Comment HolosAccent transforme votre voix en un score de prononciation

Préparer votre enregistrement

Premièrement, l’audio est décodé dans un format standard : son mono échantillonné à 16 kHz.

Le système estime le rapport signal‑bruit de l’enregistrement. Si cette estimation descend sous 25 dB et qu’un filtrage du bruit est disponible, il applique un filtre de réduction du bruit avant l’analyse. Si le filtrage échoue, il poursuit avec l’enregistrement original.

La forme d’onde est ensuite normalisée pour correspondre aux exigences d’entrée du modèle d’analyse de la parole. Le silence et les enregistrements de moins d’une demi‑seconde reçoivent un score de zéro.

Autoriser différentes prononciations

Ensuite, le texte de référence est converti en prononciations phonétiques à l’aide d’un moteur de prononciation. Un mot peut avoir plusieurs formes acceptées.

L’ensemble de prononciations comprend :

• Variantes britanniques et américaines.
• Formes réduites courantes, comme la voyelle non accentuée dans to.
• Alternatives contextuelles sélectionnées.

Par exemple, la consonne finale dans close the door diffère de celle dans a close friend. Le système peut choisir parmi les alternatives prises en charge lorsqu’il traite la phrase.

Écouter les sons, pas reconstruire les mots

L’enregistrement passe par un modèle acoustique. Il produit des preuves pour différents sons de parole au fil du temps, à des intervalles d’environ 20 millisecondes.

Il s’agit d’une représentation phonétique de l’enregistrement. Le système de notation n’utilise pas de modèle linguistique au niveau des mots pour reconstruire la phrase.

Le système examine ensuite ces sorties acoustiques de deux manières :

Méthode	Ce qu’elle fait
Alignement des sons attendus	Trouve le meilleur timing pour les sons attendus, en choisissant une variante de prononciation complète pour chaque mot.
Reconnaissance indépendante des sons	Suit les sons favorisés par le modèle sans exiger la phrase de référence.

Les deux points de vue sont nécessaires parce que l’alignement peut placer un son attendu quelque part dans l’enregistrement même si le locuteur l’a omis. La reconnaissance indépendante des sons fournit des preuves supplémentaires sur ce qui a réellement été prononcé.

L’appariement prend également le timing en compte, rendant plus difficile qu’un son d’un mot serve de preuve pour un mot éloigné.

Noter chaque son

Pour chaque son aligné, le système calcule une mesure de précision de prononciation : à quel point le modèle soutient le son attendu par rapport aux sons concurrents pendant cet intervalle.

Il prend également en compte :

• La probabilité maximale du son attendu.
• Si la reconnaissance indépendante des sons a trouvé un son correspondant à proximité.

Une fonction mathématique ajustée transforme ces preuves en une valeur de précision du son entre 0 et 100.

Un son absent du résultat de reconnaissance indépendante ne reçoit pas automatiquement zéro. Les preuves acoustiques restent importantes.

Décider quels mots nécessitent de l’attention

Les retours sur les mots combinent ces valeurs sonores avec des vérifications d’erreurs explicites. Un mot doit :

• Avoir suffisamment de preuves qu’il a été prononcé.
• Atteindre le seuil moyen de précision configuré.
• Éviter les substitutions, insertions ou erreurs graves de sons manquants détectées.

Les substitutions claires exigent un faible soutien pour le son attendu et un fort soutien pour un son concurrent.

Preuve	Seuil actuel
Soutien pour le son attendu	Inférieur à 0.05
Soutien pour son remplacement	Au moins 0.5

Ce sont des seuils de preuve du modèle, pas des probabilités qu’un auditeur humain jugerait le mot incorrect.

Pour les mots signalés, le système renvoie la prononciation attendue et son estimation des sons entendus, écrite en Alphabet phonétique international (API). Cette estimation peut être imparfaite, surtout aux limites des mots.

Construire le score de la phrase

Le score de la phrase débute avec une combinaison ajustée de :

• Précision moyenne des sons.
• La proportion des sons attendus correspondants à la reconnaissance indépendante des sons.
• Le nombre de sons de parole prononcés par seconde.
• Les longues pauses entre les mots.

Le calcul du timing exclut le silence avant le premier son aligné et après le dernier.

Ces caractéristiques contribuent à un score global. L’implémentation actuelle ne fournit pas de scores distincts de fluidité, d’exhaustivité ou d’intonation visibles par l’utilisateur.

Comment le crédit des mots influence le résultat

Le système applique ensuite un multiplicateur de crédit de mot explicite. Chaque mot est pondéré selon le nombre de sons dans sa prononciation sélectionnée.

Résultat du mot	Crédit gagné
Correct	Pondération complète
Prononcé mais signalé	Un quart de sa pondération
Omis	Aucun crédit

Le calcul est :

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

Par conséquent, un mot long et incorrect coûte généralement plus cher qu’un mot court. Lire seulement une petite partie de la phrase limite également le score, même si ce fragment est clair.

Comparer votre score avec la référence

Enfin, le système peut normaliser le score brut en utilisant un enregistrement de référence de la même phrase.

Il note la référence synthétisée avec la même version du système de notation et, lorsqu’une base de référence utilisable est déjà disponible, applique :

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

Par exemple, un score brut de 80 contre un score de référence de 88 devient approximativement 90,9.

Cet ajustement tient compte du fait que le modèle peut attribuer même à l’enregistrement de référence moins de 100.

Les bases de référence sont liées à :

• La voix de référence et le modèle de génération de parole.
• Le modèle de notation.
• Le vocabulaire.
• La version de calibration et des règles.

Si une base de référence correspondante n’est pas disponible ou inutilisable, le résultat conserve son score brut. Une première tentative peut donc rester non ajustée pendant qu’une base de référence est préparée pour les tentatives suivantes.

Ce que signifie votre score

Le nombre obtenu est un score d’entraînement sur l’échelle de HolosAccent.

Un score de 90 ne signifie pas que 90 % de vos mots étaient corrects, et il n’établit pas un niveau CEFR ou une équivalence à un locuteur natif.

Le mappage a été ajusté à l’aide d’enregistrements évalués par des experts, mais le nouveau système de notation reste expérimental et ses critères d’acceptation complets n’ont pas encore été vérifiés. Il peut manquer des erreurs ou signaler une parole acceptable.

Les retours individuels sur les mots et les tendances à travers les tentatives répétées offrent un contexte pour interpréter le nombre.