Harf-Speech：アラビア語の音素レベル音声評価のための臨床的に整合したフレームワーク

要旨: 自動化された音素レベルの発音評価は、スケーラブルな音声療法と言語学習にとって不可欠である一方、アラビア語に対する検証済みツールは依然として乏しい。私たちは、臨床スケールで音素レベルのアラビア語発音をスコアリングするモジュール型システム Harf-Speech を提案する。Harf-Speech は、MSA ファネタイザ、微調整した音声から音素へのモデル、Levenshtein アライメント、最長共通部分列と編集距離の指標を用いたブレンドスコアラを組み合わせる。私たちは、アラビア語の音素データに対して3つのASRアーキテクチャを微調整し、ゼロショットのマルチモーダルモデルとベンチマークする。最良のモデルである OmniASR-CTC-1B-v2 は、8.92\% の音素誤り率を達成する。3名の認定言語聴覚士（speech-language pathologist）が、臨床的妥当性のために40の発話を独立にスコアリングした。Harf-Speech は、平均の専門家スコアとの間で Pearson 相関 0.791、ICC(2,1) 0.659 を示し、既存のエンドツーエンド評価フレームワークを上回った。これらの結果は、Harf-Speech が、解釈可能で、臨床的に整合したスコアを生み、評価者間の専門家合意と同等の水準にあることを示している。