摘要
缺乏标注的第二语言（L2）语音数据是设计发音错误检测模型的主要挑战之一。我们引入了SpeechBlender——一种细粒度的数据增强管道，用于生成发音错误以克服此类数据稀缺问题。SpeechBlender利用多种掩码针对不同的音素单元区域，并通过混合因子线性插值原始语音信号来增强发音。这些掩码有助于平滑地融合信号，生成比“剪切/粘贴”方法更为有效的样本。我们的技术在依赖自动语音识别（ASR）的音素级发音错误检测模型上取得了最先进的结果，在Speechocean762数据集上的皮尔逊相关系数（PCC）相比之前最先进的方法[1]提高了2.0%。此外，与基线模型相比，我们在音素级检测上也实现了5.0%的性能提升。在阿拉伯语AraVoiceL2测试集上，我们还观察到F1分数提高了4.6%。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| phone-level-pronunciation-scoring-on | SpeechBlender + LSTM | Pearson correlation coefficient (PCC): 0.63 |