Sudjelovanje na znanstvenome skupu "22. dani Mate Demarina"

Sažetak

U radu se donosi pregled zvučnih materijala za učenje izgovora hrvatskoga i engleskoga standardnoga jezika. Zvučni se materijali javljaju u sklopu ozvučenih udžbenika te mrežno u različitim aplikacijama, a namijenjeni su za uporabu u nastavnome procesu te za samostalno učenje i uvježbavanje. Materijali za nastavni proces nude prirodni govor, a različite aplikacije i mrežni jezični alati danas nude različite pristupe u ozvučivanju. Naime, u aplikacijama koje se kreiraju pomoću umjetne inteligencije govor je, djelomično ili potpuno generiran (primjerice neuralnim TTS modelom u velikim jezičnim modelima, tj. LLM-ovima). Takav se generirani govor, zajedno sa snimljenim govorom, upotrebljava i u kreiranju različitih “osobnih govornih trenera” (Language Speech Assistant ili Speakometer) u aplikacijama kao što su LanguaTalk, Talkpal, Pronounce, Duolingo, Babbel i sl. S druge strane razvijaju se različite mrežne aplikacije (s igrifikacijom) i mrežni jezični priručnici u kojima se još uvijek inzistira na prirodnome, modelskome govoru (primjerice ozvučivanje u hrvatskome mrežnom rječniku Mrežnik ili u engleskome Cambridge Dictionary, te na mrežnome mjestu za hrvatski kao strani jezik HR4EU, ili za engleski kao strani, u velikom dijelu, u aplikaciji Rosetta Stone). Hibridni sustav, tj. kombinacija jednoga i drugoga tipa ozvučivanja, zasad je optimalan model u aplikacijama učenja stranih jezika. Cilj je rada utvrditi, nakon komparativne i auditivne analize, o kakvom je izgovoru riječ u materijalima za učenje i poučavanje dvaju standardnih jezika. U nastavi engleskoga jezika u Hrvatskoj i u nastavi hrvatskoga jezika vrlo se malo vremena posvećuje izgovoru i njegovu ispravljanju. Posebice se zamjećuje da se ne posvećuje dovoljno vremena varijetetnosti standardnoga jezika i regionalnim ostvarajima. Već i slušna percepcija izgovora koju generira umjetna inteligencija pokazuje da je na primjeru hrvatskoga jezika riječ o izgovoru koji je izjednačiv s udarnim naglasnim sustavom s obiljem hiperkorekcija, najčešće na korpusu glagola, tj. s naglasnim ostvarajima mjesta naglaska koji su „razgovorni“ ili „zagrebački“. Razlika između izgovora različitih jezika koji su generirani počiva prije svega na količini podataka na kojoj se modeli treniraju, u čemu prednjači engleski jezik pa je ovdje riječ o usporedbi dvaju jezika koji su na različitome stupnju kvalitete govora. Za potrebe rada upotrijebljen je TTS mrežni servis ElevenLabs. Pedagoška praksa pokazuje da se učenici/studenti za provjeru izgovora engleskoga okreću sintetiziranim/generiranim ostvarajima, i to pojedinačnih riječi. U provjeri hrvatske standardne izgovorne norme okreću se “jezičnome osjećaju” i izgovoru koji im je “prestižan”. Za usvajanje rečenične intonacije i dalje je presudna uloga nastavnika/poučavatelja. Tradicionalni nastavni proces u dijaloškoj formi između nastavnika i učenika te oponašanje spikerskoga, modelskoga uzora prirodnoga govora još uvijek su presudni za usvajanje standardnoga izgovora, no napredne tehnologije prepoznavanja govora i obrade prirodnoga jezika, tj. aplikacije za učenje jezika temeljene na umjetnoj inteligenciji nude brze povratne informacije o izgovoru i gramatici te tako potpomažu samostalno učenje. Vrlo je važno u nastavnome procesu upućivati na kvalitetne i verificirane zvučne materijale, a ovom se analizom probranih širokouporabnih zvučnih materijala upućuje na prednosti i nedostatke dviju vrsta zvučnih zapisa: onih uz udžbenike na svim razinama obrazovanja te onih na mreži (bilo da je riječ o prirodnome govoru ili sintetiziranome/generiranome).