HolosAccent आपके आवाज़ को कैसे बनाता है उच्चारण स्कोर

अपनी रिकॉर्डिंग तैयार करना

सबसे पहले, ऑडियो को एक मानक फ़ॉर्मेट में डिकोड किया जाता है: mono sound sampled at 16 kHz.

सिस्टम रिकॉर्डिंग के सिग्नल‑टू‑नॉइज़ रेशियो का अनुमान लगाता है। यदि यह अनुमान 25 dB से नीचे गिरता है और शोर फ़िल्टर उपलब्ध है, तो यह विश्लेषण से पहले a noise-reduction filter लागू करता है। यदि फ़िल्टरिंग विफल हो जाती है, तो यह मूल रिकॉर्डिंग के साथ जारी रहता है।

फिर वेवफ़ॉर्म को स्पीच एनालिसिस मॉडल की इनपुट आवश्यकताओं के अनुसार सामान्यीकृत किया जाता है। आधे सेकंड से कम लंबी रिकॉर्डिंग और मौन को शून्य स्कोर दिया जाता है.

विभिन्न उच्चारणों की अनुमति देना

अगले चरण में, रेफ़रेंस टेक्स्ट को a pronunciation engine का उपयोग करके ध्वन्यात्मक उच्चारणों में बदला जाता है। एक शब्द के कई स्वीकार्य रूप हो सकते हैं.

उच्चारण सेट में शामिल हैं:

• ब्रिटिश और अमेरिकी वैरिएंट।
• सामान्य घटे हुए रूप, जैसे to में अनस्ट्रेस्ड स्वर।
• चुने हुए संदर्भात्मक विकल्प।

उदाहरण के लिए, close the door में अंतिम व्यंजन a close friend में वाले से अलग होता है। सिस्टम वाक्य को प्रोसेस करते समय समर्थित विकल्पों में से चुन सकता है.

ध्वनियों को सुनना, शब्दों को पुनर्निर्मित नहीं करना

रिकॉर्डिंग an acoustic model से होकर गुजरती है। यह समय के साथ विभिन्न स्पीच साउंड्स के लिए साक्ष्य उत्पन्न करता है, लगभग 20-millisecond intervals पर.

यह रिकॉर्डिंग का एक फ़ोनेटिक प्रतिनिधित्व है। स्कोरर वाक्य को पुनर्निर्मित करने के लिए शब्द‑स्तर भाषा मॉडल का उपयोग नहीं करता.

सिस्टम फिर उन ध्वनिक आउटपुट को दो तरीकों से जांचता है:

विधि	क्या करता है
Expected-sound alignment	अपेक्षित ध्वनियों के लिए सबसे अच्छा टाइमिंग खोजता है, प्रत्येक शब्द के लिए पूर्ण उच्चारण वैरिएंट चुनता है।
Independent sound recognition	मॉडल द्वारा पसंद की गई ध्वनियों का अनुसरण करता है बिना रेफ़रेंस वाक्य की आवश्यकता के।

दोनों दृष्टिकोण आवश्यक हैं क्योंकि अलाइनमेंट रिकॉर्डिंग में कहीं भी एक अपेक्षित ध्वनि रख सकता है भले ही वक्ता ने उसे छोड़ दिया हो। स्वतंत्र ध्वनि पहचान वास्तविक रूप से बोले गए शब्दों के बारे में अतिरिक्त साक्ष्य प्रदान करती है.

मैचिंग टाइमिंग को भी ध्यान में रखती है, जिससे एक शब्द की ध्वनि को दूरस्थ शब्द के साक्ष्य के रूप में गिनना कठिन हो जाता है.

प्रत्येक ध्वनि को स्कोर करना

प्रत्येक अलाइन्ड ध्वनि के लिए, स्कोरर एक pronunciation accuracy measure गणना करता है: उस अंतराल में मॉडल कितनी मजबूती से अपेक्षित ध्वनि को प्रतिस्पर्धी ध्वनियों की तुलना में समर्थन देता है.

यह भी विचार करता है:

• अपेक्षित ध्वनि की पीक प्रॉबेबिलिटी।
• क्या स्वतंत्र ध्वनि पहचान ने निकट में मिलती‑जुलती ध्वनि पाई।

एक फ़िटेड गणितीय मैपिंग इस साक्ष्य को sound accuracy value between 0 and 100 में बदल देती है.

स्वतंत्र पहचान परिणाम में कोई ध्वनि गायब होना स्वचालित रूप से शून्य नहीं देता। ध्वनिक साक्ष्य अभी भी मायने रखता है.

किन शब्दों को ध्यान चाहिए, तय करना

शब्द फ़ीडबैक इन ध्वनि मानों को स्पष्ट त्रुटि जाँचों के साथ मिलाता है। एक शब्द को चाहिए:

• पर्याप्त साक्ष्य हो कि वह बोला गया था।
• कॉन्फ़िगर किए गए औसत सटीकता थ्रेशोल्ड को पूरा करे।
• पता लगी प्रतिस्थापन, इंसर्शन, या गंभीर मिसिंग‑साउंड त्रुटियों से बचे।

स्पष्ट प्रतिस्थापन के लिए weak support for the expected sound और strong support for a competing sound आवश्यक है.

साक्ष्य	वर्तमान थ्रेशोल्ड
अपेक्षित ध्वनि के लिए समर्थन	Below 0.05
इसके प्रतिस्थापन के लिए समर्थन	At least 0.5

ये model evidence thresholds हैं, न कि संभावनाएँ कि एक मानव श्रोता शब्द को गलत मानता है.

फ़्लैग किए गए शब्दों के लिए, सिस्टम अपेक्षित उच्चारण और सुनी गई ध्वनियों का अनुमान, International Phonetic Alphabet (IPA) में लिखित, लौटाता है। यह अनुमान शब्द सीमाओं के आसपास विशेष रूप से अधूरा हो सकता है.

वाक्य स्कोर बनाना

वाक्य स्कोर एक फ़िटेड संयोजन से शुरू होता है:

• औसत ध्वनि सटीकता।
• स्वतंत्र ध्वनि पहचान द्वारा मिलाए गए अपेक्षित ध्वनियों का हिस्सा।
• प्रति सेकंड बोले गए स्पीच साउंड्स की संख्या।
• शब्दों के बीच लंबे विराम.

टाइमिंग गणना पहले अलाइन्ड ध्वनि से पहले और अंतिम के बाद के मौन को बाहर रखती है.

इन विशेषताओं से one overall score बनता है। वर्तमान इम्प्लीमेंटेशन उपयोगकर्ता‑समक्ष अलग‑अलग फ्लुएंसी, पूर्णता, या इंटोनेशन स्कोर नहीं देता.

शब्द क्रेडिट परिणाम को कैसे प्रभावित करता है

स्कोरर फिर एक स्पष्ट word-credit multiplier लागू करता है। प्रत्येक शब्द को उसके चयनित उच्चारण में ध्वनियों की संख्या के आधार पर वज़न दिया जाता है.

शब्द परिणाम	क्रेडिट प्राप्त
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

गणना इस प्रकार है:

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

परिणामस्वरूप, a long incorrect word usually costs more than a short one। वाक्य का केवल छोटा हिस्सा पढ़ना भी स्कोर को सीमित करता है, भले ही वह भाग स्पष्ट सुनाई दे.

आपके स्कोर की रेफ़रेंस से तुलना

अंत में, सिस्टम reference recording of the same phrase का उपयोग करके रॉ स्कोर को सामान्य कर सकता है.

यह सिंथेसाइज़्ड रेफ़रेंस को उसी स्कोरर संस्करण से स्कोर करता है और जब एक उपयोगी मैचिंग बेसलाइन पहले से उपलब्ध हो, तो लागू करता है:

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

उदाहरण के लिए, 80 का रॉ स्कोर और 88 का रेफ़रेंस स्कोर मिलाकर लगभग 90.9 बन जाता है.

यह समायोजन इस तथ्य को ध्यान में रखता है कि मॉडल रेफ़रेंस रिकॉर्डिंग को भी 100 से कम स्कोर दे सकता है.

बेसलाइन जुड़े होते हैं:

• रेफ़रेंस आवाज़ और स्पीच‑जनरेशन मॉडल।
• स्कोरिंग मॉडल।
• शब्दावली।
• कैलिब्रेशन और नियम संस्करण.

यदि कोई मैचिंग बेसलाइन उपलब्ध नहीं है या उपयोगी नहीं है, तो परिणाम अपना रॉ स्कोर रखता है। पहला प्रयास इसलिए बिना समायोजन के रह सकता है जबकि बाद के प्रयासों के लिए बेसलाइन तैयार की जाती है.

आपका स्कोर क्या दर्शाता है

परिणामी संख्या HolosAccent’s scale पर एक practice score है.

90 का स्कोर यह नहीं दर्शाता कि आपके 90 प्रतिशत शब्द सही थे, और यह कोई CEFR स्तर या मूल‑भाषी समानता स्थापित नहीं करता.

मैपिंग को विशेषज्ञ‑रेटेड रिकॉर्डिंग्स का उपयोग करके फ़िट किया गया है, लेकिन new scoring system remains experimental और इसके पूर्ण स्वीकृति मानदंड अभी तक सत्यापित नहीं हुए हैं। यह त्रुटियों को चूक सकता है या स्वीकार्य स्पीच को फ़्लैग कर सकता है.

व्यक्तिगत शब्द फ़ीडबैक और कई प्रयासों में पैटर्न संख्या की व्याख्या के लिए संदर्भ प्रदान करते हैं.