როგორ HolosAccent გარდაქმნის თქვენს ხმას წარმოთქმის ქულად

Preparing your recording

ჯერ, აუდიო გადაყენება სტანდარტულ ფორმატში: mono sound sampled at 16 kHz.

სისტემა ითვლის ჩანაწერის სიგნალი-ტუ-ხმაურის (signal-to-noise) მაჩვენებელს. თუ ეს მაჩვენებელი ქვედა 25 dB-ზე მოდის და ხმაურის გაფილტვრა ხელმისაწვდომია, მას იყენებს a noise-reduction filter ანალიზის წინ. თუ გაფილტვრა ვერ მოხერხდება, სისტემამ გაგრძელდება ორიგინალურ ჩანაწერით.

შემდეგ waveform ნორმალიზდება, რათა შეესაბამებოდეს საუბრის ანალიზის მოდელის შეყვანის მოთხოვნებს. სიჩუმე და ნახევარზე ნაკლები დროის ჩანაწერები (0.5 სეკ.) მიიღებენ ნულოვან ქულას.

Allowing different pronunciations

შემდეგ, მითითებული ტექსტი გადაყენდება ფონეტიკურ წარმოთქმებაში a pronunciation engine-ის საშუალებით. სიტყვას შეიძლება ჰქონდეს რამდენიმე მიღებული ფორმა.

ფონეტიკური სეტში შედის:

• ბრიტანული და ამერიკული ვარიანტები.
• საერთო შემცირებული ფორმები, მაგალითად to‑ის უსასხმო ხმა.
• შერჩეული კონტექსტუალური ალტერნატივები.

მაგალითად, საბოლოო კონსონანტი close the door‑ში განსხვავდება a close friend‑ისგან. სისტემა შეიძლება აირჩიოს მხარდაჭერილი ალტერნატივებიდან, როდესაც წინადადება დამუშავდება.

Listening to sounds, not reconstructing words

ჩანაწერი გადის an acoustic model‑ით. იგი ქმნის მტკიცებულებებს სხვადასხვა საუბრის ხმებზე დროის მიხედვით, დაახლოებით 20‑მილიწამული ინტერვალებით.

ეს არის ჩანაწერის ფონეტიკური წარმოდგენა. ქულამ არ იყენებს სიტყვა‑დონის ენის მოდელს, რათა აღადგინოს წინადადება.

სისტემა შემდეგ ამ აკუსტიკური გამომდინარე მონაცემებს ანალიზებს ორი გზით:

მეთოდი	რას აკეთებს
Expected-sound alignment	იპოვის საუკეთესო დროის მდებარეობას მოსალოდნელი ხმებისთვის, თითოეული სიტყვისთვის სრულ წარმოთქმის ვარიანტს არჩევის საშუალებით.
Independent sound recognition	მიჰყევით მოდელის მიერ პრიორიტეტული ხმებს, არ საჭიროებს მითითებულ წინადადებას.

ორივე ხედვა აუცილებელია, რადგან ალიგნმენტი შეიძლება მოათავსოს მოსალოდნელი ხმა ჩანაწერში, მიუხედავად იმისა, რომ საუბარი მას არ გამოთქმა. დამოუკიდებელი ხმების აღქმა კი დამატებით მტკიცებულებებს იძლევა, რა ნამდვილად წარმოთქმდა.

მატჩინგი ასევე დროის გათვალისწინებით ხდება, რაც რთულს ხდის, რომ ერთი სიტყვის ხმა ითვლება შორს მდებარე სიტყვის მტკიცებულებად.

Scoring each sound

თითოეული ალიგნირებული ხმა, ქულამ ითვლის pronunciation accuracy measure‑ს: რამდენად ძლიერი მოდელი მხარს უჭერს მოსალოდნელი ხმას, შედარებით სხვა ხმებთან იმ ინტერვალში.

ასევე ითვალისწინება:

• მოსალოდნელი ხმაზე პიკ‑შანსი.
• თუ დამოუკიდებელი ხმების აღქმა ახლოს აღმოჩნდა შესაბამისი ხმა.

მათემატიკური მოდელი ამ მტკიცებულებებს გადაყანს sound accuracy value between 0 and 100‑ში.

Independent recognition‑ის შედეგში გამოტოვებული ხმა ავტომატურად ნულს არ იძლევა. აკუსტიკური მტკიცებულება მაინც მნიშვნელოვანია.

Deciding which words need attention

სიტყვის უკუკავშირი აერთიანებს ამ ხმების მნიშვნელობას ცალკე შეცდომის შემოწმებით. სიტყვა უნდა:

• ჰქონდეს საკმარისი მტკიცებულება, რომ იგი წარმოთქმდა.
• აკმაყოფილებდეს კონფიგურირებულ საშუალო სიზუსტის ზღვარს.
• არ იყოს აღმოჩენილი შეცვლები, შეყვანები ან მკაცრი გამოტოვებული ხმების შეცდომები.

სკანდალური შეცვლები მოითხოვენ weak support for the expected sound და strong support for a competing sound.

მტკიცებულება	მიმდინარე ზღვარი
Support for the expected sound	Below 0.05
Support for its replacement	At least 0.5

ეს model evidence thresholds‑ია, არა იმ პრაბაბილურობა, რომელიც ადამიანმა აუდიო‑მიმოხილვით განსაზღვრავს სიტყვას არასწორად.

მონიშნული სიტყვებისთვის სისტემა აბრუნებს მოსალოდნელი წარმოთქმა და მისი შეფასებული ხმების IPA‑ში. ეს შეფასება შეიძლება იყოს არასრულყოფილი, განსაკუთრებით სიტყვების საზღვრებზე.

Building the sentence score

წინადადების ქული იწყება მოდელირებული კომბინაციით:

• საშუალო ხმების სიზუსტე.
• იმ მოსალოდნელი ხმების პროცენტი, რომელიც დამთხვევა დამოუკიდებელ ხმების აღქმით.
• წამში წარმოთქმებული საუბრის ხმების რაოდენობა.
• გრძელი პაუზები სიტყვებს შორის.

დროის გამოთვლა არ ითვალისწინებს სიჩუმეს პირველ ალიგნირებულ ხმამდე და ბოლო ალიგნირებულ ხმამდე.

ეს თვისებები იდგენენ ერთ საერთო ქულას. მიმდინარე ვერსია არ აძლევს ცალკე მომხმარებლისთვის ხილული fluency, completeness, ან intonation ქულებს.

How word credit affects the result

ქულამ შემდეგ იყენებს word-credit multiplier‑ს. თითოეული სიტყვა ვაზის მიხედვით იზომება მისი არჩევანის ხმების რაოდენობით.

სიტყვის შედეგი	მიღებული კრედიტი
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

გამოთვლა არის:

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

ამიტომ, გრძელი არასწორი სიტყვა ჩვეულებრივ უფრო მეტი ქულას აკლდება, ვიდრე მოკლე სიტყვა. თუ მხოლოდ პატარა ნაწილი წინადადების წაიკითხავთ, ქული შეზღუდული იქნება, მიუხედავად იმისა, რომ ეს ნაწყვეტი ნათლად წარმოთქმდა.

Comparing your score with the reference

საბოლოოდ სისტემა შეიძლება ნორმალიზდეს reference recording of the same phrase‑ის მიხედვით.

ის ქულას აყენებს სინთეზირებულ რეფერენს იმავე ქულამომცველ მოდელით და, როდესაც უკვე არსებობს შესაბამისი baseline, იყენებს:

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

მაგალითად, raw score 80‑ის მიმართ reference score 88‑ის შემთხვევაში, მიიღება დაახლოებით 90.9.

ეს კორექცია ითვალისწინებს იმ ფაქტს, რომ მოდელი შეიძლება reference‑ისაც 100‑ზე ნაკლებად შეფასდეს.

Baseline‑ები დაკავშირებულია:

• რეფერენციის ხმასთან და საუბრის გენერაციის მოდელთან.
• ქულამომცველი მოდელთან.
• ლექსიკასთან.
• კალიბრაციისა და წესის ვერსიასთან.

თუ შესაბამისი baseline არ არსებობს ან არ არის გამოსადეგი, შედეგი დარჩება raw score‑ში. პირველი ცდა შეიძლება დარჩეს შეუმუშავებლად, სანამ baseline‑ი მომზადდება შემდეგი ცდებისთვის.

What your score means

დასრულებული რიცხვი არის practice score on HolosAccent’s scale.

ქული 90 არ ნიშნავს, რომ 90 პროცენტი თქვენი სიტყვებია სწორია, და არ აყენებს CEFR‑ის დონეს ან ნატურალურ‑მომხელსაწყოს თანასწორობას.

მაპირობითი მოდელი შექმნილია ექსპერტ‑რიცხვით ჩანაწერებით, თუმცა new scoring system remains experimental და მისი სრულად მიღებული კრიტერიუმები ჯერ არ არის გადამოწმებული. შეიძლება გამოტოვებული შეცდომები იყოს ან დასაშვები საუბარი იყოს მონიშნული.

ინდივიდუალური სიტყვების უკუკავშირი და მოდელების შაბლონები მრავალ ცდაზე კონტექსტს იძლევა რიცხვის ინტერპრეტაციისთვის.