HolosAccent 如何將你的聲音轉化為發音分數

準備你的錄音

首先，音訊會被解碼成標準格式：mono sound sampled at 16 kHz。

系統會估算錄音的訊噪比 (signal‑to‑noise ratio)。若此估算低於 25 dB 且可使用降噪功能，系統會在分析前套用 a noise-reduction filter。若降噪失敗，則直接使用原始錄音。

接著，波形會被正規化，以符合語音分析模型的輸入需求。靜音或長度不足半秒的錄音會得到零分。

接受不同的發音

接下來，參考文字會透過 a pronunciation engine 轉換成音標發音。單詞可能有多種被接受的形式。

發音集合包括：

• 英式與美式變體。
• 常見的縮減形式，例如 to 中的非重音母音。
• 特定語境下的替代選項。

例如，close the door 中的最後子音與 a close friend 中的不同。系統在處理句子時會在支援的替代方案中選擇合適的發音。

只聆聽聲音，不重建單詞

錄音會通過 an acoustic model。它會在時間軸上以大約 20-millisecond intervals 的間隔，產生各種語音聲音的證據。

這是一個錄音的音素表示。計分器不會使用詞層級的語言模型來重建句子。

系統接著以兩種方式檢視這些聲學輸出：

方法	功能說明
Expected-sound alignment	找出預期聲音的最佳時機，為每個單詞選擇完整的發音變體。
Independent sound recognition	直接跟隨模型偏好的聲音，不需要參考句子。

兩種觀點皆必須，因為即使說話者省略了某個聲音，對齊仍可能在錄音中找到預期聲音的位置。獨立聲音辨識則提供實際說出的額外證據。

匹配同時考慮時間，使得一個詞內的聲音不易被算作遠處詞的證據。

為每個聲音計分

對於每個已對齊的聲音，計分器會計算 pronunciation accuracy measure：模型在該時間段內對預期聲音相較於競爭聲音的支持程度。

它同時會考量：

• 預期聲音的最高機率。
• 獨立聲音辨識是否在附近找到匹配的聲音。

經過擬合的數學映射會將此證據轉換為 0 到 100 之間的 sound accuracy value。

獨立辨識結果缺失的聲音不會自動得到零分。聲學證據仍然重要。

判斷哪些單詞需要關注

單詞回饋會結合這些聲音分數與明確的錯誤檢查。單詞必須：

• 有足夠的證據顯示已被說出。
• 符合設定的平均準確度門檻。
• 未被偵測到置換、插入或嚴重缺失聲音的錯誤。

明顯的置換需要 weak support for the expected sound 且 strong support for a competing sound。

證據	目前門檻
Support for the expected sound	Below 0.05
Support for its replacement	At least 0.5

這些是 model evidence thresholds，而非人類聽者會判斷單詞錯誤的機率。

對於被標記的單詞，系統會回傳預期的發音以及其對聽到的聲音的估計，使用 International Phonetic Alphabet (IPA) 表示。此估計可能不完美，特別是在單詞邊界附近。

建立句子分數

句子分數會以以下經過擬合的組合開始：

• 平均聲音準確度。
• 獨立聲音辨識匹配到的預期聲音比例。
• 每秒發出的語音聲音數量。
• 單詞之間的長時間停頓。

時間計算會排除第一個對齊聲音之前與最後一個之後的靜音。

這些特徵會匯總成 one overall score。目前的實作不會提供分別給使用者的流暢度、完整度或語調分數。

單詞權重如何影響結果

計分器接著套用明確的 word-credit multiplier。每個單詞的權重依其選擇發音中的聲音數量而定。

單詞結果	獲得權重
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

計算方式如下：

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

因此，較長的錯誤單詞通常比短的花費更高。即使只朗讀句子的一小段，只要那段聽起來清晰，分數仍會受到限制。

與參考錄音比較你的分數

最後，系統可以使用 reference recording of the same phrase 來正規化原始分數。

它會以相同的計分版本對合成參考錄音進行計分，若已有可用的匹配基準，則套用：

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

例如，原始分數 80 與參考分數 88 相比，最終約為 90.9。

此調整考慮到模型對參考錄音的分數也可能低於 100。

基準與以下項目相關：

• 參考聲音與語音生成模型。
• 計分模型。
• 詞彙表。
• 校準與規則版本。

若無可用或不可用的匹配基準，結果會保留原始分數。首次嘗試因此可能不會被調整，直至之後建立基準。

你的分數代表什麼

最終的數字是 HolosAccent 的練習分數。

分數 90 並不代表你有 90% 的單詞正確，也不等同於 CEFR 級別或母語者的等同水平。

此映射是以專家評分的錄音為基礎擬合的，但 new scoring system remains experimental，其完整的接受標準尚未驗證。它可能漏掉錯誤或標記本應接受的語音。

個別單詞回饋以及多次嘗試的模式，可為解讀此數字提供背景。