Фонологическая модель и техническое устройство

В современной лингвистике особенно ясно видно то, что научные идеи определяются не только людьми, но и приборами, которыми люди пользуются в каждый дан­ный период времени. Такие новые приборы, которые мо­гут осуществлять различные операции над языком (в том числе и исследовать язык) и поэтому приводят к появле­нию нового взгляда на язык, были построены за послед­ние двадцать лет.

Это прежде всего электроакустические приборы для распознавания (анализа) и порождения (синтеза) звуковой речи. Интерес к возможностям построения говорящих машин возник очень давно — еще в XVIII в., когда все­общее увлечение автоматами было первым (и еще весьма наивным) предвосхищением некоторых идей кибернетики. Так, например, в 1780 г. Санкт-Петербургская Академия Наук предложила для решения такие два вопроса: «I. Какое свойство и характер столь различных между со­бою в рассуждении выговора гласных букв а, е, /, о, и. II. Не можно ли сделать орудия органическим трубам, известным под именем человеческого голоса, подобные, кои бы произносили гласные буквы а, е, /, о, а»^[136].

В этой постановке вопроса, характерной для анало­гичных исследований, предпринимавшихся на протяжении XVIII в. и начала XIX в. в различных странах Европы, многое перекликается с современным подходом к исследо­ванию звуковой речи: связь различительных свойств зву­ков с конструированием соответствующего прибора для синтеза речи, уподобление человеческого аппарата искус­ственному устройству. В работах Кемпелена, сконструи­ровавшего в конце XVIII в. говорящий автомат, были предвосхищены современные представления о производ­стве речи как процессе, во время которого налагаются модуляции на чисто периодические колебания или на шум^[137]. Однако такие механические устройства, которые могли быть построены в XVIII в. и XIX в., не давали возмож­ности глубоко исследовать процесс синтеза звуков, как и акустические проблемы анализа звуков речи.

венное внимание к артикуляционной стороне процесса образования звуков было связано не только с отсутствием соответствующих устройств, но и с тем, что все названные выше практические приложения традиционной фонетики (и фонологии на первом этапе ее развития) могли быть ре­шены с помощью одних только артикуляционных данных.

_t Положение постепенно менялось на протяжении пери­ода между первой и второй мировыми войнами, когда по­требности техники связи привели к необходимости акусти­ческого исследования звуков речи, а успехи электроники сделали возможным построение приборов для весьма тон­кого анализа и синтеза звуков речи. В этих приборах ком­бинация фильтров с фиксированной шириной полосы про­пускания используется для автоматического частотного анализа спектра звуков связной речи^[139]. Вскоре после второй мировой войны для исследования языка стал ши­роко использоваться звуковой спектрограф (или сонограф) типа «Видимая речь». Этот прибор позволяет визуально представить акустические свойства звуков (соотношение частоты и интенсивности, определяемой относительной амплитудой колебаний, и изменение этих характеристик во времени), т. е. подтверждает реальность чаяний Бодуэна де Куртене, о которых говорилось выше. На спектрограм­ме «видимой речи» частотные и временные характеристики акустических сигналов представлены количественно, тогда как об интенсивности можно судить по яркости изоб­ражения.

Начиная с работы Гельмгольца, а позднее Штумпфа, результаты которой были опубликованы в 1926 г., на протя­жении нескольких десятилетий продолжались исследования по восприятию человеком звуков, спектр которых под­вергнут искажению. Эти работы, в виду их практических приложений к технике связи особенно интенсивно проводив­шиеся во время второй мировой войны, много дали для вы* явления тех акустических признаков звуковых единиц, ко­торые являются необходимыми и достаточными для распо­знавания этих единиц. Строгое исследование соотношения между акустическими и артикуляционными признака­ми стало возможным также лишь в самое последнее время, во-первых, потому, что для этого необходимо более точное знание геометрии голосового тракта, достигнутое благодаря применению рентгенологических (а в последнее время кинорентгенологических) методов, во-вторых, по­тому что для решения соответствующих математических задач необходимы весьма сложные вычисления, произво­дить которые было крайне затруднительно до появления современных вычислительных машин. В последнее время, с одной стороны, начинается использование вычислитель­ных машин в этих целях^[140], с другой стороны, строятся различные электрические аналоги человеческого речебо- го аппарата. Научное значение этих электрических моде­лей заключается прежде всего в том, что они позволяют достаточно эффективным образом решить задачу соотне­сения тех артикуляционных признаков, которые могут быть моделированы с помощью этих говорящих автоматов, и акустических признаков звуков речи, синтезируемых этими автоматами. Вместе с тем для исследования проблем психологической акустики первостепенное значение имеют устройства для синтеза звуков речи, которые позволяют превратить спектрограммы «видимой речи» (точнее, упрощен­ные схемы спектрограмм) в соответствующие звуки. В ла­бораториях Хаскинс с помощью этого устройства изуча­лось восприятие отдельных акустических признаков зву­ков речи носителями соответствующих языков, которым давали прослушивать синтезированные слоги.

Помимо огромного научного интереса, который пред­ставляют электроакустические приборы для анализа и син­теза звуков речи, эти устройства могут иметь и большое практическое значение. Прежде всего их применение может позволить решить в принципе чрезвычайно важную задачу эффективной передачи речевых сообщений по ка­налам проводной и непроводной связи (радио, телефонной и т. п.). В современном обществе эти каналы связи оказы­ваются чрезвычайно перегруженными: с этим ежедневно сталкивается любой житель большого города, который пытается дозвониться по нужному ему телефонному номе­ру. Количество сообщений, передаваемых по каналам свя­зи, с каждым годом увеличивается; в некоторых специаль­ных условиях (например, в будущих космических полетах) задачи обеспечения эффективной связи приобретают осо­бое значение. Всё это позволяет думать, что приложения к технике связи являются в настоящее время важнейшими среди всех актуальных вопросов прикладной лингвистики.

Все системы связи в человеческом обществе включают человека в качестве необходимого звена ^[141], которое не мо­жет быть устранено сейчас (и, надо надеяться, никогда не будет устранено). Поэтому и возникает практическая потребность описывать человека и технические элементы связи в единых терминах. Это в известной мере оказывается возможным благодаря достижениям новой математиче­ской дисциплины — теории информации, позволяющей давать количественную оценку различных каналов связи, в том числе и биологических (например, тех каналов свя­зи, которыми являются органы чувств человека).

Одной из важных количественных характеристик ка­нала связи является его пропускная способность, т. е. количество информации (обычно измеряемое в двоичных единицах/ которое может быть передано по каналу связи за единицу времени^[142]. Существующие системы связи, ис­пользуемые для передачи речевых сообщений, имеют про­пускную способность, заключенную между 10⁴ и 10⁶ двоичных единиц информации в секунду; так, системы те­лефонной связи имеют пропускную способность порядка 30 ООО двоичных единиц информации в секунду.

Указанное несоответствие между каналом связи и чело­веческой речью создает существенные трудности не только для техники связи, но и для инструментально-фонетиче­ского исследования языка с помощью современной элект­роакустической аппаратуры. Рассматривая спектрограф как канал связи с шириной полосы пропускания W= = 10 ООО гц и отношением сигнала к шуму D=30, можно оце­нить его пропускную способность по формуле C=yWy =

= 50 ООО двоичных единиц информации в секунду^[145]. За одну секунду может быть произнесено около 10 фонем, каждая из которых несет не более 7 двоичных единиц информации (т. к. число фонем ни в одном языке мира не превышает 80). Отмечая это огромное несоответствие меж­ду возможностями спектрографа и речью человека, швед­ский инженер Фант пишет: «Фонетист, который начинает исследование в надежде дать точное описание речи в пре­делах, определяемых пропускной способностью канала его спектрографического анализатора, оказывается перед ли­цом астрономически большого числа возможных моделей, которые он должен рассмотреть. Эта задача невыполнима. Трудность заключается не в записи спектрографических данных, а в использовании полученных данных для макси­мально полного описания» ^[146]. Следует отметить, что ана­логичные задачи выбора одной из астрономически боль­шого числа возможных моделей возникают и в других об­ластях прикладной и математической лингвистики (и ки­бернетики в целом): так, при автоматическом анализе анг­лийских предложений со средней длиной в 20 слов, при котором вычислительная машина должна сама строить и перебирать предложения такой же длины, как данное, потребовалось бы перебрать 10⁴² предложений; это число превышает количество секунд (3 • 10¹⁷),прошедших со времени возникновения Земли, и число сантиметров (2 • 10^[147]), отделяющее Землю от наиболее удаленной звезды^[148]. К астрономическим числам приводят и некоторые опыты построения систем смысловых единиц и их комбинаций, которые достаточно полно описывали бы семантику есте­ственных языков. Все подобные задачи, типичные для современной прикладной лингвистики и кибернетики, нельзя решать путем простого перебора всех возможно­стей. Необходимо разработать более эффективные крите­рии выбора одной из всего множества моделей, которая является наиболее приемлемой с точки зрения данного устройства (или системы, в которую входят человек и уст­ройство), и целей, которые перед ним ставятся. В част­ности, решение теоретических проблем фонологии в .на­стоящее время сводится к задаче, весьма близкой к задаче компрессии речи: необходимо разработать такие фоноло­гические модели, которые использовали бы данные элект­роакустических приборов, но в то же время не содержали бы ничего избыточного с точки зрения того или иного язы­ка. Именно эту цель и преследует теория фонологических различительных признаков.

Одной и той же совокупности реальных речевых собы­тий (т. е. некоторому множеству последовательностей аку­стических сигналов, передающих речевые сообщения) мо­жет соответствовать несколько разных фонологических моделей²². Общеизвестно, что для одного и того же языка инвентарь фонем может быть описан по-разному: напри­мер, в современном русском языке [и] и [ы], согласно одной фонологической модели, описываются как варианты (алло­фоны) одной фонемы, согласно другой модели — как две разные фонемы. Но еще более существенно то, что одну и ту же фонологическую систему можно описать в терми­нах различных фонологических единиц (различительных признаков, фонем, фонологических слогов и слов). Степень применимости и приемлемости той или иной фонологи­ческой модели зависит не только от структуры данного языка, но и от целей описания²³: так, система, пригодная для анализа звуковой речи, может не годиться для синте­за; система, пригодная для одного устройства (например, для слухового аппарата человека), может не годиться для другого устройства (например, для автомата с определен­ными характеристиками, существенно отличающимися от характеристик слухового аппарата человека).

Выбор одной из нескольких возможных моделей обыч­но производился (хотя и интуитивно) в зависимости от того устройства, на которое рассчитано описание, и от целей, которые перед этим устройством ставились (напри­мер, при описании китайского или английского языков в терминах физиологической — т. е. артикуляторной — фонетики, с точки зрения русских, обучающихся этим языкам). Но до тех пор, пока наука о языке имела дело поч­ти исключительно лишь с речевым (а не слуховым) аппа­ратом человека, этот критерий выбора наиболее удобной модели не формулировался отчетливым образом. Поло­жение существенно изменилось в настоящее время, во- первых, благодаря появлению технических возможностей конструирования различных устройств, анализирующих и синтезирующих речь, во-вторых, благодаря успехам в исследовании человеческого слухового аппарата, который может быть описан как прибор, обладающий определенны­ми количественными характеристиками. Поэтому можно поставить задачу выработки точных критериев, по кото­рым для данного устройства (человеческого или автомати­ческого) из всего множества мыслимых лингвистических моделей должна быть выбрана модель, определяющая про­грамму работы этого устройства; правильность выбора мо­жет быть доказана работой моделирующего устройства.

Применительно к фонологии задача выбора модели, наиболее соответствующей данному устройству, и обрат­ная задача — построения устройства, соответствующего определенной модели,— особенно остро встает в связи с целым рядом задач прикладной лингвистики. Для решения проблем компрессии речи, быстрого ввода информации в вычислительные машины, для управления голосом раз­личными объектами (например, производственными), для построения автоматов, заменяющих стенографисток и машинисток, а также и для машинного перевода устной речи, необходимо разработать такие устройства, которые могли бы анализировать устную речь; обратная задача синтеза устной речи представляет интерес не только для решения тех же вопросов компрессии речи и машинного перевода, но и для построения машин, помогающих сле­пым, и для быстрого сообщения человеку данных различ­ных приборов (так, в зарубежной технической печати указывалось, что показания большого числа приборов в современных самолетах автомат может сообщать летчику в форме фраз устного языка, синтезируемых автоматом). Весь этот круг вопросов, связанных с обеспечением связи между людьми и автоматами, не может быть решен без определения фонологических единиц, которые должны распознаваться машиной и храниться в ее памяти.

На протяжении последних 15 лет предпринимались многочисленные попытки решить задачу автоматического распознавания устной речи только на основе анализа от­дельных звуков речи или фонем. Но эти исследования на­толкнулись на ряд существенных препятствий. Во-пер­вых, для того, чтобы опознать отдельные звуки (варианты фонем), нужно предварительно разбить на дискретные единицы (сегментировать) непрерывный речевой поток, что оказывается чрезвычайно трудной задачей, для решения которой часто нужно уметь распознавать отдельные зву­ки^[149]. Во-вторых, при опознании отдельных звуков, произ­носимых разными дикторами, весьма вероятны ошибки, которые можно было бы устранить, опираясь на стати­стические закономерности языка, т. е. используя избыточ­ность многих элементов языка, которые легко могут быть предсказаны на основании других элементов. В качестве иллюстрации использования избыточности при человече­ском восприятии речи автор может привести пример из своего собственного опыта: слушая слова русского языка, синтезированные прибором, который мог синтезировать только гласные и некоторые фрикативные согласные, автор воспринял одно из этих слов как русское хорошо, не за­метив при этом никаких неправильностей в произношении (кроме известной деланности интонации, обычной для синтезированной речи). В действительности же р в этом слове не было синтезировано: оно заменялось перерывом в произношении гласных, что для человека, знающего рус­ский язык, было достаточным указанием на наличие р в этом слове. Очевидно, автомат, распознающий единицы устной речи, должен использовать эти статистические за­кономерности языка. По указанным причинам (а также и по ряду других соображений) все больше ученых и ин­женеров в настоящее время склоняется к тому, что, го­воря словами Миллера, «мы не можем успешно работать с изолированными фонемами» ^[150].

Другое направление в решении задачи автоматиче­ского распознавания устной речи исходит из принятия в качестве основной единицы не фонемы, а целого слова. По отношению к очень ограниченному числу слов (т. е. для словаря очень малого объема) такая задача оказывается разрешимой. В качестве примера можно сослаться на опыты по быстрому вводу данных посредством голоса в вычислительную машину, которые недавно были прове­дены в США^[151]. С этой целью использовалось вспомога­тельное устройство — 18-канальный прибор для анализа спектра звуков речи. Выход каждого из 18 фильтров под­ключен к анализатору спектра; выходная цепь каждого анализатора последовательно опрашивается электронным коммутатором, затем преобразуется в трехзначное двоич­ное число, представляющее амплитуду выходного сигнала. Диктор, работающий с этой машиной, несколько раз по­вторяет определенное слово, например числительное one; на основе этих данных машина формирует эталон, хра­нящийся в ее памяти. Затем в машину вводится печат­ный эквивалент произнесенного слова. После этого ма­шина может распознавать соответствующее слово, вновь произнесенное диктором, сравнивая это слово с этало­ном, хранящимся в памяти машины. В опытах, в которых участвовали 9 дикторов-мужчин и 7 дикторов-женщин, автомат оказался в состоянии узнать, какой из дикторов произносит данное слово (при этом автомат угадывал женские голоса безошибочно, а мужские голоса — в 93% случаев). Оказалось также возможным построить программы самообучения, по которым машина может распознавать слова, произносимые новыми дикторами, а затем видоизменять хранимые в памяти эталоны в зависи­мости от того, как эти слова произносятся новыми дик­торами. Но в таких опытах, как и в других, аналогич­ных, проводившихся несколько ранее^[152], использовался очень ограниченный словарь: вычислительная машииа с памятью объемом в 1600 чисел может распознавать не бо­лее 83 английских слов со скоростью распознания 1 слова

за 1,5 секунды (при этом длительность произношения слова не может превышать 2 секунд). Если попытаться увеличить число слов, эталоны которых хранятся в памяти машины, то надо будет увеличить и объем памяти. Вместе с тем увеличивается и сложность различения сходных по произношению слов. Должна увеличиться также скорость опроса и количество опросов, используемых для форми­рования эталона. Но эти требования трудно согласовать друг с другом. Если пользоваться той же самой моделью, т. е. моделью, в основу которой положено слово как рас­познаваемая единица устного языка, то для достаточно большого словаря задача вообще окажется неразрешимой.

Это можно показать на следующем примере^[153]. Согласно статистическому словарю англййского языка Дьюи, 75% слов, употребляемых в английской разговорной речи, покрывается словарем из 736 наиболее употребительных слов. Объем памяти, необходимый машине для хранения информации об этих словах, подсчитывается из учета пропускной способности в 1000 двоичных единиц информа­ции в секунду, которой можно достигнуть при компрессии речи. Средняя скорость передачи одного слова составляет при этом 4 слова в секунду, следовательно, на каждое слово приходится 250 двоичных единиц. Таким образом, для 732 слов нижняя грань требуемого объема памяти со­ставляет примерно 0,2 10⁶ двоичных единиц, что намного превышает возможности существующих машин. Верхняя грань, которую можно определить, исходя из пропускной способности систем связи, не использующих компрес­сии речи, составляет примерно 6-Ю⁶ двоичных единиц. Для распознания почти всех слов языка объем памяти нужно увеличить еще в 10 раз, что составит число, большое не только для вычислительной техники, но даже и по сравнению с предполагаемым числом нейронов в мозге. Непреодолимые технические трудности представляет не только объем такой памяти, но и крайне малое время, отведенное на выборку нужного слова из словаря (кото­рое должно быть распознано до распознавания следую­щего слова). Очевидно, при данной лингвистической мо­дели такая задача оказывается невыполнимой.

Таким образом, ни распознание отдельных вариантов фонем, ни распознание слов порознь не дает ключа к ре­шению задачи. Однако может бьпъ предложено другое ее решение. В языке каждая единица высшего уровня (например, морфема) состоит из последовательности единиц низшего уровня (например, фонем). Чем ниже уровень, тем меньшее число единиц в него входит; если число слов в любом из современных языков не меньше несколь­ких десятков тысяч, то число фонем, из которых состоят слова, заключено в границах от 10—15 (число фонем в не­которых полинезийских языках) до 70—80 (число фонем в некоторых кавказских языках), а число различительных признаков, пучки которых образуют фонемы, согласно кон­цепции Якобсона и его последователей, не превышает 12. Следовательно, число двоичных единиц, приходящихся на одну фонему, не превышает 7 (и не превышает 4 в та­ких языках, как полинезийские), а число двоичных еди­ниц, приходящихся на один различительный признак, не превышает 4 (и во многих языках не превышает log₂ 8=3). Поэтому объем памяти, который требуется для хранения словаря, можно было бы значительно уменьшить, если бы слова (или морфемы) хранились не в виде эталонов, непо­средственно соотносимых с акустическими сигналами, а в виде последовательностей единиц низшего уровня — фонем или различительных признаков (причем эти по­следовательности можно сжать или «свернуть» при сохра­нении различий между различно звучащими словами за счет использования избыточности языка, как это делается в автоматических словарях для машинного перевода). В таком случае распознавание должно было бы вестись в два этапа: на первом этапе последовательность акустических сигналов перерабатывается в последовательность фоноло­гических различительных признаков. На втором этапе по­лученная последовательность признаков сравнивается с эталоном — морфемой или словом, хранящимся в памяти в виде последовательности признаков или фонем.

Современные вычислительные машины обладают дву­мя видами памяти: быстро действующей оперативной памятью меньшего объема и более медленной памятью боль­шого объема. Напрашивается предположение, что опера­тивную память можно использовать для переработки полу­ченных акустических сигналов в различительные приз­наки, а память большого объема — для хранения всего словаря. При таком распознавании устной речи объем памяти приблизится к возможностям существующих ма­шин, а время, требуемое для выборки, уже не будет зависеть от длительности произнесения слов на входе, поскольку распознавание акустических сигналов и поиск в словаре может осуществляться в разное время разными частями машины. Подобная машина могла бы осуществить одновременно и автоматическое распознава­ние звуков, и автоматический анализ фразы, что позволило бы решить такие сложные задачи, как деление фразы на слова; ср. такие случаи, как английск. an aim «цель» — а пате «имя», где чисто фонологический анализ последо­вательности [зпеїт] не дает возможности правильно раз­делить ее на слова и требуется анализ смысла всей фразы^{2 9}. It К описанной схеме устройства, предложенной главным образом на основе лингвистических соображений^[154], весьма близка описываемая ниже модель распознавания речи человеком, установленная JI. А. Чистович на основа­нии серии замечательных экспериментальных исследова­ний^[155]. Однако при сходстве общих схем автоматов и чело­веческого слухового аппарата конкретные параметры устройств различны (например, различается объем памяти, в которой хранятся единицы словаря, и время выборки из этой памяти). Технические устройства, не совпадающие по своей организации с мозгом, могут использовать дру­гие модели языка; так, машина (или космическое суще­ство типа черного облака, описанное в книге английского астрофизика Хойла), у которой объем памяти существен­но больше (а время выборки существенно меньше), чем у человека, могла бы обойтись без деления слов на эле­ментарные единицы-фонемы.

Исследование соотношения между моделью и устрой­ством может представить интерес и для выяснения неко­торых вопросов эволюции человека и развития челове­ческого языка. Сопоставление со звуковой системе^ сиг­налов у обезьян *², где отсутствует членение на уровни и каждый из нескольких десятков сигналов является не­разложимой единицей, противопоставленной всем осталь­ным сигналам, показывает, что сложная иерархическая организация языка является относительно поздним до­стижением человека. Очевидно, значительный интерес могло бы представить исследование того, как увеличение системы сигналов, не разлагавшихся на более элементар­ные единицы, а позднее увеличение словаря слов, де­лившихся на фонемы, могло способствовать подбору индивидов, у которых генетические мутации приводили к увеличению объема запоминающего устройства^[156]. Ис­следование систем общения у органических существ с нервной системой, существенно отличающейся от чело­веческой (а также и исследование афазий — нарушений речи, вызываемых поражениями мозга у человека), важно как для решения теоретического вопроса о связи между устройством и моделью языка, так и для исследования возможных систем, с которыми человечество может стол­кнуться при изучении космоса.

3.