HolosAccent કેવી રીતે તમારી અવાજને ઉચ્ચારણ સ્કોરમાં ફેરવે છે

તમારી રેકોર્ડિંગની તૈયારી

સૌ પ્રથમ, ઓડિયોને સ્ટાન્ડર્ડ ફોર્મેટમાં ડિકોડ કરવામાં આવે છે: મોનો સાઉન્ડ 16 kHz પર સેમ્પલ કરેલું.

સિસ્ટમ રેકોર્ડિંગનું સિગ્નલ-ટુ-નોઇઝ રેશિયો અંદાજે છે. જો આ અંદાજ 25 dB થી નીચે પડે અને નોઇઝ ફિલ્ટરિંગ ઉપલબ્ધ હોય, તો તે વિશ્લેષણ પહેલાં નોઇઝ-રિડક્શન ફિલ્ટર લાગુ કરે છે. જો ફિલ્ટરિંગ નિષ્ફળ જાય, તો તે મૂળ રેકોર્ડિંગ સાથે ચાલુ રહે છે.

પછી વેવફોર્મને નોર્મલાઇઝ કરવામાં આવે છે જેથી સ્પીચ એનાલિસિસ મોડલની ઇનપુટ આવશ્યકતાઓને મેળવે. અર્ધ સેકન્ડથી ઓછા સમયની સાઇલન્સ અને રેકોર્ડિંગ્સને શૂન્ય સ્કોર મળે છે.

વિવિધ ઉચ્ચારોને મંજૂરી આપવી

પછી, રેફરન્સ ટેક્સ્ટને પ્રોનંસિએશન એન્જિન નો ઉપયોગ કરીને ધ્વન્યાત્મક ઉચ્ચારોમાં રૂપાંતરિત કરવામાં આવે છે. કોઈ શબ્દના અનેક સ્વીકાર્ય રૂપો હોઈ શકે છે.

પ્રોનંસિએશન સેટમાં સમાવેશ થાય છે:

• બ્રિટિશ અને અમેરિકન વેરિયન્ટ્સ.
• સામાન્ય ઘટાડેલ રૂપો, જેમ કે to માંનો unstressed vowel.
• પસંદ કરેલ કન્ટેક્સ્ચુઅલ વિકલ્પો.

ઉદાહરણ તરીકે, close the door માંનો અંતિમ વ્યંજન a close friend માંના અંતિમ વ્યંજનથી અલગ છે. સિસ્ટમ પ્રોસેસ કરતી વખતે સપોર્ટેડ વિકલ્પોમાંથી પસંદ કરી શકે છે.

ધ્વનિઓને સાંભળવું, શબ્દોનું પુનર્નિર્માણ નહીં

રેકોર્ડિંગ એક અકુસ્ટિક મોડલમાંથી પસાર થાય છે. તે સમયગાળા દરમિયાન વિવિધ સ્પીચ સાઉન્ડ્સ માટે સાબિતી ઉત્પન્ન કરે છે, અંદાજે 20 મિલિસેકન્ડ અંતરાલો પર.

આ રેકોર્ડિંગનું ધ્વન્યાત્મક પ્રતિનિધિત્વ છે. સ્કોરર શબ્દ-સ્તરની લેંગ્વેજ મોડલનો ઉપયોગ કરીને વાક્યનું પુનર્નિર્માણ કરતું નથી.

સિસ્ટમ પછી આ અકુસ્ટિક આઉટપુટ્સને બે રીતે તપાસે છે:

પદ્ધતિ	તે શું કરે છે
Expected-sound alignment	અપેક્ષિત ધ્વનિઓ માટે શ્રેષ્ઠ સમય શોધે છે, દરેક શબ્દ માટે સંપૂર્ણ પ્રોનંસિએશન વેરિયન્ટ પસંદ કરે છે.
Independent sound recognition	મોડલ દ્વારા પસંદ કરેલી ધ્વનિઓને અનુસરે છે, રેફરન્સ વાક્યની જરૂર વગર.

બંને દૃષ્ટિકોણ જરૂરી છે કારણ કે એલાઇનમેન્ટ રેકોર્ડિંગમાં અપેક્ષિત ધ્વનિ ક્યાંય મૂકી શકે છે, ભલે સ્પીકરે તેને છોડ્યું હોય. ઇન્ડિપેન્ડન્ટ સાઉન્ડ રેકગ્નિશન વાસ્તવમાં શું બોલાયું તેના વિશે વધારાની સાબિતી આપે છે.

મેચિંગ સમયને પણ ધ્યાનમાં લે છે, જેથી એક શબ્દની ધ્વનિ દૂરના શબ્દ માટે સાબિતી તરીકે ગણવામાં મુશ્કેલ બને.

દરેક ધ્વનિનું સ્કોરિંગ

દરેક એલાઇન થયેલી ધ્વનિ માટે, સ્કોરર પ્રોનંસિએશન એક્યુરેસી માપ ગણતરી કરે છે: તે સમયગાળા દરમિયાન મોડલ અપેક્ષિત ધ્વનિને સ્પર્ધાત્મક ધ્વનિઓની તુલનામાં કેટલું મજબૂત રીતે સપોર્ટ કરે છે.

તે additionally વિચાર કરે છે:

• અપેક્ષિત ધ્વનિનું પીક પ્રોબેબિલિટી.
• ઇન્ડિપેન્ડન્ટ સાઉન્ડ રેકગ્નિશને નજીકમાં મેળ ખાતી ધ્વનિ મળી છે કે નહીં.

એક ફિટેડ ગણિતીય મેપિંગ આ સાબિતીને 0 થી 100 વચ્ચેના સાઉન્ડ એક્યુરેસી મૂલ્યમાં પરિવર્તિત કરે છે.

ઇન્ડિપેન્ડન્ટ રેકગ્નિશન પરિણામમાંથી ગાયબ ધ્વનિ આપમેળે શૂન્ય નથી મેળવે. અકુસ્ટિક સાબિતી હજુ પણ મહત્વપૂર્ણ છે.

કયા શબ્દોનું ધ્યાન આપવું તે નક્કી કરવું

વર્ડ ફીડબેક આ ધ્વનિ મૂલ્યોને સ્પષ્ટ એરર ચેક્સ સાથે જોડે છે. કોઈ શબ્દને નીચેની શરતો પૂરી કરવી જોઈએ:

• પૂરતી સાબિતી હોય કે તે બોલાયેલો હતો.
• સેટ કરેલ સરેરાશ એક્યુરેસી થ્રેશોલ્ડને પૂર્ણ કરે.
• ઓળખાયેલ સબ્સ્ટિટ્યુશન, ઇન્સર્ટશન, અથવા ગંભીર મિસિંગ-સાઉન્ડ એરર્સને ટાળે.

સપષ્ટ સબ્સ્ટિટ્યુશન માટે અપેક્ષિત ધ્વનિ માટે નબળો સપોર્ટ અને સ્પર્ધાત્મક ધ્વનિ માટે મજબૂત સપોર્ટ જરૂરી છે.

સાબિતી	વર્તમાન થ્રેશોલ્ડ
અપેક્ષિત ધ્વનિ માટે સપોર્ટ	Below 0.05
તેની બદલાવ માટે સપોર્ટ	At least 0.5

આ મોડલ સાબિતી થ્રેશોલ્ડ્સ છે, માનવ શ્રોતાઓ દ્વારા શબ્દને ખોટો ગણાવવાની પ્રોબેબિલિટી નહીં.

ફ્લેગ થયેલ શબ્દો માટે, સિસ્ટમ અપેક્ષિત પ્રોનંસિએશન અને સાંભળેલી ધ્વનિઓનું અંદાજ, International Phonetic Alphabet (IPA) માં લખાયેલ, પરત કરે છે. આ અંદાજ અપૂર્ણ હોઈ શકે છે, ખાસ કરીને શબ્દ સીમાઓની આસપાસ.

વાક્ય સ્કોરનું નિર્માણ

વાક્ય સ્કોર નીચેની ફિટેડ કોમ્બિનેશનથી શરૂ થાય છે:

• સરેરાશ ધ્વનિ એક્યુરેસી.
• ઇન્ડિપેન્ડન્ટ સાઉન્ડ રેકગ્નિશન દ્વારા મેળ ખાતા અપેક્ષિત ધ્વનિઓનો હિસ્સો.
• પ્રતિ સેકન્ડ ઉચ્ચારિત સ્પીચ સાઉન્ડ્સની સંખ્યા.
• શબ્દો વચ્ચે લાંબા વિરામો.

સમયગણતરીમાં પ્રથમ એલાઇન થયેલી ધ્વનિ પહેલાં અને છેલ્લી પછીની સાઇલન્સને બહાર રાખવામાં આવે છે.

આ ફીચર્સ એક કુલ સ્કોરમાં યોગદાન આપે છે. વર્તમાન અમલમાં યુઝર-ફેસિંગ ફ્લુએન્સી, કમ્પ્લીટનેસ, અથવા ઇન્ટોનેશન સ્કોર્સ અલગથી પ્રદાન નથી કરતું.

શબ્દ ક્રેડિટ પરિણામને કેવી રીતે અસર કરે છે

સ્કોરર પછી સ્પષ્ટ વર્ડ-ક્રેડિટ મલ્ટિપ્લાયર લાગુ કરે છે. દરેક શબ્દને તેના પસંદ કરેલા પ્રોનંસિએશનમાં ધ્વનિઓની સંખ્યાથી વેઈટ કરવામાં આવે છે.

શબ્દ પરિણામ	મળેલ ક્રેડિટ
સાચું	પૂર્ણ વજન
બોલાયેલું પણ ફ્લેગ થયેલ	તેના વજનનું એક ચોથાઈ
છોડી દેવાયેલ	ક્રેડિટ નહીં

ગણતરી આ રીતે છે:

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

અત્યારથી, લાંબો ખોટો શબ્દ સામાન્ય રીતે ટૂંકો કરતાં વધુ ખર્ચ કરે છે. વાક્યનો માત્ર નાનો ભાગ વાંચવાથી પણ સ્કોર મર્યાદિત થાય છે, ભલે તે ભાગ સ્પષ્ટ લાગે.

તમારા સ્કોરની રેફરન્સ સાથે તુલના

અંતમાં, સિસ્ટમ સમાન વાક્યની રેફરન્સ રેકોર્ડિંગ નો ઉપયોગ કરીને કાચા સ્કોરને નોર્મલાઇઝ કરી શકે છે.

તે સમાન સ્કોરર વર્ઝન સાથે synthesized રેફરન્સને સ્કોર કરે છે અને જ્યારે ઉપયોગી મેચિંગ બેઝલાઇન પહેલેથી ઉપલબ્ધ હોય, ત્યારે લાગુ કરે છે:

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

ઉદાહરણ તરીકે, કાચો સ્કોર 80 અને રેફરન્સ સ્કોર 88 હોય તો તે અંદાજે 90.9 બને છે.

આ એડજસ્ટમેન્ટ એ બાબતને ધ્યાનમાં લે છે કે મોડલ રેફરન્સ રેકોર્ડિંગને પણ 100 કરતાં ઓછો સ્કોર આપી શકે છે.

બેઝલાઇન્સ જોડાયેલ છે:

• રેફરન્સ અવાજ અને સ્પીચ-જનરેશન મોડલ.
• સ્કોરિંગ મોડલ.
• વોકેબ્યુલરી.
• કેલિબ્રેશન અને રૂલ વર્ઝન.

જો મેચિંગ બેઝલાઇન ઉપલબ્ધ ન હોય અથવા ઉપયોગી ન હોય, તો પરિણામ તેના કાચા સ્કોરને જ રાખે છે. પ્રથમ પ્રયાસ તેથી અનએડજસ્ટેડ રહી શકે છે જ્યારે બેઝલાઇન પછીના પ્રયાસો માટે તૈયાર કરવામાં આવે.

તમારા સ્કોરનો અર્થ શું છે

પરિણામસ્વરૂપ નંબર HolosAccent ના સ્કેલ પર પ્રેક્ટિસ સ્કોર છે.

90 નો સ્કોર એ અર્થ નથી કે તમારા 90 ટકા શબ્દો સાચા હતા, અને તે CEFR લેવલ અથવા નેટિવ-સ્પીકર સમકક્ષતા સ્થાપિત કરતો નથી.

મૅપિંગને એક્સપર્ટ-રેટેડ રેકોર્ડિંગ્સનો ઉપયોગ કરીને ફિટ કરવામાં આવ્યું છે, પરંતુ નવું સ્કોરિંગ સિસ્ટમ હજી પણ પ્રયોગાત્મક છે અને તેના સંપૂર્ણ સ્વીકાર માપદંડો હજી સુધી ચકાસવામાં આવ્યા નથી. તે ભૂલોને ચૂકી શકે છે અથવા સ્વીકાર્ય સ્પીચને ફ્લેગ કરી શકે છે.

વ્યક્તિગત શબ્દ ફીડબેક અને પુનરાવર્તિત પ્રયાસોમાંના પેટર્ન્સ આ નંબરની વ્યાખ્યા માટે સંદર્ભ આપે છે.