前沿科技:51Talk课前预习是如何优雅评分的

 [导读:51Talk课前预习可以帮助学员对本课的五个核心词汇进行很好的学习和掌握。而它的语音评分系统正是其强大所在。]

51Talk课前预习系统中的语音识别评分是这样的:

经科学测试之后发现,它确实可以清楚判断出读音处于何种水平。而且,88分的发音与89分的发音确实存在人耳不可分辨的细微差别。

对于它能做到如此科学及准确,十分惊讶并且好奇:“你们是如何做到的?!”下面就让小预来揭秘,51Talk课前预习如何优雅的评分。

一个大写的“服”


与苹果Siri相同的语音识别技术

(-->点击听音频<--懒得看文字,讲给你听)

第一代的语音识别技术是“基于音频比对”评分,它是这样的:系统录入一段标准音,比对标音与用户音的区别来进行评分。但因为存在性别、年龄、语速、音调、地域差异, 所有用户都是只与单一的一个标准音去比对。所以,实际上这种评分并不准确。

现阶段最前沿的语音识别技术,是“基于模式识别 / 基于统计模型 / 基于神经网络 / 基于机器学习”的语音识别。苹果公司的Siri和51Talk的课前预习采用的都是这种技术。

这种技术是这样的:

选取大量用户,每人读每个单词的音频由专家老师进行人工打分,提取每个音频中的声学特征,通过大量计算这些声学特征和分数之间的关系,进行机器学习。学习得到一个根据音频声学特征打分的算法模型,这个模型通过不断的调优达到成熟稳定,然后机器就可以针对新来的音频进行打分。

说形象点,你可以这样理解:51Talk的课前预习就是一个英语专家老师,由老师对你的发音进行客观打分。且,性别、年龄、语速、音调、地域此类因素并不会影响到你的得分。

同时,还会综合你读时单词的轻重音、长短音以及句子的流利度、完整度、韵律度等进行加权,打出最终得分。


能够分清dogs和dog的不同


市面上很多产品都做语音评分的功能,但大多数语音评分仅是个“花架子”。这些软件只能对发音进行一个含糊的判断,大部分都不准确。

举个最简单的例子,它们并不能在一段话中区分简单的单复数和词汇的时态。比如,它们分不清“There are some dogs.”和“There are some dog.”的区别。

但51Talk的课前预习却可以。

这是因为51talk的课前预习的语音建立模型的最小单位是音素。

音素是构成音节的最小单位或最小的语音片段,是从音质的角度划分出来的最小的线性的语音单位。人脑识别是依据我们所听到的每个音素进行识别,但如果将机器识别的尺度定位音素级别的话,那么成本会大大增高。

如果在其他领域进行模糊判断尚可,但这显然不适用与语言学习这一领域。我们都希望系统可以告诉我们哪里读的对或哪里读的不对,含糊的判断会严重影响语言学习。

举个例子:

如评分未精确至“音素”,classmates与classmate是区分不出的

对于英语学习来说,51Talk的音素级别的语音识别是必须的。


在如此强大的技术和如此精确的识别支持下,51Talk课前预习的评分系统科学及准确并不难以理解。 

我们坚信:上课前自己练一练,好过上课与外教鸡同鸭讲的对话。

小预期待,看到认真预习练习发音的你!!!


课前预习在哪里:51Talk-AC客户端


51Talk-AC


上周获奖

恭喜134****9928这位同学,次卡将在5天内发放,注意查收哦!


→猛戳有奖 给小预评分 次卡周周送

亲爱的,喜不喜欢小预的《前沿科技:51Talk课前预习是如何优雅评分的》?给我一个鼓励吧,

每周会有一名学员获得小预送的次卡,名单下周文章公布。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,921评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,635评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,393评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,836评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,833评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,685评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,043评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,694评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,671评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,670评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,779评论 1 332
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,424评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,027评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,984评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,214评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,108评论 2 351
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,517评论 2 343

推荐阅读更多精彩内容