SayItVid เปิดตัวเครื่องมือค้นหาการออกเสียงวิดีโอเรียลไทม์

พจนานุกรมออนไลน์แบบดั้งเดิมมักมองการออกเสียงเป็นหน่วยเสียงที่แยกส่วน เมื่อผู้ใช้ค้นหาคำจะพบอักษรสัทอักษรสากลหรือ IPA แบบคงที่ พร้อมปุ่มกดฟังเสียงบันทึกความยาว 1.5 วินาทีจากห้องอัดที่เงียบสงบ

แม้รูปแบบนี้จะมีประโยชน์สำหรับคำศัพท์พื้นฐาน แต่กลับใช้ไม่ได้ผลกับการสนทนาจริง เพราะภาษาอังกฤษพูดจริงเป็นกระแสเสียงที่มีการเน้นจังหวะและการเชื่อมเสียง เจ้าของภาษา มักจะตัดเสียงสระที่ไม่เน้นเสียง เปลี่ยนเสียงพยัญชนะกึ่งกลางคำ และเชื่อมเสียงพยัญชนะกับสระข้ามวลีเสมอ

การเข้าใจกลไกสัทศาสตร์เช่นนี้มีความสำคัญอย่างยิ่ง เนื่องจากสำเนียงและการออกเสียงในบทสนทนาจริงมักแตกต่างจากเสียงสังเคราะห์ในตำราเรียน การพัฒนาเอ็นจิ้นที่ดึงเอาตัวอย่างจากวิดีโอธรรมชาติมาให้ผู้เรียนได้เห็นบริบท สีหน้า ท่าทาง และจังหวะการพูดที่แท้จริง จึงช่วยลดช่องว่างระหว่างภาษาในตำรากับภาษาที่ใช้สื่อสารในชีวิตประจำวันได้อย่างมีประสิทธิภาพ

เพื่อแก้ปัญหานี้ ทีมงานจึงได้พัฒนา SayItVid ซึ่งเป็นเอ็นจิ้นค้นหาวิดีโอออกเสียงแบบเรียลไทม์ที่จัดทำดัชนีวิดีโอบทสนทนาจริงนับพันรายการ พร้อมซับไตเติลซิงโครไนซ์ การถอดเสียง IPA ตัวบ่งชี้พยางค์เน้นเสียงแบบภาพ และที่มาของคำภายในเวลาไม่ถึง 50 มิลลิวินาที

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ในบทความนี้ ทีมงานได้แจกแจงสถาปัตยกรรมเบื้องหลังของ SayItVid ตั้งแต่การจัดตำแหน่งซับไตเติลตามเวลาและการแมปเสียง ไปจนถึงการทำดัชนีการค้นหาในเสี้ยววินาทีและการซิงโครไนซ์วิดีโอที่ส่วนหน้า (front-end)