HolosAccent ले तपाईंको आवाजलाई उच्चारण स्कोरमा कसरी रूपान्तरण गर्छ

रेकर्डिङ तयार गर्दै

पहिले, अडियोलाई मानक ढाँचामा डिकोड गरिन्छ: 16 kHz मा नमुना गरिएको मोनो ध्वनि.

प्रणालीले रेकर्डिङको सिग्नल‑टु‑नोइज अनुपात अनुमान गर्छ। यदि त्यो अनुमान 25 dB भन्दा तल पर्छ र शोर फिल्टर उपलब्ध छ भने, विश्लेषण अघि शोर‑घटाउने फिल्टर लागू गर्छ। यदि फिल्टर असफल हुन्छ भने, मूल रेकर्डिङसँगै जारी रहन्छ।

वेभफर्मलाई त्यसपछि भाषण विश्लेषण मोडेलको इनपुट आवश्यकतासँग मिलाउन सामान्यीकरण गरिन्छ। आधा सेकेन्डभन्दा छोटो रेकर्डिङ र शान्ति (silence) लाई शून्य स्कोर दिइन्छ।

विभिन्न उच्चारणहरूलाई अनुमति दिने

अर्को, सन्दर्भ पाठलाई उच्चारण इन्जिन प्रयोग गरेर ध्वन्यात्मक उच्चारणमा रूपान्तरण गरिन्छ। एउटा शब्दको धेरै स्वीकृत रूपहरू हुन सक्छन्।

उच्चारण सेटमा समावेश छन्:

• ब्रिटिश र अमेरिकन रूपहरू।
• सामान्य घटाइएका रूपहरू, जस्तै to मा unstressed स्वर।
• चयनित सन्दर्भीय विकल्पहरू।

उदाहरणका लागि, close the door को अन्तिम व्यञ्जन a close friend को अन्तिम व्यञ्जनबाट फरक हुन्छ। प्रणालीले वाक्य प्रक्रिया गर्दा समर्थित विकल्पहरू मध्ये छनोट गर्न सक्छ।

ध्वनि सुन्नु, शब्द पुनर्निर्माण नगर्नु

रेकर्डिङले एक ध्वनिक मोडेल पार गर्छ। यसले लगभग 20‑मिलिसेकेन्ड अन्तराल मा विभिन्न भाषण ध्वनिहरूको प्रमाण उत्पादन गर्छ।

यो रेकर्डिङको ध्वन्यात्मक प्रतिनिधित्व हो। स्कोररले वाक्य पुनर्निर्माण गर्न शब्द‑स्तरको भाषा मोडेल प्रयोग गर्दैन।

प्रणालीले ती ध्वनिक आउटपुटहरूलाई दुई तरिकाले जाँच गर्छ:

विधि	के गर्छ
अपेक्षित-ध्वनि संरेखण	अपेक्षित ध्वनिहरूको उत्तम समय पत्ता लगाउँछ, प्रत्येक शब्दको पूर्ण उच्चारण विकल्प चयन गर्छ।
स्वतन्त्र ध्वनि पहिचान	सन्दर्भ वाक्यको आवश्यकता बिना मोडेलले मनपराएको ध्वनि अनुसरण गर्छ।

दुवै दृष्टिकोण आवश्यक छन् किनभने संरेखणले अपेक्षित ध्वनि रेकर्डिङमा राख्न सक्छ जब बोल्नेले त्यसलाई छुट्याए पनि। स्वतन्त्र ध्वनि पहिचानले वास्तवमा बोलेको ध्वनि बारे अतिरिक्त प्रमाण प्रदान गर्छ।

म्याचिङले समयलाई पनि ध्यानमा राख्छ, जसले एउटा शब्दको ध्वनि टाढाको शब्दको प्रमाणको रूपमा गनिनु कठिन बनाउँछ।

प्रत्येक ध्वनि स्कोरिङ

प्रत्येक संरेखित ध्वनि लागि, स्कोररले उच्चारण शुद्धता मापन गणना गर्छ: सो अन्तरालमा प्रतिस्पर्धी ध्वनिहरूको तुलनामा मोडेलले अपेक्षित ध्वनि कति बलियो समर्थन गर्छ।

यसले additionally विचार गर्छ:

• अपेक्षित ध्वनि को शिखर सम्भावना।
• स्वतन्त्र ध्वनि पहिचानले नजिकै मिल्दो ध्वनि फेला पारेको हो कि छैन।

एक फिट गरिएको गणितीय म्यापिङले यो प्रमाणलाई ०‑१०० बीचको ध्वनि शुद्धता मान मा रूपान्तरण गर्छ।

स्वतन्त्र पहिचान परिणामबाट ध्वनि हराए पनि स्वचालित रूपमा शून्य प्राप्त हुँदैन। ध्वनिक प्रमाण अझै महत्त्वपूर्ण हुन्छ।

कुन शब्दहरूलाई ध्यान दिनु आवश्यक छ निर्धारण

शब्द प्रतिक्रिया यी ध्वनि मानहरूलाई स्पष्ट त्रुटि जाँचहरूसँग मिलाउँछ। एउटा शब्दले:

• बोलिएको प्रमाण पर्याप्त हुनुहोस्।
• कन्फिगर गरिएको औसत शुद्धता थ्रेसहोल्ड पूरा गर्नुहोस्।
• पत्ता लागेको प्रतिस्थापन, इन्सर्शन, वा गम्भीर ध्वनि अभाव त्रुटिहरू नहुनु।

स्पष्ट प्रतिस्थापनहरूलाई अपेक्षित ध्वनि को कमजोर समर्थन र प्रतिस्पर्धी ध्वनि को बलियो समर्थन चाहिन्छ।

प्रमाण	वर्तमान थ्रेसहोल्ड
अपेक्षित ध्वनि को समर्थन	0.05 भन्दा तल
यसको प्रतिस्थापनको समर्थन	कम्तिमा 0.5

यी मोडेल प्रमाण थ्रेसहोल्ड हुन्, मानव श्रोताले शब्दलाई गलत ठहराउने सम्भावना होइन।

चिन्हित शब्दहरूका लागि, प्रणालीले अपेक्षित उच्चारण र सुनेको ध्वनि को अनुमान International Phonetic Alphabet (IPA) मा लेखेर फिर्ता दिन्छ। यो अनुमान शब्द सीमाना नजिक अपूर्ण हुन सक्छ।

वाक्य स्कोर निर्माण

वाक्य स्कोर सुरु हुन्छ फिट गरिएको संयोजनबाट:

• औसत ध्वनि शुद्धता।
• स्वतन्त्र ध्वनि पहिचानले मिलाएका अपेक्षित ध्वनि को हिस्सा।
• प्रति सेकेन्ड उच्चारित ध्वनि संख्या।
• शब्दहरू बीचको लामो विराम।

समय गणनाले पहिलो संरेखित ध्वनि भन्दा पहिलेको शान्ति र अन्तिम ध्वनि पछि को शान्ति हटाउँछ।

यी विशेषताहरू एक समग्र स्कोर मा योगदान गर्छ। वर्तमान कार्यान्वयनले प्रयोगकर्ता‑मुखी फ्लुएन्सी, पूर्णता, वा इंटोनेशन स्कोर अलग‑अलग प्रदान गर्दैन।

शब्द क्रेडिटले परिणामलाई कसरी असर गर्छ

स्कोररले त्यसपछि स्पष्ट शब्द‑क्रेडिट गुणक लागू गर्छ। प्रत्येक शब्दलाई यसको चयनित उच्चारणमा रहेका ध्वनिहरूको संख्याद्वारा वजन दिइन्छ।

शब्द परिणाम	क्रेडिट प्राप्त
सही	पूरा वजन
बोले तर चिन्हित	यसको वजनको एक चौथाइ
छोडियो	क्रेडिट छैन

गणना यस प्रकार छ:

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

त्यसैले, लामो गलत शब्द सामान्यतया छोटो शब्दभन्दा बढी लागत गर्छ। वाक्यको सानो भाग मात्र पढ्दा पनि स्कोर सीमित हुन्छ, यदि त्यो अंश स्पष्ट सुनियो भने पनि।

तपाईंको स्कोरलाई सन्दर्भसँग तुलना

अन्तमा, प्रणालीले उही वाक्यांशको सन्दर्भ रेकर्डिङ प्रयोग गरेर कच्चा स्कोरलाई सामान्यीकरण गर्न सक्छ।

यो सन्दर्भलाई उही स्कोरर संस्करणले स्कोर गर्छ र प्रयोग योग्य मिल्दो बेसलाइन उपलब्ध भएमा लागू गर्छ:

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

उदाहरणका लागि, 80 को कच्चा स्कोर र 88 को सन्दर्भ स्कोरले लगभग 90.9 बनाउँछ।

यो समायोजनले मोडेलले सन्दर्भ रेकर्डिङलाई पनि १०० भन्दा कम स्कोर दिन सक्छ भन्ने तथ्यलाई ध्यानमा राख्छ।

बेसलाइनहरू निम्नसँग जोडिएका छन्:

• सन्दर्भ आवाज र भाषण‑उत्पादन मोडेल।
• स्कोरिङ मोडेल।
• शब्दावली।
• क्यालिब्रेशन र नियम संस्करण।

यदि मिल्दो बेसलाइन उपलब्ध छैन वा प्रयोग योग्य छैन भने, परिणामले आफ्नो कच्चा स्कोर नै राख्छ। पहिलो प्रयास त्यसैले समायोजनविहिनै रहन सक्छ जबसम्म पछि प्रयासका लागि बेसलाइन तयार गरिँदैन।

तपाईंको स्कोरको अर्थ

नतिजा स्वरूपको संख्या HolosAccent को स्केलमा अभ्यास स्कोर हो।

90 को स्कोरले तपाईंले 90 प्रतिशत शब्द सही गरेका भन्ने अर्थ होइन, र यसले CEFR स्तर वा मूल‑भाषी बराबरता स्थापित गर्दैन।

मैपिङ विशेषज्ञ‑रेटेड रेकर्डिङहरू प्रयोग गरेर फिट गरिएको हो, तर नयाँ स्कोरिङ प्रणाली अझै प्रयोगात्मक छ र यसको पूर्ण स्वीकृति मापदण्डहरू अझ प्रमाणित भएको छैन। यसले त्रुटिहरू छुटाउन वा स्वीकार्य बोलीलाई चिन्हित गर्न सक्छ।

व्यक्तिगत शब्द प्रतिक्रिया र दोहोर्याइएका प्रयासहरूमा देखिने ढाँचाहरूले संख्याको व्याख्या गर्न सन्दर्भ प्रदान गर्छ।