段 青 青

(中國石油大學(xué)(華東)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 山東 青島 266500)

0 引 言

英語作為一種信息交流的載體，在國家之間的交流學(xué)習(xí)中具有非常重要的作用，為了更好適應(yīng)時(shí)代的發(fā)展需求，提高自身英語水平，快速掌握發(fā)音規(guī)則成為高效學(xué)習(xí)英語的一個(gè)突破口[1]。然而英語中吸收了大量的外族語言，并以大膽的觀念與靈活的方式借用或創(chuàng)造新詞，導(dǎo)致英語發(fā)音規(guī)則出現(xiàn)多樣性和混沌性的特征，復(fù)雜的發(fā)音模式成為英語學(xué)習(xí)者學(xué)習(xí)英語的一大障礙。

針對(duì)上述問題，多位學(xué)者進(jìn)行了相關(guān)研究：Chiappe等[2]研究發(fā)現(xiàn)形音匹配(Grapheme-phoneme correspondence)在英語學(xué)習(xí)中可起到積極作用，所謂形音匹配，它的核心是字素-音素轉(zhuǎn)換(Grapheme-to-phoneme, G2P)過程，相對(duì)于其他學(xué)習(xí)方式，其在閱讀和拼讀陌生單詞方面表現(xiàn)出更大的優(yōu)勢；Hanna等[3]統(tǒng)計(jì)了10 000個(gè)高頻單詞的字素-音素特征，并根據(jù)特征重復(fù)概率為單詞列表建立難度指數(shù)，通過直接向?qū)W習(xí)者提供形音匹配模式和難度指數(shù)來指導(dǎo)其對(duì)單詞的拼讀學(xué)習(xí)。近年來，隨著計(jì)算機(jī)自然語言處理技術(shù)的發(fā)展，形音匹配模式的量化統(tǒng)計(jì)早已通過計(jì)算機(jī)實(shí)現(xiàn)。G2P技術(shù)在機(jī)器音譯[4]和文字發(fā)音預(yù)測中表現(xiàn)出極大優(yōu)勢，從而得以廣泛應(yīng)用。例如：百度基于G2P研發(fā)的文本語音轉(zhuǎn)換(Test To Speech, TTS)系統(tǒng)Deep Voice[5]，相比于傳統(tǒng)的多級(jí)處理模式，具有處理速度快、音素預(yù)測準(zhǔn)確、音域適應(yīng)性強(qiáng)等優(yōu)點(diǎn)。文獻(xiàn)[5]研究表明由于字素和音素的基數(shù)相對(duì)較小，在發(fā)音預(yù)測工作中，具有對(duì)齊信息的雙向神經(jīng)網(wǎng)絡(luò)模型對(duì)G2P有更好的適應(yīng)性，該模型的發(fā)音預(yù)測準(zhǔn)確率高達(dá)94%，較傳統(tǒng)方式有所提升。

前人研究表明了形音匹配規(guī)則和字素-音素轉(zhuǎn)換不僅適用于英文學(xué)習(xí)者的拼讀學(xué)習(xí)，而且適用于機(jī)器的文字發(fā)音預(yù)測。然而其中多數(shù)研究為單純的數(shù)據(jù)量化，復(fù)雜的統(tǒng)計(jì)信息不僅不利于學(xué)習(xí)者的記憶，反而易使其失去學(xué)習(xí)興趣。

針對(duì)上述問題，本文結(jié)合英語學(xué)習(xí)與發(fā)音預(yù)測兩個(gè)領(lǐng)域的研究成果，以形音匹配為中心，選取字素和音素作為共享單元[6]進(jìn)行探究，使用隱馬爾可夫算法模型對(duì)單詞的形音匹配與發(fā)音模式進(jìn)行分析，探究字素發(fā)音受窗口長度與方向影響的影響程度。除此之外，針對(duì)傳統(tǒng)研究方法中量化數(shù)字復(fù)雜、理解性差等缺陷，如圖1所示，本文采用可視化圖形界面以直觀、形象、可交互的方式將量化數(shù)據(jù)呈現(xiàn)給用戶，在激發(fā)學(xué)習(xí)者探究興趣的同時(shí)，幫助其快速、形象地理解字素-音素模式，從而有效地提高學(xué)習(xí)者的英語能力。

圖1 系統(tǒng)主界面

本文主要工作如下：

(1) 提出一種基于時(shí)序與模式的可視分析方法，探索了窗口大小和方向?qū)Σ煌炙匕l(fā)音穩(wěn)定性的影響。

(2) 根據(jù)模式對(duì)字素進(jìn)行聚類。相似的上下文模式在表示空間中具有更近距離，模式相似的字素會(huì)成簇出現(xiàn)。

(3) 統(tǒng)計(jì)單個(gè)字素在不同模式下的發(fā)音數(shù)量，探究字素對(duì)應(yīng)發(fā)音受不同位置字素的影響情況，分析字素結(jié)合發(fā)音的穩(wěn)定性。

(4) 統(tǒng)計(jì)單個(gè)或多個(gè)字素在不同模式下的發(fā)音數(shù)量，比較多個(gè)字素之間在不同模式下的發(fā)音穩(wěn)定性與共有模式數(shù)量。探究其準(zhǔn)確率對(duì)字素在形音匹配模式上的相近關(guān)系。

1 相關(guān)工作

1.1 英語發(fā)音

神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)逐漸應(yīng)用到多個(gè)領(lǐng)域，在語音識(shí)別技術(shù)方面也表現(xiàn)出比較大的優(yōu)勢。神經(jīng)網(wǎng)絡(luò)技術(shù)主要模擬了人類的神經(jīng)元活動(dòng)原理，將人類所特有的自主學(xué)習(xí)、想象能力綜合到英語語音識(shí)別中，為語音識(shí)別開辟了一道新的途徑。自主學(xué)習(xí)需要人為給予智能系統(tǒng)一個(gè)固定的規(guī)則，使其通過學(xué)習(xí)后對(duì)輸入的信息根據(jù)規(guī)則進(jìn)行改造，從而輸出人類想要的結(jié)果[7]。例如，基于TensorFlow的循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的發(fā)音預(yù)測系統(tǒng)、基于Keras 開發(fā)的英語單詞發(fā)音預(yù)測LSTM模型均能通過端到端的訓(xùn)練得到更為準(zhǔn)確的結(jié)果。

目前較為成熟的智能系統(tǒng)多以形音匹配關(guān)系為核心，借助字素-音素的轉(zhuǎn)換模式可進(jìn)行文字發(fā)音預(yù)測、文本語音轉(zhuǎn)換等工作。Deep Voice系統(tǒng)就是利用字素和音素之間的匹配模式加快了深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，解決了TTS系統(tǒng)開發(fā)耗費(fèi)大量人力與時(shí)間的問題，也滿足了系統(tǒng)應(yīng)用的實(shí)時(shí)性要求。該系統(tǒng)的核心是使用連接時(shí)序分類器分割音素邊界，將文本轉(zhuǎn)換為音素序列后對(duì)序列進(jìn)行重音、持續(xù)時(shí)間和基頻的標(biāo)注。這些音素的標(biāo)注信息更加貼近人類對(duì)語言的表達(dá)機(jī)制，因此形音匹配法更加適用于解決語音合成、語音識(shí)別和翻譯問題[8]。

然而，目前而言，神經(jīng)網(wǎng)絡(luò)模型蘊(yùn)含的量化數(shù)據(jù)較為復(fù)雜，難以深入理解，而英語學(xué)習(xí)者則希望知道模型究竟從數(shù)據(jù)中學(xué)到何種知識(shí)，從而產(chǎn)生最終的決策。因此，本文將采用可解釋、易于接受的可視化交互方法對(duì)英語的發(fā)音模式進(jìn)行展示。

1.2 可視化分析

盡管前人已經(jīng)在形音匹配模式上做了許多研究，但發(fā)音模式的數(shù)據(jù)可視化分析研究相對(duì)較少。研究表明人類從外界獲得的信息中80%以上都來自于視覺系統(tǒng)[9]，且數(shù)據(jù)正在變得無處不在、觸手可及，但數(shù)據(jù)創(chuàng)造的真正價(jià)值在于能否進(jìn)一步提供數(shù)據(jù)分析[10]。

可視化在數(shù)據(jù)分析和信息理解中具有重要作用，數(shù)據(jù)可視化也早已應(yīng)用到人類社會(huì)活動(dòng)中，如約翰·斯諾制作的倫敦霍亂地圖、拿破侖進(jìn)攻俄羅斯軍事分析圖、衛(wèi)報(bào)數(shù)據(jù)中的世界煙草地圖集，以及《衛(wèi)報(bào)》制作的伊拉克戰(zhàn)爭報(bào)道等，均使用可視化對(duì)數(shù)據(jù)進(jìn)行展示。數(shù)據(jù)可視化一方面可更加準(zhǔn)確地對(duì)信息進(jìn)行梳理，讓受眾易獲得信息；另一方面通過圖表的表現(xiàn)形式，幫助受眾獲取文本無法直觀獲取到的信息[11]。

隨著計(jì)算機(jī)運(yùn)算能力的提升，數(shù)據(jù)分析的效率大大提高，但是數(shù)據(jù)分析仍離不開機(jī)器和人的相互協(xié)作與優(yōu)勢互補(bǔ)。在分析數(shù)據(jù)時(shí)要以人作為需求主體，得出符合人類的認(rèn)知規(guī)律的方法，需將形象的可視分析與認(rèn)知抽象的機(jī)器分析相結(jié)合，幫助受眾洞悉數(shù)據(jù)背后隱藏的信息并轉(zhuǎn)化為可運(yùn)用的知識(shí)[12-13]。目前，綜合認(rèn)知理論、科學(xué)、信息可視化及人機(jī)交互技術(shù)的數(shù)據(jù)挖掘技術(shù)被廣泛用于數(shù)據(jù)分析領(lǐng)域。

綜上所述，符合人類的認(rèn)知習(xí)慣的分析和表現(xiàn)方法，可以輔助人們更為直觀、高效、形象地洞悉大數(shù)據(jù)背后的信息、知識(shí)與智慧[14]。因此，本文采用數(shù)據(jù)可視化的形式將分析結(jié)論以交互圖表的形式進(jìn)行展示。

1.3 Hidden Markov Model(HMM)算法

隱馬爾可夫模型HMM用于描述統(tǒng)計(jì)現(xiàn)象，這些現(xiàn)象可被視為產(chǎn)生可觀察符號(hào)的隱藏狀態(tài)序列[15]。

一個(gè)HMM包含一個(gè)可觀察層和一個(gè)隱藏層。可觀察層是待識(shí)別的觀察序列，用觀察值輸出概率描述；隱藏層是一個(gè)馬爾可夫過程,用狀態(tài)轉(zhuǎn)移概率進(jìn)行描述。HMM模型主要解決評(píng)估、學(xué)習(xí)和解碼問題[16]。一階HMM中計(jì)算狀態(tài)轉(zhuǎn)移概率時(shí)，假設(shè)狀態(tài)序列中的每一個(gè)狀態(tài)只與前一個(gè)狀態(tài)有關(guān)；計(jì)算觀察值的輸出概率時(shí)，假設(shè)任意時(shí)刻觀察輸出概率只依賴于系統(tǒng)當(dāng)前時(shí)刻所處的狀態(tài)，其過程由矩陣A、B和向量π組成。矩陣A包含隱藏狀態(tài)的轉(zhuǎn)移概率，矩陣B包含給定隱藏狀態(tài)的觀測符號(hào)出現(xiàn)的概率，向量π包含隱藏狀態(tài)的初始概率[17]。

本文將隱馬爾可夫模型理論應(yīng)用于形音匹配過程，將系統(tǒng)使用語言的拼寫作為輸入(隱藏狀態(tài)序列)，將自然語言的發(fā)音作為系統(tǒng)的輸出(觀察)，由此探究自然語言的詞內(nèi)特征與隱馬爾可夫模型的對(duì)應(yīng)關(guān)系[15]。與深度學(xué)習(xí)的不可解釋性相比，隱馬爾可夫模型具有良好的數(shù)據(jù)透明性，因此本文沒有采用深度學(xué)習(xí)模型進(jìn)行分析。

1.4 數(shù)據(jù)降維方法

針對(duì)字素在多個(gè)模式下發(fā)音的狀態(tài)觀測矩陣維數(shù)過高和無特征的特點(diǎn)，對(duì)其降維方法展開研究。

基于t-SNE的降維算法,是一種非監(jiān)督降維算法, 無須預(yù)先傳入項(xiàng)目的分類標(biāo)簽信息。與PCA、SVD 等線性映射降維算法相比，t-SNE可以更好地在低維空間內(nèi)表達(dá)高維變量之間復(fù)雜非線性關(guān)系[18]。其算法核心思想是在對(duì)高維空間中的點(diǎn)構(gòu)建概率分布的同時(shí)，在低維空間中映射這些點(diǎn)的概率分布，兩個(gè)概率分布之間盡可能相似，從而達(dá)到降維的目的。

本文使用t-SNE降維方法所得狀態(tài)觀測矩陣低維空間的映射點(diǎn)有明顯的聚類表現(xiàn)，并且在多個(gè)樣本上的降維結(jié)果顯現(xiàn)出一定的規(guī)律性[19]。

2 數(shù)據(jù)處理流程

本節(jié)首先描述了數(shù)據(jù)集的分解流程，在此基礎(chǔ)上闡述了隱馬爾可夫算法在不同窗口下的處理流程。

2.1 字素音素分解流程

(1) 根據(jù)目的所需，獲取朗文字典中的詞匯的拼寫、音標(biāo)以及詞性等相關(guān)屬性。

(2) 根據(jù)詞性以及詞匯的大小寫情況對(duì)詞匯的縮寫以及專有名詞進(jìn)行剔除。

(3) 將剔除后的數(shù)據(jù)，根據(jù)威爾遜閱讀系統(tǒng)解碼、編碼規(guī)則將詞匯和音標(biāo)進(jìn)行拆分，形成字素-音素聯(lián)合單元。對(duì)于一個(gè)給定的字素，其對(duì)應(yīng)的音素通常是不唯一的。由于劃分過程中存在兩個(gè)相同的字素相連的情況，無法精準(zhǔn)確定發(fā)音由前后哪個(gè)字素所得，因此在劃分時(shí)將相鄰相同字素進(jìn)行了合并。通常，字素和音素序列長度相等，且一一對(duì)應(yīng)。在這些排列中，一個(gè)字素可能對(duì)應(yīng)一個(gè)沒有發(fā)音的空音素、一個(gè)單一的音素或一個(gè)復(fù)合音素。復(fù)合音素是兩個(gè)音位的連接。

(4) 將詞匯中的特例額外劃分，保證劃分的準(zhǔn)確性。

2.2 HMM窗口處理

HMM根據(jù)窗口值大小w大于1與等于1兩種情況做區(qū)分處理，其區(qū)別在于：

(1) 在t+1時(shí)刻的狀態(tài)qt+1的轉(zhuǎn)移概率依賴于w-1個(gè)狀態(tài)的影響。例如，窗口大小w=2(L/R=1/0)時(shí)，t+1時(shí)刻的狀態(tài)qt+1依賴于t時(shí)刻的狀態(tài)qt和t-1時(shí)刻的狀態(tài)qt-1，其中L/R中的L和R分別表示觀察字素左側(cè)和右側(cè)的字素長度。

(2) 在t時(shí)刻釋放觀察值Oi的輸出概率,不僅依賴于系統(tǒng)當(dāng)前所處的狀態(tài)Si,同時(shí)依賴于系統(tǒng)前一時(shí)刻所處的狀態(tài)Si-1。

圖2表示的是窗口大小w=2(L/R=1/0)時(shí)的HMM模型。

圖2 HMM在w=2(L/R=1/0)時(shí)的模型

3 可視化分析

本文首先根據(jù)數(shù)據(jù)的窗口大小，對(duì)字素發(fā)音的整體影響音素進(jìn)行統(tǒng)計(jì)分析，然后根據(jù)任務(wù)和設(shè)計(jì)目標(biāo), 提出并實(shí)現(xiàn)了一個(gè)基于形音匹配的可視分析系統(tǒng)。系統(tǒng)包含字素穩(wěn)定性分析視圖、詞云分析視圖、模式關(guān)聯(lián)圖、模式對(duì)比圖。可視分析以數(shù)據(jù)集中全部字素的總覽為起點(diǎn)，對(duì)詞云中字素進(jìn)行篩選探索并對(duì)比較詞云中相鄰字素的發(fā)音變化和相似規(guī)律，最后對(duì)單個(gè)字素的發(fā)音模式根據(jù)窗口大小的變化進(jìn)行模式分析，以得出鄰接字素對(duì)目標(biāo)字素發(fā)音的影響規(guī)律。

3.1 窗口大小解析

本文對(duì)《朗文高階美語詞典》中經(jīng)過篩選的28 073個(gè)詞匯(對(duì)應(yīng)192 283個(gè)字素)進(jìn)行隱馬爾可夫模型發(fā)音預(yù)測。針對(duì)不同窗口大小w、左右兩邊不同數(shù)量的相鄰字素L/R、預(yù)測準(zhǔn)確發(fā)音的單詞數(shù)量#word與其占總詞匯數(shù)量的比例pword、匹配準(zhǔn)確音素的字素?cái)?shù)量#pron與其占總匹配對(duì)數(shù)量的比例ppron以及在相同窗口不同位置的相鄰字素影響下音素匹配準(zhǔn)確的單詞數(shù)量#wordw和概率pw情況進(jìn)行數(shù)據(jù)分析，分析所得結(jié)果表1所示。

表1 受不同數(shù)量的鄰近字素影響時(shí)概率變化表

續(xù)表1

通過觀察表1中研究結(jié)果可以發(fā)現(xiàn)，詞匯發(fā)音預(yù)測準(zhǔn)確率主要受兩個(gè)方面的影響：① 窗口大小。當(dāng)觀察字素兩邊分布相對(duì)一致時(shí)，隨著w增加，實(shí)驗(yàn)所得發(fā)音準(zhǔn)確的詞匯數(shù)量以及正確匹配對(duì)的數(shù)量均呈上升趨勢。例如：w=2(L/R=1/0)與w=5(L/R=4/0)相比，準(zhǔn)確匹配音素的概率從70.82%上升到86.84%，準(zhǔn)確預(yù)測詞匯發(fā)音的概率從15.77%上升到41.05%。② 字素與待匹配字素相對(duì)位置關(guān)系。窗口大小不變時(shí)，受影響字素與待匹配字素的相對(duì)位置不同，獲取到詞匯的準(zhǔn)確發(fā)音數(shù)量存在明顯差異。例如w=4(L/R=1/2)與w=4(L/R=3/0)相比，前者準(zhǔn)確匹配音素的概率為91.09%，而后者僅有83.56%。

3.2 發(fā)音規(guī)律分析

英語在字素的發(fā)音上不存在完全精準(zhǔn)的模式，因此對(duì)于多個(gè)字素，即使其隨窗口大小增加，發(fā)音模式穩(wěn)定性也無法達(dá)到100%。例如，字素在從窗口大小w=2時(shí)對(duì)應(yīng)的所有音素準(zhǔn)確率為98.50%；當(dāng)窗口增加到5時(shí)，字素對(duì)應(yīng)的所有音素準(zhǔn)確率增加到99.01%，準(zhǔn)確率僅提高了0.51%。

前文分析已得出，隨著窗口大小的增加，音素準(zhǔn)確率呈增長趨勢。然而窗口長度的過分增加，不僅對(duì)音素準(zhǔn)確率的提升效果不明顯，反而對(duì)大腦記憶增添負(fù)擔(dān)，復(fù)雜的記憶工作會(huì)直接降低學(xué)習(xí)者學(xué)習(xí)英語的積極性。因此，應(yīng)當(dāng)合理選取窗口進(jìn)行可視化呈現(xiàn)，以獲取音素準(zhǔn)確率與記憶成本間的最大平衡。

3.3 字素穩(wěn)定性分析視圖

字素穩(wěn)定性分析視圖采用對(duì)稱條形圖的不同柱狀長度呈現(xiàn)字典中所有字素在不同窗口大小和方向下的音素準(zhǔn)確率。

圖中以縱坐標(biāo)軸為界，左半部分表示不同窗口大小下受左側(cè)字素影響強(qiáng)度不弱于右側(cè)時(shí)匹配的準(zhǔn)確率情況，右半部分表示不同窗口大小下受右側(cè)字素影響強(qiáng)度不弱于左側(cè)時(shí)匹配的準(zhǔn)確率情況。字素穩(wěn)定性分析視圖的計(jì)算基于隱馬爾可夫算法，視圖中所有字素均可結(jié)合窗口大小進(jìn)行對(duì)比分析。圖中柱狀長度由窗口大小與字素在窗口中的分布位置決定。

對(duì)多個(gè)字素的匹配準(zhǔn)確率進(jìn)行對(duì)比分析，總結(jié)出字素發(fā)音穩(wěn)定性情況呈現(xiàn)以下幾種類別：相同窗口大小下受左側(cè)字素的影響程度強(qiáng)于右側(cè)、相同窗口大小下受右側(cè)字素的影響程度強(qiáng)于左側(cè)、字素匹配準(zhǔn)確率隨窗口大小的增加而顯著提升、字素匹配準(zhǔn)確率不受窗口大小影響而基本持平。

3.4 字素詞云分析視圖

詞云分析視圖是學(xué)習(xí)形音匹配模式的入口，圖中信息包括數(shù)據(jù)集中字素的二維分布與字素在模式上的相近關(guān)系。字素在詞云中的相對(duì)位置反映了字素之間模式的相似程度。字素的位置由數(shù)據(jù)集中字素的模式通過t-SNE降維方式獲取，對(duì)于模式差距較大的字素，在視圖中的距離也會(huì)偏大。在探究字素之間的關(guān)系時(shí)，用戶可以根據(jù)降維可視化形成的簇進(jìn)行對(duì)比分析。

3.5 字素模式關(guān)聯(lián)圖

分析字素模式關(guān)聯(lián)圖可得單個(gè)字素的發(fā)音情況，視圖中根節(jié)點(diǎn)為所選字素，與根節(jié)點(diǎn)相連接的是該字素的所有發(fā)音情況，字素的發(fā)音由葉子節(jié)點(diǎn)和中心字素共同決定。葉子節(jié)點(diǎn)的大小與對(duì)應(yīng)字素的數(shù)量成正比，當(dāng)同一個(gè)葉子節(jié)點(diǎn)連接到不同的音素時(shí)(如圖中、、)，表明該根節(jié)點(diǎn)與葉子節(jié)點(diǎn)字素結(jié)合時(shí)發(fā)音不穩(wěn)定。

3.6 字素模式對(duì)比圖

字素在不同模式下發(fā)音對(duì)比圖，對(duì)詞云中選取的字素進(jìn)行統(tǒng)計(jì)分析。本視圖主要針對(duì)多個(gè)字素的所有模式進(jìn)行分析，在橫坐標(biāo)排布上服從先共有模式，后私有模式。用戶可以從視圖中直觀地比較多個(gè)字素之間在不同模式下發(fā)音的穩(wěn)定性情況。研究發(fā)現(xiàn)，兩個(gè)字素存在共有模式數(shù)量及其準(zhǔn)確率對(duì)字素在形音匹配模式上的相近關(guān)系起決定作用。

本文通過該可視分析系統(tǒng)的四個(gè)交互圖表直觀體現(xiàn)了字素間的音素匹配模式，從而幫助用戶高效地學(xué)習(xí)英語形音匹配模式。

3.7 可視化交互

本系統(tǒng)通過可交互視圖集與可視化展示視圖集進(jìn)行數(shù)據(jù)聯(lián)動(dòng)的方式(可交互視圖集：字素穩(wěn)定性分析視圖、詞云分析視圖；可視化展示視圖集：模式關(guān)聯(lián)圖、模式對(duì)比圖)，提供豐富的交互功能，滿足用戶的學(xué)習(xí)及研究需求。

用戶可在字素穩(wěn)定性分析視圖選擇待分析的字素，點(diǎn)擊待分析字素后，模式關(guān)聯(lián)圖區(qū)域數(shù)據(jù)更新，變更為選定字素的模式關(guān)聯(lián)圖，向用戶展示當(dāng)前字素的詳細(xì)模式信息，幫助用戶學(xué)習(xí)字素發(fā)音規(guī)律，提高用戶拼讀能力；用戶可在詞云分析視圖選擇單個(gè)或多個(gè)字素，選中或退選字素后，模式對(duì)比圖區(qū)域進(jìn)行相應(yīng)數(shù)據(jù)更新，模式對(duì)比圖中會(huì)增加選中的字素分析曲線，刪除退選的字素分析曲線，最終呈現(xiàn)全部已選擇字素的發(fā)音模式，將字素間發(fā)音模式的相似程度直觀展示給用戶，輔助用戶關(guān)聯(lián)記憶或探索研究。鼠標(biāo)懸?？梢燥@示相應(yīng)數(shù)據(jù)的詳細(xì)信息。

4 案例分析

雖然目前已有許多關(guān)于字素的發(fā)音模式研究, 但利用可視化技術(shù)進(jìn)行的相關(guān)研究相對(duì)較少。而且目前針對(duì)上下文字素對(duì)觀察字素發(fā)音影響的研究以及字素之間模式相似性的研究并不詳細(xì)。因此本文采用可視化技術(shù)，通過可視交互圖表對(duì)觀察字素進(jìn)行發(fā)音模式分析和相似性對(duì)比。

本文通過兩個(gè)案例來介紹系統(tǒng)的可用性與效率。案例一選取字素的發(fā)音模式進(jìn)行分析，案例二選取多個(gè)字素發(fā)音模式進(jìn)行對(duì)比。以下將對(duì)兩個(gè)案例分別介紹。

4.1 案例1：字素的發(fā)音分析