用机器学习对自动转录进行后处理,以进行口头流利度评分

科学领域:

• 认知心理学 认知心理学
• 计算语言学 计算语言学
• 语音技术 语言技术

背景情况:

• 语言流性任务对于评估认知功能至关重要.
• 准确的转录与单词时序对于评分这些任务至关重要.
• 手动转录是耗时和劳动密集的.

研究的目的:

• 通过机器学习增强的自动语音识别 (ASR) 来比较手工转录的口语流度得分.
• 评估使用机器学习来提高ASR用于口语流度评分的可行性.

主要方法:

• 1400个人的口语流利记录 (动物和字母F任务) 通过亚马逊网络服务自动转录.
• 自动转录被手动纠正,以创建"黄金标准"的转录.
• 机器学习分类器被训练来区分有效和无效的语句,以实现自动评分.

主要成果:

• 机器学习分类器在两个任务中都实现了有效和无效语句的良好分离.
• 来自自动转录的口头流利度得分与手动校正的得分有很高的相关性.
• 一些得分呈现出较低的相关性,表明需要改善的ASR领域.

结论:

• 机器学习可以增强现成的ASR,用于评分口语流度单词列表.
• 自动推导的口语流度得分可能适合某些应用.
• 对于可靠的,完全自动化的口语流性评估,需要在ASR方面取得进一步的进展.