ELSA Speak

定义

ELSA Speak 是一款同时提供手机端和网页端的英语口语练习工具,主要功能是对使用者的发音作出评分并给出改进提示^[4]。ELSA 是「English Language Speech Assistant」(英语语言语音助手)的缩写,由从事语音识别与人工智能研究的团队开发,公司总部位于旧金山,并在葡萄牙、越南、印度、印度尼西亚和日本设有办事机构^[5]。与以词汇、语法和阅读为主的语言学习产品不同,它把发音和口语表达作为主要训练对象^[1]。

原理

ELSA Speak 并不直接调用通用的语音识别接口,而是使用团队自建的识别引擎与深度学习模型,在音素和音节一级判断使用者读错的地方,并按此给出提示^[1]。早期系统以 Kaldi 作为语音处理引擎,配合自行训练的深度神经网络模型;练习时音频实时传至服务器,处理结果再返回客户端^[4]。评分涵盖发音、语调、流利度、语法与词汇等维度,并给出与雅思、托福等考试大致对应的水平估计^[3]。面向自由口语的语音分析工具采用端到端识别架构,并以说话人识别技术剔除录音中其他人的语音^[3]。由于模型主要以非母语者的语音数据训练,它比一般识别系统更能捕捉带口音的发音偏差^[5]。

发展历程

ELSA 于 2015 年由 Vu Van 与 Xavier Anguera 创办^[6]。安卓版在 2015 年 11 月上线,iOS 版在 2016 年 3 月上线^[4]。2016 年,该项目在美国 SXSWedu 的 Launch Competition 中获得第一名^[7]。《福布斯》在 2017 年将其列入改变世界的四家人工智能公司之一^[1]。

融资方面,ELSA 在 2018 年完成 320 万美元的 pre-A 轮,由 Monk's Hill Ventures 领投^[8];2019 年完成 700 万美元的 A 轮;2021 年 2 月完成 1500 万美元的 B 轮,由越南投资集团和 SIG 领投,谷歌旗下人工智能基金 Gradient Ventures 等跟投。2023 年,公司又获得由大华银行创业投资管理领投的 2300 万美元 C 轮资金^[9]。

在产品层面,团队于 2022 年推出 Speech Analyzer,用于对成段自由口语作即时评估^[3];随着生成式人工智能兴起,又上线了可与使用者模拟对话的 ELSA AI^[1]。截至 2023 年,应用累计下载量超过 5000 万次,覆盖 195 个以上国家和地区^[3]。创办人 Vu Van 于 2025 年初被世界经济论坛评为技术先锋之一^[1]。

应用

面向个人学习者,ELSA Speak 提供发音课程、跟读练习、AI 对话与角色扮演等内容,并针对雅思、托福、托业等考试的口语部分设置备考课程。使用者可以在若干种英语口音中挑选练习对象,并选择不同的语音性别与语调^[10]。应用还会预测使用者的英语等级,并按发音、流利度、语调、语法和词汇五个方面给出分析^[10]。

面向机构端,公司与学校和企业合作,把应用接入教学或培训体系,并提供教师后台以跟踪学生的学习情况^[5]。其用户早期高度集中于越南,随着海外市场扩展,越南用户占比后来降至约两成^[1]。

局限

应用的早期功能主要针对朗读式练习,即让使用者念出单词、句子或段落并评价其朗读质量,缺少自然对话中的即兴表达训练;团队后来开发 Speech Analyzer,正是为了补上这一环节^[3]。

该应用采取免费加付费的订阅模式,免费版只开放部分课程与角色扮演内容,更多功能需要付费才能解锁^[11]。有研究指出,免费用户在可选择的练习主题和角色扮演场景上受到明显限制^[12]。由于发音评估依赖实时音频传输,使用过程对网络条件要求较高,网络不佳时识别结果可能不准,反馈也会变慢^[12]。

参见

• 语音识别 —— ELSA Speak 的发音评估建立在这一技术之上,用于判断使用者读出的音素是否正确。

• 深度学习 —— 应用的核心模型以该技术训练,用于识别带口音的英语发音。

• 人工智能 —— ELSA Speak 属于人工智能在教育领域的应用之一。

• 欧洲语言共同参考框架 —— 该应用以这一语言能力标准标示学习者的水平。

• 雅思 —— 应用提供针对该考试口语部分的备考练习。