Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2509.00094

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.00094 (eess)
[提交于 2025年8月27日 ]

标题: 使用深度学习的《古兰经》学习者发音错误检测与纠正

标题: Automatic Pronunciation Error Detection and Correction of the Holy Quran's Learners Using Deep Learning

Authors:Abdullah Abdelfattah, Mahmoud I. Khalil, Hazem Abbas
摘要: 评估口语语言具有挑战性,而为机器学习模型量化发音指标则更加困难。 然而,对于《古兰经》来说,这一任务由于穆斯林学者制定的严格诵读规则(塔吉维德)而变得简单,从而实现了高效的评估。 尽管有这一优势,高质量标注数据的稀缺仍然是一个重大障碍。 在本工作中,我们通过引入以下内容来弥补这些差距:(1) 一个98%自动化的管道以生成高质量的《古兰经》数据集——包括:从专家诵读者收集诵读内容,使用我们微调的wav2vec2-BERT模型在停顿点(瓦夫)进行分割,对片段进行转录,通过我们新颖的Tasmeea算法对转录内容进行验证;(2) 850多小时的音频(约30万条标注话语);(3) 一种基于自动语音识别(ASR)的发音错误检测新方法,利用我们自定义的《古兰经语音脚本》(QPS)来编码塔吉维德规则(与现代标准阿拉伯语的IPA标准不同)。 QPS使用两级脚本:(音素级):对阿拉伯字母进行长短元音编码。(属性级):对每个音素的发音特征进行编码。 我们进一步包含了全面的建模,我们的新型多级CTC模型在测试集上达到了0.16%的平均音素错误率(PER)。 我们已将所有代码、数据和模型作为开源发布:https://obadx.github.io/prepare-quran-dataset/
摘要: Assessing spoken language is challenging, and quantifying pronunciation metrics for machine learning models is even harder. However, for the Holy Quran, this task is simplified by the rigorous recitation rules (tajweed) established by Muslim scholars, enabling highly effective assessment. Despite this advantage, the scarcity of high-quality annotated data remains a significant barrier. In this work, we bridge these gaps by introducing: (1) A 98% automated pipeline to produce high-quality Quranic datasets -- encompassing: Collection of recitations from expert reciters, Segmentation at pause points (waqf) using our fine-tuned wav2vec2-BERT model, Transcription of segments, Transcript verification via our novel Tasmeea algorithm; (2) 850+ hours of audio (~300K annotated utterances); (3) A novel ASR-based approach for pronunciation error detection, utilizing our custom Quran Phonetic Script (QPS) to encode Tajweed rules (unlike the IPA standard for Modern Standard Arabic). QPS uses a two-level script: (Phoneme level): Encodes Arabic letters with short/long vowels. (Sifa level): Encodes articulation characteristics of every phoneme. We further include comprehensive modeling with our novel multi-level CTC Model which achieved 0.16% average Phoneme Error Rate (PER) on the testset. We release all code, data, and models as open-source: https://obadx.github.io/prepare-quran-dataset/
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI); 计算与语言 (cs.CL); 机器学习 (cs.LG); 声音 (cs.SD)
引用方式: arXiv:2509.00094 [eess.AS]
  (或者 arXiv:2509.00094v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.00094
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Abdullah Abdelfattah [查看电子邮件]
[v1] 星期三, 2025 年 8 月 27 日 15:28:46 UTC (487 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.AI
cs.CL
cs.LG
cs.SD
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号