Två svenska röster, och ett resultat som blev sämre än det engelska
Mitt examensarbete handlade inte om rum alls. Det handlade om syntetiska röster, och det är ändå det arbete jag oftast tänker på när jag ska förklara varför jag litar på negativa resultat.
Bakgrunden
Vid Nagoya Institute of Technology hade ett forskarlag utvecklat en metod att generera syntetiskt tal statistiskt, med dolda Markovmodeller. Tekniken var samlad i ett system som hette HTS, HMM-based Text-to-Speech, och det hade redan anpassats till flera europeiska språk.
Det var ett tydligt brott mot hur talsyntes annars gjordes vid den tiden. I stället för att klippa ihop inspelade ljudbitar tränar man en modell på tal och låter modellen generera signalen. Uppgiften för mitt arbete var att anpassa HTS till svenska och utvärdera resultatet mot ett befintligt system.
Vad som kom ut
Två nya svenska röster, fullt användbara, framställda på mycket kort utvecklingstid. De fungerade i KTH:s eget ramverk RULSYS, och informella tester visade att de var acceptabla även inuti Festival — trots att Festivals text-till-fonem-steg för svenska då var betydligt enklare. På köpet blev det en engelsk röst för Festival som kvalitetsmässigt kunde mäta sig med de befintliga engelska rösterna i systemet.
Och: kvaliteten på de svenska rösterna blev märkbart lägre än på den engelska, trots att träningsdata var inspelat i studio och uppmärkt med en kvalitet som matchade den engelska motsvarigheten.
Det är den meningen jag har haft mest nytta av att ha skrivit.
Varför den meningen är den viktiga
Det hade varit lätt att inte skriva den. Arbetet var på flera sätt en framgång — ny teknik, kort utvecklingstid, användbart resultat. Man kan sammanfatta det utan att nämna att förlagan lät bättre, och ingen hade märkt det på ett halvår.
Men den sämre kvaliteten var själva fyndet. Ett system som har specialiserats till att beskriva tal i ett språk är inte automatiskt lika bra i nästa, snarare tvärt om; kvaliteten hänger på hur väl fonetiken, träningsdata och frågeuppsättningen för beslutsträden passar just det språket. Att kvantifiera det avståndet var mer värt än att rapportera att det gick att göra.
Sedan dess har jag hållit på det: den siffra man helst inte vill publicera är oftast den som är mest värd att publicera. Det är också den enda sorten som gör att någon litar på resten av rapporten.
Tjugo år senare skriver jag fortfarande om att algoritmer för rumslig spårning tappar registreringen och att precisionen sällan är bättre än fem till tio centimeter, och det har blivit till en vana att alltid fråga mig själv vad det är som begränsar när jag ser ny teknologi, inte för att avstå från att använda den, men för att använda den på rätt sätt.