The recorder's paradox: Balancing high-quality recordings with spontaneous speech in noisy recording environments
Notice bibliographique
Résumé
While sociophonetic analysis requires high-quality sound recordings, sociolinguistic interviews (Labov 1984) are often conducted in uncontrolled, natural environments to elicit casual speech (Tagliamonte 2006). The effects of room acoustics and background noise on formant measurements, however, have never been systematically examined. To empirically investigate how ambient noise affects recording quality and measurements, a male speaker of English was simultaneously recorded to multiple devices reading 260 carrier phrases. Three naturally occurring background noise conditions ( + 20dB, + 10dB, and + 0dB SNR) were created in Praat 5.4 (Boersma and Weenink 2014) and mixed with the original audio recordings. 10,028 measurements of F1 and F2 were taken at the temporal midpoint of each vowel in each of the four recordings using LPC analysis in Praat. Pearson's r tests in R (R Core Team, 2014) assessed the correlation between measurements from each recording. Main results reveal positive correlations between “noiseless” and + 20dB, and + 10dB SNR conditions for each device, all vowels and both formants. When the signal was not appreciably louder than the background noise (i.e. + 0 dB SNR) correlations significantly weakened. These findings are discussed as they relate to sociolinguistic investigations that need to balance high-fidelity recordings with noisier speaking environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».