[发明专利]一种发音检测方法、装置、计算机设备和存储介质

权利要求书

1.一种发音检测方法，其特征在于，包括：

针对任一目标用户，获取所述目标用户的音频数据，所述音频数据中包括音素；

针对所述音频数据包含的每一音素，利用预先构建的网络对该音素进行解码，得到该音素对应的时间边界，所述网络为利用所述音频数据对应的文本信息构建的；

利用音素编码模型分别对确定了时间边界的每一音素进行编码，确定每一音素对应的第一音素向量，其中所述音素编码模型为基于所述目标用户产生的音频样本数据进行训练得到的；

针对每一音素，确定该音素对应的第一音素向量与第二音素向量之间的距离，所述第二音素向量为所述音素编码模型训练过程中获得的该音素对应的向量；

根据各音素对应的第一音素向量与第二音素向量之间的距离，对所述音频数据进行检测。

2.根据权利要求1所述的方法，其特征在于，根据各音素对应的第一音素向量与第二音素向量之间的距离，对所述音频数据进行检测，具体包括：

针对每一音素，根据该音素对应的第一音素向量与第二音素向量之间的距离，在所述距离小于等于第一预设阈值的情况下，确定所述音频数据中该音素发音正确；如果所述音频数据中所有音素发音正确，则确定所述音频数据发音正确；

在所述距离大于第二预设阈值的情况下，确定所述音频数据中该音素发音错误；如果所述音频数据中至少一个音素发音错误，则确定所述音频数据发音错误。

3.根据权利要求2所述的方法，其特征在于，在所述距离小于第一预设阈值的情况下，确定所述音频数据中该音素发音正确之后，还包括：

针对发音准确的音素，利用其对应的第一音素向量更新其对应的第二音素向量。

4.根据权利要求2所述的方法，其特征在于，还包括：

针对发音错误的音素，统计该音素发音错误的次数；

如果该音素的发音错误次数达到第三预设阈值；并

判断该音素对应的第二音素向量是否存在更新；

如果该音素对应的第二音素向量不存在更新，则确定该音素系统性发音错误。

5.根据权利要求4所述的方法，其特征在于，还包括：

针对系统性发音错误的音素，分别确定该音素对应的第一音素向量与第三音素对应的第二音素向量之间的距离，将距离最小的第三音素作为提示音素，其中，所述第三音素为预设音素中除该音素以外的音素。

6.根据权利要求2所述的方法，其特征在于，按照以下方法确定所述第一预设阈值：

针对每一音素，获取该音素正确发音的第一样本集合；

利用所述音素编码模型对所述第一样本集合中的每一样本分别进行编码，得到该音素对应的第四音素向量集合；

分别确定所述第四音素向量集合中包含的每一第四音素向量与所述第二音素向量之间的距离并升序排列；

确定第一预设比例处对应的距离为所述第一预设阈值。

7.根据权利要求2所述的方法，其特征在于，按照以下方法确定所述第二预设阈值：

针对每一音素，获取该音素错误发音的第二样本集合；

利用所述音素编码模型对所述第二样本集合中的每一样本分别进行编码，得到该音素对应的第五音素向量集合；

分别确定所述第五音素向量集合中包含的每一第五音素向量与所述第二音素向量之间的距离并降序排列；

确定第二预设比例处对应的距离为所述第二预设阈值。

8.根据权利要求1所述的方法，其特征在于，针对所述音频数据包含的每一音素，利用预先构建的网络对该音素进行解码，得到该音素对应的时间边界，所述网络为利用所述音频数据对应的文本信息构建的，具体包括：

提取所述音频数据的声学特征；

针对所述音频数据中包含的每一音素，基于提取的声学特征，利用音频识别模型确定该音素对应的后验概率，所述音频识别模型为利用带音素标签的音频样本数据进行训练得到的；

基于该音素对应的后验概率，利用预先构建的网络对该音素进行解码，得到该音素对应的时间边界。