The computer-assisted learning of s

The computer-assisted learning of spoken language is closely tied to automatic speech recognition (ASR) technology which, as is well known, is challenging with non-native speech. By focusing on specific phonological differences between the target and source languages of non-native speakers, pronunciation assessment can be made more reliable. The four-way contrast of Hindi stops, where voicing and aspiration are phonemic for each of five distinct places-of-articulation, are typically challenging for a learner from a different native language group. The improper production of the aspiration contrast is thus often the salient cue to non-native accents of spoken Hindi. In this work, acoustic–phonetic features, motivated by an understanding of the production of the aspirated plosives, are evaluated for the classification of plosives along the aspiration dimension. Several new acoustic measures are proposed for the reliable detection of the aspiration contrast in unvoiced and voiced plosives. The acoustic–phonetic features are shown to perform well in the two-way classification task, and also appear robust to cross-language transfer where statistical models trained on Marathi speech were tested on native Hindi utterances. In experiments on nativeand non-native utterances of Hindi words by Tamil-L1 speakers, the acoustic–phonetic features clearly separate the non-native speakers fromnative on pronunciation quality of aspirated plosives. The acoustic–phonetic features also outperformed an ASR system based on more generic spectral features in terms of phone-level feedback that was consistent with human judgement.

ผลลัพธ์ (ไทย) 1:

คอมพิวเตอร์ช่วยการเรียนรู้ภาษาพูดอย่างใกล้ชิดกับเทคโนโลยีการรู้จำ (ASR) เสียงอัตโนมัติซึ่ง เป็นรู้จักกันดี เป็นท้าทาย ด้วยคำพูดไม่ใช่เจ้า โดยเน้นเฉพาะโครงสร้างประโยคต่างเป้าหมายและแหล่งที่มาของภาษาของภาษา การประเมินการออกเสียงสามารถทำขึ้น ความคมชัดแบบของฮินดีหยุด voicing และความทะเยอทะยานสัทศาสตร์ให้สำหรับแต่ละห้าแตกต่างสถานที่ของควบคุม ถูกท้าทายโดยทั่วไปสำหรับผู้เรียนจากกลุ่มภาษาแตกต่างกัน การผลิตที่ไม่เหมาะสมของความคมชัดความทะเยอทะยานจึงมักจะเป็นสัญลักษณ์เด่นที่สำเนียงไม่ใช่เจ้าของพูดภาษาฮินดี ในงานนี้ คุณสมบัติเสียง – เสียง แรงจูงใจจากความเข้าใจของการผลิตของ plosives เทอร์โบชาร์จ มีประเมินการจัดประเภทของ plosives ตามมิติความทะเยอทะยาน มีการนำเสนอมาตรการหลายเสียงใหม่สำหรับการตรวจสอบความน่าเชื่อถือของความคมชัดความทะเยอทะยานใน plosives ไม่เปล่ง และเปล่งเสียง คุณสมบัติเสียง – การออกเสียงแสดงการทำดีในงานจำแนกสองทาง และปรากฏแข็งแกร่งการโอนข้ามภาษาที่ฝึกพูดมราฐีโมเดลทางสถิติทดสอบในภาษาฮินดี utterances ในการทดลองกับ nativeand utterances ไม่ใช่เจ้าของคำในภาษาโดยภาษาทมิฬ-L1 คุณสมบัติเสียง – เสียงชัดเจนแยก fromnative ภาษาออกเสียงคุณภาพของ plosives เทอร์โบชาร์จ คุณสมบัติเสียง – เสียงยังกรรมการระบบ ASR ที่อิงทั่วสเปกตรัมคุณสมบัติในแง่โทรศัพท์ระดับความคิดเห็นที่สอดคล้องกับพิพากษามนุษย์

ผลลัพธ์ (ไทย) 2:

การเรียนรู้โดยใช้คอมพิวเตอร์ช่วยของภาษาพูดจะเชื่อมโยงอย่างใกล้ชิดกับการรับรู้เทคโนโลยีเสียงพูดอัตโนมัติ (ASR) ซึ่งเป็นที่รู้จักกันดีเป็นสิ่งที่ท้าทายกับคำพูดที่ไม่ใช่เจ้าของภาษา โดยมุ่งเน้นความแตกต่างระหว่างเสียงที่เฉพาะเจาะจงเป้าหมายและแหล่งที่มาของภาษาที่ไม่ใช่เจ้าของภาษาการประเมินการออกเสียงสามารถทำน่าเชื่อถือมากขึ้น คมชัดสี่ทิศทางของภาษาฮินดีหยุดที่ voicing และความทะเยอทะยานเป็นสัทศาสตร์สำหรับแต่ละห้าสถานที่ของเสียงที่เปล่งออกที่แตกต่างกันมักจะท้าทายสำหรับผู้เรียนจากกลุ่มภาษาพื้นเมืองที่แตกต่างกัน การผลิตที่ไม่เหมาะสมของความคมชัดความทะเยอทะยานจึงมักจะเป็นคิวเด่นสำเนียงที่ไม่ใช่เจ้าของภาษาพูดภาษาฮินดี ในงานนี้คุณสมบัติอะคูสติกออกเสียงแรงบันดาลใจจากความเข้าใจในการผลิตของการออกเสียงสำลักที่ได้รับการประเมินสำหรับการจำแนกประเภทของการออกเสียงตามมิติความทะเยอทะยานที่ อะคูสติกมาตรการใหม่ ๆ มีการเสนอสำหรับการตรวจสอบความน่าเชื่อถือของความคมชัดความทะเยอทะยานในการออกเสียงพูดและเสียง คุณสมบัติอะคูสติกการออกเสียงแสดงให้เห็นว่าทำงานได้ดีในงานที่จัดหมวดหมู่แบบสองทางและยังปรากฏมีประสิทธิภาพในการถ่ายโอนข้ามภาษาที่ผ่านการฝึกอบรมแบบจำลองทางสถิติในการพูดฐีได้รับการทดสอบเกี่ยวกับคำพูดภาษาฮินดีพื้นเมือง ในการทดลองเกี่ยวกับคำพูดที่ไม่ใช่เจ้าของภาษา nativeand ของคำภาษาฮินดีโดยเจ้าของทมิฬ-L1 คุณสมบัติอะคูสติกการออกเสียงอย่างชัดเจนแยกลำโพงที่ไม่ใช่เจ้าของภาษา fromnative กับคุณภาพการออกเสียงออกเสียงสำลัก คุณสมบัติอะคูสติกการออกเสียงยังเฮงระบบ ASR ตามลักษณะสเปกตรัมทั่วไปมากขึ้นในแง่ของการตอบรับโทรศัพท์ในระดับที่สอดคล้องกับการตัดสินของมนุษย์

ผลลัพธ์ (ไทย) 3:

การใช้คอมพิวเตอร์ช่วยในการเรียนรู้ภาษา พูดถูกเชื่อมโยงอย่างใกล้ชิดเพื่อการรู้จำเสียงพูดอัตโนมัติ ( ASR ) เทคโนโลยีซึ่งเป็นที่รู้จักกันดี คือการท้าทายกับภาษา การพูด โดยเน้นความแตกต่างระหว่างเป้าหมายและแหล่งข้อมูลเฉพาะภาษาไม่ใช่ลําโพง การประเมินการออกเสียงจะทำให้น่าเชื่อถือมากขึ้น ทางสี่ความคมชัดของภาษาฮินดีหยุดที่การออกเสียงแต่ละเสียงมีห้าสถานที่ที่แตกต่างของเสียงที่เปล่งออกมา โดยทั่วไปจะท้าทายสำหรับผู้เรียนจากกลุ่มภาษาต่าง ๆ การผลิตที่ไม่เหมาะสมของความทะเยอทะยาน ความคมชัดจึงมักจะสำคัญคิวไม่ใช่สำเนียงพูดภาษาฮินดี ในงานนี้ อะคูสติก –สัทศาสตร์ คุณสมบัติ กระตุ้นความเข้าใจในการผลิตของ aspirated plosives , การประเมินการ plosives ตามปณิธาน มิติ หลายเสียงเสนอมาตรการใหม่สำหรับการตรวจสอบความน่าเชื่อถือของความคมชัดในซึ่งไม่ออกเสียงและเปล่งเสียง plosives . เสียง ( สัทลักษณะแสดงแสดงได้ดีในงานจำแนกแบบสองทางและยังปรากฏที่แข็งแกร่งที่จะข้ามการถ่ายโอนภาษาที่แบบจำลองทางสถิติได้ฝึกการพูด การพูดภาษาฮินดีภาษามราฐีทำการพื้นเมือง ในการทดลองกับ nativeand ไม่ใช่คำพูดของภาษาฮินดีคำโดย tamil-l1 ลําโพงเสียง ( สัทลักษณะชัดเจนแยกไม่ได้พูดออกเสียง fromnative คุณภาพของลม plosives . เสียง ( สัทลักษณะยังเป็นผู้ให้บริการในระบบตามลักษณะพื้นที่ทั่วไปมากขึ้นในแง่ของโทรศัพท์ระดับความคิดเห็นที่สอดคล้องกับการตัดสินใจของมนุษย์