अध्ययन अंग्रेजी और जापानी L2 उच्चारण में ध्वनिविज्ञान की सटीकता, लय और स्वरारोह का आकलन करने के लिए स्व-सुपरव्यूड WavLM निरूपण पर गतिशील समय विकर्षण (DTW) के उपयोग की जांच करता है, जिसके लिए लेबल किए गए प्रशिक्षण डेटा की आवश्यकता नहीं होती। सीखने वाले के उच्चारण को प्राकृतिक टेम्पलेट से तुलित करने वाला मूल DTW दृष्टिकोण संपूर्ण और वाक्य-स्तर के ध्वनिविज्ञान मूल्यांकन में मानव सहमति से अधिक है।
- लय मूल्यांकन के लिए, लेखकों ने DTW अलाइनमेंट पथ में विकर्षण की डिग्री को मापने वाले तरीके पेश किए हैं, जिसमें सर्वोत्तम तरीका मानव-स्तर के प्रदर्शन के करीब पहुंचता है।
- स्वरारोह मूल्यांकन ध्वन्यात्मक अवशेषों पर DTW दूरी को स्वर और तीव्रता विशेषताओं के साथ जोड़ता है, हालांकि कुछ कार्यों पर प्रदर्शन अभी भी सीमित है।
परिणाम दिखाते हैं कि स्व-सुपरव्यूड निरूपण बहु-पक्षीय उच्चारण मूल्यांकन के लिए एक वादा करने वाला पाठ-मुक्त आधार प्रदान करते हैं।