摘要

自动发音评估是一项重要的技术，有助于自主语言学习者提高发音水平。虽然发音质量包含多个方面，如准确性、流利度、完整性及韵律（prosody），但以往的研究通常只在一个粒度级别上建模某一方面（例如，在音素级建模准确性）。在本研究中，我们探讨了在多个粒度级别上对多方面的发音进行建模。具体而言，我们利用多任务学习训练了一种基于发音质量特征的Transformer模型（Goodness Of Pronunciation feature-based Transformer, GOPT）。实验结果表明，GOPT在使用Librispeech数据集训练的公开自动语音识别（ASR）声学模型上，在Speechocean762数据集上的表现最佳。