Cómo HolosAccent convierte tu voz en una puntuación de pronunciación

Preparando tu grabación

Primero, el audio se decodifica a un formato estándar: sonido mono muestreado a 16 kHz.

El sistema estima la relación señal‑ruido de la grabación. Si esa estimación cae por debajo de 25 dB y hay disponible un filtro de reducción de ruido, se aplica un filtro de reducción de ruido antes del análisis. Si el filtrado falla, se continúa con la grabación original.

Luego la forma de onda se normaliza para cumplir con los requisitos de entrada del modelo de análisis de habla. Los silencios y grabaciones más cortas de medio segundo reciben una puntuación de cero.

Permitiendo diferentes pronunciaciones

A continuación, el texto de referencia se convierte en pronunciaciones fonéticas usando un motor de pronunciación. Una palabra puede tener múltiples formas aceptadas.

El conjunto de pronunciaciones incluye:

• Variantes británicas y americanas.
• Formas reducidas comunes, como la vocal átona en to.
• Alternativas contextuales seleccionadas.

Por ejemplo, la consonante final en close the door difiere de la de a close friend. El sistema puede elegir entre las alternativas soportadas mientras procesa la oración.

Escuchando sonidos, no reconstruyendo palabras

La grabación pasa por un modelo acústico. Produce evidencia de diferentes sonidos del habla a lo largo del tiempo, en intervalos de aproximadamente 20 milisegundos.

Esto es una representación fonética de la grabación. El evaluador no usa un modelo de lenguaje a nivel de palabra para reconstruir la oración.

El sistema examina esas salidas acústicas de dos maneras:

Método	Qué hace
Alineación de sonido esperado	Busca el mejor momento para los sonidos esperados, eligiendo una variante de pronunciación completa para cada palabra.
Reconocimiento de sonido independiente	Sigue los sonidos favorecidos por el modelo sin requerir la oración de referencia.

Ambas vistas son necesarias porque la alineación puede colocar un sonido esperado en alguna parte de la grabación aun cuando el hablante lo omitió. El reconocimiento de sonido independiente aporta evidencia adicional sobre lo que realmente se habló.

La coincidencia también considera el tiempo, dificultando que un sonido de una palabra cuente como evidencia para una palabra distante.

Puntuando cada sonido

Para cada sonido alineado, el evaluador calcula una medida de precisión de pronunciación: cuán fuertemente el modelo respalda el sonido esperado en relación con los sonidos competidores durante ese intervalo.

También considera:

• La probabilidad pico del sonido esperado.
• Si el reconocimiento de sonido independiente encontró un sonido coincidente cercano.

Un mapeo matemático ajustado convierte esta evidencia en un valor de precisión de sonido entre 0 y 100.

Un sonido que falta en el resultado del reconocimiento independiente no recibe automáticamente cero. La evidencia acústica sigue siendo importante.

Decidiendo qué palabras necesitan atención

La retroalimentación de palabras combina estos valores de sonido con verificaciones explícitas de errores. Una palabra debe:

• Tener suficiente evidencia de que fue hablada.
• Cumplir con el umbral promedio de precisión configurado.
• No presentar sustituciones, inserciones o errores graves de sonido faltante detectados.

Las sustituciones claras requieren poco apoyo para el sonido esperado y fuerte apoyo para un sonido competidor.

Evidencia	Umbral actual
Apoyo al sonido esperado	Por debajo de 0.05
Apoyo a su reemplazo	Al menos 0.5

Estos son umbrales de evidencia del modelo, no probabilidades de que un oyente humano juzgue la palabra como incorrecta.

Para las palabras marcadas, el sistema devuelve la pronunciación esperada y su estimación de los sonidos escuchados, escrita en el Alfabeto Fonético Internacional (IPA). Esa estimación puede ser imperfecta, sobre todo en los límites de palabras.

Construyendo la puntuación de la oración

La puntuación de la oración comienza con una combinación ajustada de:

• Precisión promedio de los sonidos.
• La proporción de sonidos esperados coincidentes según el reconocimiento de sonido independiente.
• La cantidad de sonidos del habla pronunciados por segundo.
• Pausas largas entre palabras.

El cálculo del tiempo excluye el silencio antes del primer sonido alineado y después del último.

Estas características contribuyen a una única puntuación global. La implementación actual no ofrece puntuaciones separadas de fluidez, completitud o entonación para el usuario.

Cómo afecta el crédito de palabra al resultado

Luego el evaluador aplica un multiplicador de crédito de palabra explícito. Cada palabra se pondera según la cantidad de sonidos en su pronunciación seleccionada.

Resultado de la palabra	Crédito obtenido
Correcta	Peso completo
Hablada pero marcada	Un cuarto de su peso
Omitida	Sin crédito

El cálculo es:

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

Consecuentemente, una palabra larga e incorrecta suele costar más que una corta. Leer solo una pequeña parte de la oración también limita la puntuación, aun si ese fragmento suena claro.

Comparando tu puntuación con la de referencia

Finalmente, el sistema puede normalizar la puntuación bruta usando una grabación de referencia de la misma frase.

Puntúa la referencia sintetizada con la misma versión del evaluador y, cuando ya existe una línea base coincidente utilizable, aplica:

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

Por ejemplo, una puntuación bruta de 80 frente a una puntuación de referencia de 88 se convierte aproximadamente en 90.9.

Este ajuste tiene en cuenta que el modelo puede dar incluso a la grabación de referencia menos de 100.

Las líneas base están vinculadas a:

• La voz de referencia y el modelo de generación de habla.
• El modelo de puntuación.
• El vocabulario.
• La versión de calibración y reglas.

Si no hay una línea base coincidente disponible o utilizable, el resultado mantiene su puntuación bruta. Un primer intento puede quedar sin ajustar mientras se prepara una línea base para intentos posteriores.

Qué significa tu puntuación

El número resultante es una puntuación de práctica en la escala de HolosAccent.

Una puntuación de 90 no significa que el 90 % de tus palabras fueron correctas, y no establece un nivel CEFR ni equivalencia con un hablante nativo.

El mapeo se ajustó usando grabaciones calificadas por expertos, pero el nuevo sistema de puntuación sigue siendo experimental y sus criterios de aceptación completos aún no se han verificado. Puede pasar por alto errores o marcar como problemático un habla aceptable.

La retroalimentación de palabras individuales y los patrones a lo largo de intentos repetidos brindan contexto para interpretar el número.