使用自监督语音模型的 L2 发音偏差的母语参考坐标几何

自监督语音模型编码丰富的语音信息，但目前尚不清楚如何将这些信息转换为可解释的指标，用于自发语音中的第二语言 (L2) 发音评估。我们提出了一种原生参考坐标几何，其中原生语音的音素类平均值定义了一个低维参考子空间，并且 L2 语音通过其与匹配原生音素类坐标的距离进行评估。与之前基于距离的方法不同，我们的方法不需要具有匹配语言内容或专用发音标签的并行录音。在不同的自监督编码器和建模选择中，生成的母语参考距离与口语熟练程度的斯皮尔曼负相关性高达 -0.5，这表明熟练程度较高的说话者往往更接近母语参考空间。