HolosAccentがあなたの声を発音スコアに変える仕組み

録音の準備

まず、音声は標準フォーマットにデコードされます：mono sound sampled at 16 kHz。

システムは録音の信号対雑音比を推定します。その推定値が25 dB 未満でノイズフィルタリングが利用可能な場合、解析前にa noise-reduction filter を適用します。フィルタリングが失敗した場合は、元の録音で続行します。

その後、波形は音声分析モデルの入力要件に合わせて正規化されます。無音や 0.5 秒未満の録音はゼロスコアとなります。

異なる発音を許容する

次に、参照テキストはa pronunciation engine を使って音韻的発音に変換されます。1語に対して複数の受容可能な形が存在することがあります。

発音セットには以下が含まれます：

• British and American variants.
• Common reduced forms, such as the unstressed vowel in to.
• Selected contextual alternatives.

たとえば、close the door の最後の子音は a close friend のそれとは異なります。システムは文を処理する際に、サポートされている代替案の中から選択できます。

音を聞く、単語を再構築しない

録音はan acoustic model を通過します。約20-millisecond intervals の間隔で、時間ごとに異なる音声音の証拠を生成します。

これは録音の音韻的表現です。スコアラーは単語レベルの言語モデルを使用して文を再構築しません。

システムはこれらの音響出力を次の2つの方法で検査します：

方法	内容
Expected-sound alignment	期待される音の最適なタイミングを見つけ、各単語に対して完全な発音バリアントを選択します。
Independent sound recognition	参照文を必要とせず、モデルが好む音をそのままたどります。

両方の視点が必要です。なぜなら、アラインメントは話者が音を省略した場合でも、期待音を録音のどこかに配置できるからです。独立音認識は実際に話された内容に関する追加証拠を提供します。

マッチングはタイミングも考慮するため、ある単語の音が遠く離れた単語の証拠としてカウントされにくくなります。

各音のスコア付け

アラインされた各音について、スコアラーはpronunciation accuracy measure を計算します：その時間区間で期待音に対するモデルの支持度が競合音に比べてどれだけ強いか。

さらに以下も考慮します：

• 期待音のピーク確率。
• 独立音認識が近くで一致する音を見つけたかどうか。

この証拠は、sound accuracy value between 0 and 100 に変換されます。

音が独立認識結果に欠けていても、自動的に0になるわけではありません。音響証拠は依然として重要です。

注意が必要な単語の判定

単語フィードバックはこれらの音価と明示的なエラーチェックを組み合わせます。単語は次の条件を満たす必要があります：

• 発話されたという十分な証拠があること。
• 設定された平均精度閾値を満たすこと。
• 検出された置換、挿入、または重大な欠損音エラーがないこと。

明確な置換はweak support for the expected sound とstrong support for a competing sound が必要です。

証拠	現在の閾値
Support for the expected sound	Below 0.05
Support for its replacement	At least 0.5

これらはmodel evidence thresholds であり、人間のリスナーが単語を誤りと判断する確率ではありません。

フラグが付いた単語については、システムは期待される発音と、International Phonetic Alphabet (IPA) で書かれた聞こえた音の推定を返します。この推定は特に単語境界付近で不完全になることがあります。

文全体のスコア作成

文スコアは次の要素の組み合わせから始まります：

• Average sound accuracy.
• Independent sound recognition が一致した期待音の割合。
• 1秒あたりに発音された音声音の数。
• 単語間の長いポーズ。

タイミング計算は最初のアライン音の前と最後の後の無音は除外します。

これらの特徴はone overall score に寄与します。現在の実装では、流暢さ、完全性、イントネーションの別々のユーザー向けスコアは提供されていません。

単語クレジットが結果に与える影響

スコアラーは明示的なword-credit multiplier を適用します。各単語は選択された発音に含まれる音の数で重み付けされます。

単語結果	獲得クレジット
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

計算式は次の通りです：

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

その結果、a long incorrect word usually costs more than a short one。文のごく一部だけを読む場合でも、スコアは制限されます（たとえその断片がはっきり聞こえていても）。

スコアとリファレンスの比較

最後に、システムはreference recording of the same phrase を使用して生スコアを正規化できます。

同じスコアラーバージョンで合成リファレンスをスコアリングし、利用可能なマッチングベースラインがすでにある場合は次を適用します：

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

例えば、生スコアが 80、リファレンススコアが 88 の場合、約 90.9 になります。

この調整は、モデルがリファレンス録音でさえ100未満のスコアを付ける可能性があることを考慮しています。

ベースラインは以下に紐付けられます：

• The reference voice and speech-generation model.
• The scoring model.
• The vocabulary.
• The calibration and rule version.

マッチングベースラインが利用できない、または使用不可能な場合、結果は生スコアのままです。最初の試行はベースラインが後で用意されるまで調整されないことがあります。

スコアの意味

得られた数値はpractice score on HolosAccent’s scale です。

A score of 90 does not mean that 90 percent of your words were correct, and it does not establish a CEFR level or native-speaker equivalence.

このマッピングは専門家が評価した録音を用いてフィットされていますが、new scoring system remains experimental であり、完全な受容基準はまだ検証されていません。エラーを見逃したり、許容できる発話をフラグ付けしたりすることがあります。

個々の単語フィードバックと繰り返し試行間のパターンは、数値を解釈する際のコンテキストを提供します。