljoner norska kronor [SOT] Dansk språkdatabas I Danmark har en diskussion förts kring en nationell dansk språkdatabas och i rapporten Strategisk satsning på en dansk sprogteknologi [FKK] från 2004 som togs fram av Forskningsrådet for Kultur og Kommunikation gjordes en uträkning att framtagandet av en sådan databas skulle kosta cirka 70 miljoner danska kronor. Trots att Ministeriet for Videnskab, Teknologi og Udvikling stödjer arbetet med att ta fram en dansk språkdatabas har ännu inte finansiering för en sådan säkrats. 21

23 4 Talteknologi och dess nytta för personer med funktionsnedsättning 4.1 Dagens användningsområden Vid en fråga till HSO om vilka användningsområden för talteknologi de ser idag och hur dessa används för att underlätta för personer med funktionsnedsättningar nämns som exempel dikteringsverktyg och interaktiva taltjänster för bokning och köp av tjänster. De påpekar vidare att alla lösningar inte passar för alla och att det viktiga är att det finns olika alternativ för kommunikation. HSO påpekar vidare att det för personer med funktionsnedsättningar som ombeds uttala sig om nyttan med tekniska hjälpmedel ofta är svårt att göra detta på grund av att de inte känner till vad finns och vad som är under utveckling och det är svårt att motivera behov av hjälpmedel som de inte har testat Diktering Det finns idag ett flertal kommersiellt paketerade dikteringsapplikationer som stödjer taligenkänning av naturligt tal. En del av dem stödjer det svenska språket men flertalet finns endast tillgängliga på större språk som engelska. Dikteringsapplikationer utnyttjas av personer med läs och skrivsvårigheter såväl som fysiska funktionsnedsättningar som förlamning och skakningar för att mata in text till en dator. Detta kan, förutom att underlätta deras vardag, också fungera som arbetshjälpmedel och göra det möjligt för dem att klara av ett arbete där textskrivande är en viktig del. Även personer utan funktionsnedsättningar kan ha stor nytta av dikteringsapplikationer, till exempel då de befinner sig i arbetssituationer som omöjliggör eller försvårar användandet av tangentbord på grund av att händerna är upptagna med annat. Som exempel på detta gjordes redan 2006 ett försök med Polisen och en vårdcentral med dikteringsapplikationer som visade på stora tidsbesparingar [IDG]. Kvaliteten på dikteringsapplikationerna blir allt bättre men då det kräver viss träning och dikteringsvana för att få ett bra resultat har dessa produkter ännu inte ersatt tangentbordet som det vanligaste sättet att mata in text i en dator Informationsspridning och informationsinsamling För personer med normalt seende innebär Internet enorma möjligheter att samla information. Personer som på grund av funktionsnedsättning av någon anledning (till exempel synskada) har svårt att tillgodogöra sig mycket av den information som finns tillgänglig på nätet vilket medför ett utanförskap och att funktionsnedsättningen leder till ett verkligt funktionshinder. Inom detta område kan så kallade ljudbrowsers innebära att dessa funktionshinder skulle kunna undvikas och i dagsläget stödjer ett antal myndigheters webbsidor ljudbrowsers, men detta är långt ifrån alla Direkttextning av TV-program I de försök som gjorts i Sverige [LIU], och de system som redan används i andra länder (BBC, DR), inom området för automatisk textning av TV program är det egentligen mer en fråga om 22

24 halvautomatisk textning än helautomatisk. Tanken är att en operatör som tittar på programmet skall sammanfatta och tala in det som sedan blir till textremsa. Anledningen till att man inte siktar på att direkt omvandla programmets ljud till text, (förutom de rent tekniska svårigheterna med bakgrundsljud och andra störningar) är att man ofta behöver sammanfatta det som sägs i programmet för att göra det möjligt för tittaren att hinna läsa och att inte textremsorna skall ta upp hela bilden. I och med att man använder sig av en operatör som talar in det som skall textas behöver man inte ett lika robust taligenkänningssystem i avseende på förmåga att hantera olika dialekter och störningar från bakgrundljud eftersom man kan ställa krav på att operatören skall prata en svenska fri från dialektala särdrag och att arbetet sker i en miljö fri från buller. Detta innebär vidare att kraven på den språkdatabas som skall användas som grund för denna typ av applikation inte nödvändigtvis behöver vara lika omfattande i hänseende till bredd (dialektal, åldermässig med mera) på den inspelade data som i en mer allmän databas för användning av forskningsvärlden. För att uppnå fullständig textning av alla TV-program är det däremot viktigt med en stor och mångfacetterad vokabulär eftersom det ligger i TV-programmens natur att kunna handla om vilka områden som helst. Det finns dock ingenting som säger att hela denna vokabulär måste byggas upp på en och samma gång. Vid en intervju med forskare på KTH:s institution CTT nämndes det till exempel att de föreslagit för SVT att starta med ett begränsat område som till exempel vädersändningar för att sedan bygga vidare med fler typer av tv-program för att steg för steg bygga en komplett vokabulär [KH4]. Hur bra taligenkännare man än har så kommer det alltid uppstå vissa fel, speciellt när det gäller ovanliga namn på personer och fenomen. Det är då operatörens uppgift att rätta till dessa och för att detta inte skall bli för svårt är det oerhört viktigt att taligenkänningssystemet är snabbt och helst levererar textutmatning i samma takt som ljudet talas in. Detta skiljer sig från många av de kommersiella dikteringsprodukter som finns på marknaden idag som oftast väntar på att användaren talat in en hel mening innan de levererar resultatet [KH4]. Någon gång i framtiden kommer man sannolikt att klara av helautomatisk textning med hjälp av textsammanfattning och bättre taligenkänning men det är i nuläget en bra bit kvar innan det är tekniskt möjligt. På frågan om hur en nationell språkdatabas skulle kunna underlätta situationen för deras medlemmar/intressenter nämner de att HRF har en sådan som högsta prioritet för att underlätta/möjliggöra direkttextning av större andel och helst samtliga TV-program. Att HRF ser detta som en viktig fråga understyrks ytterligare av ett inslag i SVT:s Kulturnyheterna 26:e augusti 2009 där HRF-medlemmen Bengt Wetterborg kräver sänkt TV-licens för personer med hörselnedsättning. Enligt programinslagets berättarröst kan HRF tänka sig en bojkott av TVlicensen men enligt det uttalande av HRF:s förbundsordförande Jan-Peter Strömgren som visas i inslaget och i den notis som återfinns på HRF:s webbsida uttrycks endast förståelse för att det från ett folkligt perspektiv finns en lust och vilja att göra en sådan bojkott [SV2]. 23

25 4.2 Framtida användningsområden Vad gäller den framtida teknikutvecklingen inom språkteknologin är det svårt att förutse vilka applikationer som kommer att tas fram. De användningsområden som idag inte är möjliga kan genom ett teknikgenombrott möjliggöras och utgöra en grund för en bred och snabb utveckling där en mängd applikationer utvecklas i snabb takt. Dagens vitt spridda användning av GPSmottagare för positionering och navigering kunde knappats ha förutsetts för några årtionden sedan men är idag en självklarhet för många personer som dagligen använder denna teknik i arbetet och på fritiden. På ett liknande sätt är det möjligt att det utvecklas applikationer inom språkteknologiområdet som idag anses vara alltför visionära som i en relativt snar framtid kan vara en realitet. Gemensamt i de flesta svaren på vår fråga Hur kan en svensk språkdatabas underlätta för personer med funktionsnedsättning inom ramen för elektroniska kommunikationer? som ställts under intervjuer och via e-post under arbetet med förstudien är att endast fantasin sätter gränserna för vilka användningsområden som finns för en eventuell framtida nationell svensk språkdatabas. HSO tillägger också angående den framtida utvecklingen att samtidigt som det är viktigt att prioritera användbarhet för personer med funktionsnedsättningar så är det bra om tjänster och applikationer utvecklas så att de kan användas av alla så att det blir mindre en fråga om speciallösningar för personer med funktionsnedsättningar. Nedan följer en mer ingående beskrivning av exempel på framtida användningsområden för taligenkänning som i dagsläget identifierats som möjliga Översättning På senare år har användandet av automatisk översättning av text med hjälp av tjänster som Google Translate och Alta Vista Bablefish blivit allt mer vanligt. De har ännu relativt långt kvar att nå i avseende på kvalitet, med det är rimligt att anta att denna kommer att förbättras allt mer och inom en inte allt för avlägsen framtid ha en i många fall acceptabel nivå. Om denna översättningsfunktionalitet kombineras med funktionalitet för tal-till-text på inmatningssidan och med talsyntes på utmatningssidan så har man ett system för översättning av ett talat språk till ett annat. Om detta vidareutvecklas så att det går att utföra i realtid ökar användningsområdena drastiskt. Automatisk översättning är i första hand inte ett hjälpmedel för personer med funktionsnedsättning om man inte inkluderar personer med dålig förståelse för svenska, dock skulle det kunna hjälpa personer som nyligen flyttat till Sverige eller av annan anledning har svårigheter med svenska språket. Detta skulle kunna definieras som att de har en form av funktionshinder trots att de inte har någon fysisk funktionsnedsättning Automatiska tolkningstjänster PTS driver idag tolktjänsten Texttelefoni.se men det är dock i mycket hög utsträckning personer med funktionsnedsättning som initierar samtal till hörande personer med hjälp av denna tjänst och inte vice versa. Anledningen till detta anses vara att den tvåstegsprocess, där först en förmedlingstjänst rings upp och sedan ombeds koppla till mottagaren, är för komplicerad. I projektet i Ring direkt [PTS], som också drivits på uppdrag av PTS, gjordes försök att avhjälpa detta problem genom att bygga specialiserad hårdvara på mottagarsidan 24