Kako HolosAccent pretvara vaš glas u ocenu izgovora

Priprema vaše snimke

Prvo, audio se dekodira u standardni format: mono zvuk uzorkovan na 16 kHz.

Sistem procenjuje odnos signal‑šum snimka. Ako procena padne ispod 25 dB i filtriranje šuma je dostupno, primenjuje filter za smanjenje šuma pre analize. Ako filtriranje ne uspe, nastavlja se sa originalnim snimkom.

Zatim se talasni oblik normalizuje da zadovolji ulazne zahteve modela za analizu govora. Tišina i snimci kraći od pola sekunde dobijaju ocenu nula.

Dozvoljavanje različitih izgovora

Zatim se referentni tekst pretvara u fonetske izgovore pomoću motora za izgovor. Reč može imati više prihvaćenih oblika.

Skup izgovora uključuje:

• Britanski i američki varijanti.
• Uobičajeni skraćeni oblici, kao što je neakcentovana samoglasnik u to.
• Odabrane kontekstualne alternative.

Na primer, završna suglasnica u close the door razlikuje se od one u a close friend. Sistem može birati između podržanih alternativa dok obrađuje rečenicu.

Slušanje zvukova, a ne rekonstrukcija reči

Snimak prolazi kroz akustični model. On generiše dokaze za različite govorne zvuke kroz vreme, otprilike na 20‑milisekundnim intervalima.

Ovo je fonetska reprezentacija snimka. Ocjenjivač ne koristi jezički model na nivou reči za rekonstrukciju rečenice.

Sistem zatim ispituje te akustične izlaze na dva načina:

Metod	Šta radi
Poravnanje očekivanog zvuka	Pronalaže najbolje vreme za očekivane zvuke, birajući kompletnu varijantu izgovora za svaku reč.
Nezavisno prepoznavanje zvuka	Prati zvuke koje model favorizuje, bez potrebe za referentnom rečenicom.

Oba pogleda su neophodna jer poravnanje može postaviti očekivani zvuk negde u snimku čak i kada govornik izostavi taj zvuk. Nezavisno prepoznavanje zvuka pruža dodatne dokaze o tome šta je zaista izgovoreno.

Uparivanje takođe uzima u obzir vreme, što otežava da zvuk iz jedne reči bude računat kao dokaz za udaljenu reč.

Ocena svakog zvuka

Za svaki poravnati zvuk, ocjenjivač izračunava meru tačnosti izgovora: koliko snažno model podržava očekivani zvuk u odnosu na konkurentne zvuke tokom tog intervala.

Takođe uzima u obzir:

• Vrhunsku verovatnoću očekivanog zvuka.
• Da li je nezavisno prepoznavanje zvuka pronašlo odgovarajući zvuk u blizini.

Prilagođeno matematičko mapiranje pretvara ove dokaze u vrednost tačnosti zvuka između 0 i 100.

Zvuk koji nedostaje u rezultatu nezavisnog prepoznavanja ne dobija automatski nulu. Akustični dokazi i dalje imaju značaj.

Odlučivanje koje reči zahtevaju pažnju

Povratne informacije po rečima kombinuju ove vrednosti zvuka sa eksplicitnim proverama grešaka. Reč mora:

• Ima dovoljno dokaza da je izgovorena.
• Ispunjava podešeni prag prosečne tačnosti.
• Izbegava otkrivene zamene, umetke ili ozbiljne greške nedostatka zvuka.

Jasne zamene zahtevaju slabu podršku za očekivani zvuk i jaku podršku za konkurentni zvuk.

Evidencija	Trenutni prag
Podrška za očekivani zvuk	Ispod 0.05
Podrška za njegovu zamenu	Bar 0.5

Ovo su pragovi modelskih dokaza, a ne verovatnoće koje bi ljudski slušalac koristio da oceni reč kao netačnu.

Za označene reči, sistem vraća očekivani izgovor i svoju procenu čujenih zvukova, zapisanu u Međunarodnoj fonetskoj alfabetskoj (IPA). Ta procena može biti neprecizna, naročito oko granica reči.

Izgradnja ocene rečenice

Ocena rečenice počinje sa prilagođenom kombinacijom:

• Prosečna tačnost zvuka.
• Udeo očekivanih zvukova koje je poklopilo nezavisno prepoznavanje zvuka.
• Broj izgovorenih govorničkih zvukova po sekundi.
• Duge pauze između reči.

Izračunavanje vremena isključuje tišinu pre prvog poravnanog zvuka i posle poslednjeg.

Ove karakteristike doprinose jednoj sveukupnoj oceni. Trenutna implementacija ne pruža odvojene ocene za tečnost, potpunost ili intonaciju koje bi bile vidljive korisniku.

Kako kredit za reč utiče na rezultat

Ocjenjivač zatim primenjuje eksplicitni množitelj kredita po reči. Svaka reč se ponderiše prema broju zvukova u njenom izabranom izgovoru.

Rezultat reči	Kredit dobijen
Tačna	Puna težina
Izgovorena ali označena	Četvrtina njene težine
Izostavljena	Bez kredita

Izračunavanje je:

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

Stoga, duga netačna reč obično košta više nego kratka. Čitanje samo malog dela rečenice takođe ograničava ocenu, čak i ako taj fragment zvuči jasno.

Poređenje vaše ocene sa referencom

Na kraju, sistem može normalizovati sirovu ocenu koristeći referentni snimak iste fraze.

On ocenjuje sintetizovani referentni snimak istom verzijom ocjenjivača i, kada je već dostupan upotrebljiv odgovarajući baseline, primenjuje:

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

Na primer, sirova ocena od 80 naspram referentne ocene od 88 postaje približno 90.9.

Ovo podešavanje uzima u obzir činjenicu da model može dati i referentnom snimku manje od 100.

Baseline‑i su povezani sa:

• Referentni glas i model za generisanje govora.
• Model za ocenjivanje.
• Rečnik.
• Verzija kalibracije i pravila.

Ako odgovarajući baseline nije dostupan ili je neupotrebljiv, rezultat zadržava sirovu ocenu. Prvi pokušaj može ostati neizmenjen dok se baseline priprema za kasnije pokušaje.

Šta vaša ocena znači

Dobijeni broj je praktična ocena na skali HolosAccent‑a.

Ocena od 90 ne znači da je 90 procenata vaših reči tačno, niti uspostavlja CEFR nivo ili ekvivalentnost sa izvornim govornikom.

Mapiranje je prilagođeno korišćenjem snimaka ocenjenih od strane stručnjaka, ali novi sistem ocenjivanja ostaje eksperimentalni i njegovi potpuni kriterijumi prihvatanja još nisu verifikovani. Može propustiti greške ili označiti prihvatljiv govor.

Povratne informacije po pojedinačnim rečima i obrasci kroz ponovljene pokušaje pružaju kontekst za tumačenje broja.