BoldVoice AI 音素级实时反馈 · 核心技术详解

普通发音 APP 为什么不够好

你可能用过一些发音 APP，它们的反馈通常是：

• ✅ 正确 / ❌ 错误（二选一）
• 一个笼统的 80 分 / 60 分（但你不知道哪部分没到位）
• 可能录一段音然后告诉你「整体还可以」

这些反馈对于改善发音来说颗粒度太粗了。你需要的是：

• 我读的这个单词里，哪个音素发对了、哪个音素发错了
• 错到什么程度（是有点偏还是完全变成另一个音素）
• 和母语标准的差距在哪个维度（频率？时长？）

BoldVoice 的 AI 做到了这三点。

AI 评分的基本原理

BoldVoice 的 AI 技术核心是音素级的 GOP（Goodness of Pronunciation）评分。基本流程：

1. 你开口读目标单词或句子
2. AI 用 ASR（自动语音识别）模型把你的音频切分成一个个音素片段
3. 对每个音素片段，计算它和母语标准发音的相似度
4. 相似度转换为 0~100 的准确率分数
5. 根据分数映射为颜色（绿 / 黄 / 红）

为什么是音素级而不是单词级

单词级评分会出现一个问题：一个单词可能包含 6 个音素，其中 5 个正确、1 个明显错误。单词级评分可能给你 83 分（看起来还行），但那个错误的音素正是沟通里最可能造成问题的。

音素级评分把这个错误精确暴露出来——你能看到：

• think 里的 /θ/ 得了 42 分（红色）
• think 里的 /ɪ/ 得了 78 分（黄色）
• think 里的 /ŋk/ 得了 94 分（绿色）

这样你就知道重点要改的就是 /θ/，而不是把整个单词当成没问题。

实时性怎么做到的

你一开口，AI 就开始处理了，不需要等你读完整个单词。当你读完一个音素时，前面音素的分数已经出来了。这种实时性靠的是：

• 流式 ASR：音频边录边切分
• 模型轻量化：适合在移动端跑的神经网络
• 客户端计算：部分处理在手机端完成，不依赖云端

评分的可信度

• 你第一次可能觉得 AI 评分不准——这很正常。建议在安静环境下、麦克风效果好时再试
• 同样一个词，同样的嘴型，AI 评分可能上下浮动 5~10 分，是正常的波动范围
• 关键是趋势：你练了一周后，红色音素变成黄色、黄色变成绿色，这才是最重要的信号

AI 不会做什么

AI 评分有几个明确的局限：

• 不会判断你说的是不是正确的单词——如果你把 think 说成了 sink，AI 可能会给 sink 的每个音素打分，然后发现跟目标（think）不符
• 不会判断你的音量和语速——它只关心音素本身的准确率
• 不会给出纠正动作的具体指导——"/θ/ 发不好" 是 AI 告诉你的，"怎么改" 是教练视频课教你的

两者配合才是完整循环：AI 告诉你哪里有问题 → 视频课教你怎么改 → 改完再让 AI 打分验证。