基于自注意力模型的音节级发音重音检测

注： 已在 arXiv 发表：arXiv:2311.00301

摘要

有效口语交流的前提之一是单词发音清晰，这对非母语者尤为重要。单词重音是清晰准确英语的关键，音节重音的错误放置可能导致误解。因此，了解重音级别对英语使用者和学习者至关重要。

本文提出了一种自注意力模型，用于识别英语口语中每个音节的重音级别。

主要成果：

• 最简单的模型在一个数据集上达到 88% 以上的准确率
• 在另一个数据集上达到 93% 以上的准确率
• 更高级的模型实现了更高的准确率

1. 引言

有效的口语交流需要清晰的发音，对于英语非母语者来说更是如此。单词重音的位置对于语言的可理解性至关重要——音节重音放错位置可能导致误解或沟通障碍。

本研究致力于解决音节级别重音的自动检测问题，在以下领域具有应用前景：

• 在线会议 — 实时发音反馈
• 英语学习 — 帮助学习者改善重音模式
• 语音分析 — 英语口语的自动评估

2. 方法

特征分析

模型分析了多种韵律特征和类别特征：

自注意力架构

自注意力机制使模型能够：

1. 考虑单词内音节之间的关系
2. 对不同韵律特征的重要性进行加权
3. 捕捉重音分配中的上下文模式

输入：每个音节的韵律特征
  ↓
自注意力层
  ↓
输出：每个音节的重音级别预测

3. 结果

性能概要

要点： 实验证明自注意力架构在重音检测方面效果显著，能够捕捉决定重音模式的音节间上下文关系。

4. 应用场景

在线会议

通过视频会议中的实时发音反馈，帮助非母语者进行更清晰的沟通。

英语学习

• 自动发音评估
• 重音模式训练与纠正
• 为学习者提供个性化反馈

语音分析

• 韵律模式的语言学研究
• 语音合成质量评估
• 口音分析与训练

5. 结论

本研究证明了自注意力模型在英语音节级重音检测方面的良好前景。该方法具有以下特点：

1. 在不同数据集上取得高准确率（88~93% 以上）
2. 有效结合了韵律特征和类别特征
3. 在语言学习和沟通工具领域具有实用价值

相关资料

• 论文：arXiv:2311.00301
• 源代码：可通过 arXiv 提交获取

引用

1
2
3
4
5
6

@article{wang2023detecting,
  title={Detecting Syllable-Level Pronunciation Stress with A Self-Attention Model},
  author={Wang, Weiying and Nakajima, Akinori},
  journal={arXiv preprint arXiv:2311.00301},
  year={2023}
}