연구진은 L2 음성 평가에서 리듬, 억양과 같은 초단위 특징 점수가 부족한 점에 주목했어요. 자체 지도 WavLM 표현을 활용한 DTW 방식이 음성 데이터 라벨링 없이 음성 정확도, 리듬, 억양을 평가하는 텍스트 없는 프레임워크를 제공할 수 있는지 조사했어요. 실험 결과, 학습자 음성과 원어민 템플릿 비교를 기반으로 한 DTW 방식이 음성 점수에서 인간 합의 수준을 넘어섰어요.
리듬 평가를 위해 DTW 정렬 경로의 뒤틀림 정도를 측정하는 방법을 도입했는데, 최고 성능은 인간 수준에 근접했어요. 억양 평가를 위해 잔여 음성 특징과 음높이, 강도 특징을 결합했지만, 일부 작업에서는 성능이 미미했어요.
연구 결과, 자체 지도 표현은 다각적인 발음 평가의 유망한 텍스트 없는 기반이 될 수 있음을 시사합니다.