Original title: Identifikace kognátů v mluvených datech
Translated title: Cognate Identification in Spoken Language Data
Authors: Šára, Vojtěch ; Žabokrtský, Zdeněk (advisor) ; Macháček, Dominik (referee)
Document type: Master’s theses
Year: 2025
Language: eng
Abstract: [eng] [cze]
We present a novel approach to detecting etymologically related word pairs (cognates) directly from raw multilingual speech. To this end, we introduce the PODCASTHEON dataset, a large-scale collection of segmented spoken words aligned with cognate anno- tations derived from the CogNet database. We propose a Siamese neural architecture combining convolutional and Transformer-based encoders to learn a cross-linguistic pho- netic similarity embedding space. Our model is evaluated on both pairwise classification and retrieval tasks and benchmarked against text-based methods. Results demonstrate that phonetic information preserved in speech contains signal to support accurate cog- nate detection, offering a new modality for computational historical linguistics. We also introduce a visual interactive tool for exploring audio-based cognate similarity, enabling further linguistic analysis and low-resource lexicon development. Tato práce přínáší nový přístup k detekci etymologicky příbuzných slov (kognátů) přímo z vícejazyčné mluvené řeči. Za tímto účelem představujeme dataset POD- CASTHEON, rozsáhlou kolekci segmentovaných mluvených slov s anotacemi kognátů odvozenými z databáze CogNet. Pro modelaci dat navrhujeme architekturu siamské neu- ronové sítě, která kombinuje konvoluční a transformerové enkodéry. Model vyhodnocu- jeme v úlohách binární klasifikace a vyhledávání a porovnáváme jej s metodami zpra- covávajícími text. Výsledky ukazují, že kognáty lze odhalit čistě z fonetického signálu, bez přístupu k přepisu a jazykovým značkám. Dále představujeme vizuální interaktivní nástroj pro zkoumání podobnosti kognátů v audio datech.
Keywords: cognate|speech processing|cognate detection|multilingual speech|Siamese neural networks|phonetic similarity|mel spectrograms|speech embeddings|historical linguistics; kognát|zpracování řeči|detekce kognátů|vícejazyčná řeč|Siamské neuronové sítě|fonetická podobnost|mel spektrogramy|reprezentace řeči|historická lingvistika

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/202840

Permalink: http://www.nusl.cz/ntk/nusl-691241


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses