Lietuvoje sukurto vieno ambicingiausių kalbos technologijų projektų šalies istorijoje – Didžiojo lietuvių kalbos garsyno LIEPA-3 – naudą turėtų pajusti visi, naudojantys šiuolaikines technologijas. Pasak projekto vadovės Vilniaus universiteto Matematikos ir informatikos fakulteto (VU MIF) profesorės dr. Gražinos Korvel, garsynas taps svarbiu postūmiu technologijų plėtrai ir padės užtikrinti, kad lietuvių kalba gyvuotų.
Pokalbyje apie garsyną ir jo panaudojimo galimybes LRT Radijo laidoje „10-12“ kartu su prof. G. Korvel dalyvavo projekto ekspertas, VU dalies projekte vadovas VU MIF lektorius Gediminas Navickas bei Rasa Stupakovaitė iš įmonės „Gooliver“, koordinavusios balso įrašų surinkimą.
Duomenys – DI „maistas“
Nors dirbtinio intelekto (DI) technologijos pasaulyje vystosi itin sparčiai, mažesnės kalbos dažnai susiduria su duomenų trūkumu – sudarinėti „nekomercinių“ kalbų garsynus didelėms tarptautinėms įmonėms neapsimoka, o vietiniai garsynai dažniausiai yra nedidelės apimties ir nėra prieinami visiems.
Būtent todėl LIEPA-3 sukurtas kaip atviras, nemokamai prieinamas garsynas, skirtas moksliniams tyrimams ir technologijų kūrimui. Projekte dalyvavo mokslininkai ir tyrėjai iš VU Matematikos ir informatikos bei Filologijos fakultetų, Vytauto Didžiojo universiteto bei Lietuvių kalbos instituto. Garsynas bendram darbui sujungė informatikus ir filologus.
Prof. dr. Gražina Korvel, VU MIF Duomenų mokslo ir skaitmeninių technologijų (VU MIF DMSTI) Vaizdų ir signalų analizės grupė
„Jeigu norime sukurti gerą produktą, reikia trijų dedamųjų – duomenų, duomenų ir dar kartą duomenų. Dabar duomenys jau yra. Kitas etapas priklausys nuo to, kaip juos panaudosime“, – sako projekto vadovė prof. dr. G. Korvel.
Profesorės teigimu, garsynas visų pirma naudingas mokslo bendruomenei – juo naudodamiesi tyrimus galės atlikti ne tik mokslininkai, bet ir doktorantai bei magistro ir bakalauro programų studentai. Verslui pradėjus integruoti garsyną į kuriamas ar jau egzistuojančias šneka paremtas technologijas, nauda pasieks jų vartotojus.
Mokslininkės teigimu, garsyną jau siunčiasi susidomėję verslininkai ir tyrėjai, internete vyksta profesionalų diskusijos, tariamasi, kaip efektyviau apmokyti modelius, yra susidomėjimas ir iš didžiųjų tarptautinių įmonių.
„Garsynas paruoštas, jiems bereikia jį integruoti, kaip daroma ir su kitomis kalbomis. Netrukus pamatysime, kad lietuvių kalbą geriau supranta ir tarptautiniai DI įrankiai“, – sako prof. dr. G. Korvel.
LIEPA užaugo nuo 100 iki 10 000 valandų
LIEPA-3 yra jau trečiasis mokslininkų sukurtas garsynų šeimos projektas.
Projekto LIEPA-1 metu buvo surinkta ir anotuota 100 valandų šnekos. Vėliau atsirado LIEPA-2, sukaupta 1000 valandų įrašų. Šie duomenys tapo pagrindu pirmosioms lietuvių kalbos šnekos atpažinimo ir sintezės sistemoms.
„Į LIEPA-3 atėjome jau su didele patirtimi. Žinojome, kiek reikia duomenų, kokių reikia duomenų ir kaip juos surinkti“, – pasakoja prof. G. Korvel.
Pasak VU MIF lektoriaus, projekto eksperto ir VU dalies projekto vadovo Gedimino Navicko, pats garsynas dar nėra galutinis produktas – tai pagrindas būsimoms technologijoms.
„10 tūkstančių valandų nėra atsitiktinis skaičius. Tiek pagal mokslinius tyrimus, tiek pagal gerąją praktiką būtent tokios apimties duomenų reikia šiuolaikiniam kokybiškam šnekos atpažinimui ir sintezei“, – sako mokslininkas.
Gediminas Navickas, VU MIF DMSTI Vaizdų ir signalų analizės grupė
Atsisiųsti garsyną galima iš Lietuvos atvirų duomenų portalo ir https://clarin-repo.lt/items/0a04648e-ba4e-4e6f-9161-a2d01e8e9fdb, atsisiųsti gali visi, kas tik nori, tačiau jei nedirbate DI srityje ir mokslinių tyrimų neatliekate, to daryti nėra tikslo. G. Navicko teigimu, garsynas paruoštas naudoti ne paprastam vartotojui, bet mašininiam mokymui, jo apimtis didelė – virš terabaito duomenų.
Garsynas, kuriame telpa visa Lietuva
Vienas svarbiausių LIEPA-3 privalumų – šnekos įvairovė.
Skaitytinės kalbos dalyje jauniausiam diktoriui buvo 8-eri, o vyriausiam – 96-eri metai. Garsyne užfiksuoti įvairių amžiaus grupių, regionų ir socialinių sluoksnių žmonių balsai.
Būtent įvairovė leis kurti technologijas, kurios „supras“ įvairius lietuviškai kalbančius žmones. Siekiant užtikrinti įvairovę, garsyną sudaro trys dalys – skaitytinės kalbos, kur iš anksto parengtus tekstus skaitė įvairaus amžiaus žmonės, spontaninės kalbos – šią dalį sudaro radijo laidų įrašai, ir tarmių dalis.
Tarmės – vienas sudėtingiausių projekto etapų
Svarbi LIEPA-3 dalis skirta lietuvių tarmėms. 100 valandų surinkti ir anotuoti padėjo specialistai iš Lietuvių kalbos instituto.
Pasak projekto ekspertų, tarmių įrašymas pareikalavo ne tik techninių žinių, bet ir kultūrinio jautrumo.
„Kolegos dalijosi, kad negalima tarmiškos šnekos įrašinėti vos atvažiavus“, – pasakoja G. Navickas. – „Kai atvyksta žmonės „iš miesto“, pašnekovas iš pradžių stengiasi kalbėti bendrine kalba. Gali prireikti pusvalandžio pokalbio, kad žmogus atsipalaiduotų ir pradėtų kalbėti sava tarme.“
Pasak mokslininko, svarbu, kad tarmes tiek rinko, tiek anotavo žmonės, kuriems tos tarmės yra gimtosios – tai padėjo užtikrinti didesnį tikslumą.
Projekto vadovės prof. dr. G. Korvel teigimu, LIEPA-3 yra pirmas tvirtesnis žingsnis bandant įvesti tarmes į dirbtinio intelekto pasaulį. „Remiamės moksline literatūra, kuri sako, kad 100 valandų galbūt užteks jeigu apmokant DI bus naudojamos tam tikros technologijos. Tikimės, kad taip ir bus, bet tarmės yra sudėtinga šneka“, – sako mokslininkė ir priduria, kad pradėjus garsyną naudoti bus atliekami moksliniai tyrimai, kurie leis tiksliau sužinoti, ar įrašytų tarmiškos šnekos valandų užtenka, o jeigu ne – bus galima papildyti.
Lietuvių kalba neturi likti už borto
Mokslininkai pabrėžia, kad tokie projektai yra svarbūs ne tik technologijų plėtrai, bet ir kalbos ateičiai.
„Jeigu skaitmeninėje erdvėje nebus lietuvių kalbos, mes išnyksime. Todėl kaip valstybė turime pasirūpinti, kad lietuvių kalba būtų matoma, girdima ir naudojama šiuolaikinėse technologijose“, – sako prof. dr. G. Korvel.
Pasak mokslininkės, Lietuva turi kuo didžiuotis – sukurti ne tik garsynai, bet ir įvairūs tekstynai bei kiti kalbos ištekliai, leidžiantys lietuvių kalbai įsitvirtinti skaitmeniniame pasaulyje.
Ar bus LIEPA-4?
Nors naujasis garsynas ką tik baigtas, mokslininkai jau galvoja apie ateitį.
„Dabar svarbiausia dirbti su tuo, ką turime. Reikia vienytis, kurti atvirus produktus ir naudoti sukauptus išteklius. Kai pradėsime juos plačiai taikyti, pamatysime, ko dar trūksta. Tada ir bus aišku, kas turėtų būti garsyne LIEPA-4“, – sako prof. dr. G. Korvel.
Pokalbis LRT Radijo laidoje 10–12
2026 06 26