TL;DR (Luzeegia; Ez Dut Irakurri)
Aurreko artikuluan FUTO Keyboard teklatuarentzat euskarazko testu prediktiboa aurkeztu nuen. Orain, ahots bidezko idazketa gehitu diogu: euskarazko Whisper eredu bat prestatu dut, FUTOren mikrofono botoiarekin euskaraz diktatzeko. Telefonoan bertan exekutatzen da, ahotsa inora bidali gabe.
Idatzi beharrean, hitz egin
Mezu luze bat idatzi behar dugunean, askotan errazagoa izaten da hitz egitea. Gidatzen ari garenean, sukaldean eskuak zikin ditugunean, edo besterik gabe alferkeriaz. Ahots bidezko idazketa (ingelesez voice typing) aspalditik dago gure mugikorretan.
Baina hemen ere, galdera berbera: nora doa gure ahotsa? Testua sentikorra baldin bada, ahotsa are gehiago. Gure ahotsa gurea da, eta ahotsarekin batera, atzeko soinuak, inguruko pertsonen elkarrizketak… Datu asko dira, zerbitzari arrotz batera bidaltzeko.
FUTOk badu horretarako konponbidea: FUTO Voice Input teklatuan bertan integratuta dator, eta whisper.cpp erabiltzen du transkripzioa mugikorrean bertan egiteko. Tamalez, testu prediktiboarekin gertatzen zen bezala, euskarazko eredu egokirik ez dago eskuragarri.
Whisper euskaraz? Hori badugu!
Zorionez, ez dugu hutsetik hasi beharrik. Aspalditik nabil Whisper ereduak euskarara egokitzen, eta whisper-small-eu ereduak %7,63ko WER (hitz-errore tasa) lortzen du Common Voice datu-sortan. Tamainaz eta kalitatez, mugikor batean exekutatzeko oreka ona du.
Ez zen hain erraza izan, ordea. FUTOk audio laburrak modu berezian prozesatzen ditu, eta Whisper eredu arruntak bukle batean geratzen dira, hitzak behin eta berriz errepikatzen. Hori konpontzeko, FUTOk berak argitaratutako ACFT metodoa erabiliz doitu dut eredua.
Emaitzak
Adibide batzuk, erreferentziazko testua eta ereduak transkribatutakoa alderatuz:
| Erreferentzia | Transkripzioa |
|---|---|
| Honek garrantzi handia zuen Ehun Urteko Gerran. | Honek garrantzen biazuen ehun urteko gerran. |
| Osasuna aurkari zuzena da eta, beraz, puntuek balio bikoitza | Osasuna aurkari zuzena da eta beraz, puntuek balio bikoitza dute. |
| Irungo familia boteretsu bat da Olazabal familia. | Irungo familia boteretsu bat da Olazovan familia. |
Ez da perfektua, ikusten denez. Lehenengo esaldiarekin pixka bat nahastu da, eta Olazabal abizena Olazovan bihurtu du. Baina eguneroko erabilerarako, oso ondo dabilela iruditzen zait.
Hona hemen mugikorrean euskaraz diktatzen (piztu soinua!):
Nola instalatu?
- FUTO Keyboard instalatu, oraindik ez baduzu (Play Store edo F-Droid bidez).
- Ziurtatu euskara teklatuko hizkuntza gisa gehituta duzula (Settings > Languages > Euskara).
- Deskargatu
small_eu_acft_q8_0.bineredua zure telefonoan (264MB ingurukoa). - Ireki fitxategia FUTO Keyboard aplikazioarekin (fitxategi kudeatzailetik, “Ireki honekin” aukeratuz).
- Bestela: Settings > Languages > Import from file
- Galdetzen dizunean, lotu eredua euskararekin (Basque).
Eta prest! Sakatu mikrofonoaren botoia eta hitz egin euskaraz.
Mugak eta hurrengo urratsak
- Tamaina: 264MB ez da gutxi. Gailu xumeetan motel ibil daiteke. Etorkizunean
whisper-base-euedowhisper-tiny-euereduekin bertsio arinagoak prestatu nahiko nituzke. - Euskalkiak eta hizketa informala: entrenamendurako datuak gehienbat testu irakurriak dira (Common Voice, Legebiltzarra…). Kalean hitz egiten dugun bezala hitz egiten badugu, akats gehiago egingo ditu.
- Ebaluazioa: oraingoz proba gutxi egin ditut. Ebaluazio sakonagoa egitea falta da.
Ereduak Hugging Face-n eskuragarri daude, Itzune proiektuaren baitan. Testu prediktiboarekin batera, FUTO teklatua osorik dugu euskaraz: idazteko eta hitz egiteko, dena gure mugikorrean. Probatu eta esan zer moduz!