Nola bihurtzen du HolosAccent zure ahotsa ahoskera puntu batean
Esaldi bat ozen irakurtzen duzunean, hainbat galdera garrantzitsuak dira: **zein soinu sortu dituzu, zein hitz osatu dituzu, eta nola joan da esaldia?** HolosAccent-en puntuazio-kanal berriak hiru hauekiko froga konbinatzen ditu puntuazio bat sortzeko
HolosAccent·
·5 min irakurrita
Itzulita Englishetik · Irakurri jatorrizkoa
Zure grabazioa prestatzen
Lehenik, audioa formatu estandar batera deskodetzen da: mono soinua 16 kHz-tan laginduta.
Sistemak grabazioaren seinale-zarata erlazioa estimatzen du. Estimazioa 25 dB baino txikiagoa denean eta zarata-iragazketa erabilgarri dagoenean, zarata-murrizketa iragazkia aplikatzen du azterketaren aurretik. Iragazketak huts egiten badu, jatorrizko grabazioarekin jarraitzen du.
Ondoren, uhin-forma normalizatzen da hizketa-analisi modelaren sarrera-eskakizunak betetzeko. Isiltasuna eta segundo erdia baino laburragoak diren grabazioek puntuazio zero jasotzen dute.
Ahoskera desberdinak onartzea
Hurrengo pausoa, erreferentzia-testua fonetika ahoskeraetan bihurtzen da ahoskera-motor bat erabiliz. Hitz batek onartutako forma anitz izan ditzake.
Ahoskera multzoak honakoak ditu:
- Britainiako eta Ameriketako aldaerak.
- Murrizketa forma arruntak, adibidez to hitzaren azentu gabeko bokala.
- Hautatutako testuinguru alternatibak.
Adibidez, close the door esaldian azken kontsonantea a close friend esaldian dagoenetik desberdin dago. Sistema onartutako alternatibetan artean aukeratu dezake esaldia prozesatzean.
Soinuak entzutea, hitzak berriro eraikitzen ez
Grabazioa akustika modelo baten bidez igarotzen da. Denbora zeharkako hizketa-soinu desberdinen froga sortzen du, gutxi gorabehera 20 milisegundoko tarteetan.
Hau grabazioaren irudikapen fonetikoa da. Puntuatzaileak ez du hitz-mailako hizkuntza modelorik erabiltzen esaldia berriro eraikitzeko.
Sistemak akustika irteerak bi moduetan aztertzen ditu:
| Metodoa | Zer egiten du |
|---|---|
| Espero den soinua lerrokatzea | Espero diren soinuentzako denbora onena aurkitzen du, hitz bakoitzeko ahoskera osoko aldaera aukeratuz. |
| Soinu independenteen ezagutza | Modeloak hobetsi dituen soinuak jarraitzen ditu erreferentzia-esaldirik behar gabe. |
Bi ikuspegiak beharrezkoak dira, lerrokatzeak espero den soinua grabazio batean kokatu dezake hizlariak ez badu eman. Soinu independenteen ezagutzak benetan esandakoa buruzko froga gehigarria eskaintzen du.
Bat etortzeak denbora ere kontuan hartzen du, hitz bateko soinua beste hitz urrun bateko froga gisa kontuan hartzea zailagoa egiten duelako.
Soinu bat ez dagoen independentzia ezagutza emaitzan ez du automatikoki zero jasotzen. Akustika froga oraindik garrantzitsua da.
Soinu bakoitza puntuatzearen
Lerrokatutako soinua bakoitzeko, puntuatzailak ahoskera zehaztasun neurri bat kalkulatzen du: modeloak zenbateraino onartzen duen espero den soinua soinu lehiakideen aldeko konparatuz tarte horretan.
Era berean kontutan hartzen du:
- Espero den soinua-aren gailur probabilitatea.
- Soinu independenteen ezagutzak hurbil soinu bat aurkitu duen ala ez.
Mapatze matematiko egokitu batek froga hau 0 eta 100 arteko soinua zehaztasun balio bihurtzen du.
Soinu bat ez dagoen independentzia ezagutza emaitzan ez du automatikoki zero jasotzen. Akustika froga oraindik garrantzitsua da.
Zein hitzek behar duten arreta erabakitzea
Hitzen feedback-a soinua balio hauek errore egiaztapen esplizituekin konbinatzen du. Hitz batek bete behar du:
- Hiztun izan zenaren froga nahikoa izan.
- Konfiguratutako zehaztasun batez besteko atalasea betetzen du.
- Detektatutako ordezkapen, txertatze edo soinua falta den errore larriak saihesten ditu.
Ordezkapen garbiak esperotako soinua onartze ahulezia eta lehiakide soinua onartze indartsua eskatzen dute.
| Froga | Atalasea |
|---|---|
| Esperotako soinua onartzea | 0.05 baino txikiagoa |
| Bere ordezko onartzea | 0.5 edo gehiago |
Hauek modelo froga atalaseak dira, ez gizaki entzule batek hitza okerra balio dezakeen probabilitateak.
Markatutako hitzetarako, sistemak itzultzen du espero den ahoskera eta entzundako soinuen estimazioa, Alfabeto Fonetik Internazionalean (IPA) idatzita. Estimazio hori ez da beti zehatza, batez ere hitzen mugen inguruan.
Esaldi puntuazioa eraikitzea
Esaldi puntuazioa honako konbinazio egokitu batekin hasten da:
- Soinu zehaztasun batez besteko.
- Esperotako soinuen partekatuak soinu independenteen ezagutzak bat etortzean.
- Segundo bakoitzeko ahoskatutako hizketa-soinu kopurua.
- Hitzen arteko eten luzeak.
Denbora kalkulua lehen lerrokatutako soinua aurretik eta azkenaren ondoren dagoen isiltasuna baztertzen du.
Ezaugarri hauek puntuazio orokor bakarra sortzen dute. Uneko inplementazioak ez du erabiltzaileari zuzendutako fluintasuna, osotasuna edo intonazio puntuazio bereizirik ematen.
Nola eragiten du hitz kredituak emaitzan
Puntuatzailak ondoren hitz-kreditu biderkatzaile esplizitu bat aplikatzen du. Hitz bakoitza bere hautatutako ahoskeran dagoen soinua kopuruaren arabera pisatzen da.
| Hitz emaitza | Lortutako kreditu |
|---|---|
| Zuzena | Pisua osoa |
| Ahoskatua baina markatua | Bere pisuaren laurdena |
| Ezabatua | Kreditu gabe |
Kalkulua honakoa da:
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
Ondorioz, hitz luze oker batek normalean kostu handiagoa du hitz labur batek baino. Esaldia zati txiki bat bakarrik irakurtzeak ere puntuazioa mugatzen du, zati hori garbia entzuteko arren.
Zure puntuazioa erreferentziarekin konparatzea
Azkenik, sistemak puntuazio gordina normaliza dezake esaldi bera duen erreferentzia-grabazio bat erabiliz.
Erreferentzia sintetizatua puntuatzen du puntuatzailaren bertsio berdinarekin eta, oinarri bat datorren bat dagoenean, aplikatzen du:
displayed score = min(100, raw score / reference score × 100)
Adibidez, puntuazio gordina 80 erreferentzia puntuazio 88-ren aurrean gutxi gorabehera 90,9 bihurtzen da.
Doikuntza honek kontuan hartzen du modeloak erreferentzia-grabazioari ere 100 baino gutxiago eman diezaiola.
Oinarriak honako hauekin lotuta daude:
- Erreferentzia ahotsa eta hizketa-sorkuntza modeloa.
- Puntuazio modeloa.
- Hiztegia.
- Kalibrazio eta arauen bertsioa.
Oinarri bat ez badago erabilgarri edo ezin bada erabili, emaitzak puntuazio gordina mantentzen du. Lehen saiakerak beraz, doikuntzarik gabe geratu daiteke oinarri bat geroago saiakeretarako prestatzen den bitartean.
Zure puntuazioak zer esan nahi du
Lortutako zenbakia praktika puntuazio bat da HolosAccent-en eskalan.
90 puntuazioak ez du esan nahi zure hitzen %90 zuzenak direla, eta ez du CEFR maila edo jatorrizko hiztun baten berdintasunik ezartzen.
Mapatzea adituek ebaluatutako grabazioak erabiliz egokitu da, baina puntuazio-sistema berria esperimentala da eta bere onarpen-irizpide osoak oraindik ez dira egiaztatu. Erroreak galdu ditzake edo onartutako hizketa markatu.
Hitz bakoitzeko feedback-a eta saiakera errepikatuetako ereduak testuingurua eskaintzen dute zenbakia interpretatzeko.
