Kielipankissa: Yarolav Getman

Yaroslav Getman kertoo meille tutkimuksestaan, joka liittyy itseohjautuvaan oppimiseen ja vähäresurssisten kielten puheteknologian kehittämiseen. LUMI- ja Roihu-supertietokoneiden avulla hän on ollut kehittämässä uusia puhemalleja suomelle ja pohjoissaamelle.

Kuka olet?

Olen väitöskirjatutkija Aalto-yliopiston automaattisen puheentunnistuksen tutkimusryhmässä. Ennen jatko-opintojani suoritin Aalto-yliopistossa sähkötekniikan kandidaatin tutkinnon sekä signaalinkäsittelyn, puheen ja kielen käsittelyn maisterin tutkinnon.

Mikä on tutkimuksesi aihe?

Tutkimukseni keskittyy aliedustettujen kielten itseohjautuvaan oppimiseen (self-supervised learning, SSL). Suurin osa alan tutkimuksesta käsittelee englantia ja muita runsasresurssisia kieliä, kun taas vähäresurssiset kielet ovat jääneet jälkeen puheteknologian kehityksessä. Väitöskirjatutkimukseni aikana olen työskennellyt sen eteen, että suomi ja pohjoissaame saisivat nykyistä parempaa tukea puheteknologioissa.

Yleisellä tasolla tutkimukseni on jakautunut kolmeen pääsuuntaan: SSL-mallien mukauttamiseen vähäresurssisiin sovellusalueisiin, kielikohtaisten perusmallien (foundation models) kehittämiseen aliedustetuille kielille sekä näiden mallien sisäisten oppimisprosessien tulkintaan.

Aloitin väitöskirjani , joka myöhemmin jatkui sekä . Työskentelin näissä hankkeissa puheentunnistuksen ja ääntämisen arvioinnin parissa. Tarkastelin puhujaryhmiä, joista ei ole saatavilla laajoja annotoituja aineistoja, kuten lapsipuhujia sekä toisen kielen oppijoita. Teflon-hankkeessa järjestimme myös IEEE MLSP 2025 -konferenssin yhteydessä -haastekilpailun, jossa vastasin kilpailun vertailujärjestelmien (baseline systems) toteuttamisesta.

Myöhemmin liityin , jossa kehitin avoimen lähdekoodin kielikohtaisia puheen perusmalleja. Aliedustettujen kielten laajat puheaineistot ovat kuitenkin suhteellisen harvinaisia. Eräs ratkaisu on hyödyntää aineistoja, joita ei alun perin ole kerätty puhemallien kouluttamista varten, ja erottaa niistä käyttökelpoinen puheaineisto automaattisesti. Tätä varten olen työskennellyt parissa. Näitä lähetyksiä on tallennettu ympärivuorokautisesti vuodesta 2009 lähtien, ja ne sisältävät nykyisin miljoonia tunteja ääniaineistoa. (KAVI on sittemmin yhdistynyt Taiteen edistämiskeskuksen kanssa uudeksi Kulttuuri- ja taidevirasto KUVIksi.)

Olen kehittänyt pohjoissaamelle ensimmäiset julkisesti saatavilla olevat, alusta alkaen koulutetut itseohjautuvat puheen perusmallit. Suomen kielen osalta uusimmat mallit on koulutettu lähes puolen miljoonan tunnin suodatetulla radio- ja televisiopuheaineistolla, mikä vastaa mittakaavaltaan pikemminkin englanninkielisten mallien ja kaupallisten toimijoiden käyttämää aineistomäärää.

Suurteholaskennalla on ollut keskeinen rooli väitöskirjatutkimuksessani. Olen saanut työskennellä kahdessa LUMI-supertietokoneella toteutetussa erittäin laajamittaisessa laskentahankkeessa, ja , sekä uuden kansallisen .

Tutkimuksessani olen myös tarkastellut, mitä nämä perusmallit oppivat sisäisesti. Olen tutkinut, miten erilaiset esikoulutusmenetelmät vaikuttavat mallien oppimiin puheen representaatioihin sekä kuinka suuri osa mallien kapasiteetista todellisuudessa hyödynnetään puheentunnistuksessa.

Miten Kielipankki liittyy tutkimukseesi?

Itseohjautuvat puheen perusmallit koulutetaan suurilla määrillä annotoimatonta puhedataa, mutta puheentunnistuksen ja muiden puheteknologisten tehtävien suorittamiseen ne tarvitsevat edelleen annotoitua aineistoa. Tutkimuksessani olen hyödyntänyt laajasti sekä .

Sen lisäksi, että olen käyttänyt Kielipankin tarjoamia aineistoja tutkimuksessani, olen myös osallistunut valmisteluun, jotta se voitiin julkaista Kielipankissa.

Valikoituja julkaisuja

Getman, Y., Grósz, T., Lehtonen, T., Kurimo, M. (2026) . Proc. Interspeech 2026, 4427-4432

Getman, Y., Grósz, T., Kurimo, M. (2026) . Proc. Interspeech 2026, 6032-6036

Getman, Y., Grósz, T., Lehtonen, T., Kurimo, M. (2025) . Proc. Interspeech 2025, 231-235

Getman, Y., Grósz, T., Hiovain-Asikainen, K., Lehtonen, T., Kurimo, M. (2025) Towards large-scale speech foundation models for a low-resource minority language. Proc. NoDaLiDa/Baltic-HLT 2025, 192-200

Getman, Y., Grósz, T., Kurimo, M., Salvi, G. (2025) (NOCASA). Proc. IEEE MLSP 2025, 1-6

Aineistoja

eli suomalaisten yliopistojen, CSC – Tieteen tietotekniikan keskuksen ja Kotimaisten kielten keskuksen muodostama konsortio auttaa ihmistieteiden tutkijoita käyttämään, jalostamaan, säilyttämään ja jakamaan tutkimusaineistoja. Aineistoja ja työkaluja tarjoaa .