របៀបដែល HolosAccent បម្លែងសំឡេងរបស់អ្នកទៅជាអត្រាការបញ្ចេញសំឡេង

ការរៀបចំការថតសំឡេង

ដំបូង, សំឡេងត្រូវបានដកកូដទៅជា​ mono sound sampled at 16 kHz ​ដែលជាទ្រង់ទ្រាយស្តង់ដារ។

ប្រព័ន្ធគណនាអត្រាសញ្ញាសំឡេង-ចម្លើយ (signal‑to‑noise ratio) របស់ការថត។ ប្រសិនបើតម្លៃនេះធ្លាក់ក្រោម 25 dB ហើយមាន​ a noise-reduction filter​ អាចប្រើបាន, ប្រព័ន្ធនឹងអនុវត្ត​ a noise-reduction filter មុនពេលវិភាគ។ ប្រសិនបើការប្រមូលតម្រូវបរាជ័យ, វានឹងបន្តប្រើការថតដើម។

បន្ទាប់មក waveform ត្រូវបានធ្វើ​ឲ្យ​សមតុល្យ​ ដើម្បីឆ្លើយតបតម្រូវការបញ្ចូលរបស់​ម៉ូឌែល​វិភាគ​សំឡេង។ ការស្ងាត់ និងការថតដែលខ្លីជាងពាក់កណ្តាលវិនាទី​ ទទួលបានអត្រា​ 0។

អនុញ្ញាតឱ្យមានការបញ្ចេញសំឡេងផ្សេងៗ

បន្ទាប់មក, អត្ថបទយោងត្រូវបានបម្លែងទៅជា​ phonetic pronunciations ដោយប្រើ a pronunciation engine។ ពាក្យមួយអាចមាន​ multiple accepted forms​។

សំណុំ​ pronunciation រួមមាន​:

• British និង American variants​។
• Common reduced forms, such as the unstressed vowel in to​។
• Selected contextual alternatives​។

ឧទាហរណ៍, សូឡូតុងចុងក្រោយ​នៅក្នុង close the door ខុសពីសូឡូតុង​នៅក្នុង a close friend។ ប្រព័ន្ធអាចជ្រើសរើស​ពី​ supported alternatives​ នៅពេលដំណើរការប្រយោគ។

ស្ដាប់សំឡេង, មិនមែនបង្កើតពាក្យឡើងវិញ

ការថតត្រូវបានដំណើរការតាម an acoustic model។ វាបង្កើតភស្តុតាងសម្រាប់​សំឡេងនានា​តាម​ពេល, ប្រហែល​ 20-millisecond intervals​។

នេះគឺជា​ phonetic representation of the recording​។ scorer មិនប្រើ​ word‑level language model​ ដើម្បីបង្កើតប្រយោគឡើងវិញ។

ប្រព័ន្ធបន្ទាប់មកពិនិត្យ​ acoustic outputs​ តាមរយៈ​ពីរបៀប​:

វិធីសាស្ត្រ	អ្វីដែលវាធ្វើ
Expected-sound alignment	Finds the best timing for the expected sounds, choosing a complete pronunciation variant for each word.
Independent sound recognition	Follows the sounds favored by the model without requiring the reference sentence.

ទាំងពីរមានតំរូវការដោយសារតែ alignment អាចដាក់សំឡេងដែលរំពឹងទុកនៅកន្លែងណាមួយក្នុងការថត​ ទោះបីអ្នកនិយាយមិនបាននិយាយ​។ Independent sound recognition ផ្ដល់ភស្តុតាងបន្ថែមអំពីអ្វីដែល​ពិតជា​បាន​និយាយ។

ការផ្គូផ្គងក៏យកពេលវេលា​ចូលគិតផង ដូច្នេះសំឡេងនៅក្នុង​ពាក្យ​មួយ​មិនអាច​ប្រើ​ជា​ភស្តុតាង​សម្រាប់​ពាក្យ​ឆ្ងាយ​។

វាយតម្លៃ​សំឡេង​នីមួយ​

សម្រាប់​សំឡេង​ដែល​បាន​ផ្គូផ្គង, scorer គណនា​ pronunciation accuracy measure​៖ តើ​ម៉ូឌែល​គាំទ្រ​សំឡេង​ដែល​រំពឹង​​យ៉ាង​ខ្លាំង​ប៉ុណ្ណា​ប្រៀបធៀប​នឹង​សំឡេងផ្សេង​ នៅក្នុង​ចន្លោះ​ពេល​នោះ។

វាក៏​យក​ចូល​៖

• Peak probability របស់​សំឡេង​ដែល​រំពឹង​។
• ថាតើ independent sound recognition បាន​រក​ឃើញ​សំឡេង​ដែល​ផ្គូផ្គង​នៅ​ជិត​។

ការបំលែង​គណិតវិទ្យា​ដែល​បាន​រៀបចំ​ បម្លែង​ភស្តុតាង​ទាំងនេះ​ទៅជា​ sound accuracy value between 0 and 100​។

សំឡេង​ដែល​បាត់​ នៅ​ក្នុង​លទ្ធផល independent recognition មិន​បញ្ជាក់​ថា​ត្រូវ​បាន​ផ្ដល់​ 0​ ដោយ​ស្វ័យប្រវត្តិ​។ ភស្តុតាង​អាគុយស្តិច​នៅតែ​មាន​សារៈសំខាន់​។

កំណត់​ពាក្យ​ដែល​ត្រូវ​ការ​ការ​យក​ចិត្តទុកដាក់

ការឆ្លើយតប​ពាក្យ​ បញ្ចូល​តម្លៃ​សំឡេង​នេះ​ជាមួយ​ការ​ពិនិត្យ​កំហុស​ដោយ​ច្បាស់។ ពាក្យ​ត្រូវតែ​:

• មាន​ភស្តុតាង​គ្រប់គ្រាន់​ថា​បាន​និយាយ​។
• ជួប​តម្លៃ​មធ្យម​ accuracy​ ដែល​បាន​កំណត់​។
• មិន​មាន​ការ​ជំនួស, បញ្ចូល, ឬ​កំហុស​សំឡេង​បាត់​​ធ្ងន់​។

ការជំនួស​ច្បាស់​ ត្រូវការ weak support for the expected sound និង strong support for a competing sound​។

ភស្តុតាង	កម្រិត​បច្ចុប្បន្ន
Support for the expected sound	Below 0.05
Support for its replacement	At least 0.5

នេះ​ជា model evidence thresholds, មិនមែន​ជា​ប្រភព​ភាព​សមត្ថភាព​ដែល​មនុស្ស​ស្ដាប់​នឹង​វាយតម្លៃ​ពាក្យ​​មិនត្រឹមត្រូវ​។

សម្រាប់​ពាក្យ​ដែល​បាន​ដាក់​សញ្ញា, ប្រព័ន្ធ​នឹង​បង្ហាញ​ expected pronunciation និង​ estimate of the sounds heard, សរសេរ​ក្នុង **International Phonetic Alphabet (IPA)**​។ estimate នេះ​អាច​មិន​ពេញលេញ, ជាពិសេស​នៅ​ជុំវិញ​ព្រំ​​ពាក្យ​។

បង្កើត​អត្រា​ប្រយោគ

អត្រា​ប្រយោគ​ចាប់ផ្តើម​ពី​ការ​បញ្ចូល​

• Average sound accuracy​។
• ភាគរយ​នៃ​សំឡេង​ដែល​បាន​ផ្គូផ្គង​ដោយ independent sound recognition​។
• ចំនួន​សំឡេង​និយាយ​ក្នុង​មួយ​វិនាទី​។
• ការស្ងាត់​យូររវាង​ពាក្យ​។

ការគណនា​ពេលវេលា​មិនរាប់​បញ្ចូល​ស្ងាត់​មុន​សំឡេង​ដែល​បាន​ផ្គូផ្គង​ដំបូង និង​បន្ទាប់​ពី​សំឡេង​ចុងក្រោយ​ទេ។

លក្ខណៈ​ទាំងនេះ​បញ្ចូល​ទៅក្នុង one overall score​។ ការអនុវត្ត​បច្ចុប្បន្ន​មិន​ផ្ដល់​អត្រា fluency, completeness, ឬ intonation ដែល​អាច​មើល​ឃើញ​ដោយ​អ្នក​ប្រើ​។

របៀប​ដែល​ word credit​ ប៉ះពាល់​លទ្ធផល

បន្ទាប់មក scorer អនុវត្ត​ word‑credit multiplier​។ ពាក្យ​នីមួយ​ ត្រូវ​បាន​ដាក់​ទម្ងន់​តាម​ចំនួន​សំឡេង​ក្នុង pronunciation ដែល​បាន​ជ្រើសរើស​។

លទ្ធផល​ពាក្យ	ការទទួលបាន credit
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

ការគណនា​គឺ​:

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

ដូច្នេះ, a long incorrect word usually costs more than a short one​។ ការអានតែ​ផ្នែក​តូច​មួយ​នៃ​ប្រយោគ​ក៏​អាច​ដាក់​កំណត់​អត្រា, ទោះបី​ផ្នែក​នោះ​សំឡេង​ច្បាស់​។

ប្រៀបធៀប​អត្រា​របស់​អ្នក​ជាមួយ​យោង

ចុងក្រោយ, ប្រព័ន្ធ​អាច​ធ្វើ​ការ​ធម្មតា raw score ដោយ​ប្រើ​ reference recording of the same phrase​។

វាវាយតម្លៃ​ reference ដែល​បាន​សំឡេង​សំឡេង​ដោយ​ប្រើ​ scorer version ដូចគ្នា​ ហើយ​​ពេល​មាន​ usable matching baseline​, អនុវត្ត​:

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

ឧទាហរណ៍, raw score​ 80 ប្រឆាំង​នឹង reference score​ 88 នឹង​ក្លាយ​ជា​ប្រហែល​ 90.9​។

ការកែសម្រួល​នេះ​គិត​ទៅ​លើ​ការ​ដែល​ម៉ូឌែល​អាច​ផ្ដល់​ reference recording​ តិច​ជាង​100​។

Baseline​ ត្រូវ​បាន​ភ្ជាប់​ទៅ​:

• The reference voice and speech‑generation model​។
• The scoring model​។
• The vocabulary​។
• The calibration and rule version​។

ប្រសិនបើ​មិន​មាន​ matching baseline​ ឬ​មិន​អាច​ប្រើ​បាន, លទ្ធផល​នឹង​រក្សា raw score របស់​វា​។ ការប៉ុនប៉ង​ដំបូង​អាច​នៅ​តែ​មិន​បាន​កែសម្រួល​ ខណៈ​ដែល baseline ត្រូវ​បាន​រៀបចំ​សម្រាប់​ការ​ព្យាយាម​បន្ទាប់​។

អ្វី​ដែល​អត្រា​របស់​អ្នក​មាន​ន័យ

លេខ​ដែល​បាន​ទទួល​គឺ​ practice score on HolosAccent’s scale​។

អត្រា​ 90 មិន​មាន​ន័យ​ថា 90 ភាគរយ​នៃ​ពាក្យ​របស់​អ្នក​ត្រឹមត្រូវ, ហើយ​មិន​បង្កើត​ CEFR level ឬ​ native‑speaker equivalence​។

ការបំលែង​នេះ​បាន​ត្រូវ​បាន​រៀបចំ​ដោយ​ប្រើ​ expert‑rated recordings, ប៉ុន្តែ new scoring system remains experimental និង​ criteria ទាំងមូល​នៅ​តែ​មិន​បាន​ផ្ទៀងផ្ទាត់​។ វា​អាច​បាត់​កំហុស​ ឬ​ដាក់​សញ្ញា speech ដែល​អាច​ទទួលយក​បាន។

ការឆ្លើយតប​ពាក្យ​នីមួយ​ និង​លំនាំ​ក្នុង​ការ​ព្យាយាម​ច្រើន​ដង​ផ្ដល់​បរិបទ​សម្រាប់​ពន្យល់​លេខ​នេះ។