HolosAccent 如何將你的聲音轉換為發音分數

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（單聲道、採樣率 16 kHz）。

系統會估算錄音的訊噪比 (SNR)。若估算值低於 25 dB 且可使用降噪功能，系統會在分析前套用 a noise-reduction filter（降噪濾波器）。若濾波失敗，則直接使用原始錄音繼續。

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。

允許不同的發音

接下來，參考文字會透過 a pronunciation engine（發音引擎）轉換成音標。單字可能有多種可接受的發音形式。

發音集合包含：

• 英式與美式變體。
• 常見的縮減形式，例如 to 中的非重音母音。
• 挑選的語境替代方案。

例如，close the door 中的最後子音與 a close friend 中的不同。系統在處理句子時可以在支援的替代方案中選擇。

只聆聽聲音，不重建單詞

錄音會通過 an acoustic model（聲學模型）。模型會在時間軸上以大約 20-millisecond intervals（20 毫秒間隔）產生各種語音聲音的證據。

這是一個錄音的音素表示。評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	依照模型偏好的聲音進行辨識，無需參考句子。

兩種觀點皆必須，因為對齊即使在說話者省略某個聲音時，也會在錄音中找出預期聲音的位置。獨立聲音辨識則提供實際說出內容的額外證據。

匹配同時考慮時間因素，使得一個單詞中的聲音不易被算作遠處單詞的證據。

為每個聲音打分

對於每個已對齊的聲音，評分器會計算 pronunciation accuracy measure（發音準確度指標）：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。

它同時會考慮：

• 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 sound accuracy value between 0 and 100（0 到 100 的聲音準確度值）。

一個在獨立辨識結果中缺失的聲音不會自動得到零分。聲學證據仍然重要。

判斷哪些單詞需要注意

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。
• 避免被偵測到的替換、插入或嚴重缺失聲音的錯誤。

明顯的替換需要 weak support for the expected sound（對預期聲音的弱支持）以及 strong support for a competing sound（對競爭聲音的強支持）。

證據	目前門檻
對預期聲音的支持	Below 0.05
對其替代音的支持	At least 0.5

這些是 model evidence thresholds（模型證據門檻），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)（國際音標）書寫。此估計可能不完美，尤其在單詞邊界附近。

建立句子分數

句子分數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已對齊聲音之前以及最後一個之後的靜音。

這些特徵共同構成 one overall score（整體分數）。目前的實作並未提供給使用者的流暢度、完整度或語調分數。

單詞權重如何影響結果

評分器接著套用明確的 word-credit multiplier（單詞權重乘數）。每個單詞的權重依其選定發音中的聲音數量而定。

單詞結果	獲得權重
正確	完整權重
已說出但被標記	權重的四分之一
遺漏	無權重

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（相同片語的參考錄音）來正規化原始分數。

它會以相同的評分器版本對合成的參考錄音打分，且當已有可用的匹配基準時，套用以下公式：

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

例如，原始分數 80 對照參考分數 88 時，最終約為 90.9。

此調整考量到模型對參考錄音的分數可能也不到 100。

基準與以下項目相關：

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

若無可用或不可用的匹配基準，結果將保留原始分數。首次嘗試因此可能不會被調整，直到之後為後續嘗試準備好基準。

你的分數代表什麼

最終的數字是 HolosAccent 評分尺度上的練習分數。

90 分並不代表你的單詞正確率為 90%，也不等同於 CEFR 等級或母語者的等同水平。

此映射是根據專家評分的錄音擬合而成，但 new scoring system remains experimental（新評分系統仍屬實驗性），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發音。

個別單詞的回饋以及多次嘗試的模式，可為解讀此數字提供參考。