针对目前方法进行英语口语发音校正时,存在漏校正数量较高的问题,提出了基于DIVA模型的英语辅音发音错误自动校正方法。该方法首先依据DIVA模型(Directions into Velocities of Articulators Model)生成学习者语音辅音发音数据;结合HMM...针对目前方法进行英语口语发音校正时,存在漏校正数量较高的问题,提出了基于DIVA模型的英语辅音发音错误自动校正方法。该方法首先依据DIVA模型(Directions into Velocities of Articulators Model)生成学习者语音辅音发音数据;结合HMM模型(Hidden Markov Model)建立学习者口语发音模型对数据进行训练提取数据特征;最后通过混淆的矩阵因素聚类算法计算学习者发音特征与正确发音数据之间的相似度,获取校正系数值,完成口语发音错误的校正。实验结果表明,运用该方法校正口语发音时的校正数量较高、校正成功率较好、漏校正数量较低。展开更多
本文将分析中国大陆高中学生英语的发音特征。 本文基于英式英语和IPA,主要分析辅音的发音特征,包括/ r /和/ l /,/ v /和/ w /,/θ/和/ s /之间的混淆,初始辅音簇增添,终辅音删除等问题。 此外,本文还将分析中国大陆高中学生的常见发...本文将分析中国大陆高中学生英语的发音特征。 本文基于英式英语和IPA,主要分析辅音的发音特征,包括/ r /和/ l /,/ v /和/ w /,/θ/和/ s /之间的混淆,初始辅音簇增添,终辅音删除等问题。 此外,本文还将分析中国大陆高中学生的常见发音特征以及他们为什么具有这些发音特征。 最后,本文将提供一些建议,以帮助中国大陆高中学生更准确地发音。展开更多
文摘针对目前方法进行英语口语发音校正时,存在漏校正数量较高的问题,提出了基于DIVA模型的英语辅音发音错误自动校正方法。该方法首先依据DIVA模型(Directions into Velocities of Articulators Model)生成学习者语音辅音发音数据;结合HMM模型(Hidden Markov Model)建立学习者口语发音模型对数据进行训练提取数据特征;最后通过混淆的矩阵因素聚类算法计算学习者发音特征与正确发音数据之间的相似度,获取校正系数值,完成口语发音错误的校正。实验结果表明,运用该方法校正口语发音时的校正数量较高、校正成功率较好、漏校正数量较低。
文摘本文将分析中国大陆高中学生英语的发音特征。 本文基于英式英语和IPA,主要分析辅音的发音特征,包括/ r /和/ l /,/ v /和/ w /,/θ/和/ s /之间的混淆,初始辅音簇增添,终辅音删除等问题。 此外,本文还将分析中国大陆高中学生的常见发音特征以及他们为什么具有这些发音特征。 最后,本文将提供一些建议,以帮助中国大陆高中学生更准确地发音。