O estudo investiga o uso da Distorção Temporal Dinâmica (DTW) em representações autossupervisionadas do WavLM para avaliar a precisão fonética, o ritmo e a entonação na fala L2 em inglês e japonês sem exigir dados de treinamento rotulados. A abordagem básica de DTW que compara a fala do aprendiz com modelos nativos supera o acordo humano na pontuação fonética holística e em nível de sentença.
- Para a avaliação do ritmo, os autores introduzem métodos que medem o grau de distorção no caminho de alinhamento do DTW, sendo o melhor método o que se aproxima do desempenho humano.
- A pontuação da entonação combina a distância do DTW sobre resíduos prosódicos com características de tom e intensidade, embora o desempenho permaneça modesto em algumas tarefas.
Os resultados demonstram que as representações autossupervisionadas fornecem uma base promissora sem texto para a avaliação da pronúncia em múltiplos aspectos.