Cómo HolosAccent convierte tu voz en una puntuación de pronunciación
Cuando lees una frase en voz alta, varias preguntas importan: **¿qué sonidos produjiste, qué palabras completaste y cómo fluyó la oración?** La nueva tubería de puntuación de HolosAccent combina evidencia de los tres para producir una puntuación.
HolosAccent·
·5 min de lectura
Traducido del English · Leer el original
Preparing your recording
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 queda por debajo de 25 dB y hay filtrado de ruido disponible, aplica un filtro de reducción de ruido antes del análisis. Si el filtrado falla, 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 de menos de medio segundo reciben una puntuación de cero.
Allowing different pronunciations
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 admitidas mientras procesa la oración.
Listening to sounds, not reconstructing words
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 luego examina esas salidas acústicas de dos maneras:
| Método | Qué hace |
|---|---|
| Expected-sound alignment | Busca el mejor momento para los sonidos esperados, eligiendo una variante de pronunciación completa para cada palabra. |
| Independent sound recognition | Sigue los sonidos favorecidos por el modelo sin requerir la oración de referencia. |
Ambas perspectivas son necesarias porque la alineación puede colocar un sonido esperado en alguna parte de la grabación aun cuando el hablante lo omitió. El reconocimiento independiente de sonido aporta evidencia adicional sobre lo que realmente se dijo.
La coincidencia también considera el tiempo, lo que dificulta que un sonido de una palabra cuente como evidencia para una palabra lejana.
Scoring each sound
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 independiente de sonido 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.
Deciding which words need attention
La retroalimentación de palabras combina estos valores de sonido con verificaciones explícitas de errores. Una palabra debe:
- Tener suficiente evidencia de que se pronunció.
- Cumplir con el umbral promedio de precisión configurado.
- Evitar sustituciones, inserciones o errores graves de sonidos faltantes 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 | Below 0.05 |
| Apoyo a su reemplazo | At least 0.5 |
Estos son umbrales de evidencia del modelo, no probabilidades de que un oyente humano juzgue la palabra como incorrecta.
Para las palabras señaladas, 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.
Building the sentence score
La puntuación de la oración comienza con una combinación ajustada de:
- Precisión promedio de los sonidos.
- La proporción de sonidos esperados coincidentes con el reconocimiento independiente de sonido.
- El número 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 puntuación global. La implementación actual no ofrece puntuaciones separadas de fluidez, completitud o entonación visibles para el usuario.
How word credit affects the result
El evaluador luego aplica un multiplicador de crédito por palabra. Cada palabra se pondera por la cantidad de sonidos en su pronunciación seleccionada.
| Resultado de la palabra | Crédito obtenido |
|---|---|
| Correct | Full weight |
| Spoken but flagged | One quarter of its weight |
| Omitted | No credit |
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
En consecuencia, 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.
Comparing your score with the reference
Finalmente, el sistema puede normalizar la puntuación cruda usando una grabación de referencia de la misma frase.
Puntúa la referencia sintetizada con la misma versión del evaluador y, cuando ya hay una línea base coincidente utilizable, aplica:
displayed score = min(100, raw score / reference score × 100)
Por ejemplo, una puntuación cruda de 80 frente a una puntuación de referencia de 88 se vuelve aproximadamente 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 cruda. Un primer intento puede quedar sin ajustar mientras se prepara una línea base para intentos posteriores.
What your score means
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 completos de aceptación aún no se han verificado. Puede pasar por alto errores o señalar un habla aceptable.
La retroalimentación de palabras individuales y los patrones a través de intentos repetidos brindan contexto para interpretar el número.
