[发明专利]一种发音检测方法、装置、计算机设备和存储介质

说明书

本公开提供了一种发音检测方法、装置、计算机设备和存储介质，其中，该方法包括：针对任一目标用户，获取目标用户的音频数据；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；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；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，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，对音频数据进行检测。本公开实施例根据各用户的发音特性进行个性化检测，从而提高了发音检测结果的准确性。

技术领域

本公开涉及音频检测技术领域，具体而言，涉及一种发音检测方法、装置、计算机设备和存储介质。

背景技术

随着在线教育业务的兴起，用户在线朗读文本，由客户端编码得到相应的音频数据，服务器对接收到的音频数据进行检测，以判断用户朗读是否准确。

目前，用户在朗读英文或中文文本时，对于朗读正确与否的判断，服务器通常是从用户语音中提取表征发音特性的特征，对发音打分或做正误分类，根据发音得分划定门限或者根据分类结果，从而判断发音是否正确。

但是，这种根据单次语音的发音特性判读正误，受限于切分准确性及分类模型的泛化能力，导致判断结果存在一定的误差，降低了检测结果的准确性。

发明内容

本公开实施例至少提供一种发音检测方法、装置、计算机设备和存储介质。

第一方面，本公开实施例提供了一种发音检测方法，包括：

针对任一目标用户，获取所述目标用户的音频数据，并提取所述音频数据的声学特征，所述音频数据中包括音素；

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；

根据各音素对应附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。

一种可选的实施方式中，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。

一种可选的实施方式中，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。

一种可选的实施方式中，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；