发音评测 API 的工作原理：从音频到多维度打分

句子评测演示：朗读完成后立即返回多维度评分

当你在语言学习 App 里念出一句「good morning」，屏幕几乎瞬间就给出了 98 分的发音评分，还顺手高亮了是哪个词、哪个音标拖了后腿——这背后到底发生了什么？

对开发者和技术决策者来说，弄清发音评测 API 的评分原理，也许比直接调通接口更重要：它决定了你能否向用户解释打出某个分数的原因，也决定了选型时该关注哪些指标。

这篇文章将 DolphinSOE 发音评测引擎 的完整流水线拆开，带你从一段音频开始，一路看到一组多维分数。

发音评测是什么？和语音识别有什么区别？

发音评测服务的本质，是把用户的一段语音输入，转换成一组可解释的发音评分输出。

它通常会完成四件事：

1. 接收音频和参考文本
2. 识别用户实际读了什么
3. 将识别结果与目标文本逐词、逐音素对齐
4. 输出评分结果

发音评测和语音识别，两者最大的区别在于目标不同：

简单来说，语音识别关注「你说了什么」，而发音评测更关注「你说得怎么样」。如果你想进一步了解不同题型下的输入输出字段差异，可以参考题型文档。

一次评测请求会经历哪些步骤？

发音评测 API 接收用户的朗读音频和参考文本，自动给出多维度的发音评分与纠错反馈。以英语句子评测为例，一次典型请求可以抽象成四个阶段：

1. 采集（Capture）：客户端以 16 kHz 采样率录制用户音频（如 mp3 / wav），连同参考文本一起提交给服务端。
2. 识别与对齐（Recognition & Alignment）：声学模型将波形转成文字，并与参考文本逐词、逐音素对齐。
3. 多维度打分（Scoring）：对齐结果进入评分和检错模块，分析判断错误类型，产出总分和各项维度分。
4. 反馈（Feedback）：结构化 JSON 返回客户端，客户端据此渲染分数、波形高亮与纠错提示。

一次评测请求的处理流程

发音评测引擎在底层是如何实现的？

要理解分数从哪来，需要先看「识别」这一步的演进。

传统方案用 GMM-HMM 混合架构：先用高斯混合模型（GMM）当声学模型得到音素，再经发音词典把音素拼成单词，最后用语言模型修正成句子，然后拿识别句和目标句比对去算准确率和流畅度。这种级联结构每一步各管各的、各自优化，拼起来很难保证全局最优，而且错误会在模块之间一路累积。

而 DolphinSOE 引擎采用更先进的端到端深度学习路线：输入原始音频，输出评测结果，中间的神经网络自成一体，用单一目标函数统一优化。具体的声学模型是一个双头 LSTM（dual-head LSTM）：

• 特征提取：对音频做预加重、分帧、加窗、短时傅里叶变换（STFT）、mel 滤波、去均值，得到 fbank 特征。
• 双头 LSTM 声学模型：多层 LSTM 以 fbank 特征为输入，其后接两个输出分支，采用多任务学习——一个分支预测文本，另一个分支预测音素。两条分支共享同一份 LSTM 表征，在一次前向计算中同时产出文本与音素对齐。文本分支通常借助 CTC 完成音频帧与字符序列的对齐，经束解码（beam search）得到候选词序列；音素分支则逐帧给出音素级对齐。
• 解码与融合：文本分支的候选结合语言模型修正，输出完整识别结果 hypothesis；音素分支的结果直接用于音素级打分。二者同源、同步产出，这正是 API 能在一个返回里同时给出文本结果 hypothesis 和细粒度音素结果 phonemes 的原因。

对于开发者来说，这种架构的意义在于：不仅能拿到最终分数，还能获得更细粒度的结果，用于可视化和纠错反馈。

评测结果包含哪些维度？

评测结果是多维度的，覆盖音素、语调、流利度、断句、完整度等。但不同语种、不同题型的评测维度并不一样——这跟语言本身的特性以及题型的设计有关。以 DolphinSOE 的英文题型为例，最常被关注的几个维度是：

此外，在对齐完成之后，引擎会给参考文本里的每一个词打上一个 type 标签，标明它在用户这次发音里属于哪种情况。多读、漏读、错读，正是从这里被识别出来的：

如果你在做产品设计，这些字段决定了你能否把「评分结果」真正转化为「可理解的学习反馈」。如果想看这些维度在用户界面上如何呈现，可以参考我们的体验页面。

真实的返回示例

下面是一段真实的英文单词题型返回（参考文本为 "good morning"），已经过精简。可以清楚看到分数如何从总分一路下钻到音素：

{
  "overall": 98.86,
  "accuracy": 92.73,
  "refText": "good morning",
  "hypothesis": "good morning",
  "wordInfo": [
    {
      "refText": "good",
      "hypothesis": "good",
      "type": "normal",
      "score": 96.04,
      "accuracy": 97.71,
      "syllables": [
        {
          "syllable": "g_uh_d",
          "score": 97.71,
          "phonemes": [
            { "phoneme": "g", "score": 94.93, "startTime": 340, "endTime": 500 },
            { "phoneme": "uh", "score": 99.58, "startTime": 500, "endTime": 570 },
            { "phoneme": "d", "score": 99.54, "startTime": 570, "endTime": 640 }
          ]
        }
      ]
    },
    {
      "refText": "morning",
      "type": "normal",
      "score": 99.41,
      "accuracy": 99.29,
      "syllables": [
        {
          "syllable": "m_ao_r",
          "score": 99.26,
          "phonemes": [
            { "phoneme": "m", "score": 98.77, "startTime": 640, "endTime": 700 },
            { "phoneme": "ao", "score": 99.75, "startTime": 700, "endTime": 830 },
            { "phoneme": "ao", "score": 99.75, "startTime": 830, "endTime": 920 }
          ]
        },
        {
          "syllable": "n_ih_ng",
          "score": 99.30,
          "phonemes": [
            { "phoneme": "n", "score": 98.06, "startTime": 920, "endTime": 1010 },
            { "phoneme": "ih", "score": 99.99, "startTime": 1010, "endTime": 1140 },
            { "phoneme": "ng", "score": 99.86, "startTime": 1140, "endTime": 1420 }
          ]
        }
      ]
    }
  ]
}

注意这里的层级关系：overall / accuracy 在最外层 → 每个 wordInfo 有单词总分 score 和 accuracy → 再下钻到 syllables（音节）→ 最小单位音素 phonemes。

返回结果的层级：总分 → 单词 → 音节 → 音素

这种「总分 → 单词 → 音节 → 音素」的层级，构成了 DolphinSOE 多级细粒度反馈的核心。

关于英文单词题型更详细的参数字段，请参考接口文档。

评分范围和宽松度可以调整吗？

引擎提供一组可调参数，用于适配不同用户场景：

• scale：分制（1–100），统一输出区间。
• looseness：宽松度（0–9），数值越大越宽容。
• ratio：调节系数（0.8–1.5），用来微调整体得分。
• precision：打分精度。

比如练习场景可以把 looseness 调高，让用户更愿意开口说；严肃的考试场景则收紧，使评分更严格。

关于参数的配置可进一步参考接口文档；如果你希望结合具体场景讨论调优策略，也欢迎联系我们获取支持。

从开发者视角，一次调用到底发生了什么？

把上面的环节串联起来，一次典型的 API 调用是这样的：

1. 客户端使用 SDK 录制音频，附带语种、题型、参考文本等题型参数。
2. 服务端先做静音切除（VAD），再做特征提取（fbank）。
3. 声学模型一次前向同时产出文本与音素对齐，语言模型对文本分支做修正。
4. 评分模块产出各维度评分。
5. 结构化 JSON 返回客户端，前端渲染分数与高亮显示结果。

如果你已经进入选型或 PoC 阶段，比较高效的方式通常是：先通过体验页面感受效果，再对照接口文档完成技术验证。

结语

发音评测 API 的「魔法」，本质是一条从音频到多维分数的智能流水线：采集 → 识别对齐（端到端深度学习）→ 多维度打分 → 反馈。

DolphinSOE 发音评测已经在日本市场稳定运行，目前日均调用量约 10 万次（100k calls/day），客户覆盖外语学习 App、学校、课外班等各类教育机构。这证明了 DolphinSOE 的服务能力已经过真实高并发、教学级场景的持续验证，稳定性和时延都足以支撑正式上线产品。

除了英语发音评测外，DolphinSOE 也提供日语发音评测产品，覆盖单词、句子、段落等基础题型，能够适配日语教育的学习与评测需求。

如果你希望进一步了解接入方式、返回格式和题型支持，请查阅接口文档；如需获取报价、方案建议或商务沟通，欢迎联系我们。

发音评测产品界面示例