Kuidas HolosAccent muudab sinu hääle häälduspunktiks

Salvestuse ettevalmistamine

Esiteks dekodeeritakse heli standardvormingusse: monoheli, 16 kHz diskreetimissagedusega.

Süsteem hindab salvestise signaali‑müra suhet. Kui see hindamine langeb alla 25 dB ja mürasuutlus on saadaval, rakendatakse müra vähendamise filter enne analüüsi. Kui filtreerimine ebaõnnestub, jätkatakse algse salvestisega.

Seejärel normaliseeritakse lainekuju, et vastata kõnetuvastusmudeli sisendnõuetele. Vaikus ja vähem kui poole sekundi pikkused salvestised saavad nullskoori.

Erinevate häälduste lubamine

Seejärel teisendatakse viite tekst fonetilisteks hääldusteks, kasutades hääldusmootorit. Sõnal võib olla mitu aktsepteeritud vormi.

Häälduskomplekt sisaldab:

• Briti- ja Ameerikavariandid.
• Levinud vähendatud vormid, näiteks rõhumatu täishäälik sõnas to.
• Valitud kontekstuaalsed alternatiivid.

Näiteks lõppkonsonant fraasis close the door erineb sellest fraasis a close friend. Süsteem saab lause töötlemisel valida toetatud alternatiivide vahel.

Helide kuulamine, mitte sõnade rekonstrueerimine

Salvestus läbib akustilise mudeli. See toodab tõendeid erinevate kõnehäälte kohta aja jooksul, ligikaudu 20-millisekundilise intervalliga.

See on salvestuse fonetiline esitus. Hindaja ei kasuta sõna‑taseme keelemudelit lause rekonstrueerimiseks.

Süsteem analüüsib neid akustilisi väljundeid seejärel kahes vormis:

Meetod	Mida see teeb
Expected-sound alignment	Leiab oodatud helide parima ajastuse, valides iga sõna jaoks täieliku hääldusvariandi
Independent sound recognition	Jälgib mudeli poolt eelistatud helisid, ilma et viitesõna oleks vajalik

Mõlemad vaated on vajalikud, sest joondus võib oodatud heli salvestisesse paigutada, isegi kui kõneleja jätsid selle vahele. Iseseisev helituvastus pakub lisatõendeid selle kohta, mis tegelikult öeldi.

Sobitamine võtab arvesse ka ajastust, muutes keerulisemaks, kui ühe sõna heli loetakse tõendiks kaugel asuva sõna jaoks.

Iga heli hindamine

Iga joondatud heli puhul arvutab hindaja häälduse täpsuse mõõdiku: kui tugevasti mudel toetab oodatud heli võrreldes konkurentsheliitega antud intervallis.

Samuti võetakse arvesse:

• Oodatud heli tipp‑tõenäosus.
• Kas iseseisev helituvastus leidis lähedal sobiva heli.

Sobitatud matemaatiline kaardistus muudab selle tõendi heli täpsuse väärtuseks vahemikus 0–100.

Helide puudumine iseseisvas tuvastustulemuses ei tähenda automaatselt nulli. Akustiline tõendusmaterjal on siiski oluline.

Otsustamine, millised sõnad vajavad tähelepanu

Sõna tagasiside ühendab need heliväärtused selgete veakontrollidega. Sõna peab:

• Omama piisavalt tõendeid, et see on räägitud.
• Täitma seadistatud keskmise täpsuse läve.
• Vältima tuvastatud asendusi, sisestusi või tõsiseid helipuuduse vigu.

Selged asendused nõuavad nõrka toetust oodatud helile ja tugevat toetust konkurentshelile.

Tõendus	Praegune lävi
Oodatud heli toetamine	Alla 0.05
Asenduse toetamine	Vähemalt 0.5

Need on mudeli tõendite läved, mitte tõenäosused, millega inimene hindaks sõna valeks.

Märgistatud sõnade puhul tagastab süsteem oodatud häälduse ja hinnangu kuuldud helide kohta, kirjutatuna rahvusvahelises foneetilises tähestikus (IPA). See hinnang võib olla ebatäiuslik, eriti sõna piiril.

Lause skoori koostamine

Lause skoor algab sobitatud kombinatsiooniga:

• Keskmine helide täpsus.
• Oodatud helide osa, mida iseseisev helituvastus tabas.
• Sekundis hääldatud kõnehäälte arv.
• Pikkade pauside olemasolu sõnade vahel.

Ajastuse arvutamine jätab välja vaikus enne esimest joondatud heli ja pärast viimast.

Need omadused annavad panuse ühele üldiskoorile. Praegune teostus ei paku eraldi kasutajale suunatud sujuvuse, täielikkuse või intonatsiooni skoori.

Kuidas sõna‑krediit tulemust mõjutab

Hindaja rakendab seejärel selget sõna‑krediidi kordajat. Iga sõna kaalutakse selle valitud häälduse helide arvu järgi.

Sõna tulemus	Teenitud krediit
Õige	Täielik kaal
Räägitud, kuid märgitud	Neljandik kaalust
Välistatud	Krediiti pole

Arvutus on:

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

Seetõttu pikk vale sõna maksab tavaliselt rohkem kui lühike. Kui loed ainult lause väikest osa, piirab see samuti skoori, isegi kui see fragment kõlab selgelt.

Skoori võrdlemine viitega

Lõpuks saab süsteem normaliseerida toorskoori, kasutades sama fraasi viite salvestist.

See hindab sünteesitud viidet sama hindaja versiooniga ja, kui kasutatav sobiv baas on juba olemas, rakendab:

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

Näiteks toorskoor 80 viite skoori 88 suhtes muutub ligikaudu 90,9.

See kohandamine arvestab sellega, et mudel võib anda isegi viite salvestisele vähem kui 100.

Baasid on seotud:

• Viitehääl ja kõnetootmise mudel.
• Hindamismudel.
• Sõnavara.
• Kalibreerimis- ja reegliversiooniga.

Kui sobiv baas ei ole saadaval või kasutatav, säilib tulemuse toorskoor. Esimene katse võib seega jääda kohandamata, kuni baas on hilisemate katsete jaoks valmis.

Mida su skoor tähendab

Saadud number on praktikaskoor HolosAccent’i skaalal.

90‑skoor ei tähenda, et 90 protsenti sinu sõnadest oleksid õiged, ega määra CEFR taset ega emakeelsete taset.

Kaardistust on kohandatud ekspertide hinnatud salvestiste põhjal, kuid uus hindamissüsteem on endiselt eksperimentaalne ning selle täielikud aktsepteerimiskriteeriumid pole veel kinnitatud. See võib mõningaid vigu märkamata jätta või märkida vastuvõetavat kõnet.

Üksikute sõnade tagasiside ja korduvate katsete mustrid annavad konteksti numbri tõlgendamiseks.