Information theoretical approaches to language state that the most efficient communication oc­curs when the amount of information transmitted is distributed as uniformly as possible over time. Previous research has shown that speakers tend to adhere to strategies for distributing information efficiently, using mechanisms at multiple linguistic levels. This study aims to in­vestigate whether articulation rate (AR) is used in continuous speech to achieve a more uniform distribution of information within sentences, quantified as surprisal estimated by the state­-of-­the-­art language model GPT-­2, and if this has an effect on the amplitude of the N400 brain response in listeners. In neurolinguistics, surprisal has been observed to be a good predictor of the N400, which is related to processing of semantics and meaning in general. The results showed a significant, though small, effect of surprisal on AR, indicating that AR may have some role in achieving more uniform distribution of information on the word level. In line with previous research, surprisal showed an effect on the N400 where higher surprisal led to larger amplitudes. Results regarding AR and distributional effects on the N400 were inconclusive, although some independent effects of AR were found that could be further explored in more controlled experimental settings. / Informationsteoretiska perspektiv på språk säger att den mest effektiva kommunikationen sker när information sänds ut så jämnt fördelat som möjligt över tid. Tidigare studier har visat att talare tenderar att följa vissa strategier för att distribuera information jämnt, vilket de gör på flera språkliga nivåer. Denna studie ämnar att undersöka om artikulationshastighet (eng. articulation rate (AR)) används i kontinuerligt tal för att uppnå en mer jämn distribution av information inom meningar, kvantifierat som informationsteoretisk surprisal med hjälp av språkmodellen GPT-­2, samt om detta ger effekt på hjärnresponsen N400:s amplitud hos lyssnare. Inom neurolingvistik har surprisal visats kunna predicera N400, som är kopplad till bearbetning av semantik och meningsfullhet generellt. Resultaten visade en signifikant, om än liten, effekt av surprisal på AR, en indikator på att AR kan ha en roll i att uppnå mer jämn distribution av information på ordnivå. I linje med tidigare forskning så hade surprisal en inverkan på N400, där högre surprisal gav större amplituder. Resultaten utifrån AR och distribution av information var inte entydiga, däremot observerades vissa självständiga effekter av AR på amplituden av N400 och dessa skulle kunna vidare undersökas i mer kontrollerade experiment.

Den senaste tidens utveckling inom automatisk taligenkänning har lett till mindre resurskrävan-de och mer effektiva modeller. Detta innebär nya möjligheter för forskning kring spontant tal.I den här studien används Kungliga Bibliotekets svenska version av Wav2Vec 2.0 och en tal-korpus skapas utifrån ljudklipp från Sveriges Radio för att undersöka artikulationshastighet ispontant tal. Artikulationshastighet har setts ha en negativ korrelation till informationsdensiteti tidigare studier. Utifrån Uniform Information Density-hypotesens antagande; att talare strävarefter att jämna ut distributionen av information i ett yttrande, undersöks om de sammanlagdadependenslängderna mellan alla huvud och dependenter i meningar är korrelerat med artiku-lationshastigheten. Studien visar att metoden där artikulationshastighet beräknas med hjälp avKB:s Wav2Vec 2.0 leder till systematiskt högre artikulationshastighet än vid en manuell beräk-ning. Samt att korrelationen mellan antal stavelser i ett ord och artikulationshastighet blir denomvända mot vad tidigare studier med manuella metoder visat. Hypotesen att längre depen-denslängd skulle vara relaterat till högre artikulationshastighet får inget stöd i studien. Iställetses en motsatt effekt av minskande artikulationshastighet i relation till ökande dependenslängd.Studien belyser behovet av en modell specialiserad för beräkning av duration för att vidare ut-forska artikulationshastighet genom automatisk taligenkänning. / The last few years progress within automatic speech recognition has led to models that are lessresource demanding and more effective. This means new possibilities in the research regardingspontaneous speech. In this study, KB:s Swedish version of Wav2Vec 2.0 is used to create aspeech corpus and investigate articulation rate in spontaneous speech, with data from SverigesRadio. This study aims to investigate if this is a good method. It has been observed in previousstudies that articulation rate is negatively correlated to information density. With the uniforminformation density hypothesis; that speakers aim to distribute information evenly in an utteran-ce, as a base - this study aims to investigate whether the sum of the word dependency lengths insentences is correlated to articulation rate. The result shows that the method of calculating ar-ticulation rate with KB:s Wav2Vec 2.0 leads to systematically higher articulation rates comparedto results of a manual method. The hypothesis that longer dependency lengths would correlatewith higher articulation rates is not supported in the results. Instead the opposite effect can be  observed. The study shows the need for a model specialized in calculating duration for futureresearch regarding articulation rate with automatic speech recognition.KeywordsASR, automatic speech recognition, UID, articulation rate, dependency length, dependecy mi-nimization, corpus studies, information density