কিভাবে HolosAccent আপনার কণ্ঠকে উচ্চারণ স্কোরে রূপান্তর করে

রেকর্ডিং প্রস্তুত করা

প্রথমে, অডিওকে একটি স্ট্যান্ডার্ড ফরম্যাটে ডিকোড করা হয়: মোনো সাউন্ড 16 kHz-এ স্যাম্পল করা.

সিস্টেম রেকর্ডিংয়ের সিগন্যাল-টু-নয়েজ রেশিও অনুমান করে। যদি সেই অনুমান 25 dB‑এর নিচে নেমে যায় এবং নয়েজ ফিল্টারিং উপলব্ধ থাকে, তবে বিশ্লেষণের আগে একটি নয়েজ-রিডাকশন ফিল্টার প্রয়োগ করে। যদি ফিল্টারিং ব্যর্থ হয়, তবে মূল রেকর্ডিং দিয়ে চালিয়ে যায়।

এরপর ওয়েভফর্মকে স্পিচ অ্যানালাইসিস মডেলের ইনপুট প্রয়োজনীয়তার সাথে মেলাতে নরমালাইজ করা হয়। অর্ধ সেকেন্ডের চেয়ে ছোট সাইলেন্স এবং রেকর্ডিংগুলো শূন্য স্কোর পায়।

বিভিন্ন উচ্চারণের অনুমতি দেওয়া

পরবর্তী, রেফারেন্স টেক্সটকে একটি প্রোনান্সিয়েশন ইঞ্জিন ব্যবহার করে ধ্বনিগত উচ্চারণে রূপান্তর করা হয়। একটি শব্দের একাধিক গ্রহণযোগ্য রূপ থাকতে পারে।

প্রোনান্সিয়েশন সেটে অন্তর্ভুক্ত:

• ব্রিটিশ এবং আমেরিকান ভ্যারিয়েন্ট।
• সাধারণ হ্রাসকৃত রূপ, যেমন to‑এর অপ্রধান স্বর।
• নির্বাচিত প্রাসঙ্গিক বিকল্প।

উদাহরণস্বরূপ, close the door‑এর শেষের ব্যঞ্জনধ্বনি a close friend‑এর শেষের ব্যঞ্জনধ্বনির থেকে ভিন্ন। সিস্টেম বাক্যটি প্রক্রিয়াকরণ করার সময় সমর্থিত বিকল্পগুলোর মধ্যে থেকে বেছে নিতে পারে।

শব্দ শোনা, শব্দগুলো পুনর্গঠন না করা

রেকর্ডিংটি একটি অ্যাকোস্টিক মডেল দিয়ে যায়। এটি সময়ের সঙ্গে সঙ্গে বিভিন্ন স্পিচ সাউন্ডের জন্য প্রমাণ তৈরি করে, প্রায় ২০-মিলিসেকেন্ডের ইন্টারভ্যাল-এ।

এটি রেকর্ডিংয়ের একটি ফনেটিক উপস্থাপনা। স্কোরার শব্দ-স্তরের ল্যাঙ্গুয়েজ মডেল ব্যবহার করে বাক্যটি পুনর্গঠন করে না।

সিস্টেম তারপর এই অ্যাকোস্টিক আউটপুটগুলোকে দুইভাবে পরীক্ষা করে:

পদ্ধতি	এটি কী করে
প্রত্যাশিত-শব্দ সামঞ্জস্য	প্রত্যাশিত শব্দগুলোর জন্য সর্বোত্তম সময় নির্ধারণ করে, প্রতিটি শব্দের জন্য সম্পূর্ণ উচ্চারণের ভ্যারিয়েন্ট বেছে নেয়।
স্বতন্ত্র শব্দ স্বীকৃতি	রেফারেন্স বাক্য প্রয়োজন না করে মডেল যে শব্দগুলোকে পছন্দ করে সেগুলো অনুসরণ করে।

উভয় দৃষ্টিভঙ্গি প্রয়োজনীয়, কারণ সামঞ্জস্য একটি প্রত্যাশিত শব্দকে রেকর্ডিংয়ের কোথাও রাখতে পারে যদিও বক্তা তা বাদ দিয়েছেন। স্বতন্ত্র শব্দ স্বীকৃতি বাস্তবে বলা হয়েছে এমন শব্দের অতিরিক্ত প্রমাণ সরবরাহ করে।

ম্যাচিং সময়কেও বিবেচনা করে, ফলে একটি শব্দের মধ্যে থাকা শব্দকে দূরের শব্দের প্রমাণ হিসেবে গণ্য করা কঠিন হয়।

প্রতিটি শব্দের স্কোরিং

প্রতিটি সামঞ্জস্য করা শব্দের জন্য, স্কোরার একটি প্রোনান্সিয়েশন একুরেসি মেজার গণনা করে: নির্দিষ্ট সময়ে মডেল কতটা শক্তভাবে প্রত্যাশিত শব্দকে সমর্থন করে তুলনায় প্রতিযোগী শব্দগুলোর সাথে।

এটি এছাড়াও বিবেচনা করে:

• প্রত্যাশিত শব্দের শীর্ষ সম্ভাবনা।
• স্বতন্ত্র শব্দ স্বীকৃতি কাছাকাছি কোনো মেলানো শব্দ পেয়েছে কিনা।

একটি ফিটেড গাণিতিক ম্যাপিং এই প্রমাণকে ০ থেকে ১০০ পর্যন্ত শব্দ নির্ভুলতা মান-এ রূপান্তর করে।

একটি স্বতন্ত্র স্বীকৃতি ফলাফল থেকে বাদ পড়া শব্দ স্বয়ংক্রিয়ভাবে শূন্য পায় না। শাব্দিক প্রমাণ এখনও গুরুত্বপূর্ণ।

কোন শব্দগুলোতে মনোযোগ দিতে হবে তা নির্ধারণ

শব্দ ফিডব্যাক এই শব্দ মানগুলোকে স্পষ্ট ত্রুটি চেকের সঙ্গে যুক্ত করে। একটি শব্দকে অবশ্যই:

• যথেষ্ট প্রমাণ থাকে যে এটি বলা হয়েছে।
• কনফিগার করা গড় নির্ভুলতা থ্রেশহোল্ড পূরণ করে।
• সনাক্তকৃত প্রতিস্থাপন, সংযোজন, অথবা গুরুতর বাদ পড়া শব্দের ত্রুটি এড়িয়ে যায়।

স্পষ্ট প্রতিস্থাপনগুলোর জন্য প্রত্যাশিত শব্দের দুর্বল সমর্থন এবং প্রতিযোগী শব্দের শক্তিশালী সমর্থন প্রয়োজন।

প্রমাণ	বর্তমান থ্রেশহোল্ড
প্রত্যাশিত শব্দের সমর্থন	Below 0.05
এর প্রতিস্থাপনের সমর্থন	At least 0.5

এগুলো মডেল প্রমাণ থ্রেশহোল্ড, মানব শ্রোতা যে শব্দটি ভুল বলে তা নয়।

চিহ্নিত শব্দগুলোর জন্য, সিস্টেম প্রত্যাশিত উচ্চারণ এবং শোনা শব্দের অনুমান ইন্টারন্যাশনাল ফনেটিক আলফাবেট (IPA)-এ লিখে দেয়। এই অনুমান শব্দের সীমানার আশেপাশে অসম্পূর্ণ হতে পারে।

বাক্য স্কোর গঠন

বাক্য স্কোর একটি ফিটেড কম্বিনেশন দিয়ে শুরু হয়:

• গড় শব্দ নির্ভুলতা।
• স্বতন্ত্র শব্দ স্বীকৃতি দ্বারা মেলানো প্রত্যাশিত শব্দের অংশ।
• প্রতি সেকেন্ডে উচ্চারিত শব্দের সংখ্যা।
• শব্দগুলোর মধ্যে দীর্ঘ বিরতি।

টাইমিং গণনা প্রথম সামঞ্জস্য করা শব্দের আগে এবং শেষের পরে থাকা সাইলেন্স বাদ দেয়।

এই বৈশিষ্ট্যগুলো একটি সামগ্রিক স্কোর-এ অবদান রাখে। বর্তমান ইমপ্লিমেন্টেশন আলাদা ইউজার-ফেসিং ফ্লুয়েন্সি, কমপ্লিটনেস, বা ইন্টোনেশন স্কোর প্রদান করে না।

কীভাবে শব্দ ক্রেডিট ফলাফলে প্রভাব ফেলে

স্কোরার তারপর একটি স্পষ্ট শব্দ-ক্রেডিট মাল্টিপ্লায়ার প্রয়োগ করে। প্রতিটি শব্দ তার নির্বাচিত উচ্চারণের শব্দের সংখ্যার ভিত্তিতে ওজন পায়।

শব্দের ফলাফল	প্রাপ্ত ক্রেডিট
সঠিক	পূর্ণ ওজন
বলা হয়েছে কিন্তু চিহ্নিত	এর ওজনের এক চতুর্থাংশ
বাতিল	কোনো ক্রেডিট নয়

গণনা হল:

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

ফলস্বরূপ, একটি দীর্ঘ ভুল শব্দ সাধারণত একটি ছোট শব্দের চেয়ে বেশি খরচ করে। বাক্যের শুধুমাত্র একটি ছোট অংশ পড়লেও স্কোর সীমিত হয়, যদিও সেই অংশ পরিষ্কার শোনায়।

আপনার স্কোরকে রেফারেন্সের সঙ্গে তুলনা

অবশেষে, সিস্টেম একই বাক্যের রেফারেন্স রেকর্ডিং ব্যবহার করে কাঁচা স্কোরকে স্বাভাবিক করতে পারে।

এটি একই স্কোরার সংস্করণ দিয়ে সিন্থেসাইজড রেফারেন্সকে স্কোর করে এবং যখন একটি ব্যবহারযোগ্য মেলানো বেসলাইন ইতিমধ্যে উপলব্ধ থাকে, তখন প্রয়োগ করে:

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

উদাহরণস্বরূপ, 80 কাঁচা স্কোরকে 88 রেফারেন্স স্কোরের সঙ্গে তুলনা করলে প্রায় 90.9 হয়।

এই সমন্বয়টি বিবেচনা করে যে মডেল রেফারেন্স রেকর্ডিংকেও ১০০‑এর নিচে স্কোর দিতে পারে।

বেসলাইনগুলো যুক্ত থাকে:

• রেফারেন্স কণ্ঠ এবং স্পিচ-জেনারেশন মডেল।
• স্কোরিং মডেল।
• শব্দভাণ্ডার।
• ক্যালিব্রেশন এবং রুল সংস্করণ।

যদি একটি মেলানো বেসলাইন অনুপলব্ধ বা অপ্রযোজ্য হয়, তবে ফলাফল তার কাঁচা স্কোরই রাখে। প্রথম প্রচেষ্টা তাই সমন্বয়হীন থাকতে পারে, যখন পরবর্তী প্রচেষ্টার জন্য একটি বেসলাইন প্রস্তুত করা হয়।

আপনার স্কোরের মানে কী

ফলস্বরূপ সংখ্যা হল HolosAccent-এর স্কেলে একটি প্র্যাকটিস স্কোর।

৯০ স্কোর মানে এই নয় যে আপনার শব্দগুলোর ৯০ শতাংশ সঠিক, এবং এটি কোনো CEFR স্তর বা নেটিভ-স্পিকার সমতুল্যতা প্রতিষ্ঠা করে না।

ম্যাপিংটি বিশেষজ্ঞ‑রেটেড রেকর্ডিং ব্যবহার করে ফিট করা হয়েছে, তবে নতুন স্কোরিং সিস্টেম এখনও পরীক্ষামূলক এবং এর পূর্ণ গ্রহণযোগ্যতার মানদণ্ড এখনো যাচাই করা হয়নি। এটি ত্রুটি মিস করতে পারে অথবা গ্রহণযোগ্য স্পিচকে চিহ্নিত করতে পারে।

ব্যক্তিগত শব্দ ফিডব্যাক এবং পুনরাবৃত্ত প্রচেষ্টার প্যাটার্নগুলো সংখ্যাটি ব্যাখ্যা করার জন্য প্রেক্ষাপট প্রদান করে।