NTNU系统在2025年S&I挑战SLA开放轨道赛中的表现

近期研究探索了利用语音语言评估（SLA）中采用神经模型如BERT和wav2vec 2.0（W2V）来评估口语技能的跨语言和声学模态方法。尽管两种模型在捕获口语能力相关特征方面都有效，但各自存在模态特定的局限性。BERT-based方法依赖语音识别转录文本，这些文本往往难以捕获语音韵律和音素线索。相比之下，W2V-based方法在建模声学特征方面表现出色，但缺乏语义可解释性。为克服这些局限性，我们提出了一种将W2V与Phi-4多模态大语言模型（MLLM）集成的系统，通过得分融合策略实现整合。该系统在Speak & Improve Challenge 2025官方测试集上实现了根均方误差（RMSE）为0.375，获得了赛事中第二名的成绩。与之比较，最高名次、第三名以及官方基线系统的RMSE分别为0.364、0.384和0.444。