HolosAccent သည် သင့်အသံကို အသံထွက်အမှတ်အဖြစ် ပြောင်းလဲပုံ

အသံသွင်းမှုကို ပြင်ဆင်ခြင်း

ပထမဦးစွာ၊ အော်ဒီယိုကို စံပြ ဖော်မတ်ဖြစ်သော mono sound sampled at 16 kHz အဖြစ် ပြန်လည် decode လုပ်ပါသည်။

စနစ်သည် အသံသွင်းမှု၏ signal‑to‑noise ratio ကို ခန့်မှန်းသည်။ အဲဒီ ခန့်မှန်းချက်သည် 25 dB ထက်နိမ့်ပြီး ဆူညံမှု ဖယ်ရှားနိုင်မှု ရှိပါက a noise‑reduction filter ကို သုံးပြီး လေ့လာမှုမတိုင်မီ လုပ်ဆောင်သည်။ ဖယ်ရှားမှု မအောင်မြင်ပါက မူလ အသံသွင်းမှုကို ဆက်လက် အသုံးပြုသည်။

ထို waveform ကို speech analysis model ၏ input လိုအပ်ချက်များနှင့် ကိုက်ညီ하도록 normalize လုပ်သည်။ တစ်စက္ကန့်ခွဲထက် ညိုငယ်သော silence နှင့် 0.5 စက္ကန့်ထက် တိုတောင်းသော အသံသွင်းမှုများကို အမှတ် ၀ အဖြစ် ထားသည်။

အမျိုးမျိုးသော အထွေထွေထွက်သံများကို ခွင့်ပြုခြင်း

နောက်တစ်ဆင့်တွင်၊ reference text ကို a pronunciation engine အသုံးပြု၍ phonetic pronunciation အဖြစ် ပြောင်းလဲသည်။ တစ်စကားလုံးတွင် လက်ခံနိုင်သော ပုံစံများ အများကြီး ရှိနိုင်သည်။

ထုတ်လွှင့်သံအစုအဝေးတွင် ပါဝင်သည်။

• British နှင့် American မျိုးစုံ။
• to စသည့် စကားလုံးများတွင် အလေးမထားသော vowel အစိတ်အပိုင်းကဲ့သို့သော အကျဉ်းချုပ်ပုံစံများ။
• အချို့ context‑specific အစားထိုးများ။

ဥပမာအားဖြင့် close the door ၏ နောက်ဆုံး consonant သည် a close friend ၏ consonant နှင့် မတူပါ။ စနစ်သည် စာကြောင်းကို လုပ်ဆောင်စဉ်တွင် ထောက်ပံ့ထားသော အစားထိုးများအနက်မှ တစ်ခုကို ရွေးချယ်နိုင်သည်။

စကားလုံးများကို ပြန်လည်တည်ဆောက်ခြင်းမဟုတ်၊ အသံများကို နားထောင်ခြင်း

အသံသွင်းမှုကို an acoustic model မှတဆင့် ဖြတ်သန်းသည်။ ၎င်းသည် အချိန်အလိုက် အကြမ်းအားဖြင့် 20‑millisecond intervals အတွင်း မတူညီသော speech sounds များအတွက် အထောက်အထားကို ထုတ်ပေးသည်။

ဤသည်မှာ အသံသွင်းမှု၏ phonetic representation ဖြစ်သည်။ scorer သည် စာလုံးအဆင့် language model ကို အသုံးပြု၍ စာကြောင်းကို ပြန်လည်တည်ဆောက်မထားပါ။

စနစ်သည် ထို acoustic output များကို နှစ်မျိုးဖြင့် စစ်ဆေးသည်။

နည်းလမ်း	လုပ်ဆောင်ချက်
Expected‑sound alignment	အမျှော်လင့်ထားသော အသံများအတွက် အကောင်းဆုံး timing ကို ရှာဖွေပြီး စကားလုံးတစ်ခုချင်းစီအတွက် ပြည့်စုံသော pronunciation variant ကို ရွေးချယ်သည်။
Independent sound recognition	reference sentence ကို မလိုအပ်ဘဲ model အားပေးသော အသံများကို လိုက်နာသည်။

Alignment သည် စကားပြောသူက အသံတစ်ခုကို မပြောဆိုခဲ့သော်လည်း ထိုအမျှော်လင့်ထားသော အသံကို အသံသွင်းမှုအတွင်း တစ်နေရာတွင် ထားနိုင်သောကြောင့် နှစ်ခုလုံး လိုအပ်ပါသည်။ Independent sound recognition သည် အမှန်တကယ် ပြောဆိုထားသော အသံအကြောင်း အထောက်အထား ထပ်တိုးပေးသည်။

Matching လုပ်ဆောင်မှုသည် timing ကိုလည်း စဉ်းစားသည့်အတွက် တစ်စကားလုံးအတွင်းရှိ အသံတစ်ခုကို အဝေးက စကားလုံးအတွက် အထောက်အထားအဖြစ် သုံးရန် ခက်ခဲစေသည်။

တစ်ခုချင်းစီသော အသံကို အမှတ်ပေးခြင်း

အမျှော်လင့်ထားသော အသံနှင့် alignment ဖြစ်သောအခါ၊ scorer သည် pronunciation accuracy measure ကို တွက်ချက်သည်။ အဲဒီ interval အတွင်း မော်ဒယ်သည် အမျှော်လင့်ထားသော အသံကို အခြားအသံများနှင့် ယှဉ်ပြိုင်၍ မည်မျှအားပေးသလဲဆိုသည်ကို တိုင်းတာသည်။

ထို့အပြင် စဉ်းစားသည့် အချက်များမှာ

• အမျှော်လင့်ထားသော အသံ၏ peak probability။
• Independent sound recognition မှ အနီးအနားတွင် တူညီသော အသံကို ရှာဖွေခဲ့သလား။

တစ်ခုတည်းသော သင်္ချာဆိုင်ရာ mapping သည် အထောက်အထားကို sound accuracy value between 0 and 100 အဖြစ် ပြောင်းလဲပေးသည်။

Independent recognition ရလဒ်တွင် မတွေ့ရသော အသံသည် အလိုအလျောက် ၀ အဖြစ် မရမည်။ acoustic evidence သည် အရေးကြီးနေဆဲဖြစ်သည်။

စကားလုံးများကို အာရုံစိုက်ရန် ဆုံးဖြတ်ခြင်း

Word feedback သည် ဤအသံတန်ဖိုးများနှင့် အမှားစစ်ဆေးမှုများကို ပေါင်းစပ်သည်။ စကားလုံးတစ်ခုသည် အောက်ပါ အချက်များကို ဖြည့်ဆည်းရမည်။

• ပြောဆိုထားကြောင်း အထောက်အထား လုံလောက်သည်။
• စနစ်တကျ သတ်မှတ်ထားသော ပျမ်းမျှ အမှန်တကယ်မှု အတိုင်းအတာကို ဖြတ်သန်းသည်။
• စာလုံးအစားထိုး၊ ထည့်သွင်းမှု သို့မဟုတ် အလွန်အကျွံ အသံပျောက်ဆုံးမှု အမှားများ မတွေ့ရ။

ရှင်းလင်းသော အစားထိုးများသည် weak support for the expected sound နှင့် strong support for a competing sound ကို လိုအပ်သည်။

အထောက်အထား	လက်ရှိ အတိုင်းအတာ
အမျှော်လင့်ထားသော အသံအတွက် ထောက်ပံ့မှု	0.05 ထက်နိမ့်
၎င်း၏ အစားထိုးအတွက် ထောက်ပံ့မှု	အနည်းဆုံး 0.5

ဤများသည် model evidence thresholds ဖြစ်ပြီး လူ့နားထောင်သူတစ်ဦး၏ စကားလုံးကို မမှန်ကန်ကြောင်း ခန့်မှန်းမှု မဟုတ်ပါ။

အမှတ်အသားပြုထားသော စကားလုံးများအတွက် စနစ်သည် အမျှော်လင့်ထားသော pronunciation နှင့် မိမိနားထောင်သံများကို International Phonetic Alphabet (IPA) ဖြင့် ပြန်လည်ထုတ်ပေးသည်။ အဆိုပါ ခန့်မှန်းချက်သည် စကားလုံးအနားအနားတွင် မပြည့်စုံနိုင်နိုင်သည်။

စာကြောင်းအမှတ်ကို တည်ဆောက်ခြင်း

စာကြောင်းအမှတ်သည် အောက်ပါ အချက်များကို ပေါင်းစပ်၍ စတင်ထုတ်ပေးသည်။

• ပျမ်းမျှ အသံအမှန်တကယ်မှု။
• Independent sound recognition မှ အမျှော်လင့်ထားသော အသံများကို မည်မျှ မတူညီစွာ တိုက်ဆိုင်ခဲ့သည်။
• တစ်စက္ကန့်လျှင် ပြောဆိုသည့် speech sounds အရေအတွက်။
• စကားလုံးများအကြား အချိန်ကြာရှည်။

Timing တွက်ချက်မှုသည် ပထမ aligned sound မတိုင်မီနှင့် နောက်ဆုံး aligned sound အပြီးရှိ silence ကို မထည့်သွင်းပါ။

ဤ feature များသည် one overall score ကို ထုတ်ပေးသည်။ လက်ရှိ အကောင်အထည်ဖော်မှုသည် fluency, completeness, intonation အစိတ်အပိုင်းများကို သီးသန့် အသုံးပြုသူများအတွက် မပေးပါ။

စကားလုံးအကြွေး (credit) သည် ရလဒ်ကို မည်သို့ သက်ရောက်သလဲ

Scorer သည် word‑credit multiplier ကို ထပ်ထည့်သုံးသည်။ စကားလုံးတစ်ခုစီကို ၎င်း၏ ရွေးချယ်ထားသော pronunciation အတွင်းရှိ အသံအရေအတွက်အလိုက် အလေးအနက်ပေးသည်။

စကားလုံးရလဒ်	ရရှိသော အကြွေး
Correct	အလေးအနက် အပြည့်
Spoken but flagged	အလေးအနက်၏ လေးပုံတစ်ပုံ
Omitted	အကြွေး မရှိ

တွက်ချက်မှုသည်

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

ထို့ကြောင့် အရှည်သော အမှားစကားလုံးသည် အတိုင်းအကျယ်သော စကားလုံးထက် ပိုမိုကုန်ကျသည်။ စာကြောင်း၏ အစိတ်အပိုင်းငယ်တစ်စိတ်သာ ဖတ်ဆိုပါကလည်း အမှတ်ကို ကန့်သတ်သွားနိုင်ပြီး အဲဒီအပိုင်းသည် သန့်ရှင်းစွာ နားထောင်ရသော်လည်း အမှတ်ကို လျော့နည်းစေသည်။

သင့်အမှတ်ကို အညွှန်းနှင့် နှိုင်းယှဉ်ခြင်း

နောက်ဆုံးတွင် စနစ်သည် reference recording of the same phrase ကို အသုံးပြု၍ raw score ကို ပုံမှန်ပြုလုပ်နိုင်သည်။

Reference ကို တူညီသော scorer version ဖြင့် စာရင်းသွင်းပြီး၊ အသုံးပြုနိုင်သော matching baseline ရှိနေပါက အောက်ပါအတိုင်း လုပ်ဆောင်သည်။

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

ဥပမာအားဖြင့် raw score 80 ကို reference score 88 နှင့် နှိုင်းယှဉ်ပါက အနီးကပ် 90.9 အဖြစ် ပြောင်းလဲသည်။

ဤပြင်ဆင်မှုသည် မော်ဒယ်သည် အညွှန်းအသံကိုတောင် 100 မရနိုင်သော အခြေအနေကို ထည့်သွင်းထားသည်။

Baseline များသည်

• အညွှန်းအသံနှင့် speech‑generation model
• scoring model
• vocabulary
• calibration နှင့် rule version

တို့နှင့် ဆက်စပ်ထားသည်။ Matching baseline မရရှိသေးပါက သို့မဟုတ် မသုံးနိုင်ပါက ရလဒ်သည် raw score ကို မပြောင်းလဲပဲ ထားရှိမည်။ ပထမကြိမ်ကြိုးစားမှုသည် အဲဒီ baseline ပြင်ဆင်ပြီးနောက် အဆင့်တစ်ခုအဖြစ် ပြင်ဆင်နိုင်သည်။

သင့်အမှတ်၏ အဓိပ္ပာယ်

ထုတ်ပေးသော ဂဏန်းသည် HolosAccent ၏ အဆင့်အတိုင်းအတာအပေါ် အခြေခံထားသော လေ့ကျင့်မှုအမှတ် ဖြစ်သည်။

အမှတ် 90 သည် သင်၏ စကားလုံးများ၏ 90% မှန်ကန်ကြောင်း မဆိုလိုပါ၊ CEFR အဆင့် သို့မဟုတ် မူလနည်းပြသူနှင့် တူညီကြောင်း မဆိုလိုပါ။

ဤ mapping ကို ကျွမ်းကျင်သူများ၏ မှတ်ချက်များအပေါ် အခြေခံ၍ ဖန်တီးထားသော်လည်း အသစ်သော scoring system သည် အတွေ့အကြုံအရ စမ်းသပ်နေဆဲဖြစ်ပြီး ၎င်း၏ အပြည့်အစုံ အတည်ပြုချက်များကို မအတည်ပြုသေးပါ။ အမှားများကို မမြင်နိုင်သော်လည်း သို့မဟုတ် လက်ခံနိုင်သော စကားပြောမှုကို အမှတ်အဖြစ် မှတ်သားနိုင်သော်လည်း အထူးသဖြင့် စကားလုံးအလိုက် အကြံပြုချက်များနှင့် ထပ်တလဲလဲ ကြိုးစားမှုများကို အခြေခံ၍ ဂဏန်းကို အဓိပ္ပာယ်ဖွင့်နိုင်သည်။