跳转至

口语发音评测（SOE）技术分册 · GOP / wav2vec2 / 商用 SDK

用途：为「跟读评测」服务提供发音打分能力（用户跟读 → ASR 对齐 → 音素级打分 → JSON 报告）；同时说清开源方案的边界，避免把研究代码当产品用。 环境：Windows Server 宿主机，2×Xeon Gold 6138（40 核 / 80 线程）、256GB 内存、F 盘 895G（剩余 862G）；无独立 GPU，纯 CPU 推理。所有服务以 Docker 容器部署，产物只落 F:\EricLiu\，模型权重放 labs\models\。 版本基线：OpenPronounce v0.4.0（2026-11-09）｜Kaldi egs/gop_speechocean762（recipe 随 Kaldi 主干）｜CTC-based-GOP（INTERSPEECH 2024）｜speechocean762 语料（SLR101，5000 句）｜商用侧 Azure Pronunciation Assessment、讯飞 ISE、腾讯云智聆 SOE、驰声 Chivox（核对日期 2026-11-11，来源：官网/GitHub）

0. 现状核实结论（先看这段，避免走错路）

结论：开源"完整产品"极少，绝大多数是论文研究代码。截至目前，能直接 pip install 上手、且带 HTTP 接口和 Docker 的口语评测开源项目，实际只有 OpenPronounce 一个。

核实到的可用实现：

实现 形态 语言 成熟度 能否直接用
OpenPronounce（Halleck45） pip 包 + FastAPI + Docker + Web UI 英语（另有 6 语种实验性） ★★★★ 有版本、有 benchmark、有 CI ✅ 本机首选，CPU 可跑
Kaldi egs/gop_speechocean762 Kaldi recipe（需自己编译 Kaldi） 英语 ★★★ 官方 baseline，PCC 0.45 ⚠️ 教学价值高，工程化成本高
CTC-based-GOP（NTNU, INTERSPEECH 2024） 论文代码 + 脚本 英语 ★★ 研究代码 ⚠️ 需自己拼流水线
gopt（YuanGongND） 研究代码（GOPT Transformer） 英语 ★★ 研究代码 ⚠️ 偏论文复现
Si-Tones（laoszu） Conformer-CTC + AISHELL-1 + GOP 思路 中文（拼音） ★ 早期项目 ⚠️ 只能作为中文方案起点
商用：Azure / 讯飞 ISE / 腾讯云 / 驰声 SaaS API 中英及多语种 ★★★★★ 需付费，本库只做对比，不代注册

三个必须提前讲清的事实 1. 中文开源 SOE 基本是空白。公开标注语料只有英语的 speechocean762（且说话人是中国学习者）；中文要自己解决"拼音音节 + 声调"的音素集与打分标准问题，没有公认开源基线。 2. 开源方案给的是"相对分"，不是"考试分"。OpenPronounce 在 speechocean762 上与人类评分的 Spearman ρ≈0.65（按说话人 0.83），属于"可用反馈"，不能用于认证、发证、分级考试。 3. 本机无 GPU 不影响 SOE。SOE 用的 wav2vec2-large 是 3 亿参数级模型，CPU 单句 1-3 秒，是语音链路里最不吃算力的一环。真正的瓶颈是"没有中文标注数据"，不是算力。

1. 技术路线对比

1.1 三条路线

维度 ① 传统 GOP（GMM/DNN/HMM） ② wav2vec2 / CTC 端到端 ③ 商用 SDK
代表实现 Kaldi gop_speechocean762（TDNN nnet3） OpenPronounce、CTC-based-GOP、GOPT Azure PA、讯飞 ISE、腾讯云智聆 SOE、驰声
核心原理 母语声学模型前向得帧后验 → 强制对齐 → 算"期望音素后验 vs 最强竞争音素后验"的差 自监督表征 + CTC 音素识别，用后验或嵌入距离打分，可免强制对齐 厂商自研（多为 DNN/HMM + 大规模母语/学习者数据 + 专家标定）
是否需要强制对齐 必须（GOP 的定义依赖音素边界） 可选（CTC 后验可直接按帧取；OpenPronounce 用编辑距离对齐替代） 不需要，黑盒
是否需要音素词典 必须（lexicon / LG FST） 需要发音词典做"期望音素串"（espeak-ng / CMUdict / pypinyin） 不需要
中文支持 需自建拼音音素集 + 声调建模 同上，缺标注数据 ✅ 完整（声母/韵母/声调）
可解释性 ★★★★★ 每个音素的 GOP 值可追溯 ★★★☆ 后验/嵌入距离，可解释性中等 ★★ 只给分数与错误类型
冷启动成本 高（编译 Kaldi、训 TDNN、训 SVR） 中（下模型、拼流水线） 低（一个 API Key）
本机 CPU 可行性 ⚠️ 可行但重（Kaldi 编译 + 特征提取慢） ✅ 可行（单句 1-3s） ✅ 但走公网
典型精度 baseline：GOP 特征 + SVR，MSE 0.16 / PCC 0.45（音素级 0-10 分） OpenPronounce：句级 ρ=0.65（对 speechocean762 人工总分） 商用最佳，无公开可比口径

GOP 的定义（Witt & Young, 2000）——理解这一行，就理解了整个传统路线：

GOP(p) = log P(p | O)  −  max_{q ≠ p} log P(q | O)

O 是该音素对齐到的帧区间，p 是词典里的期望音素，q 遍历其它音素。 含义："这段音频像 p 的程度，比像最强竞争对手 q 的程度高出多少"。差值为 0 或负 → 大概率发错；差值大 → 发音清晰。工程上再把这个标量（或它的分段统计 LPP/LPR）喂给每个音素一个回归器（Kaldi recipe 用 SVR），映射到 0-10 的人类评分。

1.2 商用 SDK 能力对比（只比能力，不代注册、不代调用）

能力 Azure Pronunciation Assessment 讯飞 ISE 腾讯云智聆 SOE 驰声 Chivox
评分维度 Accuracy / Fluency / Completeness / Prosody（+ 非脚本模式的 Content：词汇/语法/话题） 准确度、流利度、完整度、声调、音素级 精准度、流利度、完整度(PronCompletion)、音素级 PhoneInfos 总分 + 声母/韵母/声调，对齐 PSC 普通话水平测试口径
粒度 句 / 词 / 音素（可选 viseme） 句 → 词 → 音节 → 音素 四层 句 / 词 / 音素（起止时间、重音标记） 字 / 词 / 句，中文按拼音拆解
中文声调 支持，但社区反馈中文声调维度弱于国内厂商 ✅ 强项 ✅ 支持 ✅ 核心卖点（mā/má/mǎ/mà 级）
接入方式 REST / SDK（key 或 Entra ID） WebSocket 流式为主 HTTP / WebSocket HTTP + MCP Server（可直连 LLM 工具链）
音频限制 15s（短音频）/ 流式更长 分题型 段落/自由说 ≤300s，其余 ≤60s 按题型
语言覆盖 多语种，Prosody/Content 仅 en-US 中英为主 中英 中英，考试口径（IELTS/TOEFL/PSC）
计费量级 按音频时长 按次（第三方公开数据：20 万次套餐约 ¥0.006/次） 按次/套餐 注册赠 600 次，之后按成功调用计费
数据合规 音频出境需评估 国内 国内 国内，宣称评测后删音频

结论：做产品 → 商用 SDK；做学习/内网/零成本 → 开源。 本库实验一律走开源，商用只做对比说明（这也是 Roadmap 阶段 B 的既定规则）。

1.3 选型决策

要中文、要考试级口径、能付费？ ── 是 ──> 商用 SDK（讯飞/驰声/腾讯云）
        │ 否
        ↓
英语跟读、要今天就能跑？ ── 是 ──> OpenPronounce（CPU，pip 一行）
        │ 否
        ↓
中文、必须自研？ ──> 自己拼：pypinyin 音节+声调 → CTC 音素模型 → GOP/后验打分
                     （参考 Si-Tones 思路，做好"没有标注集"的心理准备）

1.4 推荐结论

  • 首选 = OpenPronounce v0.4.0（MIT，纯 CPU）：目前唯一"pip 一行 + 自带 FastAPI/Docker/Web UI"的开源 SOE，句级 ρ≈0.65 足以做练习反馈（不是考试分，官方亦明示 CPU 可跑）。
  • 选配 = Kaldi egs/gop_speechocean762：只想理解 GOP 原理或做学术复现时用；它是研究 recipe（PCC 仅 0.45，需自编译 Kaldi + 训 TDNN/SVR），不是产品。
  • 商用对照 = 讯飞 ISE / 腾讯云智聆 SOE / 驰声（Azure PA 补多语）：要考试级口径、中文声调、四层粒度只能走商用；本库只做能力对比、不代注册不代调用。
  • 回避 = 把研究代码当生产、给中文硬套英语阈值：GOPT/Si-Tones 等仅作起点；中文没有公开标注集，必须先自建"拼音音节 + 声母/韵母/声调"评测集并标定，否则不得对外宣称支持中文评分。

2. 最小跑通路径：OpenPronounce（EB3-1）

2.1 为什么选它

  • MIT 许可，可改可商用（商用仍需自评效果）。
  • 纯 CPU，官方明示 "Runs on your machine, on CPU"。
  • 自带 HTTP 服务，有 POST /pronunciation、GET /health、GET /docs，与我们的服务化规范天然对齐。
  • pipeline 完整：音素识别 → 编辑距离对齐 → CTC 后验置信度 → DTW 声学距离 → 韵律曲线 → 0-100 分。

代价：模型不小（两个 wav2vec2-large，各约 1.2GB），首次运行要下 2.4GB；中文未标定。

2.2 安装（二选一）

方式 A：pip（最快，宿主机 venv）

python -m venv F:/EricLiu/Envs/openpronounce
F:/EricLiu/Envs/openpronounce/Scripts/activate

# 关键：先装 CPU 版 torch，体积小一半以上
pip install torch --index-url https://download.pytorch.org/whl/cpu
pip install openpronounce

# 系统依赖：ffmpeg（解码任意音频）+ espeak-ng（音素化）
# Windows 用 winget / choco 安装后确认在 PATH 里：
ffmpeg -version
espeak-ng --version

方式 B：Docker（服务化用）

cd F:/EricLiu/AppDocs/SOE/labs/src
git clone https://github.com/Halleck45/OpenPronounce.git
cd OpenPronounce
docker build -t local/openpronounce:0.4.0 .
docker run -d --name soe -p 8102:8000 \
  -e OPENPRONOUNCE_DEVICE=cpu \
  -e OPENPRONOUNCE_TTS=piper \
  -e OPENPRONOUNCE_TTS_VOICE=en_GB-cori-medium \
  -v F:/EricLiu/AppDocs/SOE/labs/models/hf:/root/.cache/huggingface \
  local/openpronounce:0.4.0

OPENPRONOUNCE_TTS=piper 让"参考音"离线合成（默认 gTTS 需要联网）；但注意 Piper 音色会改变声学距离的基准，换引擎后要为该引擎重新校准（官方文档实测：换 Piper 会让好朗读的声学距离上移 1-2，分数略偏低）。

2.3 验证（EB3-1 判据）

# CLI 一行验证
openpronounce F:/EricLiu/AppDocs/SOE/labs/EB3-1-first-run/record.wav \
  "Hello, how are you?" --json --no-prosody

期望输出结构：

Score        : 59.0/100
Transcription: HELL NO WHO ARE YOU
Mispronounced:
  - hello: expected /həloʊ/, heard /hɛlnoʊ/ (confidence 89%)
  - how:   expected /haʊ/,  heard /hu/     (confidence 50%)

# HTTP 验证
curl -s localhost:8102/health
curl -s -X POST localhost:8102/pronunciation \
     -F "file=@record.wav" \
     -F "expected_text=Hello, how are you?" \
     -F "lang=en" | python -m json.tool | head -40

判据：CLI 输出 0-100 分 + 至少一个 words 级错误项；/health 返回 200；同一段音频重复跑分数稳定（±2 内）。

2.4 耗时与内存（本机估算，首次跑完请回填实测）

环节 CPU 耗时（估算） 说明
首次启动（下模型） 2.4GB / 视带宽 5-30 分钟 之后走本地缓存，HF_HUB_OFFLINE=1 可断网
模型加载到内存 10-30s 常驻进程只付一次
单句分析（5-10s 音频） 2-6s = 音素识别 + 词识别 + 参考音合成 + DTW + pYIN
常驻内存 3-5GB 两个 wav2vec2-large + torch
并发 1 路/容器 CPU 上别开多线程并发，靠多副本扩

3. 评测流水线设计（EB3-2）

3.1 架构

                    ┌─────────────────────────────────────────────┐
 句子文本 ──────────▶│ ① 文本前端：分词 + 音素化（拼音/CMU/espeak） │
                    └───────────────┬─────────────────────────────┘
                                    │ 期望音素序列 P_ref
 麦克风/上传 ──▶ ② 规整：重采样 16k 单声道、去首尾静音、峰值归一
                                    │
                                    ▼
                    ┌─────────────────────────────────────────────┐
                    │ ③ 声学模型：CTC 音素后验 / 强制对齐边界      │
                    └───────────────┬─────────────────────────────┘
                                    │ 帧后验 + 音素边界
                                    ▼
                    ┌─────────────────────────────────────────────┐
                    │ ④ 打分：GOP(p) → 音素分 → 词分 → 句分       │
                    │    辅以：PER/WER、DTW 声学距离、韵律(F0/能量)│
                    └───────────────┬─────────────────────────────┘
                                    ▼
                    ┌─────────────────────────────────────────────┐
                    │ ⑤ 聚合与反馈：错音定位 + 建议 + JSON 报告    │
                    └─────────────────────────────────────────────┘

3.2 各环节要点

环节 做法 坑
① 文本前端 英文 CMUdict/espeak；中文 pypinyin 取带声调拼音，再拆声母/韵母/声调三元组 多音字必须按上下文取音（"银行/行走"）
② 规整 统一 16kHz/16bit/单声道；ffmpeg -ar 16000 -ac 1；VAD 掐头去尾 采样率不对 → 后验全错；不归一化 → 音量小的被判"没发出来"
③ 声学 优先 CTC 音素模型（wav2vec2 微调）；传统法需 nnet3 TDNN + LG FST 强制对齐 Kaldi 的 chain 模型不适合算 GOP（官方 recipe 明确用 no-chain TDNN）
④ 打分 音素 GOP → 词内加权 → 句内加权；再与流利度/完整度融合 单词过短（<3 音素）GOP 噪声大，需要置信度衰减
⑤ 反馈 只报"高置信度错误"，宁缺勿滥 假阳性比漏报更伤学习体验

3.3 JSON 报告契约（服务间统一格式）

{
  "request_id": "20261111-0001",
  "lang": "en",
  "reference_text": "Hello, how are you?",
  "asr_transcript": "HELL NO WHO ARE YOU",
  "scores": {
    "overall": 59.0,
    "accuracy": 62.5,
    "fluency": 70.1,
    "completeness": 100.0,
    "prosody": null
  },
  "metrics": {
    "phoneme_error_rate": 0.21,
    "word_error_rate": 0.25,
    "acoustic_distance": 12.4
  },
  "words": [
    {
      "word": "hello",
      "position": 0,
      "score": 31,
      "expected_ipa": "h ə l oʊ",
      "heard_ipa": "h ɛ l n oʊ",
      "phones": [
        {"expected": "ə", "heard": "ɛ", "confidence": 0.89, "gop": -1.42},
        {"expected": "oʊ", "heard": "n oʊ", "confidence": 0.55, "gop": -0.31}
      ]
    }
  ],
  "prosody": {"f0_mean": 118.3, "f0_range": [82.1, 191.4], "energy_rms": 0.071},
  "engine": {"name": "openpronounce", "version": "0.4.0", "device": "cpu"},
  "elapsed_ms": 3180
}

字段命名对齐 OpenPronounce 原生输出（score / differences.errors[] / acoustic_distance / prosody.f0），外层再包一层统一信封，便于后续换引擎（商用 SDK）时上层不改。

3.4 编排骨架（可直接改成 assess.py）

"""跟读评测编排：音频 → 规整 → 音素打分 → JSON 报告。
依赖：openpronounce（音素识别/对齐/打分）、faster-whisper（可选，要词级时间戳时用）。
"""
import json
import subprocess
import tempfile
from pathlib import Path

from openpronounce import load_audio, compare_audio_with_text


def to_wav16k(src: str | Path) -> Path:
    """统一成 16kHz/16bit/单声道 —— 采样率错了后面全错。"""
    dst = Path(tempfile.mkdtemp()) / "norm.wav"
    subprocess.run(
        ["ffmpeg", "-y", "-i", str(src), "-ar", "16000", "-ac", "1",
         "-af", "silenceremove=start_periods=1:start_threshold=-45dB",
         str(dst)],
        check=True, capture_output=True,
    )
    return dst


def assess(audio_path: str, expected_text: str, lang: str = "en") -> dict:
    wav = to_wav16k(audio_path)
    sound = load_audio(str(wav))          # 内部已重采样为 16k mono
    raw = compare_audio_with_text(sound, expected_text, lang=lang)

    errors = raw.get("differences", {}).get("errors", [])
    words = [{
        "word": e["word"],
        "position": e.get("position"),
        "expected_ipa": e.get("expected"),
        "heard_ipa": e.get("actual"),
        "confidence": round(float(e.get("confidence", 0)), 3),
        "phones": e.get("phones", []),
    } for e in errors]

    # 置信度过滤：低于 0.5 的错误不报，减少假阳性（教学体验优先）
    words = [w for w in words if w["confidence"] >= 0.5]

    return {
        "lang": lang,
        "reference_text": expected_text,
        "asr_transcript": raw.get("transcribe"),
        "scores": {
            "overall": round(float(raw["score"]), 1),
            "accuracy": None,          # 开源版没有独立 accuracy，留空待融合
            "fluency": None,
            "completeness": None,
            "prosody": None,
        },
        "metrics": {
            "phoneme_error_rate": raw.get("differences", {}).get("phoneme_error_rate"),
            "word_error_rate": raw.get("differences", {}).get("word_error_rate"),
            "acoustic_distance": raw.get("acoustic_distance"),
        },
        "words": words,
        "engine": {"name": "openpronounce", "device": "cpu"},
    }


if __name__ == "__main__":
    print(json.dumps(
        assess("F:/EricLiu/AppDocs/SOE/labs/EB3-1-first-run/record.wav",
               "Hello, how are you?"),
        ensure_ascii=False, indent=2))

3.5 想自己算 GOP？核心只有 20 行（示意，非可直接运行）

import numpy as np
import torch

# posteriors: (T, V) 音素后验，来自 CTC 模型 softmax
# spans:      [(p_idx, t_start, t_end), ...] 期望音素及其对齐区间
def gop(posteriors: torch.Tensor, spans, eps: float = 1e-8) -> list[dict]:
    logp = torch.log(posteriors + eps)
    out = []
    for p, ts, te in spans:
        seg = logp[ts:te]                      # (L, V)
        if seg.numel() == 0:
            continue
        # 期望音素在该段的平均对数后验
        target = seg[:, p].mean().item()
        # 最强竞争音素（排除自身与静音）
        others = seg.clone()
        others[:, p] = -1e9
        best_other = others.max(dim=1).values.mean().item()
        out.append({
            "phone_idx": int(p),
            "gop": round(target - best_other, 4),   # 越接近 0/负 → 越可疑
            "lpp": round(target, 4),                # 绝对后验，辅助判断
        })
    return out

真实实现还要处理：静音/停顿帧、插入与删除（对齐路径里没有对应音素）、音素时长归一化、以及对 GOP 做时长与上下文归一化后再回归到 0-10 分（Kaldi recipe 用音素级 SVR）。别自己从零写打分器，除非你准备标几千条数据。

4. 与 TTS / ASR 的集成要点（EB3-3 里程碑）

4.1 端到端时序

① 取题：题库给一句文本 S
② TTS：Piper 合成 S 的参考音 ref.wav（0.1-0.5s），缓存 key = hash(S+voice+length_scale)
③ 播放：前端放 ref.wav，用户跟读，录 user.wav（16k mono）
④ ASR：faster-whisper int8 转写 → 判断"是不是念的这句"（WER 过高直接提示重录，不进打分）
⑤ SOE：OpenPronounce 对 user.wav + S 打分 → JSON
⑥ 融合：SOE 分（发音）+ ASR WER（内容）+ 时长比（流利度）→ 最终报告
⑦ 反馈：错音高亮 + 参考音重播 + 建议（"th 咬舌"）

4.2 集成清单

要点 做法 原因
参考音必须缓存 cache/{sha1(text+voice+len)}.wav 同一句重复练，避免重复合成；也保证分数基准一致
参考音引擎固定 全站固定同一个 Piper 音色，勿混用 gTTS 换引擎会让 acoustic_distance 整体偏移，分数不可比
采样率统一 16k/单声道 前端录音也强制 16k，服务入口再 ffmpeg 兜底 wav2vec2 输入固定 16k，错了结果全废
先 ASR 再 SOE WER>0.6 直接判"未按要求朗读" 防止"念完全无关内容"被算成发音错误
超时预算 TTS 1s + ASR 3s + SOE 6s，总 ≤10s CPU 现实值；超过就异步任务 + 轮询
端口规划 TTS 8101 / ASR 8103 / SOE 8102 与 §TTS 分册一致，避免冲突
同网段 docker network create ai-net，服务名互访 避免走宿主机 IP
健康检查 三服务都要 /health，网关按此摘除 EB1-2 已定规范
音频落盘 labs/EB3-3-follow-read/{req_id}/{ref,user}.wav 便于复现与听感对比

4.3 与 ASR 分册的边界

需求 用谁 说明
只要"说了什么" faster-whisper / FunASR 有语言模型纠错，恰恰不适合发音评测（会把错音"纠正"成对的）
要"说得准不准" SOE 音素识别模型 必须关掉/绕过语言模型，直接看音素后验
要词级时间戳 faster-whisper word_timestamps=True 只用于定位，不用于判分

一句话：ASR 负责"内容对不对"，SOE 负责"发音准不准"，两者不可互相替代。 OpenPronounce 内部同时用了两种 wav2vec2（音素识别 + 词识别），已经隐含这个分工。

5. 排障与局限

5.1 排障速查

现象 根因 处理
espeak-ng: command not found 系统缺音素化工具 Windows 装 espeak-ng 并加入 PATH；Docker 镜像已内置
ffmpeg not found 同上 装 ffmpeg，或用镜像
分数莫名很低（20-40） 采样率/声道不对、或音量为 0 ffprobe 查 16k/mono；加峰值归一化
所有词都报错 参考文本与音频语言不匹配（lang 传错） --lang en；中文目前不校准
分数波动大 短词（<3 音素）、背景噪声 置信度阈值提到 0.6；前端加降噪/VAD
首次调用超时 下 2.4GB 模型 预下载并挂载 HF 缓存；HF_HUB_OFFLINE=1
内存爆 多进程各自加载模型 单容器单进程，副本横向扩
OPENPRONOUNCE_TTS=gtts 报网络错 默认走 Google TTS 改 piper 或 kokoro 离线
Docker 里 GPU 报错 镜像选错 CPU 用 Dockerfile，GPU 才用 Dockerfile.gpu

5.2 局限（必须向用户明说）

  1. 只有英语被人工评分校准。法/西/德/意/葡/荷为实验性，直接复用英语阈值；中文不在支持列表。
  2. 音素识别器本身有错误率。官方说明：干净母语朗读约 1/10 音素会错 → 短词偶发假警报。在 speechocean762 上，被它标错的词里只有 1/5 被人类评委也判为错。
  3. 它是"校准过的启发式"，不是在学习者标注数据上训练的模型。别当考试系统用。
  4. 强口音、儿童、噪声会显著掉点。wav2vec2 训练集是成人朗读语音；speechocean762 里儿童占一半，这正是它的短板场景。
  5. 中文需要另起炉灶：pypinyin 取带声调音节 → 声母/韵母/声调三元组 → 训练中文 CTC 音素模型（可参考 Si-Tones 用 AISHELL-1 的做法）→ 自建母语者参考分布。没有标注集就没有可信分数，这是最大障碍。
  6. 无 GPU 的现实：本方案能跑，但别指望实时并发。10 路并发需要 ~10 个副本 ≈ 40GB 内存 + 80 vCPU，已接近宿主机红线。
  7. 评分不可跨引擎比较。换 TTS 参考音、换麦克风、换阈值，分数都会整体平移；只在同一配置内做纵向对比（同一个用户多次练习）。

6. AI 操作守则（本分册强制）

  1. 先声明"这是相对分"。任何给出分数的场合，都要附带"非考试级、仅供练习反馈"的说明。
  2. 模型下载先报体积：OpenPronounce 两个 wav2vec2 约 2.4GB；Kaldi 镜像/编译产物 5GB+；中文 CTC 模型另算。确认后再下，落 labs\models\。
  3. 长任务后台跑：模型下载、Kaldi 编译、批量评测（>20 条）一律后台 + 定期汇报，不阻塞对话。
  4. CPU 耗时先预告：单句评测按 3-6 秒报，批量按 条数 × 5s 报；禁止承诺"实时"。
  5. 先跑 1 条再批量：批量前用 1 条已知"读对/读错"的样本验证，确认分数方向正确（读对高分、读错低分），再放大。
  6. 不碰商用 SDK 的注册与密钥：讯飞/腾讯云/Azure/驰声只做能力对比；用户自己要接，给文档链接即可。
  7. 不伪造语料：没有中文标注集就如实说"中文开源方案不成熟"，不要用英语模型硬套中文再宣称"支持中文"。
  8. 产物留证：每次评测把 ref.wav / user.wav / report.json 存到 labs\E*XX-*\，报告里引用文件名。
  9. 改阈值要记录：置信度阈值、分数权重任何改动，写进实验报告，否则历史分数不可比。
  10. 失败即沉淀：踩坑与解决方式同步 AppDocs\Reusable\。

7. 参考链接与更新记录

  • OpenPronounce：https://github.com/Halleck45/OpenPronounce ｜ PyPI: openpronounce
  • speechocean762 论文：Zhang et al., speechocean762: An Open-Source Non-native English Speech Corpus For Pronunciation Assessment, Interspeech 2021（arXiv:2104.01378）
  • speechocean762 数据：https://github.com/jimbozhang/speechocean762 ｜ OpenSLR SLR101
  • Kaldi GOP recipe：https://github.com/kaldi-asr/kaldi/tree/master/egs/gop_speechocean762
  • CTC-based-GOP（INTERSPEECH 2024）：https://github.com/a2d8a4v/CTC-based-GOP
  • GOPT：https://github.com/YuanGongND/gopt
  • Si-Tones（中文，实验性）：https://github.com/laoszu/si-tones
  • Azure Pronunciation Assessment：https://learn.microsoft.com/azure/ai-services/speech-service/how-to-pronunciation-assessment
  • 腾讯云口语评测：https://cloud.tencent.com/document/product/269/136040
  • 讯飞语音评测（ISE）：https://www.xfyun.cn/doc/Ise/IseAPI.html
  • 驰声：https://www.chivox.com/
日期 变更
2026-11-11 建档：核实开源 SOE 现状（结论：完整产品仅 OpenPronounce）、三路线对比、OpenPronounce 最小路径、GOP 流水线与 JSON 契约