Hvordan HolosAccent gjør stemmen din om til en uttale‑score

Forberede opptaket ditt

Først blir lyden dekodet til et standardformat: mono‑lyd samplet med 16 kHz.

Systemet estimerer opptakets signal‑til‑støy‑forhold. Hvis den estimeringen faller under 25 dB og støyfiltrering er tilgjengelig, bruker det et støydempingsfilter før analyse. Hvis filtreringen mislykkes, fortsetter det med originalopptaket.

Ondaformen normaliseres deretter for å passe modellens inndata‑krav for taleanalyse. Stillhet og opptak kortere enn et halvt sekund får en null‑score.

Tillate ulike uttaler

Deretter konverteres referanseteksten til fonetiske uttaler ved hjelp av en uttale‑motor. Et ord kan ha flere aksepterte former.

Uttalesettet inkluderer:

• Britiske og amerikanske varianter.
• Vanlige reduserte former, som den ustemte vokalen i to.
• Utvalgte kontekstuelle alternativer.

For eksempel er den siste konsonanten i close the door forskjellig fra den i a close friend. Systemet kan velge blant de støttede alternativene mens det behandler setningen.

Lytte til lyder, ikke rekonstruere ord

Opptaket går gjennom en akustisk modell. Den produserer bevis for ulike talelyder over tid, med omtrent 20‑millisekunders intervaller.

Dette er en fonetisk representasjon av opptaket. Scoreren bruker ikke en språkmodell på ordnivå for å rekonstruere setningen.

Systemet undersøker deretter de akustiske resultatene på to måter:

Metode	Hva den gjør
Expected-sound alignment	Finnes den beste timingen for de forventede lydene, og velger en komplett uttalevariant for hvert ord.
Independent sound recognition	Følger lydene modellen foretrekker uten å kreve referansesetningen.

Begge perspektivene er nødvendige fordi justering kan plassere en forventet lyd et sted i opptaket selv om taleren utelot den. Uavhengig lydgjenkjenning gir ekstra bevis om hva som faktisk ble sagt.

Samsvar tar også timing i betraktning, noe som gjør det vanskeligere for en lyd i ett ord å telle som bevis for et fjernt ord.

Scorere hver lyd

For hver justerte lyd beregner scoreren et uttale‑nøyaktighetsmål: hvor sterkt modellen støtter den forventede lyden i forhold til konkurrerende lyder i det intervallet.

Den tar også hensyn til:

• Den forventede lydens topp‑sannsynlighet.
• Om uavhengig lydgjenkjenning fant en tilsvarende lyd i nærheten.

En tilpasset matematisk mapping omformer dette beviset til en lydnøyaktighetsverdi mellom 0 og 100.

En lyd som mangler i resultatet fra uavhengig gjenkjenning får ikke automatisk null. Det akustiske beviset er fortsatt viktig.

Bestemme hvilke ord som trenger oppmerksomhet

Ord‑tilbakemelding kombinerer disse lydverdiene med eksplisitte feilsjekker. Et ord må:

• Ha nok bevis for at det ble uttalt.
• Oppfylle den konfigurerte gjennomsnittlige nøyaktighetsterskelen.
• Unngå oppdagede erstatninger, innsettinger eller alvorlige manglende‑lyd‑feil.

Klare erstatninger krever svak støtte for den forventede lyden og sterk støtte for en konkurrerende lyd.

Bevis	Gjeldende terskel
Støtte for den forventede lyden	Under 0.05
Støtte for erstatningen	Minst 0.5

Dette er modell‑bevis‑terskler, ikke sannsynligheter for at en menneskelig lytter ville vurdere ordet som feil.

For flaggede ord returnerer systemet den forventede uttalen og sitt estimat av de hørte lydene, skrevet i International Phonetic Alphabet (IPA). Det estimatet kan være ufullstendig, spesielt rundt ordgrenser.

Bygge setnings‑scoren

Setnings‑scoren starter med en tilpasset kombinasjon av:

• Gjennomsnittlig lydnøyaktighet.
• Andelen forventede lyder som matches av uavhengig lydgjenkjenning.
• Antall talelyder uttalt per sekund.
• Lange pauser mellom ord.

Tidsberegningen ekskluderer stillhet før den første justerte lyden og etter den siste.

Disse funksjonene bidrar til én samlet score. Den nåværende implementeringen gir ikke separate bruker‑synlige flyt‑, fullstendighets‑ eller intonasjon‑score.

Hvordan ord‑kreditt påvirker resultatet

Scoreren bruker deretter en eksplisitt ord‑kreditt‑multipliserer. Hvert ord vektes etter antall lyder i den valgte uttalen.

Ordresultat	Kreditt oppnådd
Riktig	Full vekt
Uttalt men flagget	En fjerdedel av vekten
Utelatt	Ingen kreditt

Beregningen er:

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

Derfor koster et langt feilord vanligvis mer enn et kort. Å lese kun en liten del av setningen begrenser også scoren, selv om den delen høres klar ut.

Sammenligne scoren din med referansen

Til slutt kan systemet normalisere den rå scoren ved hjelp av en referanseopptak av samme frase.

Den scorer den syntetiserte referansen med samme scorer‑versjon, og når en brukbar matchende baseline allerede er tilgjengelig, bruker den:

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

For eksempel blir en rå score på 80 mot en referansescore på 88 omtrent 90,9.

Denne justeringen tar høyde for at modellen kan gi selv referanseopptaket mindre enn 100.

Baselines er knyttet til:

• Referansestemmen og tale‑generasjonsmodellen.
• Scoringsmodellen.
• Ordförrådet.
• Kalibrerings‑ og regelversjonen.

Hvis en matchende baseline ikke er tilgjengelig eller er ubrukelig, beholder resultatet sin rå score. Et første forsøk kan derfor forbli ujustert mens en baseline forberedes for senere forsøk.

Hva scoren din betyr

Det resulterende tallet er en øvelsesscore på HolosAccents skala.

En score på 90 betyr ikke at 90 prosent av ordene dine var korrekte, og den fastsetter ikke et CEFR‑nivå eller likhet med morsmålstalere.

Kartleggingen er tilpasset ved bruk av ekspert‑vurderte opptak, men det nye scoringssystemet er fortsatt eksperimentelt og dets fulle akseptkriterier er ennå ikke verifisert. Det kan gå glipp av feil eller flagge akseptabel tale.

Individuell ord‑tilbakemelding og mønstre over gjentatte forsøk gir kontekst for å tolke tallet.