Improved vowel labeling for prenasal merger using customized forced alignment
Notice bibliographique
Résumé
Forced alignment is a popular technique for gaining phone-level audio transcriptions, but the pronunciation dictionaries used by it are typically based on standard varieties of US English, leading to errorful outputs for non-standard varieties. We employ a customized pronunciation dictionary with the Montreal Forced Aligner to increase labeling accuracy of the prenasal merger (a.k.a. pin-pen merger) in Southern US English. We allow the aligner to choose between IH (/ɪ/) and EH (/ɛ/) in words where the merger is expected, rather than enforcing a standard, unmerged pronunciation. We examine the tokens reclassified from EH to IH when using the new dictionary, and we use formant values to study the acoustic separation (measured by Pillai scores and Euclidean distances between centroids) between vowel formant clusters. When applied to the Digital Archive of Southern Speech (DASS), we find that the modification increases the separation between the prenasal allophones of IH and EH, and also that the proportion of prenasal EH tokens reclassified to IH is correlated with the original degree of separation between prenasal IH and EH for each DASS speaker. K-means clustering is also used to show the modification yields more accurate phonetic transcriptions, measured by increased precision and recall.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».