Ինչպե՞ս HolosAccent-ը փոխում է ձեր ձայնը արտասանման գնահատականի

Ձայնագրության պատրաստում

Առաջին, ձայնագրությունը դեկոդավորվում է ստանդարտ ձևաչափի՝ mono sound sampled at 16 kHz.

Համակարգը գնահատում է ձայնագրության signal-to-noise ratio-ը: Եթե այդ գնահատումը ընկնում է 25 dB-ից ցածր և աղմուկի ֆիլտրումը հասանելի է, այն կիրառվում է a noise-reduction filter վերլուծությունից առաջ: Եթե ֆիլտրումը ձախողվում է, շարունակվում է սկզբնական ձայնագրությամբ.

Waveform-ը նորմալիզացվում է՝ համապատասխանեցնելով speech analysis model-ի մուտքի պահանջներին: Լուռը և կես վայրկյանից պակաս երկարությամբ ձայնագրությունները ստանում են զրո գնահատական.

Տարբեր արտասանությունների թույլատրում

Հաջորդը, հղված տեքստը փոխարկվում է ֆոնետիկ արտասանությունների՝ օգտագործելով a pronunciation engine: Բառը կարող է ունենալ մի քանի ընդունված տարբերակներ.

Արտասանության հավաքածուն ներառում է:

• Բրիտանական և ամերիկյան տարբերակներ.
• Ընդհանուր կրճատված ձևեր, օրինակ՝ to բառի անշարժ ձայնը.
• Ընտրված համատեքստային այլընտրանքներ.

Օրինակ, close the door արտահայտության վերջին բաղաձայնը տարբեր է a close friend արտահայտությանից: Համակարգը կարող է ընտրել աջակցված այլընտրանքներից, երբ մշակվում է նախադասությունը.

Ձայների լսում, ոչ թե բառերի վերակառուցում

Ձայնագրությունը անցնում է an acoustic model-ի միջոցով: Այն ստեղծում է ապացույցներ տարբեր խոսքի ձայների համար ժամանակի ընթացքում, մոտավորապես 20-millisecond intervals-ով.

Սա ձայնագրության ֆոնետիկ ներկայացում է: Գնահատիչը չի օգտագործում բառ-մակարդակի լեզվի մոդել՝ նախադասությունը վերակառուցելու համար.

Համակարգը ապա ուսումնասիրում է այդ աուդիո ելքերը երկու կերպով:

Մեթոդ	Ինչ է անում
Expected-sound alignment	Գտնում է լավագույն ժամանակավորումը սպասված ձայների համար, ընտրելով ամբողջական արտասանության տարբերակ յուրաքանչյուր բառի համար.
Independent sound recognition	Հետևում է մոդելին կողմից նախընտրված ձայներին, առանց պահանջելու հղված նախադասություն.

Երկու տեսողությունները անհրաժեշտ են, քանի որ alignment-ը կարող է տեղադրել սպասված ձայնը ձայնագրության որևէ տեղ, նույնիսկ եթե խոսողը այն բաց թողել է: Independent sound recognition-ը տրամադրում է լրացուցիչ ապացույցներ այն մասին, թե ինչ է իրականում արտասանվել.

Համապատասխանությունը նաև հաշվում է ժամանակը, ինչը դժվարացնում է, որ մեկ բառի ձայնը հաշվվի ապացույց որպես հեռու բառի համար.

Յուրաքանչյուր ձայնի գնահատում

Յուրաքանչյուր համաժամված ձայնի համար, գնահատիչը հաշվարկում է pronunciation accuracy measure-ը՝ թե որքան ուժեղ է մոդելը աջակցում սպասված ձայնին՝ համեմատելով մրցակցող ձայների հետ այդ ինտերվալի ընթացքում.

Այն նաև հաշվում է՝

• Սպասված ձայնի գագաթական հավանականությունը.
• Արդյոք independent sound recognition-ը գտել է համընկնող ձայնը մոտակա.

Ընդլուծված մաթեմատիկական քարտեզը փոխում է այս ապացույցը sound accuracy value between 0 and 100-ի.

Ձայնի բացակայությունը independent recognition արդյունքում ինքնաբար չի ստանում զրո: Ակoustic ապացույցը դեռ կարևոր է.

Որոշում, թե որ բառերը պետք է ուշադրություն ստանան

Բառի հետադարձ կապը միացնում է այս ձայնի արժեքները և բացահայտ սխալների ստուգումները: Բառը պետք է:

• Պարունակի բավարար ապացույց, որ այն արտասանված է.
• Համապատասխանի կարգավորված միջին ճշգրտության շեմին.
• Չպետք է լինի հայտնաբերված փոխարինումներ, ներդրումներ կամ ծանր բացակայումների սխալներ.

Ճշգրիտ փոխարինումները պահանջում են weak support for the expected sound և strong support for a competing sound.

Ապացույց	Ընթացիկ շեմ
Սպասված ձայնի աջակցություն	Նվազ (< 0.05 )
Փոխարինման աջակցություն	Առնվազն 0.5

Սրանք model evidence thresholds են, ոչ թե այն հավանականությունները, որոնք մարդ լսողը կդարձնի բառը սխալ համարելու համար.

Նշված բառերի համար, համակարգը վերադարձնում է սպասված արտասանությունը և նրա գնահատված ձայների թվերը, գրված International Phonetic Alphabet (IPA)-ով: Այդ գնահատումը կարող է անճշտ լինել, հատկապես բառերի սահմանների մոտ.

Բաղադրության գնահատականի կառուցում

Բաղադրության գնահատականը սկսվում է միացված համադրությամբ՝

• Միջին ձայնի ճշգրտություն.
• Սպասված ձայների տոկոսը, որոնք համապատասխանում են independent sound recognition-ի.
• Երկու վայրկյանում արտասանված խոսքի ձայների քանակը.
• Բառերի միջև երկար դադարներ.

Ժամանակի հաշվարկը բացառում է լուռը առաջին համաժամված ձայնից առաջ և վերջինից հետո.

Այս հատկությունները նպաստում են one overall score-ին: Ընթացիկ իրականացում չի տրամադրում առանձին, օգտվողին հասանելի, հոսողական, ամբողջականության կամ ինտոնացիայի գնահատականներ.

Ինչպե՞ս բառի վարկը ազդում է արդյունքի վրա

Գնահատիչը ապա կիրառվում է բացահայտ word-credit multiplier-ի: Յուրաքանչյուր բառի քաշը որոշվում է նրա ընտրված արտասանության ձայների քանակով.

Բառի արդյունք	Ստացված վարկ
Ճշգրիտ	Ամբողջ քաշը
Արտասանված, բայց նշված	Քաշի մեկ չորրորդ մասը
Բաց թողված	Ոչ մի վարկ

Հաշվարկը հետևյալն է:

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

Արդյունքում, երկար սխալ բառը սովորաբար ավելի շատ արժեք է պահանջում, քան կարճը: Բաղադրության միայն փոքր մասը կարդալը նույնպես սահմանափակում է գնահատականը, նույնիսկ եթե այդ հատվածը հստակ է.

Ձեր գնահատականը համեմատելով հղվածին

Վերջապես, համակարգը կարող է նորմալացնել չմշակված գնահատականը՝ օգտագործելով reference recording of the same phrase.

Այն գնահատում է սինթեզված հղվածը նույն գնահատիչի տարբերակով և, երբ օգտագործելի համընկնող բազա արդեն առկա է, կիրառվում է:

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

Օրինակ, չմշակված գնահատականը 80՝ reference score-ի 88-ի նկատմամբ, դառնում է ≈ 90.9.

Այս կարգավորումը հաշվում է այն փաստը, որ մոդելը կարող է նաև հղված ձայնագրությանը տալ 100-ից ցածր գնահատական.

Բազաները կապված են՝

• Հղված ձայնը և խոսքի-ստեղծման մոդելը.
• Գնահատման մոդելը.
• Բառարան.
• Կալիբրացիա և կանոնների տարբերակը.

Եթե համընկնող բազան անհասանելի կամ անօգտագործելի է, արդյունքը պահում է իր չմշակված գնահատականը: Առաջին փորձը կարող է մնալ չկարգավորված, մինչ բազան պատրաստվում է հետագա փորձերի համար.

Ինչ է նշանակում ձեր գնահատականը

Արդյունք ունեցող թիվը practice score on HolosAccent’s scale է.

90 գնահատականը չի նշանակում, որ 90 տոկոս ձեր բառերը ճիշտ են, և այն չի սահմանում CEFR մակարդակ կամ մայրենի խոսողի հավասարություն.

Քարտեզը կազմված է փորձագետների գնահատված ձայնագրությունների հիման վրա, բայց new scoring system remains experimental և նրա ամբողջական ընդունման չափանիշները դեռ չեն ստուգված: Այն կարող է բաց թողնել սխալները կամ նշել ընդունելի խոսքը.

Անհատական բառի հետադարձ կապը և պարբերական փորձերի ընթացքում ձևավորած ձևանմուշները տրամադրում են համատեքստ թիվը մեկնաբանելու համար.