学龄前儿童语言发展测试中非词发音分类
音频与语音处理
2022-06-20 v2 计算与语言
声音
摘要
本工作旨在自动评估儿童的语言发展是否与其年龄相称。为此使用经验证的语音和语言测试来检测听觉记忆。本工作的任务是判断所说的非词是否被正确发出。我们比较了受特定语言结构建模启发的不同方法：低级特征（FFT）、说话人嵌入（ECAPA-TDNN）、字素驱动的嵌入（wav2vec 2.0），以及以 senone 形式表示的语音嵌入（ASR 声学模型）。每种方法均为类 VGG 的五层 CNN 分类器提供输入。我们还考察了针对每个非词的适配。所提系统的评估使用来自不同幼儿园的非词语音录音进行。ECAPA-TDNN 与低级 FFT 特征不显式建模语音信息；wav2vec2.0 在字素标签上训练，我们的 ASR 声学模型特征包含（亚）语音信息。我们发现语音建模越精细，所取得的识别率越高。在 ASR 声学模型特征上结合 VTLN 训练的最佳系统取得了 89.4% 的准确率和 0.923 的 ROC（受试者工作特征）曲线下面积（AUC）。相对于 FFT 基线，这对应于准确率相对提升 20.2%、AUC 相对提升 0.309。
引用
@article{arxiv.2206.08058,
title = {Nonwords Pronunciation Classification in Language Development Tests for Preschool Children},
author = {Ilja Baumann and Dominik Wagner and Sebastian Bayerl and Tobias Bocklet},
journal= {arXiv preprint arXiv:2206.08058},
year = {2022}
}
备注
Accepted at Interspeech 2022