ArL2Eng数据集：基于阿拉伯语母语者L2英语语音的自动口音识别与流畅度评估研究

本研究针对阿拉伯语母语者英语学习中的口音识别难题，开发了包含640条标注语音的ArL2Eng数据集。研究人员采用MFCC（梅尔频率倒谱系数）和PCA（主成分分析）技术提取语音特征，结合深度学习模型实现了阿拉伯口音分类与流畅度预测，准确率达84.7%。该数据集填补了阿拉伯语区L2英语评估工具的空白，为语言教育和技术应用提供了标准化资源。

　　

在全球化的语言学习浪潮中，阿拉伯语母语者学习英语时面临独特的发音挑战——母语音系干扰导致的"阿拉伯腔英语"常影响交流效果。传统语言评估依赖教师主观判断，存在效率低、标准不一等痛点。更棘手的是，现有语音数据库多聚焦欧美语系，阿拉伯语区L2（第二语言）英语数据严重匮乏，制约了智能评估工具的研发。

针对这一现状，沙特阿拉伯塔布克大学应用学院（University of Tabuk, Applied College）的研究团队在《Scientific Data》发表了突破性研究。他们历时多年构建了ArL2Eng数据集——首个专门收录阿拉伯语母语者英语发音的标准化语料库，包含640段来自22个阿拉伯国家的语音样本，覆盖马格里布、海湾、黎凡特等六大方言区。通过创新的"语音特征-机器学习"双轨分析框架，不仅实现了阿拉伯口音的精准识别，更开创了客观量化英语流畅度的新范式。

研究采用三大关键技术：1）基于MFCC（Mel Frequency Cepstral Coefficients，梅尔频率倒谱系数）的声学特征提取，捕捉阿拉伯语特有的爆破音/p/与/b/混淆等发音特征；2）PCA（Principal Component Analysis，主成分分析）降维技术将78维特征压缩至9维，提升模型效率22%；3）LSTM（长短期记忆网络）深度学习模型，通过△（一阶差分）和△△（二阶差分）系数动态分析语音流变特征。所有样本均通过三名人机交互专家采用ICC（组内相关系数）0.88的高标准验证。

【数据记录】

数据集包含640段MP3格式录音，采样率16kHz，平均时长28.45秒。通过"Please call Stella"标准化文本采集语音，覆盖10-70岁不同性别、职业的阿拉伯学习者。471条样本标注了人类专家评定的流畅度标签（流畅/非流畅），分类依据包括语速、填充词频率等五项指标。

【技术验证】

PCA降维后保留95.2%特征方差，KMO检验值0.84证实数据适切性。相比原始特征，降维后模型训练时间缩短22%，LSTM准确率提升4.5%至84.7%。图2显示前9个PCA成分已涵盖绝大部分语音特征信息。

【应用价值】

该研究实现了三大突破：1）建立首个阿拉伯L2英语多维度评估体系，将主观流畅度转化为MFCC-PCA可量化指标；2）揭示海湾方言者英语元音共振峰偏移等特异性声学模式；3）开发的开源工具（CC-BY 4.0协议）支持实时口音诊断。相比Google Audioset等通用语料库，ArL2Eng专攻阿拉伯语迁移现象，为定制化语音识别提供基石。

研究团队在讨论中指出，当前二元分类法未来可扩展为CEFR（欧洲语言共同参考框架）六级评分体系。尽管存在埃及口音样本不足等局限，该数据集仍为AI驱动的语言教育开辟了新路径——从标准化考试到个性化纠音，其应用场景正在重塑阿拉伯世界的英语教学模式。正如论文通讯作者Manssour Habbash强调："当算法能听懂阿拉伯学生的‘th’发音困难时，机器就真正成为了语言桥梁的建造者。"