音素から段落まで、英語発音評価の基本問題形式を一度に解説

語学学習アプリで「good morning」と発音すると、画面にはほぼ瞬時に複数のスコアが表示され、どの単語や音素が足を引っ張ったのかまでハイライトされます。前回の記事では、この「音声 → 多次元スコア」という一連の流れを詳しく説明しました。しかし、多くの開発者やプロダクトマネージャーが初めて実際にアプリを開発しようとすると、一見簡単な問題で立ち止まることがあります。いったい、どの問題形式を使えばよいのでしょうか？

問題形式は、参照テキストをどう構成するか、どの粒度まで評価するかを決めます。エンジンが何を評価できるかは、最終的に問題形式によって決まります。

英語発音評価の粒度が音素から段落へと進む流れ

この記事では、英語の基本問題形式を一度に整理し、それぞれがどのような場面に適し、どの評価項目に注目するのかを説明します。

基本問題形式とは？高度な問題形式との違いは？

最も簡潔に定義すると、次のとおりです。

英語の基本問題形式は全部で7種類あります。

高度な問題形式（Q&A qa、トピック説明 topic、物語の再話 retell、自由発話 freedom など）との本質的な違いは、高度な問題形式の多くには固定の refText がなく、評価対象も「参照テキストどおりに読むこと」ではなく「表現した内容そのもの」になる点です。ユーザーの「読む」能力を評価したい場合は、基本問題形式を選ぶべきです。

発音評価はどこまで細かく評価できる？まずは音素形式（phoneme）から

ユーザーが /θ/ と /s/、/l/ と /r/ の音を区別できるように練習させたい場合、本当に重要な得点ポイントは「この音素を正しく発音できたか」です。この場合に使うのが**音素形式（phoneme）**です。

音素形式は、すべての問題形式の中で最も粒度が細かい形式です。1つまたは複数の音素を参照テキストとしてユーザーが発音すると、エンジンは全体スコアと各音素のスコアを返します。

返される評価情報には、次のものが含まれます。

• overall / accuracy / integrity は、それぞれ全体スコア、正確さ、完全性の3つの総合スコアに対応
• 各音素に対応する phoneme（標準音素）、hypothesis（実際に発音した音素）、score（音素スコア）、および type タグ（正常／脱落／反復）

これは評価体系の最下層に当たる粒度です。単語形式では「総合スコア → 単語 → 音節 → 音素」という階層全体をまとめて返しますが、音素形式は「音素」の層だけを取り出して重点的に評価するものです。特に次のような場面に適しています。

• 音素の入門学習（単語を覚える前に、まず個々の音を身につける）
• ミニマルペアの練習（minimal pairs。例：ship / sheep）
• 発音矯正前の「問題箇所の特定」

単語形式（word）では、どのような発音の問題が分かる？

単語形式（word）は、スピーキング学習アプリで最も一般的な入門形式です。通常、画面に単語またはフレーズを表示し、ユーザーが音読します。評価エンジンは、全体の発音の正確さ、流暢さ、完全性に加え、単語・音素レベルの正確さを評価します。

これは記事冒頭の例の実際の出典でもあります。"good morning" に対して返されるスコアは、外側の総合スコアから各単語のスコア、さらに音節、音素へと続きます。

overall / accuracy
  └─ wordInfo（good / morning）
       └─ syllables（g_uh_d / m_ao_r ...）
            └─ phonemes（g / uh / d ...）

評価項目と照らし合わせると、単語形式ではすでに4項目、すなわち overall、accuracy、fluency、integrity をカバーし、さらに単語レベルの stress（アクセントが正しいか）も取得できます。

実際の利用では、単語形式でいくつかの具体的な問題に対応できます。重要なのは、どのような場面で使うかです。

• 単語、フレーズ、音素列のすべてに対応：参照内容には通常の単語やフレーズだけでなく、IPA88 の音素列（例：/mɑːkɪt/）も直接指定できます。同じ問題形式で、語彙の復唱にも音素レベルの練習にも使えます。
• イギリス英語とアメリカ英語の両方に対応：エンジンはイギリス英語またはアメリカ英語の発音に個別に対応できます。tomato や schedule のように英米で読み方が異なる単語も、パラメーターで変種を指定すれば、そのアクセントの基準で採点できます。区別しない設定も可能で、ユーザーがどちらのアクセントで読んでも、その基準で採点され、アクセントの違いによる誤判定を避けられます。
• 珍しい読み方を手動で指定：一般的でない読み方の単語や、特定の読み方を指定したい単語では、許容する読み方を事前にエンジンへ伝えることができ、その指定に基づいて採点できます。
• 子ども向けに専用設計：汎用モデルに加えて、子どもの発声特性に合わせた子ども向け音声モデルも提供されており、汎用モデルより適した、より扱いやすい採点ができます。

文形式（sentence）は単語形式より何を多く評価する？

単語をつなげて文にすると、発音を評価する項目はすぐに豊富になります。文形式（sentence）の時間上限は90秒で、単語形式より実際の表現に近いものです。文形式にも汎用モデルと子ども専用モデルがあります。

単語形式より追加されるのは、主に連続発話の項目です。

• rhythm（韻律）：stress アクセント、tone 音調、sense 意味のまとまりによるポーズ、文末イントネーション rearTone（上昇／下降）、および総合スコア
• fluency：pause ポーズ回数、speed 発話速度、および総合スコア
• 単語レベルでは liaison（リンキング）の判定も追加：リンキングすべきか、実際にリンキングしたか、リンキングのタイプ（未破裂、重なり、子音＋母音など）

なぜこれらの項目は単語形式では評価されないのでしょうか。リンキング、弱形、ポーズの分布、文末イントネーションは、連続した発話の中でのみ意味を持つからです。単語単体は「静的」ですが、文には「文脈」があり、流暢さと韻律を裏付けるデータが初めて得られます。

文形式には、会話練習系のプロダクトに適した2つの高度なオプションもあります。

• comparison：問題形式のパラメーターに標準音声のIDを渡し（カスタマイズが必要）、比較モードを有効にすると、発話速度、イントネーション、音量の3項目について、標準音声との相関曲線を返します
• realtime：共通パラメーターで指定してリアルタイム返却を有効にすると、読みながらスコアを表示でき、より滑らかなユーザー体験を実現できます

段落形式（chapter）が最も総合的な形式なのはなぜ？

教科書、スピーチの一節、長い会話など、テキストが一段落になる場合は、段落形式（chapter）を使います。時間上限は300秒で、ほとんどの利用場面に対応できます。

段落形式の返却構造も最も立体的です。最上位に全体評価があり、その下に sentenceInfo（文ごと）、さらにその下に wordInfo（単語ごと）があります。言い換えると、文形式の階層をもう一段包んだ構造です。音素レベルのスコアと韻律スコアはデフォルトでは無効で、必要な場合はパラメーターを手動で設定します。

また、実用的な clause_sign（文の区切り記号）パラメーターもあります。デフォルトではピリオド、疑問符、感嘆符、セミコロンで文を区切ります。テキストに特別な区切り方が必要な場合（改行だけで区切りたい場合など）は、独自に指定できます。

段落が長くなるほど、脱落、挿入、反復が起きやすくなります。そのため各 wordInfo には normal / delete / repeat タグが付き、「どの文を読み飛ばしたか、どの文を繰り返したか」を直接示します。段落形式にも汎用モデルと子ども専用モデルがあり、リアルタイム返却にも対応しています。

訂正形式（wordcheck / sentencecheck）は、これまでの形式と何が違う？

これまでの問題形式は「採点」が中心でした。一方、wordcheck（単語訂正）とsentencecheck（文訂正）は、「どこが間違っているかを示すこと」が中心です。この2つの形式は、表面的には通常形式と似たパラメーターを使いますが、返却結果では type フィールドが中心的な出力になります。

具体的には、次のとおりです。

• wordcheck：1単語だけに対応します。単語レベルの type は normal / repeat / delete を返し、より細かい音素レベルでは insert（音素を1つ多く発音した）と replace（ある音を誤って発音した。例：/θ/ を /s/ と発音）も示します。
• sentencecheck：文レベルで、単語レベルの type は normal / insert / delete / replace の4種類を直接カバーします。完全な rhythm / fluency / integrity / accuracy と組み合わせて、採点と誤り箇所の特定を同時に行います。

名前のとおり、訂正形式は発音を直す段階で重点的に使われ、練習・発音矯正アプリにはこの2つの形式がほぼ欠かせません。選び方を一言でまとめると、次のようになります。

• スコアだけが欲しい → word / sentence を使う
• 「どこを間違えたか」を明確に示したい → wordcheck / sentencecheck を使う。

単語スペリング（wordspell）とは、どのような新しい形式？

最後は、基本問題形式の「新しいメンバー」である**単語スペリング（wordspell）**です。これは少し異なる仕組みです。アプリの画面に単語の意味を表示し、ユーザーは対応する英単語を思い出して、文字ごとに読み上げます。たとえば「猫」というヒントを見て、「C-A-T」と順番に発音します。

返却結果もよりシンプルで、実際に読んだ文字と信頼度、各文字の開始・終了時間を直接返します。代表的な利用場面は、オンラインのスペリング大会やフォニックス（Phonics）学習です。注意点として、1文字ずつの読み上げだけに対応しており、現在は double や triple のようなまとめたスペリングには対応していません。

この形式では採点項目を気にする必要はなく、「基本問題形式の一覧にある、スペリング場面向けの特別な入口」と理解すれば十分です。

問題形式によって評価項目が異なるのはなぜ？

理由はとても単純です。**問題形式が評価粒度を決め、粒度が計算できる項目を決めるからです。**次の4つの形式を例に見てみましょう。

ここには明確な段階があります。粒度が大きくなるほど、観測できる連続発話の特徴が増えます。単語には「文脈」がないため、リンキングや文末イントネーションは計算できません。文や段落になって初めて、韻律と流暢さを裏付けるデータが得られます。韻律評価では、想定する韻律の読み方を指定するために特別なアノテーションが必要です。詳しくは今後の記事で説明します。

形式を選ぶとき、最初に自分へ問いかけるべき3つの質問は？

プロダクトマネージャーが実際に形式を選ぶときは、まず次の3つを確認すれば十分です。

1. テキストはどのくらい長く、何秒録音できる？
   • 1〜2語 → word（20秒）
   • 1〜2文 → sentence（90秒）
   • まとまった文章 → chapter（300秒）
2. 総合的な採点と誤り訂正のどちらを重視する？
   • 採点だけ → 通常形式（word / sentence / chapter）
   • 誤り箇所の特定 → 訂正形式（wordcheck / sentencecheck）
3. ユーザーは大人、それとも子ども？
   • 大人 → 標準モデル
   • 子ども → 対応する word_kids / sentence_kids / chapter_kids

さらに「スペリング」や「最小音素の練習」のような特別な場面がある場合は、wordspell と phoneme を検討すればよいでしょう。

まとめ

基本問題形式は、本質的には**「参照テキストを使い、音素から段落までの粒度で音読を評価する」仕組み**です。phoneme → word → sentence → chapter という粒度の軸を理解すれば、DolphinSOEの英語発音評価でできることの範囲が分かります。さらに wordcheck / sentencecheck の訂正タグを組み合わせることで、「採点」を「指導」へと発展させられます。

固定の参照テキストがないオープン形式、つまりQ&A、トピック説明、物語の再話などについても知りたい場合は、今後の高度な問題形式に関する記事をご覧ください。

DolphinSOE発音評価は日本市場で安定稼働しており、現在の1日平均呼び出し回数は約 **10万回（100k calls/day）**です。顧客は外国語学習アプリ、学校、学習塾などの教育機関に広がり、その性能は実際の高同時実行・教育レベルのシナリオで継続的に検証されています。API導入の無料技術相談と1か月の無償トライアルを提供しています。ビジネス提携については、お問い合わせください。