Cognate Identification in Spoken Language Data

Abstract

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.