HolosAccent کیسے آپ کی آواز کو تلفظ اسکور میں بدلتا ہے

اپنی ریکارڈنگ کی تیاری

سب سے پہلے، آڈیو کو ایک معیاری فارمیٹ میں ڈیکوڈ کیا جاتا ہے: mono sound sampled at 16 kHz.

سسٹم ریکارڈنگ کے سگنل‑ٹو‑نویز ریشو کا اندازہ لگاتا ہے۔ اگر یہ اندازہ 25 dB سے نیچے آ جائے اور شور کو کم کرنے کی سہولت موجود ہو تو یہ تجزیے سے پہلے a noise-reduction filter لاگو کرتا ہے۔ اگر فلٹرنگ ناکام ہو جائے تو یہ اصل ریکارڈنگ کے ساتھ جاری رہتا ہے۔

اس کے بعد ویو فارم کو اس طرح نارملائز کیا جاتا ہے کہ وہ اسپیچ اینالیسس ماڈل کی ان پٹ ضروریات کے مطابق ہو۔ خاموشی اور آدھے سیکنڈ سے کم لمبی ریکارڈنگز کو صفر اسکور ملتا ہے۔

مختلف لہجوں کی اجازت دینا

اگلے مرحلے میں، ریفرنس ٹیکسٹ کو a pronunciation engine کے ذریعے فونیٹک تلفظ میں تبدیل کیا جاتا ہے۔ ایک لفظ کے کئی قابل قبول فارم ہو سکتے ہیں۔

تلفظ کا سیٹ شامل ہے:

• برٹش اور امریکی ورژن۔
• عام کم شدہ شکلیں، جیسے to میں غیر زور دی گئی آواز۔
• منتخب سیاق و سباق کے متبادل۔

مثال کے طور پر، close the door میں آخری حروفِ صامت a close friend کے حروفِ صامت سے مختلف ہے۔ سسٹم جملے کو پروسیس کرتے وقت معاون متبادل میں سے انتخاب کر سکتا ہے۔

آوازوں کو سننا، الفاظ کو دوبارہ بنانا نہیں

ریکارڈنگ an acoustic model سے گزرے گی۔ یہ مختلف اسپیچ ساؤنڈز کے لیے وقت کے ساتھ شواہد پیدا کرتی ہے، تقریباً 20-millisecond intervals پر۔

یہ ریکارڈنگ کی فونیٹک نمائندگی ہے۔ اسکورر جملے کو دوبارہ بنانے کے لیے ورڈ‑لیول لینگویج ماڈل استعمال نہیں کرتا۔

سسٹم پھر ان ایکوسٹک آؤٹ پٹس کو دو طریقوں سے دیکھتا ہے:

Method	What it does
Expected-sound alignment	متوقع آوازوں کے لیے بہترین ٹائمنگ تلاش کرتا ہے، ہر لفظ کے لیے مکمل تلفظ کا متبادل منتخب کرتا ہے۔
Independent sound recognition	ماڈل کی پسندیدہ آوازوں پر عمل کرتا ہے بغیر ریفرنس جملے کی ضرورت کے۔

دونوں نظریات ضروری ہیں کیونکہ الائنمنٹ ریکارڈنگ میں کسی بھی جگہ متوقع آواز رکھ سکتی ہے حتیٰ کہ اگر بولنے والے نے اسے چھوڑ دیا ہو۔ Independent sound recognition اصل بولے گئے الفاظ کے بارے میں اضافی شواہد فراہم کرتا ہے۔

میچنگ وقت کو بھی مدنظر رکھتی ہے، جس سے ایک لفظ کی آواز کو دور کے لفظ کے لیے شواہد کے طور پر شمار کرنا مشکل ہو جاتا ہے۔

ہر آواز کا اسکور لگانا

ہر الائنڈ آواز کے لیے، اسکورر ایک pronunciation accuracy measure حساب کرتا ہے: اس وقفے میں ماڈل کتنا مضبوطی سے متوقع آواز کو مقابلے والی آوازوں کے مقابلے میں سپورٹ کرتا ہے۔

یہ بھی مدنظر رکھتا ہے:

• متوقع آواز کی زیادہ سے زیادہ احتمال۔
• کیا independent sound recognition نے قریب کوئی میچنگ آواز پائی۔

ایک فٹ شدہ ریاضیاتی میپنگ اس شواہد کو sound accuracy value between 0 and 100 میں تبدیل کرتی ہے۔

ایک آواز جو independent recognition کے نتیجے میں غائب ہو، خود بخود صفر نہیں ملتی۔ ایکوسٹک شواہد ابھی بھی اہم ہیں۔

کون سے الفاظ کو توجہ کی ضرورت ہے فیصلہ کرنا

ورڈ فیڈبیک ان آواز کی ویلیوز کو واضح ایرر چیکس کے ساتھ ملاتا ہے۔ ایک لفظ کو یہ کرنا ضروری ہے:

• کہ اس کے بولے جانے کا کافی شواہد موجود ہو۔
• کہ ترتیب شدہ اوسط درستگی کی حد پوری ہو۔
• کہ پتہ چلنے والی تبدیلیاں، داخلے، یا شدید غائب‑آواز کی غلطیاں نہ ہوں۔

واضح تبدیلیوں کے لیے weak support for the expected sound اور strong support for a competing sound کی ضرورت ہوتی ہے۔

شواہد	موجودہ حد
متوقع آواز کی حمایت	Below 0.05
اس کے متبادل کی حمایت	At least 0.5

یہ model evidence thresholds ہیں، نہ کہ وہ احتمال جو ایک انسانی سامع لفظ کو غلط مانے گا۔

جھنڈے لگے الفاظ کے لیے، سسٹم متوقع تلفظ اور سنی ہوئی آوازوں کا اندازہ International Phonetic Alphabet (IPA) میں واپس کرتا ہے۔ یہ اندازہ ناقص ہو سکتا ہے، خاص طور پر الفاظ کی سرحدوں کے قریب۔

جملے کا اسکور بنانا

جملے کا اسکور ایک فٹ شدہ مجموعے سے شروع ہوتا ہے:

• اوسط آواز کی درستگی۔
• متوقع آوازوں کا حصہ جو independent sound recognition نے میچ کیا۔
• فی سیکنڈ بولی گئی اسپیچ آوازوں کی تعداد۔
• الفاظ کے درمیان طویل وقفے۔

ٹائمنگ کا حساب پہلے الائنڈ آواز سے پہلے اور آخری کے بعد کی خاموشی کو خارج کرتا ہے۔

یہ خصوصیات one overall score میں حصہ ڈالتی ہیں۔ موجودہ عمل درآمد الگ الگ یوزر‑فیسنگ فلوئنسی، مکملیت، یا انٹونیشن اسکور فراہم نہیں کرتا۔

الفاظ کے کریڈٹ کا نتیجے پر اثر

اسکورر پھر ایک واضح word-credit multiplier لاگو کرتا ہے۔ ہر لفظ کو اس کے منتخب شدہ تلفظ میں موجود آوازوں کی تعداد کے حساب سے وزن دیا جاتا ہے۔

لفظ کا نتیجہ	ملنے والا کریڈٹ
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

حساب یہ ہے:

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

نتیجتاً، ایک طویل غلط لفظ عموماً ایک چھوٹے لفظ سے زیادہ قیمت لے جاتا ہے۔ جملے کا صرف ایک چھوٹا حصہ پڑھنا بھی اسکور کو محدود کر دیتا ہے، چاہے وہ حصہ واضح سنا جائے۔

آپ کے اسکور کا ریفرنس سے موازنہ

آخر میں، سسٹم reference recording of the same phrase استعمال کر کے راؤ اسکور کو نارملائز کر سکتا ہے۔

یہ ترکیب شدہ ریفرنس کو اسی اسکورر ورژن کے ساتھ اسکور کرتا ہے اور جب ایک قابل استعمال میچنگ بیس لائن پہلے سے موجود ہو تو یہ لاگو کرتا ہے:

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

مثال کے طور پر، 80 کا راؤ اسکور 88 کے ریفرنس اسکور کے مقابلے میں تقریباً 90.9 بن جاتا ہے۔

یہ ایڈجسٹمنٹ اس حقیقت کو مدنظر رکھتی ہے کہ ماڈل ریفرنس ریکارڈنگ کو بھی 100 سے کم اسکور دے سکتا ہے۔

بیس لائنز منسلک ہیں:

• ریفرنس آواز اور اسپیچ‑جنریشن ماڈل۔
• اسکورنگ ماڈل۔
• لفظوں کا مجموعہ۔
• کیلیبریشن اور رول ورژن۔

اگر میچنگ بیس لائن دستیاب یا قابل استعمال نہ ہو تو نتیجہ اپنا راؤ اسکور برقرار رکھتا ہے۔ اس لیے پہلی کوشش بغیر ایڈجسٹمنٹ کے رہ سکتی ہے جبکہ بعد کی کوششوں کے لیے بیس لائن تیار کی جاتی ہے۔

آپ کے اسکور کا مطلب

حاصل شدہ نمبر HolosAccent کے اسکیل پر ایک پریکٹس اسکور ہے۔

90 کا اسکور یہ نہیں مطلب کہ آپ کے 90 فیصد الفاظ درست تھے، اور یہ کوئی CEFR لیول یا نیٹو‑سپیکر کے برابر نہیں بناتا۔

یہ میپنگ ماہرین کے ریٹڈ ریکارڈنگز کے ذریعے فٹ کی گئی ہے، لیکن new scoring system remains experimental اور اس کے مکمل قبولیت کے معیار ابھی تک تصدیق نہیں ہوئے۔ یہ غلطیاں چھوڑ سکتا ہے یا قابل قبول بول چال پر جھنڈا لگا سکتا ہے۔

انفرادی لفظ کی فیڈبیک اور متعدد کوششوں کے پیٹرن اس نمبر کی تشریح کے لیے سیاق فراہم کرتے ہیں۔