错误发音检测和诊断（MDD）旨在识别发音错误并提供指导性反馈，以指导非母语学习者，这是计算机辅助发音训练（CAPT）系统的核心组成部分。但是，由于收集非本机数据以及相关的注释既费时又费力，因此MDD经常会遇到数据稀疏的问题。为了解决这个问题，我们探索了MDD的完全端到端（E2E）神经模型，该模型直接基于原始波形来处理学习者的语音。与传统的手工声学特征相比，原始波形保留了更多的声学现象，并有可能帮助神经网络发现更好，更个性化的表示形式。为此，我们的MDD模型采用了一个称为SincNet的模块来输入原始波形并将其转换为合适的矢量表示序列。SincNet利用基本正弦（sinc）函数来实现可学习的带通滤波器，并从卷积神经网络（CNN）中获得启发。与CNN相比，SincNet的参数更少，更易于人工解释。在L2-ARCTIC数据集上进行了广泛的实验，该数据集是为CAPT研究而编写的可公开获得的非母语英语语音语料库。我们发现，SincNet的Sinc过滤器可以快速适应不同国籍的非母语学习者。此外，与采用标准手工声学特征输入的最新E2E MDD模型相比，我们的模型可以实现可比的错误发音检测性能。除此之外，我们的模型还极大地改善了电话错误率（PER）和诊断准确性。



"点击查看英文标题和摘要"