Jazyková paměť regionů České republiky. Metody strojového učení pro uchování, dokumentaci a prezentaci nářečí českého jazyka

Language memory of the regions of the Czech Republic. Machine learning methods for preservation, documentation and presentation of the dialects of the Czech language

grant

Český jazyk, dialekty, dialektologie, umělá inteligence, řečová a jazyková data, automatická identifikace nářečí, automatické rozpoznávání řeči, interaktivní mapy, jazyková paměť regionů

Jazyk je základním spojovacím prvkem každého národa a jeho teritoriální nářečí jsou důležitou součástí regionální identity. V moderním světě nářečí postupně mizí, jejich variabilita se zmenšuje a postupně se asimilují do jazyka představovaného mainstreamovými médii a internetem. Kvůli značným nákladům na pořizování a anotaci trénovacích jazykových dat mají nářečí prakticky nulovou podporu v moderních technologiích umělé inteligence (AI) a strojového učení (ML) reprezentovaných především automatickým rozpoznáváním řeči (ASR). V České republice se studiu nářečí věnuje dialektologické oddělení ÚJČ AV ČR, které je jediným akademickým pracovištěm systematicky se zabývajícím výzkumem nespisovných útvarů českého národního jazyka. Toto pracoviště ale postrádá jakékoliv moderní technologie pro automatické zpracování, uchování, dokumentaci a prezentaci nářečí. Výstupy dialektologického oddělení jsou navíc dostupné především odborné veřejnosti, chybí ale moderní interaktivní webové aplikace nebo služby využitelné širokou veřejností. Projekt, který je navržený specialisty na ASR (VUT), dialektology (ÚJČ) a odborníky na interaktivní mapové zobrazování (UPOL), si klade za cíl adaptovat existující technologie a vyvinout nové postupy pro automatické zpracování, uchování, dokumentaci a prezentaci nářečí českého jazyka. Nejprve bude zpracována podrobná metodika pro převod strukturovaných znalostí z dialektologie do strojového učení, kde je dominantní práce s daty. Stávající Archiv zvukových záznamů nářečních promluv (budovaný v ÚJČ od r. 1952 do současnosti a obsahující nahrávky s celkovou délkou záznamu přes 750 hodin) bude doplněn metadaty a bude připraven pro strojové učení. Zároveň jako prerekvizitu vyvineme software pro detekci dialektu na základě audionahrávky.

Karafiát Martin, Ing., Ph.D. (UPGM) – hlavní řešitel
Kocour Martin, Ing. (UPGM)
Kotolan Martin (CVT)
Plchot Oldřich, Ing., Ph.D. (UPGM)
Yusuf Bolaji (UPGM)
Žižka Josef, Ing. (UPGM)