TTS: U21-landslaget - korleis skal vi handtera ikkje-samiske akronym?

[snomos]

Her er eit døme frå innlesingskorpuset vårt:

I tillegg er det klart at VG skal vise kvalifiseringskampene til det norske U21-landslaget for herrer.

Problemet er U21. I ein norsk tekst så er det rimeleg at talet blir lese på norsk, ikkje på samisk. Eg har lagt til eiga transkribering slik:

U21:U-tjueen # ;

(usikker på korleis vi skal handtera U-en enno, men inntil vidare er det slik).

Det går bra ganske langt, heilt til:

New surface form: U21-
Expanding because of ACR
Using lemma: U21
1. looking up normaliser
2.a Using normalised form: U-tjueen
2.b regenerating lookup: U-tjueen+v1+N+Prop+Cmp
3. Couldn't regenerate, reanalysing lemma: U-tjueen
U21-	U21-	# "U21" v1 N Prop Sem/Org ACR Cmp/SplitR Cmp "U21-"MIDTAPE <W:0.0> @>N #14->14

Transkriptor gjev U-tjueen som eg har lagt inn, men i og med at U-tjueen ikkje ligg i den leksikalske fst-en, går ikkje den forma igjennom, og programmet fell tilbake til originalen.

Kva er den beste algoritmen? Han må vera så generell som mogleg.

• ta output frå transkriptoren uansett, sjølv om dei ikkje let seg generera? Då vil vi i det minste ha noko.

Synspunkt, @flammie @kathiasi @ilm024 ?

[flammie]

tror den fallback til transkriptor-versjon var en del av problematikk i issue #35. Om vi gjorde den så kommer det 3-4 vers ioner ut av den der 200 genitiv.

[snomos]

Ja, men då var det underliggjande problemet at vi ikkje kunne generera fordi taggstrengen var feil. No er det problemet løyst, så kanskje vi kan vurdera eit slikt alternativ i alle fall?

[flammie]

det kan vi enkelt pröve, den nyeste version skriver ut normaliserte lemma om generering feiler