HolosAccent तुमचा आवाज कसा उच्चार स्कोअरमध्ये बदलतो

तुमची रेकॉर्डिंग तयार करणे

प्रथम, ऑडिओला मानक स्वरूपात डिकोड केले जाते: 16 kHz वर सॅम्पल केलेला मोनो आवाज.

सिस्टम रेकॉर्डिंगचा सिग्नल‑टू‑नॉइज रेशियो अंदाजते. जर हा अंदाज 25 dB पेक्षा खाली आला आणि नॉइज फिल्टरिंग उपलब्ध असेल, तर विश्लेषणापूर्वी नॉइज‑रिडक्शन फिल्टर लागू करते. जर फिल्टरिंग अयशस्वी झाले, तर मूळ रेकॉर्डिंगसह पुढे जाते.

वेव्हफॉर्म नंतर स्पीच अॅनालिसिस मॉडेलच्या इनपुट आवश्यकता पूर्ण करण्यासाठी नॉर्मलाइझ केला जातो. अर्धा सेकंदापेक्षा कमी लांबीचे सायलेंस आणि रेकॉर्डिंग्जना शून्य स्कोअर दिला जातो.

विविध उच्चारांना परवानगी देणे

पुढे, रेफरन्स टेक्स्ट एक उच्चार इंजिन वापरून ध्वन्यात्मक उच्चारांमध्ये रूपांतरित केला जातो. एखाद्या शब्दाचे अनेक स्वीकृत रूपे असू शकतात.

उच्चार संचात समावेश आहे:

• ब्रिटिश आणि अमेरिकन प्रकार.
• सामान्य लहान रूपे, जसे to मधील अनस्ट्रेस्ड स्वर.
• निवडलेले संदर्भात्मक पर्याय.

उदाहरणार्थ, close the door मधील अंतिम व्यंजन a close friend मधील व्यंजनापेक्षा वेगळे असते. वाक्य प्रक्रिया करताना सिस्टम समर्थित पर्यायांपैकी निवडू शकते.

आवाज ऐकणे, शब्द पुन्हा तयार न करणे

रेकॉर्डिंग एक अकौस्टिक मॉडेल मधून जाते. ते वेळेनुसार विविध स्पीच आवाजांसाठी पुरावा तयार करते, सुमारे 20‑मिलिसेकंद अंतरावर.

हे रेकॉर्डिंगचे ध्वन्यात्मक प्रतिनिधित्व आहे. स्कोअरर शब्द‑स्तराचा लँग्वेज मॉडेल वापरून वाक्य पुन्हा तयार करत नाही.

सिस्टम नंतर त्या अकौस्टिक आउटपुटचे दोन पद्धतीने परीक्षण करते:

पद्धत	हे काय करते
Expected-sound alignment	अपेक्षित आवाजांसाठी सर्वोत्तम टाइमिंग शोधते, प्रत्येक शब्दासाठी पूर्ण उच्चार पर्याय निवडते.
Independent sound recognition	संदर्भ वाक्याची आवश्यकता न ठेवता मॉडेलने पसंत केलेले आवाज अनुसरते.

दोन्ही दृष्टीकोन आवश्यक आहेत कारण अलाइनमेंट रेकॉर्डिंगमध्ये अपेक्षित आवाज कुठेतरी ठेवू शकते जरी वक्त्याने तो वगळला असेल. स्वतंत्र आवाज ओळखणारी प्रणाली प्रत्यक्ष बोललेला आवाजाबद्दल अतिरिक्त पुरावा देते.

मॅचिंग टाइमिंगचा विचारही करते, ज्यामुळे एका शब्दातील आवाज दूरच्या शब्दासाठी पुरावा म्हणून मोजणे कठीण होते.

प्रत्येक आवाजाचे स्कोअरिंग

प्रत्येक अलाइन केलेल्या आवाजासाठी, स्कोअरर उच्चार अचूकता मापन गणना करतो: त्या अंतरात मॉडेल अपेक्षित आवाजाला स्पर्धात्मक आवाजांच्या तुलनेत किती मजबूत समर्थन देते.

हे देखील विचारात घेतले जाते:

• अपेक्षित आवाजाची कमाल संभाव्यता.
• स्वतंत्र आवाज ओळखणारी प्रणाली जवळचा जुळणारा आवाज शोधली का.

एक फिटेड गणितीय मॅपिंग हा पुरावा 0‑ते‑100 दरम्यानच्या आवाज अचूकता मूल्य मध्ये बदलते.

स्वतंत्र ओळख परिणामातून आवाज गहाळ असला तरी तो आपोआप शून्य मिळत नाही. अकौस्टिक पुरावा अजूनही महत्त्वाचा असतो.

कोणते शब्द लक्ष देण्यास आवश्यक आहेत हे ठरवणे

वर्ड फीडबॅक या आवाज मूल्यांना स्पष्ट त्रुटी तपासण्यांसह एकत्रित करतो. एखादा शब्द खालील अटी पूर्ण करावा:

• बोलले गेले याचा पुरेसा पुरावा असावा.
• कॉन्फिगर केलेल्या सरासरी अचूकता थ्रेशोल्डला पूर्ण करावा.
• ओळखलेले बदल, घातलेले शब्द किंवा गंभीर गायब आवाज त्रुटी टाळाव्यात.

स्पष्ट बदलांसाठी अपेक्षित आवाजासाठी कमजोर समर्थन आणि स्पर्धात्मक आवाजासाठी मजबूत समर्थन आवश्यक असते.

पुरावा	वर्तमान थ्रेशोल्ड
अपेक्षित आवाजासाठी समर्थन	Below 0.05
त्याच्या बदलासाठी समर्थन	At least 0.5

हे मॉडेल पुरावा थ्रेशोल्ड आहेत, मानवी श्रोत्याने शब्द चुकीचा मानला याची संभाव्यता नाही.

फ्लॅग केलेल्या शब्दांसाठी, सिस्टम अपेक्षित उच्चार आणि ऐकलेले आवाजांचे अंदाज International Phonetic Alphabet (IPA) मध्ये परत देते. हा अंदाज शब्द सीमांवर विशेषतः अपूर्ण असू शकतो.

वाक्य स्कोअर तयार करणे

वाक्य स्कोअर खालील फिटेड संयोजनाने सुरू होतो:

• सरासरी आवाज अचूकता.
• स्वतंत्र आवाज ओळखणारी प्रणालीने जुळवलेले अपेक्षित आवाजांचे प्रमाण.
• प्रति सेकंद उच्चारलेले आवाजांची संख्या.
• शब्दांमधील लांब विराम.

टायमिंग गणना पहिल्या अलाइन आवाजापूर्वी आणि शेवटच्या नंतरचा सायलेंस वगळते.

हे फीचर एकूण स्कोअर मध्ये योगदान देतात. सध्याची अंमलबजावणी वापरकर्ता‑समोर फ्लुएंसी, पूर्णता किंवा इंटोनेशन स्कोअर स्वतंत्रपणे देत नाही.

शब्द क्रेडिट परिणामावर कसा प्रभाव टाकतो

स्कोअरर नंतर स्पष्ट word‑credit multiplier लागू करतो. प्रत्येक शब्दाला त्याच्या निवडलेल्या उच्चारातील आवाजांच्या संख्येनुसार वजन दिले जाते.

शब्द परिणाम	मिळालेला क्रेडिट
बरोबर	Full weight
बोलले पण चिन्हांकित	One quarter of its weight
वगळलेले	No credit

गणना खालीलप्रमाणे आहे:

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

परिणामी, लांब चुकीचा शब्द सामान्यतः छोट्या शब्दापेक्षा अधिक खर्च करतो. वाक्याचा फक्त छोटा भाग वाचल्यासही स्कोअर मर्यादित राहतो, जरी तो भाग स्पष्ट वाटला तरी.

तुमचा स्कोअर संदर्भाशी तुलना करणे

शेवटी, सिस्टम त्याच वाक्यांशाच्या रेफरन्स रेकॉर्डिंग वापरून रॉ स्कोअर सामान्यीकृत करू शकते.

ती त्याच स्कोअरिंग आवृत्तीने सिंथेसाइझ्ड रेफरन्स स्कोअर करते आणि जेव्हा वापरता येणारी जुळणारी बेसलाइन आधीच उपलब्ध असते, तेव्हा लागू करते:

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

उदाहरणार्थ, 80 चा रॉ स्कोअर 88 च्या रेफरन्स स्कोअरविरुद्ध घेतल्यास अंदाजे 90.9 मिळतो.

ही समायोजन मॉडेल कधीकधी रेफरन्स रेकॉर्डिंगला 100 पेक्षा कमी स्कोअर देऊ शकते, हे लक्षात घेते.

बेसलाइन खालील घटकांशी जोडलेली असते:

• संदर्भ आवाज आणि स्पीच‑जनरेशन मॉडेल.
• स्कोअरिंग मॉडेल.
• शब्दसंग्रह.
• कॅलिब्रेशन आणि नियम आवृत्ती.

जर जुळणारी बेसलाइन उपलब्ध नसेल किंवा वापरता येत नसेल, तर परिणाम त्याचा रॉ स्कोअर ठेवतो. पहिला प्रयत्न नंतरच्या प्रयत्नांसाठी बेसलाइन तयार होत असताना अनअॅडजस्टेड राहू शकतो.

तुमचा स्कोअर काय दर्शवितो

परिणामी मिळालेला नंबर HolosAccent च्या स्केलवरील प्रॅक्टिस स्कोअर आहे.

90 चा स्कोअर म्हणजे तुमचे 90 टक्के शब्द बरोबर आहेत असे नाही, आणि तो CEFR स्तर किंवा नेटिव्ह‑स्पीकर समतुल्यतेची पुष्टी करत नाही.

ही मॅपिंग तज्ञ‑रेटेड रेकॉर्डिंग वापरून फिट केली गेली आहे, परंतु नवीन स्कोअरिंग सिस्टम अजूनही प्रयोगात्मक आहे आणि तिची पूर्ण स्वीकृती निकष अद्याप सत्यापित झालेले नाहीत. ती त्रुटी चुकवू शकते किंवा स्वीकार्य स्पीचला फ्लॅग करू शकते.

वैयक्तिक शब्द फीडबॅक आणि पुनरावृत्ती प्रयत्नांमधील पॅटर्न्स नंबरची व्याख्या करण्यासाठी संदर्भ प्रदान करतात.