Como HolosAccent Converte a Túa Voz nunha Puntuación de Pronunciación

Preparando a túa gravación

Primeiro, o audio decodifícase a un formato estándar: sonido mono con taxa de mostraxe de 16 kHz.

O sistema estima a relación sinal‑ruído da gravación. Se esa estimación está por debaixo de 25 dB e o filtrado de ruído está dispoñible, aplica un filtro de redución de ruído antes da análise. Se o filtrado falla, continúa coa gravación orixinal.

Despois, a forma de onda normalízase para coincidir coas condicións de entrada do modelo de análise de fala. O silencio e as gravacións máis curtas de medio segundo reciben unha puntuación de cero.

Permitindo diferentes pronunciacións

A continuación, o texto de referencia conviértese en pronunciacións fonéticas usando un motor de pronunciación. Unha palabra pode ter varias formas aceptadas.

O conxunto de pronunciación inclúe:

• Variantes británicas e americanas.
• Formas reducidas comúns, como a vogal átona en to.
• Alternativas contextuais seleccionadas.

Por exemplo, a consoante final en close the door difire da que está en a close friend. O sistema pode escoller entre as alternativas admitidas ao procesar a frase.

Oíndo sons, non reconstruíndo palabras

A gravación pasa por un modelo acústico. Xera evidencia para diferentes sons da fala ao longo do tempo, en intervalos de aproximadamente 20 milisegundos.

Esta é unha representación fonética da gravación. O puntuador non usa un modelo de lingua a nivel de palabra para reconstruír a frase.

O sistema entón examina esas saídas acústicas de dúas maneiras:

Método	Que fai
Aliñamento de sons esperados	Atopa o mellor momento para os sons esperados, escollendo unha variante de pronunciación completa para cada palabra.
Recoñecemento independente de sons	Sigue os sons favorecidos polo modelo sen precisar da frase de referencia.

Ambas visións son necesarias porque o aliñamento pode colocar un son esperado nalgún punto da gravación mesmo cando o falante o omitiu. O recoñecemento independente de sons fornece evidencia adicional sobre o que se falou realmente.

A coincidencia tamén ten en conta o tempo, facendo máis difícil que un son dunha palabra conte como evidencia para unha palabra distante.

Puntuando cada son

Para cada son aliñado, o puntuador calcula unha medida de precisión da pronunciación: canto de forte é o apoio do modelo ao son esperado en comparación cos sons competidores durante ese intervalo.

Tamén ten en conta:

• A probabilidade pico do son esperado.
• Se o recoñecemento independente de sons atopou un son coincidente nas proximidades.

Un mapeamento matemático axustado converte esta evidencia nun valor de precisión do son entre 0 e 100.

Un son que falta no resultado do recoñecemento independente non recibe automaticamente cero. A evidencia acústica segue sendo importante.

Decidindo que palabras precisan atención

A retroalimentación das palabras combina estes valores de son con comprobacións explícitas de erros. Unha palabra debe:

• Ter evidencia suficiente de que foi falada.
• Cumprir o limiar de precisión media configurado.
• Evitar substitucións, insercións ou erros graves de sons faltantes detectados.

As substitucións claras requiren apoio débil ao son esperado e apoio forte a un son competidor.

Evidencia	Limiar actual
Apoio ao son esperado	Below 0.05
Apoio ao seu substituto	At least 0.5

Estes son limiares de evidencia do modelo, non probabilidades que un ouvinte humano consideraría a palabra incorrecta.

Para as palabras sinaladas, o sistema devolve a pronunciación esperada e a súa estimación dos sons escoitados, escrita no Alfabeto Fonético Internacional (IPA). Esa estimación pode ser imperfecta, especialmente nas fronteiras das palabras.

Construíndo a puntuación da frase

A puntuación da frase comeza cunha combinación axustada de:

• Precisión media dos sons.
• A proporción de sons esperados coincidentes co recoñecemento independente de sons.
• O número de sons da fala pronunciados por segundo.
• Pausas longas entre palabras.

O cálculo do tempo exclúe o silencio antes do primeiro son aliñado e despois do último.

Estas características contribúen a unha única puntuación global. A implementación actual non ofrece puntuacións separadas de fluidez, completude ou entoación para o usuario.

Como o crédito das palabras afecta ao resultado

O puntuador entón aplica un multiplicador explícito de crédito de palabras. Cada palabra ten un peso segundo o número de sons na súa pronunciación seleccionada.

Resultado da palabra	Crédito obtido
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

O cálculo é:

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, unha palabra longa e incorrecta normalmente custa máis que unha curta. Ler só unha pequena parte da frase tamén limita a puntuación, mesmo se ese fragmento soa claro.

Comparando a túa puntuación coa referencia

Finalmente, o sistema pode normalizar a puntuación bruta usando unha gravación de referencia da mesma frase.

Puntúa a referencia sintetizada coa mesma versión do puntuador e, cando xa está dispoñible unha liña base coincidente utilizable, aplica:

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

Por exemplo, unha puntuación bruta de 80 contra unha puntuación de referencia de 88 converte en aproximadamente 90.9.

Este axuste ten en conta que o modelo pode dar á gravación de referencia menos de 100.

As liñas base están vinculadas a:

• A voz de referencia e o modelo de xeración de fala.
• O modelo de puntuación.
• O vocabulario.
• A versión de calibración e regras.

Se unha liña base coincidente non está dispoñible ou non é utilizable, o resultado mantén a súa puntuación bruta. Un primeiro intento pode, polo tanto, permanecer sen axuste mentres se prepara unha liña base para intentos posteriores.

Que significa a túa puntuación

O número resultante é unha puntuación de práctica na escala de HolosAccent.

Unha puntuación de 90 non significa que o 90 % das túas palabras foron correctas, e non establece un nivel CEFR nin equivalencia con falante nativo.

O mapeamento foi axustado usando gravacións avaliadas por expertos, pero o novo sistema de puntuación segue sendo experimental e os seus criterios de aceptación completa aínda non se verificaron. Pode perder erros ou sinalar fala aceptable.

A retroalimentación individual das palabras e os patróns ao longo de intentos repetidos proporcionan contexto para interpretar o número.