HolosAccent നിങ്ങളുടെ ശബ്ദം എങ്ങനെ ഉച്ചാരണം സ്കോറാക്കി മാറ്റുന്നു

നിങ്ങളുടെ റെക്കോർഡിംഗ് തയ്യാറാക്കൽ

ആദ്യം, ഓഡിയോ ഒരു സ്റ്റാൻഡേർഡ് ഫോർമാറ്റിലേക്ക് ഡീകോഡ് ചെയ്യപ്പെടുന്നു: മോണോ ശബ്ദം 16 kHz‑ൽ സാമ്പിൾ ചെയ്തത്.

സിസ്റ്റം റെക്കോർഡിംഗിന്റെ സിഗ്നൽ‑ടു‑ noise അനുപാതം (SNR) കണക്കാക്കുന്നു. ഈ മൂല്യം 25 dB‑ക്ക് താഴെയാണെങ്കിൽ, കൂടാതെ noise‑ഫിൽട്ടറിംഗ് ലഭ്യമായാൽ, വിശകലനത്തിന് മുമ്പ് noise‑reduction filter പ്രയോഗിക്കുന്നു. ഫിൽട്ടറിംഗ് പരാജയപ്പെടുകയാണെങ്കിൽ, ഒറിജിനൽ റെക്കോർഡിംഗ് ഉപയോഗിച്ച് തുടരും.

അതിനുശേഷം, waveform‑നെ speech analysis model‑ന്റെ ഇൻപുട്ട് ആവശ്യകതകൾക്ക് അനുയോജ്യമായി നോർമലൈസ് ചെയ്യുന്നു. ശൂന്യവും അർദ്ധ സെക്കൻഡിൽ താഴെ ദൈർഘ്യമുള്ള റെക്കോർഡിംഗുകൾക്കും ശൂന്യ സ്കോർ നൽകപ്പെടുന്നു.

വ്യത്യസ്ത ഉച്ചാരണങ്ങൾ അനുവദിക്കൽ

അടുത്തതായി, റഫറൻസ് ടെക്സ്റ്റ് pronunciation engine ഉപയോഗിച്ച് ഫോണറ്റിക് ഉച്ചാരണങ്ങളായി മാറ്റപ്പെടുന്നു. ഒരു വാക്കിന് നിരവധി അംഗീകരിച്ച രൂപങ്ങൾ ഉണ്ടായേക്കാം.

ഉച്ചാരണ സെറ്റിൽ ഉൾപ്പെടുന്നത്:

• ബ്രിട്ടീഷ്, അമേരിക്കൻ വകഭേദങ്ങൾ.
• പൊതുവായ ചുരുക്കം രൂപങ്ങൾ, ഉദാഹരണത്തിന് to‑യിലെ unstressed vowel.
• തിരഞ്ഞെടുത്ത സാഹചര്യപരമായ മാറ്റുകൾ.

ഉദാഹരണത്തിന്, close the door‑യിലെ അവസാന കോൺസോനന്റ് a close friend‑യിലെതിൽ നിന്ന് വ്യത്യസ്തമാണ്. സിസ്റ്റം വാചകം പ്രോസസ് ചെയ്യുമ്പോൾ പിന്തുണയുള്ള മാറ്റുകളിൽ നിന്ന് തിരഞ്ഞെടുക്കാൻ കഴിയും.

ശബ്ദങ്ങൾ കേൾക്കുക, വാക്കുകൾ പുനർനിർമ്മിക്കാതെ

റെക്കോർഡിംഗ് acoustic model വഴി കടക്കുന്നു. ഇത് ഏകദേശം 20 മില്ലിസെക്കൻഡ് ഇടവേളകളിൽ സമയം അനുസരിച്ച് വിവിധ സ്പീച്ച് ശബ്ദങ്ങളുടെ തെളിവുകൾ സൃഷ്ടിക്കുന്നു.

ഇത് റെക്കോർഡിംഗിന്റെ ഒരു ഫോണറ്റിക് പ്രതിനിധാനമാണ്. സ്കോറർ വാചകം പുനർനിർമ്മിക്കാൻ word‑level language model ഉപയോഗിക്കുന്നില്ല.

സിസ്റ്റം ആ acoustic ഔട്ട്പുട്ടുകൾ രണ്ട് രീതികളിൽ പരിശോധിക്കുന്നു:

മാർഗം	എന്താണ് ചെയ്യുന്നത്
Expected-sound alignment	പ്രതീക്ഷിക്കുന്ന ശബ്ദങ്ങൾക്ക് ഏറ്റവും നല്ല സമയക്രമം കണ്ടെത്തി, ഓരോ വാക്കിനും പൂര്‍ണ്ണമായ ഉച്ചാരണ വകഭേദം തിരഞ്ഞെടുക്കുന്നു.
Independent sound recognition	റഫറൻസ് വാചകം ആവശ്യമില്ലാതെ മോഡൽ മുൻഗണന നൽകുന്ന ശബ്ദങ്ങളെ പിന്തുടരുന്നു.

ഇരുവിധ ദൃഷ്ടികോണങ്ങളും ആവശ്യമാണ്, കാരണം alignment‑ൽ സ്പീക്കർ ഒരു ശബ്ദം ഒഴിവാക്കിയാലും, പ്രതീക്ഷിക്കുന്ന ശബ്ദം റെക്കോർഡിംഗിൽ എവിടെയെങ്കിലും സ്ഥാപിക്കാം. Independent sound recognition‑ൽ യഥാർത്ഥത്തിൽ പറഞ്ഞ ശബ്ദങ്ങളെക്കുറിച്ചുള്ള അധിക തെളിവുകൾ ലഭിക്കുന്നു.

മാച്ചിംഗ് സമയത്തെ കൂടി പരിഗണിക്കുന്നു, അതിനാൽ ഒരു വാക്കിലെ ശബ്ദം ദൂരെ ഉള്ള മറ്റൊരു വാക്കിന്റെ തെളിവായി കണക്കാക്കുന്നത് കൂടുതൽ പ്രയാസകരമാക്കുന്നു.

ഓരോ ശബ്ദവും സ്കോർ ചെയ്യൽ

ഓരോ alignment ചെയ്ത ശബ്ദത്തിനും, സ്കോറർ ഒരു pronunciation accuracy measure കണക്കാക്കുന്നു: ആ ഇടവേളയിൽ മോഡൽ പ്രതീക്ഷിക്കുന്ന ശബ്ദത്തെ മത്സരിക്കുന്ന ശബ്ദങ്ങളോട് താരതമ്യപ്പെടുത്തുമ്പോൾ എത്ര ശക്തമായി പിന്തുണയ്ക്കുന്നു.

ഇതും പരിഗണിക്കുന്നു:

• പ്രതീക്ഷിക്കുന്ന ശബ്ദത്തിന്റെ പരമാവധി probability.
• Independent sound recognition‑ൽ സമീപത്ത് പൊരുത്തമുള്ള ശബ്ദം കണ്ടെത്തിയോ എന്നത്.

ഒരു ഫിറ്റ് ചെയ്ത ഗണിതമാപ്പിംഗ് ഈ തെളിവിനെ 0 മുതൽ 100 വരെ ഉള്ള sound accuracy value ആയി മാറ്റുന്നു.

Independent recognition ഫലത്തിൽ ഒരു ശബ്ദം ഇല്ലാത്തതുകൊണ്ട് സ്വയം ശൂന്യ സ്കോർ ലഭിക്കില്ല. acoustic തെളിവ് ഇപ്പോഴും പ്രധാനമാണ്.

ഏത് വാക്കുകൾക്ക് ശ്രദ്ധ വേണം എന്ന് തീരുമാനിക്കൽ

Word feedback ഈ ശബ്ദ മൂല്യങ്ങളെ വ്യക്തമായ error checks‑നൊപ്പം ചേർക്കുന്നു. ഒരു വാക്കിന്:

• പറഞ്ഞതായി മതിയായ തെളിവ് ഉണ്ടായിരിക്കണം.
• ക്രമീകരിച്ച average accuracy threshold നിറവേറ്റണം.
• കണ്ടെത്തിയ substitution, insertion, അല്ലെങ്കിൽ ഗുരുതരമായ missing‑sound error‑കൾ ഒഴിവാക്കണം.

സ്പഷ്ടമായ substitution‑കൾക്ക് പ്രതീക്ഷിക്കുന്ന ശബ്ദത്തിന് ദുർബല പിന്തുണ കൂടാതെ മത്സര ശബ്ദത്തിന് ശക്തമായ പിന്തുണ ആവശ്യമാണ്.

തെളിവ്	നിലവിലെ threshold
പ്രതീക്ഷിക്കുന്ന ശബ്ദത്തിന് പിന്തുണ	Below 0.05
മാറ്റത്തിനുള്ള പിന്തുണ	At least 0.5

ഇവ model evidence thresholds ആണ്, മനുഷ്യ ശ്രോതാവ് വാക്കിനെ തെറ്റെന്ന് വിലയിരുത്തുന്ന probability‑കൾ അല്ല.

ഫ്ലാഗ് ചെയ്ത വാക്കുകൾക്കായി, സിസ്റ്റം പ്രതീക്ഷിക്കുന്ന ഉച്ചാരണം, കേട്ട ശബ്ദങ്ങളുടെ അവലോകനം International Phonetic Alphabet (IPA)‑ൽ എഴുതിയതായും തിരികെ നൽകുന്നു. ആ അവലോകനം പൂർണ്ണമായിരിക്കണമെന്നില്ല, പ്രത്യേകിച്ച് വാക്കുകളുടെ അതിരുകളിൽ.

വാചക സ്കോർ നിർമ്മാണം

വാചക സ്കോർ ഒരു ഫിറ്റ് ചെയ്ത സംയോജനത്തോടെ ആരംഭിക്കുന്നു:

• ശബ്ദങ്ങളുടെ ശരാശരി accuracy.
• Independent sound recognition‑ൽ പൊരുത്തപ്പെട്ട പ്രതീക്ഷിക്കുന്ന ശബ്ദങ്ങളുടെ പങ്ക്.
• ഒരു സെക്കൻഡിൽ ഉച്ചരിച്ച speech sounds‑യുടെ എണ്ണം.
• വാക്കുകൾക്കിടയിലെ ദീർഘ pause‑കൾ.

Timing കണക്കിൽ ആദ്യ alignment ചെയ്ത ശബ്ദത്തിന് മുമ്പും അവസാന ശബ്ദത്തിന് ശേഷവും ഉള്ള silence ഒഴിവാക്കുന്നു.

ഈ സവിശേഷതകൾ ഒരു മൊത്തം സ്കോർ ആയി സംഭാവന ചെയ്യുന്നു. നിലവിലെ നടപ്പാക്കലിൽ fluency, completeness, intonation എന്നിവയ്ക്ക് വേർതിരിച്ച user‑facing സ്കോറുകൾ ലഭ്യമല്ല.

വാക്ക് ക്രെഡിറ്റ് ഫലത്തെ എങ്ങനെ ബാധിക്കുന്നു

സ്കോറർ പിന്നീട് ഒരു വ്യക്തമായ word-credit multiplier പ്രയോഗിക്കുന്നു. ഓരോ വാക്കും അതിന്റെ തിരഞ്ഞെടുക്കപ്പെട്ട ഉച്ചാരണത്തിലെ ശബ്ദങ്ങളുടെ എണ്ണത്തെ അടിസ്ഥാനമാക്കി ഭാരമിടുന്നു.

വാക്കിന്റെ ഫലം	ലഭിച്ച ക്രെഡിറ്റ്
ശരിയായത്	പൂർണ്ണ ഭാരമിടൽ
പറഞ്ഞെങ്കിലും ഫ്ലാഗ് ചെയ്ത	ഭാരത്തിന്റെ ഒരു നാലു ഭാഗം
ഒഴിവാക്കിയ	ക്രെഡിറ്റ് ഇല്ല

കണക്കുകൂട്ടൽ ഇങ്ങനെ ആണ്:

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

അതിനാൽ, ദൈർഘ്യമേറിയ തെറ്റായ വാക്ക് സാധാരണയായി ചെറു വാക്കിനേക്കാൾ കൂടുതൽ ചെലവാക്കും. വാചകത്തിന്റെ ചെറിയ ഭാഗം മാത്രം വായിച്ചാൽ സ്കോർ പരിമിതമാകും, ആ ഭാഗം വ്യക്തമായ ശബ്ദം ഉണ്ടെങ്കിലും.

നിങ്ങളുടെ സ്കോർ റഫറൻസുമായി താരതമ്യം ചെയ്യൽ

അവസാനമായി, സിസ്റ്റം അതേ വാചകത്തിന്റെ റഫറൻസ് റെക്കോർഡിംഗ് ഉപയോഗിച്ച് raw സ്കോർ നോർമലൈസ് ചെയ്യാം.

അത് സമാന scorer version ഉപയോഗിച്ച് synthesized റഫറൻസ് സ്കോർ ചെയ്യുകയും, ഉപയോഗിക്കാൻ കഴിയുന്ന matching baseline ഇതിനകം ലഭ്യമായാൽ, ഇത് പ്രയോഗിക്കുകയും ചെയ്യുന്നു:

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

ഉദാഹരണത്തിന്, raw സ്കോർ 80 റഫറൻസ് സ്കോർ 88‑നോട് താരതമ്യം ചെയ്യുമ്പോൾ ഏകദേശം 90.9 ആകുന്നു.

ഈ ക്രമീകരണം മോഡൽ റഫറൻസ് റെക്കോർഡിംഗിനും 100‑ൽ താഴെ സ്കോർ നൽകാൻ സാധ്യതയുണ്ടെന്ന് പരിഗണിക്കുന്നു.

Baseline‑കൾ ബന്ധിപ്പിച്ചിരിക്കുന്നത്:

• റഫറൻസ് ശബ്ദവും speech‑generation മോഡലും.
• സ്കോറിംഗ് മോഡൽ.
• വോക്കാബുലറി.
• ക്യാലിബ്രേഷൻ, rule version.

matching baseline ലഭ്യമല്ലെങ്കിൽ അല്ലെങ്കിൽ ഉപയോഗിക്കാൻ കഴിയില്ലെങ്കിൽ, ഫലം അതിന്റെ raw സ്കോർ നിലനിർത്തും. ആദ്യ ശ്രമം ക്രമീകരിക്കാതെ തന്നെ തുടരാം, പിന്നീട് baseline തയ്യാറാക്കുമ്പോൾ.

നിങ്ങളുടെ സ്കോർ എന്താണ് സൂചിപ്പിക്കുന്നത്

ഫലമായ സംഖ്യ HolosAccent‑ന്റെ സ്കെയിലിലെ practice സ്കോർ ആണ്.

90 സ്കോർ എന്നത് നിങ്ങളുടെ വാക്കുകളുടെ 90 % ശരിയായതാണെന്ന് അർത്ഥമാക്കുന്നില്ല, കൂടാതെ CEFR ലെവൽ അല്ലെങ്കിൽ native‑speaker സമതുല്യതയും സ്ഥാപിക്കുന്നില്ല.

മാപ്പിംഗ് വിദഗ്ധ‑റേറ്റഡ് റെക്കോർഡിംഗുകൾ ഉപയോഗിച്ച് ഫിറ്റ് ചെയ്തതാണ്, പക്ഷേ പുതിയ സ്കോറിംഗ് സിസ്റ്റം ഇപ്പോഴും പരീക്ഷണാത്മകമാണ് കൂടാതെ അതിന്റെ മുഴുവൻ acceptance criteria ഇതുവരെ സ്ഥിരീകരിച്ചിട്ടില്ല. ഇത് പിശകുകൾ ഒഴിവാക്കുകയോ, അംഗീകൃത സ്പീച്ച് ഫ്ലാഗ് ചെയ്യുകയോ ചെയ്യാം.

വ്യക്തിഗത വാക്ക് ഫീഡ്ബാക്കും, ആവർത്തിച്ച ശ്രമങ്ങളിലെ മാതൃകകളും, ആ സംഖ്യയെ വ്യാഖ്യാനിക്കാൻ പശ്ചാത്തലം നൽകുന്നു.