Puhekieli, kirjakieli ja kone joka lukee ne
Tämä sivu on kahdessa osassa. Ensin mitä puhekieli on ja mitkä säännöt tällä sivustolla ovat käytössä. Sitten mittaus: lukeeko kone oikeasti sen mitä sille annetaan, vai korjaako se puheen takaisin kirjakieleksi.
Suomi on kaksi kieltä
Kirjakieli on rakennettu 1800-luvulla eri murteista, ja se on se kieli jota laki, uutiset, oppikirjat ja viranomaiskirjeet käyttävät. Sitä ei puhu kukaan. Puhekieli on se, jolla ihmiset oikeasti puhuvat, ja ero ei ole korostuksessa vaan sanojen muodossa.
Tästä syystä suomea toisena kielenä opiskelevat kuvaavat saman kokemuksen uudestaan ja uudestaan: kurssilla kaikki menee hyvin, ja sitten kaupassa ei ymmärrä mitään. Sanat ovat eri sanoja.
Napsauta paria, niin lause hyppää lukijaan etusivulla
Mitä Meikä muuttaa
Muunnin tekee yleispuhekieltä – sitä mitä kuulee Helsingissä, televisiossa ja työpaikalla. Se ei tee savoa, stadin slangia eikä Turun murretta, eikä teeskentele tekevänsä. Syy on mitattu: Common Voicen suomenkielisessä aineistossa 84 prosentilla puhujista murrekenttä on tyhjä, joten murreakselia ei ole mistä rakentaa.
Persoonapronominit
- minämä
- sinäsä
- hänse
- hene
- minullemulle
- sinullasulla
- meidänmeiän
Demonstratiivit
- tämätää
- tämäntän
- tuotoi
- nämänää
Olla-verbi
- olenoon
- oletoot
- ovaton
- ei oleei oo
- ollutollu
Monikon 1. persoona → passiivi
- menemmemennään
- teemmetehdään
- tiedämmetiedetään
Monikon 3. persoona → yksikkö
- he tulevatne tulee
- he puhuvatne puhuu
- he olivatne oli
Loppuheitto ja lyhentymät
- punainenpunanen
- korkeakorkee
- kertonutkertonu
- esimerkiksiesimerkiks
- voisivois
- todellatosi
- sittensit
- paljonpaljo
Mitä se EI muuta, ja miksi
Nämä säännöt kirjoitettiin ja poistettiin. Jokainen niistä kaatui samaan asiaan: yksi pääte tarkoittaa suomessa kahta eri asiaa, eikä kone näe kumpaa. Ne on lueteltu tässä, jotta seuraava tekijä ei kirjoita niitä uudestaan.
| Sääntö | Esimerkki | Miksi se poistettiin |
|---|---|---|
| -kin → -ki | pankin johtaja | Tuhannet genetiivit päättyvät -kin: pankki → pankin, kokki → kokin, lakki → lakin. Sääntö muuttaisi «pankin johtajan» muotoon «pankki johtaja». |
| -mme → passiivi (sääntönä) | talomme on vanha | -mme on yhtä lailla omistusliite. «Talomme» ei ole verbi. Nyt käytössä on sanalista 24 yleisimmästä verbistä eikä sääntöä. |
| -vat/-vät → yksikkö (kaikkialla) | tulevat vuodet | -va/-vä-adjektiivin monikko näyttää samalta kuin verbin monikon 3. persoona. «Tulevat vuodet» on eri asia kuin «he tulevat». Nyt sääntö laukeaa vain kun edellinen sana on «ne» tai «he». |
| -ista/-istä → -ista | päähenkilöistä | Se on yhtä aikaa -inen-adjektiivin partitiivi («punaista») ja monikon elatiivi («kaloista»). Sääntö muutti monikon yksiköksi: «päähenkilöistä» → «päähenkilöstä». Tämä löytyi vain lukemalla tuloksia silmillä. |
| -aisi/-äisi → -ais | julkaisi kirjan | «julkaisi» on imperfekti, «haluaisi» on konditionaali. Samat neljä kirjainta. «Julkais» ei ole sana. Sääntö jätettiin pois, ja sen mukana menetettiin «haluaisi → haluais». |
Kuinka paljon se koskee
Mitattiin 250 satunnaisella virkkeellä suomenkielisestä Wikipediasta (2811 sanaa). Muunnin koskee 52.4 prosenttia virkkeistä ja 7.9 prosenttia sanoista. Tietosanakirjateksti on kirjakielisintä tekstiä mitä on olemassa, joten tavallisessa tekstissä osuus on suurempi.
- 52,4 %
- virkkeistä muuttuu
- 7,90 %
- sanoista muuttuu
Lukeeko kone oikeasti puhekieltä?
Tämä on sivuston tärkein kysymys, ja siihen ei voi vastata kuuntelukokeella. Syy on alempana. Vastaus haettiin mittaamalla äänen PITUUTTA.
Puhekielinen lause on lyhyempi: siinä on vähemmän tavuja. Jos kone lukee sen mitä sille annetaan, puhekielisen version pitää olla mitattavasti lyhyempi. Jos se «korjaa» tekstin kirjakieleksi, versiot ovat yhtä pitkiä.
| Mittari | Suhde P/K | Mistä luku tulee |
|---|---|---|
| Merkkimäärä lyhenee | 0,897 | merkkeinä laskettuna |
| espeak-ng, joka lukee kirjoitusasun | 0,945 | lukee kirjoitusasun, tunnettu koetapaus |
| Meikän äänet (mediaani) | 0,905 | 31 äänen mediaani |
| Nollajakauma: sama teksti luettuna kahdesti | 0,979 ± 0,046 | 16 ääntä · vaihteluväli 0,904–1,099 |
Ero on selvä. Nollajakauma – sama kirjakielinen lause luettuna kahdesti, 16 äänellä – asettuu arvoon 1,0 niin kuin pitääkin, ja oikeat arvot ovat sen ulkopuolella. Järjestyslukutesti antaa p = 3,3e-7. Kone lukee sen mitä sille annetaan.
Järjestyslukutestin U = 470 / 496. Puhekielinen ääni on 9,5 prosenttia lyhyempi, ja merkkimäärä lyhenee 10,3 prosenttia: luvut osuvat lähes päällekkäin.
Kuuntelukokeen ansa, ja miksi se kannattaa tietää
Tavallinen tapa tarkistaa puhesyntetisaattori on antaa sen tuotos puheentunnistimelle ja katsoa tuleeko sama teksti takaisin. Suomen puhekielellä se ei toimi, ja tämä on mitattu.
Whisper-puheentunnistin kirjoittaa puhekieltä takaisin kirjakielenä. Se ei ole vika vaan sen tehtävä: se on opetettu kirjoitetulla tekstillä, ja kirjoitettu suomi on kirjakieltä.
Sääntö, joka mittauksesta löytyi, on tarkka: tunnistin SÄILYTTÄÄ merkin, joka on eri sana, ja KIRJOITTAA UUSIKSI merkin, joka on sama sana lyhentyneenä.
Lähetettiin koneelle
Se antoi mulle tän kirjan ja lähti sit pois.
Tunnistin kirjoitti
Se antoi mulle tämän kirjan ja lähti sitten pois.
«se» ja «mulle» säilyivät. «tän» ja «sit» kirjoitettiin uusiksi.
Käytännön seuraus: jos tarkistat suomalaisen puhesyntetisaattorin puheentunnistimella, saat väärän vastauksen. Se näyttää siltä ettei kone osaa puhekieltä, vaikka se osaa. Siksi tämän sivuston päämittaus on äänen pituus eikä kuuntelu.
Merkkikohtaiset luvut
Kaksitoista merkkiparia, jotka valittiin ennen mittausta: nämä ovat ne, jotka tunnistin säilytti tunnetussa koetapauksessa. Mitä lyhyempi puhekielinen muoto on, sitä harvemmin se tulee takaisin.
| Kirjakieli | Puhekieli | Kirjakieli kuultuna | Puhekieli kuultuna |
|---|---|---|---|
| minä | mä | 99 % | 89 % |
| hän | se | 100 % | 97 % |
| tämä | tää | 95 % | 68 % |
| tuo | toi | 100 % | 89 % |
| minulle | mulle | 95 % | 89 % |
| sinulle | sulle | 99 % | 84 % |
| minun | mun | 100 % | 82 % |
| todella | tosi | 100 % | 98 % |
| sitten | sit | 100 % | 31 % |
| onko | onks | 100 % | 40 % |
| sinulla | sulla | 60 % | 97 % |
| menemme | mennään | 100 % | 100 % |
Äänikohtaiset luvut
Kaksi saraketta kahdesta eri mittarista. Pituussuhde on luotettava: se ei kulje puheentunnistimen läpi. Kuunteluosuudet ovat mukana siksi, että ne kertovat kuinka helposti lyhyet puhekieliset muodot katoavat – mutta niihin sisältyy edellä kuvattu ansa, eikä pientä lukua pidä lukea äänen virheeksi.
| Ääni | Korkeus | Pituus P/K | Kirjakieli kuultuna | Puhekieli kuultuna |
|---|---|---|---|---|
| Sanni | 240 Hz | 0,898 | 100 % | 62 % |
| Helmi | 202 Hz | 0,891 | 100 % | 69 % |
| Pirkko | 222 Hz | 0,870 | 96 % | 90 % |
| Terhi | 192 Hz | 0,915 | 100 % | 79 % |
| Eeva | 187 Hz | 0,899 | 100 % | 97 % |
| Liisa | 179 Hz | 0,881 | 89 % | 83 % |
| Marjatta | 200 Hz | 0,870 | 96 % | 93 % |
| Sirkka | 165 Hz | 0,845 | 96 % | 76 % |
| Tuuli | 180 Hz | 0,908 | 93 % | 59 % |
| Vuokko | 179 Hz | 0,876 | 100 % | 83 % |
| Riitta | 174 Hz | 0,907 | 96 % | 93 % |
| Väinö | 134 Hz | 0,925 | 96 % | 79 % |
| Tapio | 126 Hz | 0,907 | 93 % | 79 % |
| Ilmari | 129 Hz | 0,830 | 96 % | 90 % |
| Jorma | 137 Hz | 0,905 | 93 % | 66 % |
| Reijo | 131 Hz | 0,923 | 89 % | 97 % |
| Eino | 106 Hz | 0,912 | 96 % | 86 % |
| Urho | 90 Hz | 0,938 | 100 % | 100 % |
| Kalevi | 104 Hz | 0,872 | 96 % | 76 % |
| Veikko | 95 Hz | 0,921 | 100 % | 97 % |
| Toivo | 101 Hz | 0,876 | 96 % | 79 % |
| Olavi | 95 Hz | 0,843 | 96 % | 90 % |
| Pentti | 113 Hz | 0,900 | 93 % | 97 % |
| Arvo | 100 Hz | 0,909 | 93 % | 83 % |
| Sakari | 129 Hz | 0,920 | 100 % | 45 % |
| Untamo | 99 Hz | 0,910 | 96 % | 72 % |
| Lauri | 110 Hz | 0,905 | 100 % | 93 % |
| Mikko | 87 Hz | 0,945 | 93 % | 69 % |
| Teuvo | 91 Hz | 0,852 | 96 % | 90 % |
| Raimo | 100 Hz | 0,896 | 93 % | 100 % |
| Jukka | 79 Hz | 0,928 | 96 % | 69 % |
31 ääntä sivulla. Neljä ääntä karsittiin viimeisellä portilla: kolmella kloonatun äänen korkeus poikkesi alkuperäisestä yli 40 hertsiä, ja yksi naiseksi ilmoittautunut puhuja tuotti miesäänen. Puhekielen tulosta EI käytetä karsintaan: se mittaa konetta, ei ihmistä.
Menetelmä ja aineistot
- Äänet: 31 suomenkielistä ääntä Mozilla Common Voice 22.0 -aineistosta (CC0 1.0), joukot validated ja other.
- Koelauseet: 9 paria. Puhekielinen versio on saman funktion tuloste, joka pyörii sivustolla – sitä ei ole kirjoitettu käsin.
- Puheentunnistus: whisper-large-v3-turbo, kieli fi.
- Tunnettu koetapaus merkkien valintaan: espeak-ng fi kolmella nopeudella, 28 paria. Siitä jäi 12 käyttökelpoista merkkiä.
- Nollajakauma: sama kirjakielinen lause luettuna kahdesti, 16 äänellä. Vertailu on Mann–Whitneyn järjestyslukutesti, yksisuuntainen.
- Kattavuus: satunnaisia virkkeitä suomenkielisestä Wikipediasta API:n kautta.
- Sääntöjen testipenkki: 97 tapausta, joissa vastaus tiedetään ennalta. Niistä 26 on kielteisiä: tekstiä joka EI saa muuttua.
Päivitetty 2026-09-12