本研究は、教師なしWavLM表現に対して動的時間伸縮（DTW）を用い、ラベル付き学習データなしで英語および日本語の第二言語発話における音韻的正確性、リズム、イントネーションを評価する方法を検証している。学習者の発話をネイティブのテンプレートと比較する基本的なDTWアプローチは、包括的および文レベルの音韻スコアリングにおいて人間の合意を超えている。

  • リズム評価について、著者はDTWアライメントパスにおける歪みの度合いを測定する手法を導入し、最良の手法は人間レベルのパフォーマンスに近づいている。
  • イントネーションスコアリングは、プロソディック残差に対するDTW距離とピッチおよび強度特徴を組み合わせているが、いくつかのタスクではパフォーマンスが依然として限定的である。

これらの結果は、教師なし表現が多面的な発音評価のための有望なテキスト不要の基盤を提供することを示している。