ペルシャ語とロシア語が近いって、意外だよね。ポルトガルのポルトガル語とロシア語が似てるって混乱する人は多いけど、ペルシャ語は初めて知った。

モノトーンから表現豊かな電子書籍に変えたら、俺の「アメリカ英語」スコアが52%から92%に上がったよ。オーディオブックのトレーニングはちょっと控えた方がいいかも。

最近、Pythonとpdfplumberを使って1100のPDFファイルを読み込むプロジェクトを始めたんだ。ほとんどが俺のハンブルバンドルコレクション。テキストを抽出して、PostgreSQLの「documents」テーブルに入れた。それから、文のトランスフォーマーを使って1Kのチャンクを384Dのベクトルに圧縮して、DBに書き戻した。これを平均して、ドキュメントレベルの埋め込みを単一のベクトルとして作成した。UMAPとHDBSCANをこのデータセットに適用したら、俺の本の2Dプロットができた。後で、発見したトピックをDBに戻して、クラスタのtf-idfを計算して、上位5つの用語を粗いクラスタラベルとして選んだ。これらのステップを終えるのに約20〜30時間かかったけど、結果にはすごく感動した。料理本がプログラミングや数学の本と明確に分かれて見えたし、ベーキング、BBQ、サラダなどのサブクラスターも見れた。今は、基本のPostgreSQLと自分が作業中のPythonコンテナを使って、2つのコンテナのDocker Composeファイルに入れようとしてる。

オーストラリアとベトナムの関係は、オーストラリアが地理的に最も近い地域で、ベトナムの英語学習者にネイティブの英語教師を供給できるからだよね。ベトナム語とオーストラリア英語の音声的な類似性とは関係ないと思う。

自分のアクセントは普通に聞こえるから、誰かがアクセントダブラーを作ってくれたらいいな。二つのアクセントの違いを拡大して、オーストラリア人がアメリカ人にどう聞こえるか、逆も然りで聞けるように。

理論的には面白いけど、実際には混乱してる。異なる録音を再生してみると、ニュートラルな声に「再適用」されたアクセントがあるって聞いたけど、母音の実際の違いを聞き取るのがすごく難しい。例えば「フランス語」をクリックすると、なんとなく違う感じはするけど、かなり...おかしい。今まで聞いたどのネイティブフランス語話者とも全然違うし。結局、アクセントの大部分はプロソディにあるから、彼らが「アクセント」として考えている音声的特徴は何なのか分からない。三つの次元が何を表しているのかも気になる。明確な答えはないだろうけど、サンプルを全部聞いたなら、各次元がどんな対照的な特徴を持っているのか説明できるはずじゃない？

私は耳が聞こえない。カナダ英語の標準に近いのが母国語だと思ってる。ほとんどのネイティブ英語話者は私の話し方は特に特徴がないって言うけど、彼らは礼儀正しく言ってるだけだと思う。少し変わった感じがあって、耳の良い人ならそれが聴覚障害によるものだとすぐ分かる。アクセントゲッサーを使うと、スウェーデンのアクセントがあるって出る。デンマークとオーストラリア英語もほぼ同じくらいの順位。AIだけじゃなくて、英語の非ネイティブスピーカーも私の話し方を外国のアクセントだと思うことが多い。英語かオーストラリアだと推測されることが多い。まるでそこで生まれて、若い頃にここに引っ越してきたみたいに思われる。スカンジナビア人かどうかも聞かれたことがある。面白いことに、ネイティブスピーカーはこの間違いをしないことに気づいた。彼らは私に言語障害があることを認識することもあるけど、私の話し方にはネイティブアクセントとして自信を持って認識される何かがある。それが、非ネイティブスピーカーがアクセントや能力を判断するために使うものと、ネイティブスピーカーが使うものは違うという（おそらく明白な）推論につながる。私の場合、フレーズの長さやトーンの輪郭が関係してるんじゃないかな。（それはなんとなく聞こえるし、再現できると思うけど、子音には苦労してる。）AIも私の話を文字起こしするのが本当に苦手。90年代の初期の音声認識ソフトウェアでもそれに気づいた。全然使えなかった。今でも、AIの文字起こしはほとんどの人よりも私に対してずっと苦労してる。でも、たまに口ごもる癖がある以外は、私は結構はっきり話してるって人には言われる。聞こえているものが違うって感じ。

オラクルを試したら、こんなのが出た：> あなたのアクセントはオランダ語だよ、友達。発音の微妙な違いからあなたのアクセントを特定したんだ。ネイティブの英語話者のように話したい？私はイギリス人で、ヨークシャー出身だよ。間違っていることを伝えるときに「イギリス - イギリス」としか選択肢がないのが面白い。イギリスのアクセントの幅広さを知っている人には、ちょっとおかしいよね。「英語を話すときにアクセントがある？」って質問も変だと思う。どんな言語を話すときも、みんなアクセントがあるよ。

この音声標準化モデルは、社内のアクセントを保持する音声変換モデルだよ。本当にうまく機能するかは分からない。フランス語やスペイン語のネイティブスピーカーとして、英語を話すフランス人やスペイン人をすぐに認識できるけど、ここにある例は全く異質だ。もし「フランス語」のアクセントがどこから来たのかを推測しなければならないなら、ナイジェリアのようなものだと思う。例えば、スペイン語は英語の「r」を発音する際に非常に独特な方法があって、ここにはそれが全然ない。各言語に約10の例がある中で、フランス語やスペイン語を正しく推測することはできなかった（フランス語は多分1つくらい）。

アクセントや発音改善、音素認識、kaldiエコシステムなどについて調べたけど、ここ数年で公に出ているものは何も変わってない。正確なオープンソースのデータセットすらないし、10,000時間以上の自己主張のある手動ラベルデータセットは部分的に自動化されてる。次の問題は、モデルが異なる潜在空間で動作していて、しばしば50msのチャンクで、発音評価にはもっと正確さが求められること。大声で「B」を言ってみて。静かな部分が唇にエネルギーを集めて、大きな部分があって、その後に共鳴するものがある。最悪なのは、昨年の学生や若手博士が成功や偽の改善を主張している論文が多すぎること。この記事自体は3D空間でのベクトル投影に過ぎない…実際の現実はもっと複雑なんだ。発音評価モデルについてのコメント、大歓迎だよ。