Hakovanje govora

Nauka, Linux i otvoreni kôd dobro se slažu. Jedan primer jeste i program koji predstavljamo u ovom članku – Praat. Namenjen je entuzijastima i naučnicima koji se bave govorom. Za ostale je zbunjujuća igračka koja pruža interesantan uvid u fizička svojstva glasova ljudskog jezika.

Praat, kao i mnogi drugi naučni programi, ima nestandardan i ne baš lep interfejs. Glavni prozor mesto je za „objekte”, među kojima su audio datoteke (zvučni signal), tabele, skripte, mreže sa oznakama... Grafikoni, spektrogrami i drugi vizuelni elementi iscrtavaju se unutar obeleženog prostora u drugom prozoru. Za svaki učitani objekat otvaraju se nove dostupne opcije, od podešavanja prikaza do matematičke obrade.

Uobičajen postupak u programu podrazumeva otvaranje datoteke sa zvukom, proveru svojstava i kvaliteta, te postavljanje oznaka u posebnoj mreži za segmentaciju (TextGrid). Svi ovi podaci mogu se potom koristiti za obradu datoteke i pravljenje novih segmenata. To je moguće uraditi ručno, ali se u istraživanjima, nakon neophodnih provera zvuka i pravljenja objekata, čitav proces obrade i merenja automatizuje pisanjem skripte unutar programa. Komande za skripte vrlo su jednostavne i oslanjanju se na elemente interfejsa. Tako je vrlo brzo moguće dobiti izlaznu tekstualnu datoteku sa brojkama o intenzitetu, formatima ili bilo kojim drugim bitnim podacima.

Praat, mali i moćan program otvorenog kôda, brzo nam može pokazati koliko je složen govor. Mi smo frazu „svet kompjutera” snimili i potom otvorili u Praatu. Napravili smo mrežu i označili reč „svet”, a potom slično uradili i za pojedinačne glasove. Pritom smo morali da dobro pogledamo spektrogram. Videli smo da je glas „s” običan visokofrekventni šum, daleko iznad prepoznatljivih frekvencija za samoglasnike. Mogli smo jasno videti u kom delu su glasni nabori treperili prilikom izgovora, da bi zatim prestali, prepuštajući vazdušnoj struji da stvori eksploziju koju smo registrovali kao „t”. Primetili smo da su najbitniji podaci između 1000 i 5000 Hz, iako znamo da ljudsko uho čuje od 20 Hz do 20000 Hz. Ako bismo merili određene karakteristične frekvencije unutar glasova koristeći snimke velikog broja govornika, dobili bismo frekventni profil za srpski jezik.

Preciznost, fleksibilnost i mogućnosti Praata kao besplatne naučne alatke teško da će u skorije vreme neko nadmašiti. Onima koje interesuje fizika i ljudski govor, Praat pruža odlično sredstvo da potvrde ili odbace teorije, eksperimentišu sa percepcijom, akustičkim svojstvima i veštačkim stvaranjem govora. Znanja i brojke koje smo dobili izučavanjem ljudskog glasa koriste se u raznim oblastima, od pisanja udžbenika do pisanja kodeka, preko usavršavanja veštačkog govora pa do novih teorija o jeziku. Vrlo je važno to što je Praat platformski nezavisan program, program za čiji rad nisu potrebne licence i što je otvorenog kôda (koji je prava mala riznica biblioteka za obradu i analizu zvuka). Ako vas interesuju fizička svojstva govora, pogledajte Praat. Uz malo teorije, otvoriće vam vrata u fascinantan svet jezika i možda omogućiti karijeru u lingvistici, fizici, programiranju, medicini i slično.

Romeo MLINAR