Evaluating the accuracy of forced alignment across Mandarin varieties
Notice bibliographique
Résumé
Forced alignment is widely used in phonetics to align transcripts with acoustic signals. These tools are trained on specific language varieties; it is unclear if they generalize to others. Previous research on English by MacKenzie and Turton (2020) finds good agreement between automated and human alignments for varieties that differ from the training variety. Such evaluation has only been carried out for English. We evaluate the level of human-aligner agreement on four Mandarin varieties (Canto, Shanghai, Beijing, and Tianjin). For each variety, two recordings from the HUB5 Corpus (LDC 1998) were aligned manually and by the Montreal Forced Aligner [McAuliffe et al. (2017)] using acoustic models trained on Beijing, Wuhan, and Hekou Mandarin [Schultz (2002)]. We find strong agreement between human and machine-aligned phone boundaries, with 17 ms as the median onset displacement. A mixed model identifies little variation across varieties or according to speech rate, but significant interindividual variation. Notably, despite the generally close agreement between the machine and human alignments, for two of the speakers, more than 10% of the alignments are displaced by over 100 ms. In sum, the Mandarin forced-aligner yields reliable alignments for out-of-training varieties, but manual checking of the results is still crucial.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».