Automatic Speech Recognition (ASR) for the Diagnosis of pronunciation of Speech Sound Disorders in Korean children

这项研究提出了一个自动语音识别（ASR）模型，旨在诊断发音障碍儿童的发音问题，以取代临床程序中的手动转录。由于针对通用目的训练的ASR模型主要预测输入语音为实际单词，因此使用一个已知高性能的ASR模型来评估发音障碍儿童的发音是不切实际的。我们对wav2vec 2.0 XLS-R模型进行微调，使其能够识别发音而不是现有单词。该模型使用137名发音不清的儿童的语音数据集进行微调，这些儿童发音73个韩语单词，这些单词被选用作实际临床诊断。该模型对这些单词的发音预测与人类注释的匹配度约为90%。虽然该模型仍需要改进以识别不清晰的发音，但该研究证明了ASR模型可以简化临床领域复杂的发音错误诊断程序。

本论文旨在解决在临床诊断中替代手动转录的自动语音识别（ASR）模型的问题，以诊断儿童语音障碍（SSD）中的发音问题。

本文使用fine-tuned wav2vec 2.0 XLS-R模型来识别儿童发音，而不是像通用目的的ASR模型那样预测输入语音为真实单词。实验结果表明，该模型可以在90%的准确率下匹配人类注释的儿童发音。

本文使用了137个儿童的语音数据集进行fine-tuned，并选取73个韩语单词进行实际临床诊断。实验结果表明，ASR模型可以简化临床领域中复杂的发音错误诊断程序。然而，该模型仍需要改进以识别不清晰的发音。

最近的相关研究包括使用不同的ASR模型进行发音诊断的研究，如使用基于深度学习的ASR模型进行英语语音障碍的诊断。