閔捷　鐘岑岑　沙沙

摘 要： 英語錄音教材在數(shù)量和種類上的飛速發(fā)展對其有效管理與利用提出了新的挑戰(zhàn)，此時傳統(tǒng)的人工標(biāo)注和組織方式已不能滿足數(shù)字出版以及教育信息化的需要。文章基于音頻信號處理、機(jī)器學(xué)習(xí)等信息技術(shù)，提出基于內(nèi)容的英語錄音教材標(biāo)注，運用自動與人工相結(jié)合的處理方法，從多層次、可擴(kuò)展等角度構(gòu)建描述錄音內(nèi)容的內(nèi)容表征模型，并在教育信息化環(huán)境中探索該模型及標(biāo)注框架的應(yīng)用方式，以期為未來錄音教材的建設(shè)和管理乃至數(shù)字化教育出版物的加工與發(fā)布提供參考。

關(guān)鍵詞： 英語錄音教材；內(nèi)容標(biāo)注；關(guān)鍵詞檢出；文本分類；數(shù)字教育出版

中圖分類號：G434 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-8454（2016）04-00089-04

一、引言

在我國，錄音教材是教科書體系中的重要組成部分[1]，是紙質(zhì)教科書中精選內(nèi)容的音頻化，在我國英語、語文、音樂等學(xué)科的教學(xué)中得到了廣泛的應(yīng)用，迄今已有五十余年的歷史。尤其是對英語這一外語類學(xué)科的教學(xué)，錄音教材以其規(guī)范的語言表達(dá)和內(nèi)容質(zhì)量，為教師提供了便捷的輔助工具，為學(xué)生創(chuàng)建了良好的聽覺情境，對于聽說讀寫等外語學(xué)習(xí)基本技能特別是聽的培養(yǎng)和達(dá)成，起到了重要作用。

英語錄音教材的產(chǎn)生經(jīng)過了素材錄制、內(nèi)容編輯、技術(shù)加工等音像出版的主要環(huán)節(jié)[2]，在此過程中，錄音教材的編輯開發(fā)單位積累了大量的資源。最近三十年來，從教科書中的課文同步朗讀到教輔中的聽力測試，各類英語錄音教材的總數(shù)量巨大、內(nèi)容多樣，如何對這些資源進(jìn)行科學(xué)、高效的組織和管理，對于錄音教材的編制與應(yīng)用、數(shù)字化教育資源的開發(fā)和建設(shè)具有重要意義。長久以來，英語錄音教材的管理主要是以錄音磁帶、光盤等載體為依托，將播音人員、出版單位、時長、主要內(nèi)容等信息采用卡片形式通過手工來建立文本索引。然而，在數(shù)字技術(shù)飛速發(fā)展的今天，這種傳統(tǒng)的基于人工的資源標(biāo)注方式卻變得日益局限。一方面，面對海量的錄音教材，人工處理不僅耗時費力，而且易受疲勞、差錯等人為因素影響。另一方面，目前的人工處理大多是對一些客觀屬性進(jìn)行標(biāo)引，而在智慧學(xué)習(xí)環(huán)境，更需要的是基于各種教學(xué)功能、內(nèi)容語義和語音特征等信息為教師或?qū)W生提供個性化服務(wù)，現(xiàn)有的屬性標(biāo)引方式難以滿足實際需求。

在這種情況下，本文基于音頻信號處理、機(jī)器學(xué)習(xí)等信息技術(shù)，提出基于內(nèi)容的英語錄音教材標(biāo)注方案，以期在盡量少的人工干預(yù)下，自動給出大量未知英語錄音教材的多層級內(nèi)容標(biāo)簽，并從教育信息化環(huán)境下的數(shù)字教材建設(shè)和錄音教材數(shù)據(jù)庫應(yīng)用的角度嘗試探索，從而為未來錄音教材乃至數(shù)字化教育資源的建設(shè)和管理提供參考。

二、英語錄音教材的內(nèi)容描述

英語錄音教材是將一定的教材內(nèi)容以音頻形式進(jìn)行呈現(xiàn)的課程資源。相對于紙質(zhì)教科書的文本形態(tài)，錄音教材通過播音人員的演繹、背景音（樂）的插入、音頻技術(shù)的處理等手段，試圖營造出生動、真實的聽覺環(huán)境，給人以親近感，從而促進(jìn)教師教學(xué)效果的提高、學(xué)生英語綜合語言運用能力的培養(yǎng)。

從本質(zhì)上看，英語錄音教材仍歸屬為音頻資源：作為一種重要的多媒體信息傳播媒質(zhì)，在人耳所能聽見的頻率范圍內(nèi)包括語音、音樂、環(huán)境音等類型。對于這些音頻的內(nèi)容，可以用反映其聲學(xué)特點和人類聽覺感受的低層特征以及貼近用戶理解的語義特征來描述。

然而，不同于一般音頻數(shù)據(jù)，英語錄音教材面向教學(xué)的特殊地位決定了其語音部分是實現(xiàn)語言教學(xué)的重點。無論是內(nèi)容的選擇與錄制還是素材的處理與集成，均圍繞教學(xué)目標(biāo)和教學(xué)內(nèi)容進(jìn)行。作為英語錄音教材內(nèi)容中的主體，錄音教材的語音部分具有一定的規(guī)律性，從形式上看包括單詞、語句、對話等基本單元，在不同的學(xué)段偏重不同；從語言內(nèi)容上看，在傳遞詞句等語言表層含義的同時，還隱含了主題、話題等高層語義信息，例如，與《義務(wù)教育課程標(biāo)準(zhǔn)實驗教科書 英語（新目標(biāo)） 七年級上》配套的錄音教材中，就大體包括姓名、足球、晴朗等關(guān)鍵詞，并涵蓋天氣、運動、生日、交際等主題。

基于以上分析可知，英語錄音教材的內(nèi)容描述主要體現(xiàn)在以語言為主的語義層面，也就是說，對于一個基本單元，可以分別用關(guān)鍵詞和主題兩個層級的內(nèi)容來表示語言低層和高層語義的信息。以此為基礎(chǔ)，還可再輔以提示音類別、間奏音樂類型等其他信息，由此構(gòu)建出的更為豐富的基于不同層級的內(nèi)容表征模型（見圖1），就可用于描述英語錄音教材的內(nèi)容。

三、基于內(nèi)容的英語錄音教材標(biāo)注方案

基于內(nèi)容的英語錄音教材標(biāo)注的目的在于，自動得到大量未標(biāo)注英語錄音教材（未知數(shù)據(jù)）的基于內(nèi)容表征模型的標(biāo)注結(jié)果（多層級內(nèi)容標(biāo)簽），并以此作為接口用于實現(xiàn)資源管理以及后端的具體應(yīng)用，在此過程中允許管理人員或用戶進(jìn)行人工干預(yù)，通過修正學(xué)習(xí)模型來提高標(biāo)注性能（見圖2）。

基于內(nèi)容的英語錄音教材標(biāo)注本質(zhì)上是一個機(jī)器學(xué)習(xí)問題，它借助于已準(zhǔn)確標(biāo)記的訓(xùn)練數(shù)據(jù)來構(gòu)建學(xué)習(xí)模型，再以此為依據(jù)建立起未知數(shù)據(jù)與內(nèi)容標(biāo)簽之間的映射關(guān)系。作為該過程的主體，英語錄音教材語言部分的內(nèi)容標(biāo)注主要包括音頻類型分割、關(guān)鍵詞檢出和文本分類三個關(guān)鍵模塊（見圖3），它們依次相連，并且相應(yīng)的輸出項組成了未知數(shù)據(jù)的多層級內(nèi)容標(biāo)簽。這三個模塊的具體設(shè)計如下。

1.音頻類型分割

由上可知，英語錄音教材包括語音、音樂、環(huán)境音等類型，音頻類型分割模塊的任務(wù)就是將這些類型區(qū)分開來，以供后端模塊使用。該過程是依據(jù)所提取的能量、基頻、過零率、梅爾頻率倒譜系數(shù)（Mel-Frequency Cepstral Coefficients，MFCC）等低層特征完成的，一方面通過判斷這些特征的突變點來實現(xiàn)音頻的物理切分，另一方面對切分后的片段進(jìn)行基于分類器的分類，將其歸屬為某些已經(jīng)定義好的語義類別。

對于分類的類別，語音、音樂、靜音等粗粒度類別是該過程所關(guān)注的首要問題。在此基礎(chǔ)上，也可進(jìn)行某一具體類型的精細(xì)分類，如提示音、間奏、自然聲響等，甚至可進(jìn)一步細(xì)化分層，例如，歌謠、純音樂等音樂類型，音樂會、爆炸等音頻事件等。這一部分的細(xì)化處理結(jié)果可作為英語錄音教材的內(nèi)容表征模型中的其他信息，并依據(jù)實際需求進(jìn)行調(diào)整和擴(kuò)充。

2.關(guān)鍵詞檢出

對于英語錄音教材中的語音部分，首先需要給出其語言表述信息，而這可以通過語音識別技術(shù)來實現(xiàn)。

在英語錄音教材的編制過程中，播音人員的專業(yè)素養(yǎng)、編輯的監(jiān)控管理、制作人員的后期處理等手段使得教材中的發(fā)音、語速、語調(diào)等具有嚴(yán)格標(biāo)準(zhǔn)的規(guī)范，由此得到的錄音資源具有標(biāo)準(zhǔn)式朗讀效果，可作為內(nèi)容標(biāo)注中學(xué)習(xí)模型構(gòu)建所需的訓(xùn)練樣本。但實際上，考慮到鼓勵學(xué)生接觸多樣化英語的教學(xué)目標(biāo)、盡量營造真實情境的質(zhì)量把控等實際要求[3]，部分英語錄音教材中會故意包含口音、情緒變化、口語化、背景音等干擾因素，此時，針對這種相對貼近實際的發(fā)音的語音識別技術(shù)，就會由于目標(biāo)與學(xué)習(xí)模型不匹配等問題而產(chǎn)生較高的錯誤率，在這種情況下，相對于試圖得到一詞一句精準(zhǔn)識別結(jié)果的連續(xù)語音識別，本文認(rèn)為采用僅將輸入語音用多個關(guān)鍵詞進(jìn)行描述的關(guān)鍵詞檢出技術(shù)則更為合適。

關(guān)鍵詞檢出是一種從無限制的語音流中識別出一組給定詞（關(guān)鍵詞）的語音識別技術(shù)，相對于早期經(jīng)典的基于廢料模型的處理方式，基于大詞匯量連續(xù)語音識別（Large Vocabulary Continuous Speech Recognition，LVCSR）的關(guān)鍵詞檢出在大詞表、任務(wù)無關(guān)的應(yīng)用環(huán)境中體現(xiàn)了較高的準(zhǔn)確性和靈活性。該框架先利用LVCSR將語音數(shù)據(jù)轉(zhuǎn)化為覆蓋多個候選結(jié)果的網(wǎng)格結(jié)構(gòu)，再采用基于文本的匹配搜索在該網(wǎng)格中搜尋描述主要內(nèi)容的關(guān)鍵詞。這種兩步式處理方式既通過將原始語音數(shù)據(jù)轉(zhuǎn)化為基于網(wǎng)格的文本表示來降低了數(shù)據(jù)存儲代價，又允許在無需重新進(jìn)行模型訓(xùn)練的情況下增刪關(guān)鍵詞詞表，對于未標(biāo)注英語錄音教材數(shù)量不斷增長、內(nèi)容不斷多樣的實際情況有較好的適用性。此時得到的網(wǎng)格結(jié)構(gòu)將作為中間數(shù)據(jù)以滿足未來的需求更新，而關(guān)鍵詞信息將作為內(nèi)容表征模型中的低層語義內(nèi)容描述。

3.文本分類

該模塊以關(guān)鍵詞為輸入項，輸出對應(yīng)語音數(shù)據(jù)的高層語義信息——主題。這是一個典型的模式識別問題，包括特征提取和模型分類兩部分。其中的特征提取，即對每個已用關(guān)鍵詞序列表示的語音數(shù)據(jù)進(jìn)行基于文本的特征描述，在這里可采用經(jīng)典的向量空間模型（Vector Space Model，VSM）來實現(xiàn)，也就是將關(guān)鍵詞看成是離散單詞，把每一個語音數(shù)據(jù)表示成向量形式，其中的向量元素描述了某個單詞在該數(shù)據(jù)中的出現(xiàn)情況，可用TF-IDF（Term Frequency-Inverse Document Frequency）[4]等方法表示。在得到VSM之后，便可根據(jù)已經(jīng)定義好的文本類別標(biāo)注信息采用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等算法來構(gòu)建類模型，并通過計算未知數(shù)據(jù)與模型之間的距離來實現(xiàn)分類。

至此，除了表示低層內(nèi)容的關(guān)鍵詞，主題作為高層語義內(nèi)容的描述，也被賦予給了每一個語音數(shù)據(jù)。此二層信息便構(gòu)成了英語錄音教材的內(nèi)容表征模型的主體部分。

上述三個模塊給出了基于內(nèi)容的英語錄音教材標(biāo)注的基本框架，但是待處理數(shù)據(jù)的復(fù)雜性、模型的魯棒性和適用性、語義概念的主觀性等問題還是會使得完全自動的標(biāo)注方法的性能不夠理想，因此不可避免的要加入人工干預(yù)。這主要需要兩方人員的努力：一方面，應(yīng)在后端應(yīng)用模塊為實際用戶留有交互接口，允許人工對標(biāo)注有誤的數(shù)據(jù)進(jìn)行標(biāo)記，并反饋給標(biāo)注模塊；另一方面，為管理人員構(gòu)建友好易用的管理界面，用以對上述標(biāo)注有誤的數(shù)據(jù)、具有代表性的未知數(shù)據(jù)進(jìn)行人工標(biāo)注，再將這些新的訓(xùn)練數(shù)據(jù)送入標(biāo)注模塊以進(jìn)行學(xué)習(xí)模型的更新和優(yōu)化，而這一過程可通過相關(guān)反饋、在線更新學(xué)習(xí)等算法來實現(xiàn)。

四、英語錄音教材數(shù)據(jù)庫在教學(xué)中的應(yīng)用

基于內(nèi)容的英語錄音教材標(biāo)注技術(shù)可用于生成一個可支持智慧學(xué)習(xí)環(huán)境的錄音教材數(shù)據(jù)庫。與傳統(tǒng)的錄音教材相比較，錄音教材數(shù)據(jù)庫能夠為教師、學(xué)生提供更為全面的內(nèi)容服務(wù)。

仍以英語學(xué)科為例，首先錄音教材數(shù)據(jù)庫可以為學(xué)習(xí)者提供個性化的學(xué)習(xí)資源服務(wù)。所謂的個性化學(xué)習(xí)資源服務(wù)，其核心問題是能夠判斷學(xué)習(xí)者現(xiàn)有的學(xué)習(xí)水平，并且能夠提供與其現(xiàn)有水平相適應(yīng)的學(xué)習(xí)內(nèi)容。對一般的英語學(xué)習(xí)者來說，學(xué)習(xí)英語時都有明確的水平劃分指標(biāo)，如義務(wù)教育英語課程標(biāo)準(zhǔn)中將英語劃分為五級，對每一個級別都有明確的聽、說、讀、寫等要求，并對二級和五級水平給出了學(xué)生應(yīng)掌握的單詞表?；谡n程標(biāo)準(zhǔn)的水平分級，我們就對經(jīng)過內(nèi)容標(biāo)注的錄音教材內(nèi)容進(jìn)行難度分析?？梢酝ㄟ^對文本內(nèi)容中的單詞分析、背景聲音、內(nèi)容長度、語速等因素解析其對應(yīng)聽力難度水平。顯然，錄音內(nèi)容中出現(xiàn)的單詞屬于哪一個等級水平、背景聲音對主聲音內(nèi)容的干擾程度、語言速度等可以綜合反映某一段錄音教材內(nèi)容的難度。通過這樣的難度分析，我們一方面可以在學(xué)習(xí)者完成一次聽力練習(xí)后識別其實際水平，另一方面也能夠依據(jù)每段錄音內(nèi)容的難度級別，進(jìn)一步為不同英語水平的學(xué)習(xí)者推送具有針對性的學(xué)習(xí)資源。

如果配合語音識別和語音分析引擎，錄音教材數(shù)據(jù)庫還可有效服務(wù)于學(xué)習(xí)者口語學(xué)習(xí)。到目前為止，在教育領(lǐng)域中通過計算機(jī)進(jìn)行有效的語言、語音評價，仍需要基于標(biāo)準(zhǔn)錄音素材來進(jìn)行，錄音教材數(shù)據(jù)庫則提供了海量的標(biāo)準(zhǔn)語音素材。在口語學(xué)習(xí)方面，基于內(nèi)容標(biāo)注，錄音教材數(shù)據(jù)可以輔助語音評價系統(tǒng)對學(xué)習(xí)者的口語情況給出更科學(xué)的評價結(jié)果，以及對學(xué)習(xí)者的口語能力提出強(qiáng)化和改進(jìn)方案和標(biāo)準(zhǔn)語音范例，最終實現(xiàn)面向用戶口語能力提升的教學(xué)過程。

基于內(nèi)容標(biāo)注的錄音教材數(shù)據(jù)庫還能夠結(jié)合其他類型的課程資源，特別是結(jié)合數(shù)字教科書形成完整的語言學(xué)科學(xué)習(xí)解決方案。在教育部《2014年教育信息化工作要點》和《2015年教育信息化工作要點》中，均提出了：鼓勵開發(fā)與教材配套的基礎(chǔ)性數(shù)字教育資源和滿足廣大師生需求的個性化數(shù)字教育資源。標(biāo)注好的錄音內(nèi)容可以作為傳統(tǒng)教科書出版向數(shù)字教材轉(zhuǎn)型的基礎(chǔ)。例如，錄音教材數(shù)據(jù)庫可以和紙質(zhì)教科書內(nèi)容的結(jié)合，通過光學(xué)字符識別（Optical Character Recognition，OCR）技術(shù)和關(guān)聯(lián)標(biāo)識方法，形成集文字、圖片、聲音為一體的點讀教材，通過這一方式可以彌補(bǔ)傳統(tǒng)教科書在英語學(xué)科聽、說方面的不足。錄音教材數(shù)據(jù)庫的另一種與教材的結(jié)合方式，是基于紙質(zhì)教材的數(shù)字版本，整合適宜信息化環(huán)境中使用的英語數(shù)字教材。基于內(nèi)容標(biāo)注的錄音教材數(shù)據(jù)庫不僅可以與教材原有的文、圖內(nèi)容一起形成覆蓋英語聽、說、讀、寫的數(shù)字教材，更可以通過其多層級內(nèi)標(biāo)簽為學(xué)生、教師提供個性化內(nèi)容，解決傳統(tǒng)教材個性化、針對性不強(qiáng)的缺陷。

五、總結(jié)與展望

在教育信息化的背景下，錄音教材在數(shù)量和種類上的飛速發(fā)展對其有效管理與利用提出了新的挑戰(zhàn)，而傳統(tǒng)單一、人工的標(biāo)注和組織方式已經(jīng)不能滿足實際需求。本文所提出的基于內(nèi)容的英語錄音教材標(biāo)注研究與應(yīng)用，以英語學(xué)科為例，運用了自動與人工相結(jié)合的處理方法，從多層次、可擴(kuò)展等角度構(gòu)建英語錄音教材的內(nèi)容表征模型，并在教育信息化環(huán)境下簡要探討該技術(shù)所形成的錄音教材數(shù)據(jù)庫的一些應(yīng)用方式。這無論對錄音教材還是其他形式的數(shù)字化教育資源的建設(shè)與管理，乃至數(shù)字化教育出版的加工與發(fā)布，都能具有較高的參考和借鑒價值。

在本文研究的基礎(chǔ)上，隨著未來教育信息化的整體發(fā)展，錄音教材在數(shù)字化、碎片化、結(jié)構(gòu)化等方面仍有進(jìn)一步研究的必要。筆者認(rèn)為，可能形成突破的研究方向包括以下三個方面。

在本研究的內(nèi)容表征模型中，主要討論了以英語學(xué)科語言學(xué)習(xí)要求為出發(fā)點的內(nèi)容標(biāo)注，并將重點放在了語音部分的處理。而隨著經(jīng)濟(jì)、文化的國際化趨勢不斷增強(qiáng)，未來的英語教育可能會對錄音內(nèi)容的標(biāo)注提出更高的要求。例如，加入基于說話人識別的播音人員標(biāo)簽、基于情感分類的情感標(biāo)簽等。這方面的標(biāo)注信息除了要在本文所研究的內(nèi)容表征模型中留出了接口外，更需要面向具體的學(xué)習(xí)情景和學(xué)習(xí)內(nèi)容進(jìn)行更深入的分析。

在人工干預(yù)的處理方面，本文中提到的引入人工干預(yù)是為了學(xué)習(xí)模型的更新和改進(jìn)。但是這種人工干預(yù)本身帶有一定的主觀性，并且隨著錄音素材的數(shù)量增加，會導(dǎo)致人工工作量的遞增。隨著大數(shù)據(jù)技術(shù)的發(fā)展，未來通過建立具有自動判斷、自動修正的錄音內(nèi)容標(biāo)注大數(shù)據(jù)模型已成為可能。基于大數(shù)據(jù)模型，計算機(jī)不但可以自己找到已有標(biāo)注中存在的差錯，更可能發(fā)現(xiàn)內(nèi)容表征模型自身的不足，并提出修正方式。

錄音教材內(nèi)容加工的標(biāo)準(zhǔn)化是另一個值得深入研究的問題。如本文中涉及的多層級內(nèi)標(biāo)簽、后端應(yīng)用模塊接口等在實際應(yīng)用中需要標(biāo)準(zhǔn)化。傳統(tǒng)錄音教材，無論是磁帶或CD等形式，都早已實現(xiàn)標(biāo)準(zhǔn)化。考慮到錄音教材今后仍是語言教學(xué)中影響范圍極大的核心課程資源，當(dāng)其必須進(jìn)一步完成數(shù)字化、結(jié)構(gòu)化、碎片化發(fā)展時，顯然非標(biāo)準(zhǔn)化的錄音教材將在教學(xué)應(yīng)用中造成諸多問題。這也意味著通過進(jìn)一步的標(biāo)準(zhǔn)研究來滿足錄音教材在管理、應(yīng)用方面的新需求是一個必須解決的課題。

參考文獻(xiàn)：

[1]教基二〔2014〕8號.中小學(xué)教科書選用管理暫行辦法[Z].

[2]唐舒巖.數(shù)字技術(shù)條件下語言類錄音教材產(chǎn)品的音頻編輯加工模式[J].海峽科學(xué)，2013（8）：62-64.

[3]武桂香.英語錄音教材內(nèi)容質(zhì)量把控初探[J].課程·教材·教法，2013，33（6）：62-76.

[4]G.Salton，C.Buckley.Term-weighting approaches in automatic text retrieval[J]. Information Processing and Management，1988，24（5）：513-523.

（編輯：魯利瑞）