Hur HolosAccent omvandlar din röst till ett uttalsbetyg

Förbereda din inspelning

Först avkodas ljudet till ett standardformat: mono ljud samplat med 16 kHz.

Systemet uppskattar inspelningens signal‑till‑brus‑förhållande. Om den uppskattningen faller under 25 dB och brusfiltrering är tillgänglig, appliceras ett brusreduceringsfilter före analysen. Om filtreringen misslyckas fortsätter den med den ursprungliga inspelningen.

Vågformen normaliseras sedan för att matcha talanalysmodellens indata‑krav. Tystnad och inspelningar kortare än en halv sekund får nollpoäng.

Tillåta olika uttal

Nästa steg konverterar referenstexten till fonetiska uttal med en uttalmotor. Ett ord kan ha flera accepterade former.

Uttalsuppsättningen innehåller:

• Brittiska och amerikanska varianter.
• Vanliga reducerade former, såsom den obetonade vokalen i to.
• Utvalda kontextuella alternativ.

Till exempel skiljer sig den sista konsonanten i close the door från den i a close friend. Systemet kan välja bland de stödda alternativen när det bearbetar meningen.

Lyssna på ljud, inte återskapa ord

Inspelningen passerar genom en akustisk modell. Den producerar bevis för olika talade ljud över tid, med ungefär 20‑millisekunders intervall.

Detta är en fonetisk representation av inspelningen. Poängsättaren använder inte en ordnivå‑språkmodell för att återskapa meningen.

Systemet granskar sedan dessa akustiska utdata på två sätt:

Metod	Vad den gör
Expected-sound alignment	Hittar den bästa tidpunkten för de förväntade ljuden och väljer en komplett uttalsvariant för varje ord.
Independent sound recognition	Följ ljuden som modellen föredrar utan att kräva referensmeningen.

Båda vyerna är nödvändiga eftersom justering kan placera ett förväntat ljud någonstans i inspelningen även när talaren utelämnade det. Oberoende ljudigenkänning ger ytterligare bevis om vad som faktiskt uttalades.

Matchning tar också hänsyn till timing, vilket gör det svårare för ett ljud i ett ord att räknas som bevis för ett avlägset ord.

Poängsätta varje ljud

För varje justerat ljud beräknar poängsättaren ett uttalsnoggrannhetsmått: hur starkt modellen stödjer det förväntade ljudet i förhållande till konkurrerande ljud under det intervallet.

Det tar också hänsyn till:

• Det förväntade ljudets toppsannolikhet.
• Om oberoende ljudigenkänning hittade ett matchande ljud i närheten.

En anpassad matematisk avbildning omvandlar detta bevis till ett ljudnoggrannhetsvärde mellan 0 och 100.

Ett ljud som saknas i det oberoende igenkänningsresultatet får inte automatiskt noll. Det akustiska beviset spelar fortfarande roll.

Avgöra vilka ord som behöver uppmärksamhet

Ordfeedback kombinerar dessa ljudvärden med explicita felkontroller. Ett ord måste:

• Ha tillräckligt bevis för att det uttalades.
• Uppfylla det konfigurerade genomsnittliga noggrannhetströskeln.
• Undvika upptäckta substitutioner, insättningar eller allvarliga fel med saknade ljud.

Klara substitutioner kräver svagt stöd för det förväntade ljudet och starkt stöd för ett konkurrerande ljud.

Bevis	Aktuell tröskel
Stöd för det förväntade ljudet	Under 0.05
Stöd för dess ersättning	Minst 0.5

Detta är modell‑bevis‑trösklar, inte sannolikheter som en mänsklig lyssnare skulle bedöma ordet som felaktigt.

För flaggade ord returnerar systemet det förväntade uttalet och dess uppskattning av de hörda ljuden, skrivet i International Phonetic Alphabet (IPA). Den uppskattningen kan vara ofullständig, särskilt kring ordgränser.

Bygga meningspoängen

Meningspoängen startar med en anpassad kombination av:

• Genomsnittlig ljudnoggrannhet.
• Andelen förväntade ljud som matchas av oberoende ljudigenkänning.
• Antalet talade ljud per sekund.
• Långa pauser mellan ord.

Tidsberäkningen exkluderar tystnad före det första justerade ljudet och efter det sista.

Dessa funktioner bidrar till ett övergripande poäng. Den nuvarande implementeringen ger inte separata användar‑fokuserade poäng för flyt, fullständighet eller intonation.

Hur ordkredit påverkar resultatet

Poängsättaren applicerar sedan en explicit ord‑kredit‑multiplikator. Varje ord viktas efter antalet ljud i dess valda uttal.

Ordresultat	Kredit erhållen
Korrekt	Full vikt
Uttalat men flaggat	En fjärdedel av dess vikt
Utelämnat	Ingen kredit

Beräkningen är:

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

Följaktligen kostar ett långt felaktigt ord vanligtvis mer än ett kort. Att bara läsa en liten del av meningen begränsar också poängen, även om det fragmentet låter tydligt.

Jämföra ditt resultat med referensen

Till sist kan systemet normalisera råpoängen med hjälp av en referensinspelning av samma fras.

Det poängsätter den syntetiserade referensen med samma poängsättningsversion och, när en användbar matchande baslinje redan finns, applicerar:

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

Till exempel blir en råpoäng på 80 mot en referenspoäng på 88 ungefär 90.9.

Denna justering tar hänsyn till att modellen kan ge även referensinspelningen mindre än 100.

Baslinjer är knutna till:

• Referensrösten och talgenereringsmodellen.
• Poängsättningsmodellen.
• Ordförrådet.
• Kalibrerings‑ och regelversionen.

Om en matchande baslinje är otillgänglig eller oanvändbar behåller resultatet sin råpoäng. Ett första försök kan därför förbli ojusterat medan en baslinje förbereds för senare försök.

Vad ditt resultat betyder

Det resulterande talet är ett praktikpoäng på HolosAccents skala.

En poäng på 90 betyder inte att 90 % av dina ord var korrekta, och den fastställer inte någon CEFR‑nivå eller motsvarighet till en infödd talare.

Mappningen har anpassats med hjälp av expert‑värderade inspelningar, men det nya poängsystemet är fortfarande experimentellt och dess fullständiga accepteringskriterier har ännu inte verifierats. Det kan missa fel eller flagga acceptabelt tal.

Individuell ordfeedback och mönster över upprepade försök ger kontext för att tolka talet.