Technologieverkenning Nederlandstalige Taalen Spraaktechnologie

Transcriptie

1 Technologieverkenning Nederlandstalige Taalen Spraaktechnologie Rapport bij project , versie 1.1 Dit rapport is geschreven in opdracht van het ministerie van Economische Zaken door Jaap Akkermans, Brigit van Berkel, Chris Frowein en Linda van Groos van M&I/PARTNERS bv en Dirk Van Compernolle van Montemore NV. Amersfoort / Leuven,

2 Inhoudsopgave 1 Vraagstelling Taal- en spraaktechnologie: de vooravond van grootschaligheid De vragen in deze technologieverkenning Het BATAVO-voorstel als aanleiding voor de studie Opbouw van dit rapport Leeswijzer 8 2 Achtergrond Een historische terugblik wereldwijd Droom en realiteit, pragmatiek en deeloplossingen Lerende systemen en de rol van data en statistiek in het TST-gebeuren Linguistic Data Consortium, Evaluation and Language Distribution Agency TST-programma s van de Nederlandse en Vlaamse overheid EUROTRA bijdrage voor de Nederlandse taal ( ) Het Nederlandse programma Analyse en Synthese van Spraak (ASSP) CELEX ( ) Het korte-termijnprogramma Spraak- en Taaltechnologie in Vlaanderen ( ) Het NWO-prioriteitsprogramma in Nederland ( ) Het Corpus Gesproken Nederlands ( ) De Nederlandse Taalunie TST-Platform en het Actieplan BATAVO TST-Centrale Aanvraag financiering voor TST uit het IOP-fonds 17 3 Domeinafbakening TST Inleiding Domeinafbakening Begrippenkader Basisbegrippen en kennisdomeinen Data Regels en grammatica s Modules en basiscomponenten Samenhang tussen de verschillende soorten basisvoorzieningen Terminologie gebruikt in het BATAVO-document Toepassingen Taaltechnologie Hulpmiddelen voor Tekstverwerking Toegang tot (on)gestructureerde informatie Multilinguale Informatiecreatie en -verwerking Taalleren (CALL) Spraaktechnologie Telefoniegebaseerde Informatiesystemen 26 Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 2 van 127

3 Dicteer- en transcriptietoepassingen Consumentenmarkt Audio search & retrieval Toepassingen van spraaktechnologie die geen taligheid vereisen 28 4 Gelaagd model voor het TST-innovatiesysteem Het TST-innovatieproces als gelaagde keten De actoren in de gelaagde keten Type spelers bij aanmaak van de basisvoorzieningen (laag 1) Type spelers in het TST-ontwikkelingsproces (laag 2 en laag 3) Type spelers in het commercialisatieproces (laag 3 en 4) Kenmerkende en onderscheidende factoren Afhankelijkheid van taalgebied in het ontwikkelings- en commercialisatieproces Taalafhankelijkheid van de technologie Rol van TST in het eindproduct Rol basisvoorzieningen in het eindproduct en gevaar voor reverse engineering Taal versus spraak 35 5 TST-actoren in Nederland en Vlaanderen Publiek onderzoek Marktpartijen Beschrijving van de aktoren Prioriteiten van marktpartijen Netwerkrelaties tussen actoren Vergelijking Nederland en Vlaanderen 40 6 De economische betekenis van TST Methodiek voor het bepalen van de economische betekenis Call centers en IVR: een assessment Tentatieve verbreding naar de totale spraakmarkt De pc-dicteermarkt Een inschatting van de economische impact van de dicteermarkt Andere pc/servertoepassingen De consumentenmarkt voor spraak Spraak en Ambient Technology Economische belang van taaltechnologische systemen Economisch belang van het semantisch web Knowledge management Lokalisatie van software en gebruiksaanwijzingen Automatisch vertalen Multi-lingual publishing Language learning Proofing tools Het rendement op een investering in TST 54 Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 3 van 127

4 7 Zelfanalyse van de sector en prioriteitenstelling Workshops als input voor een analyse De scenariodiscussies Visie van het veld op wenselijke onderzoeksprioriteiten 59 8 Sterkte-zwakte analyse van het innovatiesysteem Sterkten van het innovatiesysteem Wetenschappelijke kwaliteit staat niet ter discussie Grote internationale zichtbaarheid Intensieve wisselwerking tussen marktpartijen en kennisinstituten Zwaktes van het innovatiesysteem Zwakheden als gevolg van onvoldoende basistaalvoorzieningen Interne zwakheden Overige zwakheden 62 9 Voorstel voor een stimuleringsprogramma De noodzaak van een gemend instrumentarium De onvoorwaardelijke noodzaak van vraagstimulering De onvoorwaardelijke noodzaak van een IPR-beleid Toekenning van financiering voor tools of onderzoek versus LR s Aanmelden van het in eigendom bezitten van Language Resources Organisatie van een hybride programma Eén organisatorisch kader voor Nederland en Vlaanderen tezamen Benodigd budget Personele invulling van de programma(voorbereidings)commissie Programmering van onderzoek op hoofdlijnen Planning in de tijd Conclusies en samenvatting Advies in het kort Antwoord op vijf hoofdvragen van de opdrachtgever Antwoorden op de specifieke vragen bij deze technologie-verkenning 74 Bijlage 1: Samenstelling begeleidingsgroep 75 Bijlage 2: Hoofdlijnen van het BATAVO-voorstel 76 Bijlage 3: Kwantitatieve gegevens TST-sector 77 Bijlage 4: TST in call-centers en IVR-systemen 94 Bijlage 5: Participanten in de TST-workshops 100 Bijlage 6: Scenario s 102 Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 4 van 127

5 Bijlage 7: Conclusies EUROMAP benchmark 110 Bijlage 8: Onderzoeksprioriteiten volgens Scansoft 112 Bijlage 9: Visie van NOTaS 114 Bijlage 10: Standaardisatie 123 Bijlage 11: Voorbeelden van projectactiviteiten 125 Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 5 van 127

6 1 Vraagstelling 1.1 Taal- en spraaktechnologie: de vooravond van grootschaligheid Al in de jaren tachtig was Taal- en Spraaktechnologie (TST) een beleidsthema voor de Nederlandse overheid. Het bureau Van de Bunt verrichtte toen in opdracht van het Nederlandse ministerie van Economische Zaken een uitgebreide studie. In de jaren daarna is ook aan talloze initiatieven voor TST-onderzoek door de Nederlandse overheid financiële steun gegeven. Ook de Vlaamse overheid steunde TST-technologie over een lange reeks van jaren, onder andere in de context van Flanders Language Valley. Twintig jaar later is een deel van de in de tachtiger jaren verwoorde belofte wel degelijk waargemaakt. Volgens de recente benchmark studie Euromap, uitgevoerd in opdracht van de Europese Unie binnen het vijfde Kaderprogramma, scoren zowel Nederland als België hoog op dit technologiegebied qua onderzoeksresultaten. Moeiteloos zijn ook toonaangevende bedrijven op het gebied van spraak- of taaltechnologie in zowel Nederland als België te vinden. Een van de wereldspelers van het vorige decennium, Lernout & Hauspie, was zelfs een Vlaams bedrijf. Maar het feit dat resultaten zijn bereikt, betekent nog niet dat de vraag welke bijdrage TST nu en straks levert aan een duurzame economische groei definitief, is beantwoord. In de aangehaalde benchmark studie wordt gesteld dat de fase van grootschaliger marktdoorbraak nu is aangebroken en dat de cruciale vraag van dit moment luidt: Onder welke voorwaarden kan de huidige fase van early adopters overgaan in de fase met grootschaliger toepassingen. 1.2 De vragen in deze technologieverkenning Gegeven die vraag heeft het ministerie van Economische Zaken het initiatief genomen om een technologieverkenning naar Nederlandstalige Taal- en Spraaktechnologie uit te laten voeren. Het ministerie heeft een aantal andere partijen bij de uitvoering van de studie betrokken: de Vlaamse overheid; het Nederlandse ministerie van OC&W; de Taalunie, een Vlaams-Nederlandse organisatie. De genoemde organisaties vormden een begeleidingsgroep voor deze studie. (Voor de samenstelling, zie bijlage 1) De specifieke vragen die in de studie beantwoord moesten worden waren: Welke bijdrage levert TST aan de duurzame economische groei in Nederland en Vlaanderen? Is het een technologiegebied dat kansen biedt voor de Nederlandse en Vlaamse economie? Zo ja, wat is de omvang van die kansen? Hoe ziet het TST-innovatiesysteem er nu uit? Hoe kan het functioneren van dit systeem worden beschreven met het model van het Dynamisch Innovatiesysteem (DIS)? Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 6 van 127

7 Wat zijn de sterke en zwakke punten van dit TST-innovatiesysteem? Is er verschil in de werking van het innovatiesysteem tussen België en Nederland? Kan men eventuele verschillen verklaren? Is er een rol voor de overheden weggelegd om het functioneren te verbeteren? Als de overheden een rol zouden moeten spelen bij het bevorderen van de innovatie op het gebied van TST, welke aanpak moet dan worden gekozen? Heeft die aanpak rendement in economisch en cultureel opzicht? Met welke bestaande beleidsinstrumenten, bijvoorbeeld een IOP (Innovatiegericht Onderzoekprogramma) in Nederland of een SBO (Strategisch Basisonderzoek) in Vlaanderen, kan een gewenst beleid worden vormgegeven? Kan een renderende aanpak ook op draagvlak in het veld rekenen? Wat is het draagvlak bij de kennisinstituten? Welk draagvlak bestaat bij marktpartijen? En wat is de synergie tussen beide groeperingen? 1.3 Het BATAVO-voorstel als aanleiding voor de studie Een tweede aanleiding voor de Nederlandse overheid om deze verkenning medio juli 2003 op te dragen is, een ter tafel liggend voorstel van de Nederlandse en Vlaamse onderzoekswereld om de Basistaalvoorzieningen (BATAVO) voor de Nederlandse taal aan te vullen. In het BATAVOvoorstel wordt ervan uitgegaan dat de beschikbaarheid van min of meer dekkende basisvoorzieningen voor de Nederlandse taal een van de noodzakelijke voorwaarden is om in ons taalgebied het gat tussen de huidige fase van de early-adopters en die van grootschalige toepassingen te overbruggen. Niemand twijfelt aan de stelling dat basisvoorzieningen voor een taal onmisbaar zijn. Wel roept de stelling vragen op: Als Basistaalvoorzieningen worden gecreëerd of verbeterd, welk positief of negatief effect heeft dat dan op de bestaande TSTbedrijvigheid en hun positie op de nationale TST-markt en de TSTwereldmarkt? Is de commerciële TST-sector in Vlaanderen en Nederland voor een doorbraak op internationale markten het meest gediend met steun aan de eigen Nederlandse taal, of is het stimuleren van veeltalige benaderingen en/of vertaaltechnologie juist belangrijker? Past het aanmaken van basisvoorzieningen zoals in het BATAVOplan gedefinieerd, binnen het bestaande beleidsinstrumentarium voor technologiestimulering in Nederland en Vlaanderen? Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 7 van 127

8 1.4 Opbouw van dit rapport Hoofdstuk 2 van dit rapport schets de historische achtergrond van de Taal- en Spraaktechnologie (TST). In het volgende hoofdstuk wordt het TST-domein preciezer afgebakend om dan in hoofdstuk 4 een model te kunnen introduceren voor de werking van het innovatiesysteem. Hoofdstuk 5 geeft een overzicht van alle actoren in Nederland en Vlaanderen. Na deze inleidende en meer beschrijvende hoofdstukken volgen hoofdstukken die een sterk analyserend of adviserend karakter hebben. Hoofdstuk 6 geeft een oordeel over de economische betekenis van TST. Hoofdstuk 7 bevat een zelfanalyse van de TST-sector en de eigen prioriteitenstelling. Hoofdstuk 8 schetst de sterkten en zwakten van de sector zoals M&I/PARTNERS die ervaart. Hoofdstuk 9 bevat ons advies voor een hybride stimuleringsprogramma en gaat in op omvang en gewenste organisatievorm. Hoofdstuk 10 bevat een samenvatting. Het rapport bevat vervolgens 11 bijlagen, waaronder door de marktpartijen ingebrachte notities over de gewenste prioriteiten bij stimulering van Nederlandstalige TST door de Nederlandse en Vlaamse overheid. 1.5 Leeswijzer Dit rapport kan lineair worden gelezen, beginnend bij het volgende hoofdstuk tot en met bijlage 11. Maar er zijn ook andere methoden om van de inhoud van het rapport kennis te nemen. De lezer die is geïnteresseerd in de antwoorden op hoofdlijnen leest eerst hoofdstuk 10 (samenvatting en conclusies). Het einde van dat hoofdstuk leert de lezer welke hoofdstukken vervolgens de aandacht zouden kunnen vragen. De lezer die eerst meer gevoel voor de vraagstelling wil krijgen zou kunnen beginnen met de vier scenario s uit bijlage 6. De laatste bijlage: 11 bevat vervolgens een aantal concrete, aansprekende onderzoeksvragen. Vervolgens zou hij door kunnen gaan met het analytische deel van dit rapport: hoofdstuk 4 tot en met 9. Diegenen die al vertrouwd zijn met TST als domein zouden hoofdstuk 2 en 3 kunnen overslaan, hoofdstuk 4 wel lezen om dan te vervolgen met de hoofdstukken 7 tot en met 9. Diegenen met een sterke focus op economisch rendement kunnen het best beginnen met hoofdstuk 6. Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 8 van 127

9 2 Achtergrond 2.1 Een historische terugblik wereldwijd Woordenboeken en naslagwerken zijn de enige tastbare output van geformaliseerd linguïstische kennis tot de computer zijn intrede maakt en de moderne taal- en spraaktechnologie mee vormgeeft in de jaren vijftig en zestig. Wetenschappers dromen luidop van machines die kunnen luisteren en spreken of die hele teksten kunnen vertalen. Een halve eeuw later is een beperkt deel van deze droom werkelijkheid geworden. Bepaalde (eenvoudiger) technologieën, zoals spellingcheckers, zijn alledaagse consumententechnologie geworden. Daarnaast wordt veelvuldig gebruikgemaakt van pragmatische taaltechnologische oplossingen voor de verbetering van zoekresultaten van zoekmachines. Complexere technologieën zoals spraakherkenning en synthese komen dicht bij maturiteit, maar zijn er nog niet helemaal. Vooral de technologieën die verstaan van natuurlijke taal vereisen, hebben de te hoge verwachtingen zeker niet volledig kunnen inlossen. De technologische vooruitgang is nochtans gestaag geweest, mede gedragen door een dramatische en continue groei van beschikbare computercapaciteit. Door zijn complexiteit en variabiliteit laat natuurlijke taal zich moeilijker in een computermodel vatten dan oorspronkelijk geanticipeerd. Daardoor is de weg naar functionele technologie lang en voor bepaalde toepassingen nog maar voor een stuk afgelegd. Voor sommige heel complexe toepassingen - zoals automatisch vertalen - is daardoor de aandacht voor een groot stuk verlegd van kant-en-klaarvertalen naar hulpmiddelen die het manueel vertalen kunnen helpen en versnellen. Het is een voorbeeld van hoe de economische realiteit zich aanpast aan de technologische haalbaarheid. Een andere vaststelling vooral gedreven door economische factoren zijn de grote kwaliteitsverschillen tussen talen. Kwaliteit voor het Engels is beduidend beter dan voor het Nederlands, wat uiteraard uitmondt in een hogere penetratie van de technologie in de Verenigde Staten dan in het Nederlands taalgebied. De basisontwikkeling van taal- en spraaktechnologie werd over de jaren heen gedragen door een aantal belangrijke impulsprogramma s van diverse overheden. DARPA is sinds begin jaren 70 een belangrijke financier geweest voor onderzoeksprogramma s rond spraakherkenning en automatisch vertalen in de Verenigde Staten. Ook de onderzoeksprogramma s van de Europese unie hebben belangrijke impulsen gegeven. Een van de grootste en langstlopende initiatieven hierin was het project EUROTRA voor automatisch vertalen ( ). Naast de publieke initiatieven, werd in de jaren tachtig ook door de grote multinationals massaal in deze technologie geïnvesteerd: bijvoorbeeld Philips, Siemens, BSO, IBM, AT&T en Apple. Bekende projecten in Nederland in dat kader zijn het Rosetta-project van Philips en DLT (Distributed Language Translation) van het toenmalige BSO. Naarmate de technologie marktrijper werd, speelden meer en meer kleine en grote bedrijven een rol die van spraak- en taaltechnologie hun belangrijkste werkdomein hadden gemaakt. Voorbeelden voor spraakherkenning zijn Dragon, Lernout & Hauspie, Nuance ( en Scansoft ( Een aantal van die partijen zijn inmiddels kopje onder gegaan (Lernout & Hauspie), zijn door grotere spelers overgenomen (Dragon, namelijk door Scansoft) en een aantal van de multinationals hebben hun activiteiten sterk teruggeschroefd (Siemens, Philips, Apple). Maar anderen bleven volop prioriteit geven aan het terrein (IBM) en er kwamen ook grote spelers bij (met name Microsoft). Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 9 van 127

10 Omwille van instabiliteit in de markt, door overnames en acquisities verandert de situatie bij de kleinere bedrijven continu Droom en realiteit, pragmatiek en deeloplossingen Een aantal van de oorspronkelijke doelstellingen van TST, waarmee grote onderzoeksprojecten met al even grote verwachtingen waren opgezet, zijn nog niet gerealiseerd en worden dat wellicht ook niet in de nabije toekomst. Daarom dienen technologische doelstellingen voortdurend bijgestuurd te worden en op hun realiteitsgehalte te worden onderzocht. Volautomatisch vertalen is misschien zo n onhaalbaar doel. Hulpmiddelen die vertalers efficiënter laten werken vormen nu de kern van de vertaaltechnologie. Bij de zogenaamde lokalisatie van software of het vertalen van handleidingen voor fabrieksproducten zijn zulke hulpmiddelen inmiddels onmisbaar. Anderzijds kan een efficiënt documentbeheer en een goede organisatie van wat moet worden vertaald een even grote impact hebben op de kosten van het vertalen als het gebruik van dure technologie voor het vertalen zelf. Zogenaamde translation memories, met het van oorsprong Duitse bedrijf Trados ( als wereldmarktleider, herkennen identieke fragmenten uit reeds vertaalde documenten en vormen een voorbeeld van een pragmatische tussenoplossing voor het vertalen, zolang het uiteindelijke doel niet realiseerbaar is. Inhoudelijk is dergelijke software gebaseerd op eenvoudige patroonherkenning en dan is verdedigbaar dat het niet onder de noemer TST valt. Anderzijds is zo n translation memory ook te beschouwen als een vertaalwoordenboek waarin complexe termen en hele zinnen zijn opgenomen. Indien het op die manier is omschreven en wordt opgevat, moet het inhoudelijk wel als TST worden ervaren. Het voorgaande voorbeeld is een goede illustratie van het TST-domein zoals het vandaag bestaat. Vooreerst is TST meestal geen doel op zich, maar een deeltechnologie geïntegreerd in een toepassing met behoefte aan TST-componenten. De kwaliteit van de eindtoepassing staat centraal. Alle technologie die hierbij helpt om de TST-problematiek op te lossen is welkom, ongeacht of het rudimentair, heuristisch of wetenschappelijk complex is Lerende systemen en de rol van data en statistiek in het TST-gebeuren TST is technologie die op één of andere manier kennis bevat over taal. Wat die kennis precies inhoudt, is over de jaren heen sterk geëvolueerd. In de aanvangsjaren domineert een aanpak, waarbij een menselijke expert zijn kennis expliciet in een computerprogramma inbrengt. Het alternatief voor deze kennisgebaseerde aanpak, is een statistische aanpak waarin een computer leert uit voorbeelden van taal en spraak. Een statistische aanpak wordt het eerst bepleit voor spraakherkenning door onderzoekers bij bedrijven als IBM en Dragon midden jaren zeventig. Deze statistische aanpak - Hidden Markov Models genoemd - wordt vanaf de jaren 80 gebruikt en is tot vandaag de toonaangevende methodologie zowel binnen het onderzoek als voor producten. In een statistische aanpak - zoals HMMs - bepaalt de expert een ruw concept en worden de details geleerd uit een groot corpus geschreven of gesproken taal. In deze lerende systemen staan expert en data min op meer op gelijke voet. De kwaliteit van de gecreëerde technologie wordt beperkt, enerzijds door de kwaliteit van het model dat door de expert ontwikkeld werd en anderzijds door de kwaliteit van de data waaruit geleerd moet worden. Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 10 van 127

11 Vandaar een continue vraag naar meer en betere data ter ondersteuning van die ontwikkelingen. Een bekende uitspraak van één van de pioniers van deze technologie, F. Jelinek, is there is no data like more data. Sinds lang wordt het einde van het HMM-tijdperk voorspeld, omdat het basisconcept te simplistisch zou zijn en bepaalde inherente tekortkomingen bevat. Een aantal van die tekortkomingen worden door recente ontwikkelingen wel weggewerkt. Tevens is het een uitermate flexibel en schaalbaar instrument gebleken dat optimaal gebruik wist te maken van de groeiende rekenkracht en de bijkomende hoeveelheden data. Daarom vormen HMMs - ondanks alle kwaaltjes - zeker nog voor de nabije toekomst de kern van elke spraakherkenner. De taaltechnologische gemeenschap stond zeer lang weigerachtig tegenover het gebruik van statistische technieken met Noam Chomsky, één van de grondleggers van de moderne linguïstiek, als uitgesproken opposant met een al even bekende uitspraak (1969) It must be recognized that the notion probability of a sentence is an entirely useless one, under any known interpretation of this term. Niettemin zijn sinds een paar jaar ook binnen deze gemeenschap heuristische en statistische aanpakken aanvaard als volwaardige technieken en wordt ook hier het belang van corpora onderkend waaruit deze aanpakken kunnen leren. Dat statistiek eerder zijn intrede maakte in het spraaktechnologisch gebeuren dan in taaltechnologie en er nog steeds een grotere rol speelt, kan enerzijds verklaard worden op basis van inhoudelijke aspecten, maar is zeker evenzeer te verklaren door het feit dat spraaktechnologie zijn wortels heeft in ingenieursfaculteiten terwijl taaltechnologie voor een groot deel ontwikkeld wordt door wetenschappers met een niet-technische achtergrond (taalkundigen, logici). Anderzijds is het ook zo dat formele taalkennis lange tijd meer als een belemmering dan als een hulp voor het spraakherkenningonderzoek werd ervaren, zoals blijkt uit een ander uitspraak van Jelinek(1988) Anytime a linguist leaves the group the recognition rate goes up. Waar 20 jaar geleden de spraaktechnologische en taaltechnologische gemeenschappen sterk gescheiden leefden met een duidelijk andere visie, zijn de verschillen vandaag veel minder uitgesproken. Statistische en lerende systemen vormen een essentiële bouwblok van TSTtechnologie. Maar deze technieken hebben net zoals kennisgebaseerde technieken hun specifieke beperkingen. De evolutie van de recente jaren gaat zowel voor taal- als spraaktechnologie meer en meer in de richting van een multi-disciplinaire aanpak, waarbij naast het aspect kennis ook een essentiële rol is weggelegd voor data. Waar kennis deels taalspecifiek en deels taalonafhankelijk is, is data uiteraard 100% taalafhankelijk Linguistic Data Consortium, Evaluation and Language Distribution Agency Corpora en databases spelen dus een immer belangrijker rol in het TST-onderzoek, maar het aanmaken van grote corpora en databases is dermate duur dat de aanmaak voor één onderzoeksproject of voor één toepassing zelden is te verantwoorden. Eind jaren tachtig werd duidelijk dat het probleem van databases op wereldschaal diende te worden aangepakt. Enerzijds moest een oplossing gevonden worden om databases die ooit in het kader van één of ander project waren aangemaakt, niet verloren te laten gaan na afloop van dergelijk project. Anderzijds diende een oplossing gevonden te worden voor projecten - met veelal een tijdelijke structuur - die het aanmaken van data als doel hebben. De ontwikkelaars van de data zijn immers niet noodzakelijk de geschikte entiteit om na de ontwikkeling ook onderhoud en distributie op gang te zetten, bij gebrek aan structuur of relevante kennis. Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 11 van 127

12 Om aan deze problematiek een oplossing te bieden werd in de USA het LDC (Linguistic Data Consortium) opgericht in 1992 en enkele jaren later ELRA ( European Linguistic Resource Association) in Europa. Beide organisaties zijn distributieagentschappen met in de eerste plaats een informatieve en logistieke opdracht. Bij ELRA loopt dat via een daaraan gekoppelde onderneming (ELDA). De rechten van de databases die gedistribueerd worden, blijven over het algemeen bij de oorspronkelijke ontwikkelaars. Zowel LDC als ELRA bieden een ruime waaier van lexica en corpora aan in de meest uiteenlopende talen. LDC heeft naast de distributietaak ook een taak bij productie en beheer. Circa 70% van het budget wordt daaraan besteed. Het mission statement van LDC luidt: The Linguistic Data Consortium is an open consortium of universities, companies and government research laboratories. It creates, collects and distributes speech and text databases, lexicons, and other resources for research and development purposes. Het betekent dat TST niet alleen een technologieterrein is geworden met steeds meer de cultuur van een bètaterrein. Het betekent ook dat het net als de sterrenkunde en deeltjesfysica faciliteiten nodig heeft voor zijn verdere ontwikkeling. Wat de telescoop en deeltjesversneller is voor sterrenkundige en fysicus, is de TST-basisvoorziening geworden voor de TST-wetenschapper en de TST-technoloog. 2.2 TST-programma s van de Nederlandse en Vlaamse overheid EUROTRA bijdrage voor de Nederlandse taal ( ) Eurotra is een onderzoeksprogramma dat bij uitstek het verschil markeert tussen de niettechnologische wortels van de taaltechnologie en een technologische aanpak. Het is een programma gericht op automatisch vertalen, dat in 1978 geïnitieerd wordt door de Europese Commissie. Alle talen hebben in het programma een gelijke positie en voor elk mogelijk taalpaar voor vertaling is een programmatische component georganiseerd. Nederland en Vlaanderen zijn betrokken bij elk taalpaar waar het Nederlands in voorkomt. Bij de start zijn de universiteiten van Delft en Leuven bij het programma betrokken. Later raakt ook Utrecht betrokken. De financiële basis voor het Nederlandse aandeel, een zogenaamd associatiecontract komt echter moeizaam tot stand zodat het echt grootschalige onderzoek pas start in Als Spanje en Portugal toetreden tot de Europese Unie wordt de omvang van het programma nog eens aanzienlijk vergroot want het aantal talenparen stijgt door die uitbreiding aanzienlijk. Het financiële volume van Eurotra is dan uiteindelijk (in ECU de voorloper van de euro): Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 12 van 127

13 Onderdeel periode Totaalbedrag EU Nederlandse overheid Vlaamse overheid Eurota - basis sept 86 juni Eurotra addendum 1 juli 88 juni Eurotra addendum 2 juli 89 dec Bijdrage Utrecht juli 88 juni central operations Workshop mei Transitiecontract juli 91 juni Totaal Omdat de omvang van dit project volstrekt ongekend is in de wereld van het taalkundig onderzoek laat de Nederlandse overheid het onderzoek onderbrengen in een aan de universiteit van Utrecht gelieerde stichting, de Stichting Taaltechnologie (www-sk.let.uu.nl/stt). Het Vlaamse onderzoek wordt gesitueerd in Leuven. Tijdens de looptijd van het onderzoek worden door de Utrechtse groep samenwerkingsrelaties opgezet met Philips (Rosetta-project), BSO (DLT-project) en Van Dale (binnen een deelproject Lexic). Ook wordt een gezamenlijk project opgezet met Tilburg op het gebied van grammatica s (Grammer). Internationaal wordt samengewerkt met Essex, Genève en Manchester (het MiMo project). Leuven creëert een samenwerkingsverband met Siemens (METAL-project). Midden 1993 wordt het project beëindigd. Al daarvoor wordt de Utrechtse groep qua personele bezetting aanzienlijk gereduceerd (tot zo n 30% van de omvang tijdens de piek). Een deel van de onderzoekers verdwijnt naar taalkundige bedrijven of buitenlandse (met name Duitse) universiteiten. Daarmee is de historie van Eurotra aan de universiteit van Utrecht meteen kenmerkend voor die van het vakgebied: moeizaam begin om de financiering rond te krijgen; excellente onderzoeksprestaties (de groepen zijn veelvuldig geprezen); problemen met de status in eigen kring: de Utrechtse groep kreeg ondanks de omvang van de derde geldstroom nooit een hoogleraar van de gastheeruniversiteit; bovendien heeft het onderzoek nauwelijks promoties opgeleverd omdat het (toentertijd) not-done was om in een letterenfaculteit te promoveren op iets waarvoor computers werden gebruikt; een serieus probleem met de verankering van resultaten: Utrecht is binnen het huidige Nederlandse TST onderzoek geen dominante speler meer en de belangrijkste spin-offs van het eens zeer omvangrijke onderzoeksproject zijn het secretariaat dat men vervult voor het Europese Netwerk of Excellence ELSNET en een buitengewoon hoogleraar verbonden aan Scansoft. De Leuvense groep is wel nog altijd erg actief op het gebied van taaltechnologie Het Nederlandse programma Analyse en Synthese van Spraak (ASSP) Gedurende 1985 tot eind 1994 liep in Nederland het programma Analyse en Synthese van Spraak als één van de zeven zogenaamde SPIN-programma s. Het totale budget, ondergebracht bij een landelijke Stichting Spraaktechnologie, bedroeg 10 miljoen gulden. Het programma was bedoeld om de achterstand in Nederland op het gebied van spraaktechnologie in te halen. De belangrijkste deliverable was een goed werkend tekst- en spraaksysteem. Technologieverkenning Nederlandstalige Taal- en Spraaktechnologie Pagina 13 van 127