前沿科技:51Talk課前預習是如何優(yōu)雅評分的

?[導讀:51Talk課前預習可以幫助學員對本課的五個核心詞匯進行很好的學習和掌握既棺。而它的語音評分系統(tǒng)正是其強大所在幢竹。]

51Talk課前預習系統(tǒng)中的語音識別評分是這樣的:

經(jīng)科學測試之后發(fā)現(xiàn)补疑,它確實可以清楚判斷出讀音處于何種水平班利。而且洞豁,88分的發(fā)音與89分的發(fā)音確實存在人耳不可分辨的細微差別窗看。

對于它能做到如此科學及準確茸歧,十分驚訝并且好奇:“你們是如何做到的?烤芦!”下面就讓小預來揭秘举娩,51Talk課前預習如何優(yōu)雅的評分。

一個大寫的“服”


與蘋果Siri相同的語音識別技術

(-->點擊聽音頻<--懶得看文字,講給你聽)

第一代的語音識別技術是“基于音頻比對”評分铜涉,它是這樣的:系統(tǒng)錄入一段標準音智玻,比對標音與用戶音的區(qū)別來進行評分。但因為存在性別芙代、年齡吊奢、語速、音調(diào)纹烹、地域差異页滚,?所有用戶都是只與單一的一個標準音去比對。所以铺呵,實際上這種評分并不準確裹驰。

現(xiàn)階段最前沿的語音識別技術,是“基于模式識別?/?基于統(tǒng)計模型?/?基于神經(jīng)網(wǎng)絡?/?基于機器學習”的語音識別片挂。蘋果公司的Siri和51Talk的課前預習采用的都是這種技術幻林。

這種技術是這樣的:

選取大量用戶,每人讀每個單詞的音頻由專家老師進行人工打分音念,提取每個音頻中的聲學特征沪饺,通過大量計算這些聲學特征和分數(shù)之間的關系,進行機器學習闷愤。學習得到一個根據(jù)音頻聲學特征打分的算法模型整葡,這個模型通過不斷的調(diào)優(yōu)達到成熟穩(wěn)定,然后機器就可以針對新來的音頻進行打分讥脐。

說形象點遭居,你可以這樣理解:51Talk的課前預習就是一個英語專家老師,由老師對你的發(fā)音進行客觀打分攘烛。且魏滚,性別、年齡坟漱、語速鼠次、音調(diào)、地域此類因素并不會影響到你的得分芋齿。

同時腥寇,還會綜合你讀時單詞的輕重音、長短音以及句子的流利度觅捆、完整度赦役、韻律度等進行加權,打出最終得分栅炒。


能夠分清dogs和dog的不同


市面上很多產(chǎn)品都做語音評分的功能掂摔,但大多數(shù)語音評分僅是個“花架子”术羔。這些軟件只能對發(fā)音進行一個含糊的判斷,大部分都不準確乙漓。

舉個最簡單的例子级历,它們并不能在一段話中區(qū)分簡單的單復數(shù)和詞匯的時態(tài)。比如叭披,它們分不清“There?are?some?dogs.”和“There?are?some?dog.”的區(qū)別寥殖。

但51Talk的課前預習卻可以。

這是因為51talk的課前預習的語音建立模型的最小單位是音素涩蜘。

音素是構成音節(jié)的最小單位或最小的語音片段嚼贡,是從音質(zhì)的角度劃分出來的最小的線性的語音單位。人腦識別是依據(jù)我們所聽到的每個音素進行識別同诫,但如果將機器識別的尺度定位音素級別的話粤策,那么成本會大大增高。

如果在其他領域進行模糊判斷尚可剩辟,但這顯然不適用與語言學習這一領域掐场。我們都希望系統(tǒng)可以告訴我們哪里讀的對或哪里讀的不對往扔,含糊的判斷會嚴重影響語言學習贩猎。

舉個例子:

如評分未精確至“音素”,classmates與classmate是區(qū)分不出的

對于英語學習來說萍膛,51Talk的音素級別的語音識別是必須的吭服。


在如此強大的技術和如此精確的識別支持下,51Talk課前預習的評分系統(tǒng)科學及準確并不難以理解蝗罗。?

我們堅信:上課前自己練一練艇棕,好過上課與外教雞同鴨講的對話。

小預期待串塑,看到認真預習練習發(fā)音的你U恿稹!桩匪!


課前預習在哪里:51Talk-AC客戶端


51Talk-AC


上周獲獎

恭喜134****9928這位同學打瘪,次卡將在5天內(nèi)發(fā)放,注意查收哦傻昙!


→猛戳有獎 給小預評分 次卡周周送

親愛的闺骚,喜不喜歡小預的《前沿科技:51Talk課前預習是如何優(yōu)雅評分的》?給我一個鼓勵吧妆档,

每周會有一名學員獲得小預送的次卡僻爽,名單下周文章公布。

最后編輯于
?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末贾惦,一起剝皮案震驚了整個濱河市胸梆,隨后出現(xiàn)的幾起案子敦捧,更是在濱河造成了極大的恐慌,老刑警劉巖碰镜,帶你破解...
    沈念sama閱讀 206,214評論 6 481
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件绞惦,死亡現(xiàn)場離奇詭異,居然都是意外死亡洋措,警方通過查閱死者的電腦和手機济蝉,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,307評論 2 382
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來菠发,“玉大人王滤,你說我怎么就攤上這事∽茵” “怎么了雁乡?”我有些...
    開封第一講書人閱讀 152,543評論 0 341
  • 文/不壞的土叔 我叫張陵,是天一觀的道長糜俗。 經(jīng)常有香客問我踱稍,道長,這世上最難降的妖魔是什么悠抹? 我笑而不...
    開封第一講書人閱讀 55,221評論 1 279
  • 正文 為了忘掉前任珠月,我火速辦了婚禮,結果婚禮上楔敌,老公的妹妹穿的比我還像新娘啤挎。我一直安慰自己,他們只是感情好卵凑,可當我...
    茶點故事閱讀 64,224評論 5 371
  • 文/花漫 我一把揭開白布庆聘。 她就那樣靜靜地躺著,像睡著了一般勺卢。 火紅的嫁衣襯著肌膚如雪伙判。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,007評論 1 284
  • 那天黑忱,我揣著相機與錄音宴抚,去河邊找鬼。 笑死杨何,一個胖子當著我的面吹牛酱塔,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播危虱,決...
    沈念sama閱讀 38,313評論 3 399
  • 文/蒼蘭香墨 我猛地睜開眼羊娃,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了埃跷?” 一聲冷哼從身側(cè)響起蕊玷,我...
    開封第一講書人閱讀 36,956評論 0 259
  • 序言:老撾萬榮一對情侶失蹤邮利,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后垃帅,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體延届,經(jīng)...
    沈念sama閱讀 43,441評論 1 300
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 35,925評論 2 323
  • 正文 我和宋清朗相戀三年贸诚,在試婚紗的時候發(fā)現(xiàn)自己被綠了方庭。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,018評論 1 333
  • 序言:一個原本活蹦亂跳的男人離奇死亡酱固,死狀恐怖械念,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情运悲,我是刑警寧澤龄减,帶...
    沈念sama閱讀 33,685評論 4 322
  • 正文 年R本政府宣布,位于F島的核電站班眯,受9級特大地震影響希停,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜署隘,卻給世界環(huán)境...
    茶點故事閱讀 39,234評論 3 307
  • 文/蒙蒙 一宠能、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧定踱,春花似錦棍潘、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,240評論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽恤浪。三九已至畅哑,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間水由,已是汗流浹背荠呐。 一陣腳步聲響...
    開封第一講書人閱讀 31,464評論 1 261
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留砂客,地道東北人泥张。 一個月前我還...
    沈念sama閱讀 45,467評論 2 352
  • 正文 我出身青樓,卻偏偏與公主長得像鞠值,于是被迫代替她去往敵國和親媚创。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 42,762評論 2 345

推薦閱讀更多精彩內(nèi)容