Hoe HolosAccent Jou Stem in 'n Uitspraakpunt Verander

Voorbereiding van jou opname

Eerstens word die klank ontkodeer na ’n standaardformaat: mono-klank met ’n monsterfrekwensie van 16 kHz.

Die stelsel skat die opname se sein-tot-ruis-verhouding. As daardie skatting onder 25 dB val en geraasfiltrering beskikbaar is, pas dit ’n geraasverminderingsfilter toe voor die ontleding. As filtrering misluk, gaan dit voort met die oorspronklike opname.

Die golfvorm word dan genormaliseer om te pas by die insetvereistes van die spraakontledingsmodel. Stilte en opnames korter as ’n halve sekonde kry ’n nulpunt.

Toelaat van verskillende uitspraakvorme

Vervolgens word die verwysingsteks omskakel na fonetiese uitspraak met behulp van ’n uitspraak-enjin. ’n Woord kan verskeie aanvaarde vorme hê.

Die uitspraakstel sluit in:

• Britse en Amerikaanse variante.
• Gereelde verkorte vorme, soos die ongeaccentueerde klinker in to (na).
• Geselekteerde kontekstuele alternatiewe.

Byvoorbeeld, die finale konsonant in close the door verskil van dié in a close friend. Die stelsel kan tussen die ondersteunde alternatiewe kies terwyl dit die sin verwerk.

Luister na klanke, nie woorde herbou nie

Die opname gaan deur ’n akoestiese model. Dit lewer bewys vir verskeie spraakklanke oor tyd, ongeveer 20-millisekonde-intervalle.

Dit is ’n fonetiese voorstelling van die opname. Die puntgewer gebruik nie ’n woordvlak-taalmodel om die sin te herbou nie.

Die stelsel ondersoek dan daardie akoestiese uitsette op twee maniere:

Metode	Wat dit doen
Expected-sound alignment	Vind die beste tydsberekening vir die verwagte klanke, en kies ’n volledige uitspraakvariant vir elke woord.
Independent sound recognition	Volg die klanke wat deur die model verkies word sonder om die verwysingssin te benodig.

Albei perspektiewe is nodig omdat belyning ’n verwagte klank kan plaas in die opname selfs al het die spreker dit weggelaat. Onafhanklike klankherkenning verskaf ekstra bewys oor wat werklik gesê is.

Belyning hou ook tydsberekening in ag, wat dit moeiliker maak dat ’n klank in een woord as bewys vir ’n verre woord tel.

Punte vir elke klank

Vir elke belynnde klank bereken die puntgewer ’n uitspraakakkuraatheidsmaat: hoe sterk die model die verwagte klank ondersteun ten opzichte van mededingende klanke gedurende daardie interval.

Dit oorweeg ook:

• Die piekwaarskynlikheid van die verwagte klank.
• Of onafhanklike klankherkenning ’n ooreenstemmende klank naby gevind het.

’n Aangepaste wiskundige omskakeling verander hierdie bewys in ’n klankakkuraatheidswaarde tussen 0 en 100.

’n Klank wat ontbreek in die onafhanklike herkenningsresultaat kry nie outomaties nul nie. Die akoestiese bewys is steeds van belang.

Besluit watter woorde aandag benodig

Woordterugvoer kombineer hierdie klankwaardes met eksplisiete foutkontroles. ’n Woord moet:

• Het genoeg bewys dat dit uitgespreek is.
• Vold die ingestelde gemiddelde akkuraatheidsdrempel.
• Vermy opgespoorde vervangings, invoegings, of ernstige ontbrekende-klank-foute.

Duidelike vervangings vereis swakke ondersteuning vir die verwagte klank en sterk ondersteuning vir ’n mededingende klank.

Bewys	Huidige drempel
Ondersteuning vir die verwagte klank	Below 0.05
Ondersteuning vir die vervanging	At least 0.5

Dit is modelbewys-drempels, nie waarskynlikhede wat ’n menslike luisteraar sou gebruik om die woord onkorrek te beoordeel nie.

Vir gemerkte woorde lewer die stelsel die verwagte uitspraak en sy skatting van die gehoorde klanke, geskryf in die Internasionale Fonetiese Alfabet (IPA). Daardie skatting kan onvolmaak wees, veral rondom woordgrense.

Bou van die sinspunt

Die sinspunt begin met ’n aangepaste kombinasie van:

• Gemiddelde klankakkuraatheid.
• Die aandeel van verwagte klanke wat deur onafhanklike klankherkenning ooreenstem.
• Die aantal spraakklanke per sekonde uitgespreek.
• Lange stiltes tussen woorde.

Die tydsberekening sluit stilte voor die eerste belynnde klank en na die laaste uit.

Hierdie kenmerke dra by tot een algehele punt. Die huidige implementering bied nie afsonderlike gebruikersgerigte vlotheids-, volledigheids- of intonasiepunte nie.

Hoe woordkrediet die resultaat beïnvloed

Die puntgewer pas dan ’n eksplisiete woordkrediet-multiplier toe. Elke woord word gewig gegee volgens die aantal klanke in sy gekose uitspraak.

Woordresultaat	Krediet verkry
Korrekt	Volle gewig
Gespreek maar gemerk	Een kwart van sy gewig
Ongelê	Geen krediet nie

Die berekening is:

word credit =
    (correct sound weight + 0.25 × flagged spoken sound weight)
    / total expected sound weight

raw score =
    sentence estimate, clipped to 0–100, × word credit

Gevolglik, ’n lang foutiewe woord kos gewoonlik meer as ’n kort een. Om slegs ’n klein deel van die sin te lees, beperk ook die punt, selfs al klink daardie fragment duidelik.

Vergelyk jou punt met die verwysing

Uiteindelik kan die stelsel die rou punt normaliseer met behulp van ’n verwysingsopname van dieselfde frase.

Dit punt die gesintetiseerde verwysing met dieselfde puntgewer-weergawe en, wanneer ’n bruikbare ooreenstemmende basislyn reeds beskikbaar is, pas dit toe:

displayed score = min(100, raw score / reference score × 100)

Byvoorbeeld, ’n rou punt van 80 teen ’n verwysingspunt van 88 word ongeveer 90.9.

Hierdie aanpassing hou rekening met die feit dat die model selfs die verwysingsopname minder as 100 kan gee.

Basislyne is gekoppel aan:

• Die verwysingsstem en spraakgenereringsmodel.
• Die puntmodel.
• Die woordeskat.
• Die kalibrasie- en reëlweergawe.

As ’n ooreenstemmende basislyn nie beskikbaar of bruikbaar is nie, behou die resultaat sy rou punt. ’n Eerste poging kan dus onveranderlik bly terwyl ’n basislyn vir latere pogings voorberei word.

Wat jou punt beteken

Die resulterende getal is ’n oefenpunt op HolosAccent se skaal.

’n Punt van 90 beteken nie dat 90 persent van jou woorde korrek was nie, en dit stel nie ’n CEFR-vlak of moedertaalspreker-vergelyking vas nie.

Die koppelvlak is aangepas met behulp van deskundige-beoordeelde opnames, maar die nuwe puntestelsel bly eksperimentêr en die volledige aanvaardingkriteria is nog nie bevestig nie. Dit kan foute mis of aanvaarbare spraak merk.

Individuele woordterugvoer en patrone oor herhaalde pogings bied konteks om die getal te interpreteer.