Acceso usuarios
Brygida Sawicka Stępińska
El presente artículo tiene como objetivo generar una manera de clasificar automáticamente los alófonos de /s/ retenidos y debilitados tras encontrar una correspondencia entre sus parámetros acústicos y el tipo cualitativo de la realización. El conjunto de datos utilizado para este studio proviene del CHARG (Corpus de Habla Radiofónica de Guayaquil). Los parámetros considerados para la descripción acústica de la consonante fricativa en cuestión son: la duración (DUR), el centro de gravedad (COG) y el porcentaje de ensordecimiento (UNVOI). Esta elección se fundamenta en la ratificación de su valor indicativo de la lenición del fonema. Para llevar a cabo la tarea, se extrajeron los valores de los parámetros acústicos. Como siguiente paso, se seleccionaron aleatoriamente el 30% de las observaciones y se clasificaron perceptivamente como retenidas o debilitadas. El análisis estadístico reveló una correlación débil pero significativa entre los parámetros, y una correlación satisfactoria entre los valores de DUR/COG/UNVOI y los resultados de la evaluación perceptiva de las fricativas. El presente estudio es una etapa inicial para elaborar un algoritmo entrenado para la clasificación de consonantes en categorías discretas basadas en medidas acústicas objetivas, trabajando con grandes bases de datos obtenidos fuera de laboratorio.
The paper aims to generate a way of automatized classification of /s/-allophones by finding a correspondence between their acoustic parameters and the qualitative type of the realization. The dataset used for the study comes from CHARG (Corpus de Habla Radiofónica de Guayaquil). The parameters considered for the acoustic description of /s/ are duration (DUR), center of gravity (COG) and percentage of voicelessness (UNVOI), since they are reported to indicate the lenition of the phoneme. To perform the task, we retrieved the acoustic parameters’ values. Next, we excerpted randomly 30% of the tokens and classified them perceptually as either retained or weakened. Statistical analysis revealed a weak, despite significant, correlation between the parameters, but a satisfactory correlation between DUR/COG/UNVOI and the results of the perceptual test, which is a good prediction for the elaboration of a trained algorithm for classifying the fricatives in big datasets of non-laboratory speech samples.
