CN111445925A

CN111445925A - 用于生成差异信息的方法和装置

Info

Publication number: CN111445925A
Application number: CN202010247101.4A
Authority: CN
Inventors: 殷翔
Original assignee: Beijing ByteDance Network Technology Co Ltd
Current assignee: Beijing ByteDance Network Technology Co Ltd
Priority date: 2020-03-31
Filing date: 2020-03-31
Publication date: 2020-07-24

Abstract

本公开的实施例公开了用于生成差异信息的方法和装置。该方法的一具体实施方式包括：获取用户读文本时的用户语音；确定用户语音的声学特征；将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；确定文本对应的参考位置信息；根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。该实施方式有助于用户的发音学习。

Description

用于生成差异信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成差异信息的方法和装置。

背景技术

语言是重要的交际工具，是人们进行沟通到的主要表达方式。一般地，各个国家都有自己的语言。例如，汉语、英语、法语、德语等等。对于一个国家的一种语言，在该国家的不同地区会有不同的发音方式。例如，对于汉语来说，有普通话、各地方言等非常多种不同的发音方式。

一般地，学习一种新的语言的发音或者学习一种语言的另一种发音等通常是需要长时间的练习的，甚至需要专业指导老师进行发音指导。例如，对于一个英文单词的发音，非英语母语的学习者可能需要根据该英文单词的标准发音，不断自己琢磨并尝试该英文单词的发音，以使自己的发音接近于该英文单词的标准发音。

现有技术中，存在一些用于练习发音的应用或工具等，用户可以使用这些应用或工具进行发音练习。一般地，这些应用或工具会对用户的每次发音进行打分，从而用户可以根据自己的分数了解自己的发音与标准发音之间的差异程度。

发明内容

本公开的实施例提出了用于生成差异信息的方法和装置。

第一方面，本公开的实施例提供了一种用于生成差异信息的方法，该方法包括：获取用户读文本时的用户语音；确定用户语音的声学特征；将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；确定文本对应的参考位置信息；根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

在一些实施例中，上述用户位置信息用于表征用户在读文本时的、位于口腔内部的发音部位的位置。

在一些实施例中，上述方法还包括：获取用户在读文本时的用户面部图像；根据用户面部图像，确定用户语音对应的用户面部位置信息，其中，用户面部位置信息用于表征用户在读文本时的、位于面部的发音部位的位置；确定文本对应的参考面部位置信息；根据户面部位置信息和参考面部位置信息，生成用于表征用户面部位置信息与参考面部位置信息之间的差异的面部差异信息。

在一些实施例中，位于口腔内部的发音部位包括舌头；以及用户位置信息用于表征用户在读文本时的舌头的位置，其中，舌头的位置包括以下至少一项：舌尖位置、舌根位置、舌中位置。

在一些实施例中，上述方法还包括：接收用户根据差异信息读文本时的用户语音作为用户调整语音；生成针对用户调整语音的评估信息。

在一些实施例中，确定文本对应的参考位置信息，包括：获取预设的、文本对应的参考语音对应的位置信息作为参考位置信息，其中，参考语音对应的位置信息用于表征参考语音对应的用户在读文本时的发音部位的位置。

在一些实施例中，位置预测模型通过如下步骤训练得到：获取样本集，其中，样本集中的样本包括用户语音的声学特征和对应的用户位置信息；将样本集中的样本中的声学特征作为初始模型的输入，将与输入的声学特征对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法，训练得到位置预测模型。

第二方面，本公开的实施例提供了一种用于生成差异信息的装置，该装置包括：获取单元，被配置成获取用户读文本时的用户语音；声学特征确定单元，被配置成确定用户语音的声学特征；预测单元，被配置成将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；位置信息确定单元，被配置成确定文本对应的参考位置信息；生成单元，被配置成根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成差异信息的方法和装置，利用预先训练的位置预测模型根据用户读文本时的用户语音确定用户在读文本时的发音部位的位置，并将预测的用户的发音部位的位置与文本对应的发音部位的参考位置进行比对，从而可以确定预测的用户的发音部位的位置与文本对应的发音部位的参考位置之间的差异。由于用户语音是由用户的发音部位的位置直接决定的，因此，确定出的差异可以使用户清楚地了解自己的发音方式，进而可以根据需要对自己当前发音时的一些发音部位的位置进行有针对性地调整，实现高效的发音学习。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成差异信息的方法的一个实施例的流程图；

图3是根据本公开的用于生成差异信息的方法的又一个实施例的流程图；

图4是根据本公开的实施例的用于生成差异信息的方法的一个应用场景的示意图；

图5是根据本公开的用于生成差异信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成差异信息的方法或用于生成差异信息的装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，浏览器类应用、搜索类应用、社交平台软件、语音处理类应用、语言学习类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的客户端应用提供后端支持的后端服务器。服务器105可以对终端设备101、102、103发送的用户读文本时的用户语音进行分析等处理，并将处理结果(如用户在读文本时的发音部位的位置与文本对应的发音部位的参考位置之间的差异)返回至终端设备101、102、103。

需要说明的是，上述用户读文本时的用户语音也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的用户读文本时的用户语音并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本公开的实施例所提供的用于生成差异信息的方法一般由服务器105执行，相应地，用于生成差异信息的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有语音处理类应用，终端设备101、102、103也可以基于语音处理类应用对用户读文本时的用户语音进行处理。此时，用于生成差异信息的方法也可以由终端设备101、102、103执行，相应地，用于生成差异信息的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的用于生成差异信息的方法的一个实施例的流程200。该用于生成差异信息的方法包括以下步骤：

步骤201，获取用户读文本时的用户语音。

在本实施例中，文本可以是各种内容的文本。文本的内容可以根据实际的应用场景的不同而不同。例如，文本可以是一个单词、一个长句等。又例如，文本也可以是一个音标等。

在本实施例中，用于生成差异信息的方法的执行主体(如图1所示的服务器105)可以从本地或其他存储设备(如图1所示的终端设备101、102、103)、数据库或第三方数据平台等获取用户读文本时的用户语音。

作为示例，用户可以利用其使用的终端设备录制其读文本时的语音作为用户语音，然后终端设备可以将录制的用户语音发送至上述执行主体。

步骤202，确定用户语音的声学特征。

在本实施例中，语音的声学特征可以指语音信号方面的特征。因此，语音的声学特征可以表征语音对应的语音信号的特性。技术人员可以根据实际的应需求和应用场景灵活选择声学特征的表示方式。

例如，声学特征可以包括如下至少一项：MFCC(Mel Frequency CepstrumCoefficient，Mel频率倒谱系数)、LPCC(Linear Prediction Cepstral Coefficent，线性预测系数)、PLP(Perceptual Linear Predictive，感性预测系数)。

在本实施例中，可以利用现有的各种提取语音的声学特征的方法(如基于卷积神经网络的声学特征提取方法等)确定用户语音的声学特征。提取语音的声学特征是目前广泛研究和应用的技术，在此不再赘述。

步骤203，将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息。

在本实施例中，位置预测模型可以用于预测输入的声学特征指示的用户语音对应的发音部位的位置。因此，利用位置预测模型对用户读文本时的用户语音的声学特征进行处理后得到的用户位置信息可以用于表征用户在读文本时的发音部位的位置。

其中，发音部位可以指各种辅助发音的部位。例如，发音位置包括咽腔、齿龈、舌头等等。应当可以理解，发音部位可以为一个，也可以为两个以上。

可选地，位置预测模型可以用于预测输入的声学特征指示的用户语音对应的、位于口腔内部的发音部位的位置。此时，利用位置预测模型输出的用户位置信息可以用于表征用户在读文本时的、位于口腔内部的发音部位的位置。

其中，位于口腔内部的发音部位可以指口腔内部的各种发音部位。例如，位于口腔内部的发音部位包括舌头、颚、牙齿等。具体地，颚还可以包括上颚、下颚等。

可选地，在口腔内部的发音部位包括舌头时，用户位置信息可以用于表征用户在读文本时的舌头的位置。其中，舌头的位置可以包括以下至少一项：舌尖位置、舌根位置、舌中位置等等。

可选地，在口腔内部的发音部位包括上颚和下颚时，用户位置信息可以用于表征用户在读文本时的上颚的位置和下颚的位置。

由于舌头、颚等通常是对发音具有直接影响的重要发音部位之一，因此，通过位置预测模型基于用户语音反向预测用户的这些发音部位的位置，可以使得用户较快地掌握自己的主要发音部位的位置与参考位置之间的差异并基于此调整用户自己的发音，有助于提升用户调整发音的效率。

应当可以理解，发音部位的位置可以根据实际的应用需求灵活采用各种表示方法。例如，舌头的位置可以用舌尖位置、舌根位置、舌中位置等来表示，还可以采用如舌头卷曲度等参数来表示。

由于大部分发音部位都位于口腔内部，而且口腔内部的发音部位的位置一般较难检测。因此，利用预先训练的位置预测模型专门用于回归口腔内部的发音部位的位置，可以避免同时预测过多的发音部位的位置所导致的预测结果不准确或不稳定的情况，从而提升预测得到的口腔内部的发音部位的位置的准确度和稳定性。

其中，位置预测模型可以由技术人员采用各种训练方式预先训练得到。

可选地，可以通过如下步骤训练得到位置预测模型：

步骤一，获取样本集。

在本步骤中，样本集中的每个样本可以包括用户语音的声学特征和对应的用户位置信息。其中，样本集可以从现有的一些公开的数据平台获取。

可选地，也可以由技术人员预先通过如下步骤获取样本集：对于样本用户集中的用户，在每个用户的发音部位预先设置如电极片等信号采集装置，然后在每个用户读各种文本时，记录各个文本分别对应的语音和信号采集装置采集的信号，然后根据信号采集的信号确定对应发音部位的位置。由此，可以将一个文本对应的语音的声学特征和该语音对应的发音部位的位置组成一个样本，从而得到样本集。

其中，样本用户集可以由预先指定的一些用户组成。应当可以理解，样本用户集中的用户可以根据实际的应用需求进行设置。例如，可以选取一些发音标准的用户作为样本用户以组成样本用户集。

步骤二，将样本集中的样本中的声学特征作为初始模型的输入，将与输入的声学特征对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法，训练得到位置预测模型。

在本步骤中，初始模型可以是各种类型的未经训练或训练完成的人工神经网络。例如，初始模型可以是各种卷积神经网络等。初始模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。技术人员也可以利用各种开源地人工神经网络库(如keras、Caffe等)构建初始模型。

其中，初始模型的各网络层的初始参数可以全部随机化设置，也可以由技术人员预先设置。

可选地，可以获取由技术人员训练好的语音识别模型或者现有的训练好的语音识别模型的、除输出层之外的其它网络层的参数。然后按照获取的网络层的参数对应设置初始模型的除输出层之外的其它网络层的初始参数。此时，初始模型的输出层的初始参数可以随机设置。由此，借助已经训练好的语音识别模型的一些网络层的参数对初始模型进行初始化，有助于加快初始模型的训练速度。

具体地，可以从样本集中选取样本，并将选取的样本中的声学特征作为初始模型的输入，得到初始模型输出的预测用户位置信息，然后可以根据得到的预测用户位置信息和选取的样本中的用户位置信息，确定预设的损失函数的值。同时，根据损失函数的值确定初始模型是否训练完成。

若确定初始模型训练完成，可以确定训练完成的初始模型作为位置预测模型。若确定初始模型未训练完成，可以根据损失函数的值利用如梯度下降和反向传播等算法调整初始模型的参数，然后从样本集中重新选取样本，并将调整后的初始模型重新作为初始模型进行迭代训练。

可选地，可以通过如下步骤训练得到位置预测模型：

步骤一，获取样本集。

在本步骤中，样本集中的每个样本可以包括用户语音和对应的用户位置信息。其中，用户语音对应的用户位置信息可以用于表征用户语音对应的用户在读用户语音对应的文本时的发音部位的位置。其中，样本集可以从现有的一些公开的数据平台获取。

可选地，也可以由技术人员预先通过如下步骤获取样本集：对于样本用户集中的用户，在每个用户的发音部位预先设置如电极片等信号采集装置，然后在每个用户读各种文本时，记录各个文本分别对应的语音和信号采集装置采集的信号，然后根据信号采集的信号确定对应发音部位的位置。由此，可以将一个文本对应的语音和该语音对应的发音部位的位置组成一个样本，从而得到样本集。

步骤二，获取包括初始声学特征预测模型和初始位置预测模型的初始模型。

在本步骤中，初始声学特征预测模型和初始位置预测模型都可以是各种类型的未经训练或训练完成的人工神经网络。例如，初始声学特征预测模型和初始位置预测模型可以是各种卷积神经网络等。初始声学特征预测模型和初始位置预测模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。技术人员也可以利用各种开源地人工神经网络库(如keras、Caffe等)构建初始声学特征预测模型和初始位置预测模型。

步骤三，将样本集中的样本中的用户语音作为初始模型的输入，将与输入的用户语音对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法对初始模型进行训练，以及确定训练完成的初始模型包括的初始位置预测模型作为上述位置预测模型。

具体地，可以从样本集中选取样本，并将选取的样本中的声学特征作为初始模型包括的初始声学特征预测模型的输入，然后将初始声学特征预测模型输出的声学特征输入至初始模型包括的初始位置预测模型，得到初始位置预测模型输出的预测用户位置信息。然后可以根据得到的预测用户位置信息和选取的样本中的用户位置信息，确定预设的损失函数的值。同时，根据损失函数的值确定初始模型是否训练完成。

若确定初始模型训练完成，可以确定训练完成的初始模型所包括的训练完成的初始位置预测模型作为位置预测模型。若确定初始模型未训练完成，可以根据损失函数的值利用如梯度下降和反向传播等算法调整初始模型的参数，然后从样本集中重新选取样本，并将调整后的初始模型重新作为初始模型进行迭代训练。

步骤204，确定文本对应的参考位置信息。

在本步骤中，参考位置信息可以用于表征读上述文本时的发音部位的参考位置。应当可以理解，参考位置信息可以根据实际的应用场景的不同而不同。

例如，可以将指示文本对应的语音的各发音部位的标准位置的位置信息作为参考位置信息。

又例如，可以获取预设的、文本对应的参考语音对应的位置信息作为参考位置信息。其中，参考语音对应的位置信息可以用于表征参考语音对应的用户在读文本时的发音部位的位置。

其中，参考语音可以为针对上述文本的、现有的一些标准语音。参考语音也可以为预先指定的语音。例如，参考语音可以为用户期望学习的语音等。

参考语音对应的位置信息可以灵活采用各种方式获取。例如，参考语音对应的位置信息可以由技术人员预先设置，也可以从一些公开的数据平台获取。

可选地，可以先确定参考语音的声学特征，然后将参考语音的声学特征输入至上述位置预测模型，得到参考语音对应的位置信息。

步骤205，根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

在本实施例中，用户位置信息与参考位置之间的差异可以用于表征用户在读文本时的发音部位的位置与该文本对应的发音部位的参考位置之间的差异，即用于表征用户位置信息指示的发音部位的位置与参考位置信息指示的发音部位的位置之间的差异。

其中，差异信息可以使用各种类型的信息表示用户位置信息与参考位置信息之间的差异。

例如，差异信息可以是用于说明用户位置信息与参考位置信息之间的差异的文本信息或语音信息。

又例如，差异信息可以是用于说明用户位置信息与参考位置信息之间的差异的3维视频或动画、3维模型等等。此时，可以利用3维视频或动画、3维模型等明确地表示出用户位置信息指示的发音部位的位置与参考位置信息指示的发音部位的位置之间的差异。

在本实施例的一些可选地实现方式中，在得到差异信息之后，可以向用户展示差异信息。进一步，还可以接收用户根据差异信息重新读文本时的用户语音作为用户调整语音，并生成针对用户调整语音的评估信息。

其中，上述执行主体可以将差异信息发送至用户所使用的终端设备以供用户浏览。用户在查看到差异信息之后，可以根据差异信息调整自己的发音，重新读上述文本得到用户调整语音。

评估信息可以用于表示对用户调整语音的预设方面的评估结果。其中，从哪方面评估用户调整语音可以根据实际的应用需求进行设置。例如，可以从用户调整语音与文本对应的参考语音之间的相似度，对用户调整语音进行评估。此时，评估信息可以是针对用户调整语音的评估值，且评估值正比于用户调整语音与文本对应的参考语音之间的相似度。

进一步地，上述执行主体还可以将生成的评估信息发送至用户使用的终端设备，由此，用户可以根据评估信息对自己的发音有更深入的认知和了解。

本公开的上述实施例提供的方法可以利用预先训练的位置预测模型得到用于指示用户读文本时的发音部位的位置的用户位置信息，然后可以比较用户位置信息与指示文本对应的语音的发音部位的参考位置的参考位置信息，生成用于指示用户位置信息和参考位置信息之间的差异的差异信息。由此，用户可以基于差异信息了解自己发音时的发音部位的位置与参考语音对应的发音部位的位置之间的差异，从而用户可以根据自己的实际需求定向调整，以学习自己期望的发音方式。

进一步参考图3，其示出了用于生成差异信息的方法的又一个实施例的流程300。该用于生成差异信息的方法的流程300，包括以下步骤：

步骤301，获取用户读文本时的用户语音。

步骤302，确定用户语音的声学特征。

步骤303，将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，用户位置信息用于表征用户在读文本时的、位于口腔内部的发音部位的位置。

步骤304，确定文本对应的参考位置信息。

步骤305，根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

上述步骤301-305的具体的执行过程可参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

步骤306，获取用户在读文本时的用户面部图像。

在本实施例中，用户面部图像可以指显示有用户面部的图像。应当可以理解，用户面部图像呈现有整体面部的图像，也可以为呈现有部分面部的图像。

在本实施例中，上述执行主体可以从本地或其它存储设备获取用户在读文本时的用户面部图像。例如，在用户读文本时，用户所使用的终端设备可以利用其上的摄像装置(如摄像头等)拍摄用户的面部图像作为用户面部图像。然后，终端设备可以将其拍摄的用户面部图像发送至上述执行主体。

步骤307，根据用户面部图像，确定用户语音对应的用户面部位置信息，用户面部位置信息用于表征用户在读文本时的、位于面部的发音部位的位置。

在本实施例中，位于面部的发音部位可以指面部上的各种发音部位。例如，位于面部的发音部位包括唇部、下巴、双颊等等。具体地，唇部还可以包括上唇和下唇。

可选地，在位于面部的发音部位唇部时，唇部的位置可以使用上下唇之间的距离来表示。

在本实施例中，可以利用现有的各种图像处理技术(如基于关键点的图像处理技术、基于深度学习的图像处理技术等)对用户面部图像进行处理，以确定用户语音对应的用户面部位置信息。

步骤308，确定文本对应的参考面部位置信息。

在本实施例中，参考面部位置信息可以用于表征读上述文本时的、位于面部的发音部位的参考位置。应当可以理解，参考面部位置信息可以根据实际的应用场景的不同而不同。

例如，可以将指示文本对应的语音的、位于面部的发音部位的标准位置的位置信息作为参考面部位置信息。

又例如，可以获取预设的、文本对应的参考语音对应的面部位置信息作为参考面部位置信息。其中，参考语音对应的参考面部位置信息可以用于指示参考语音对应的用户在读文本时的、用户面部的发音部位的位置。

参考语音对应的面部位置信息可以灵活采用各种方式获取。例如，参考语音对应的面部位置信息可以由技术人员预先设置，也可以从一些公开的数据平台获取。

应当可以理解，上述步骤304中的参考位置信息对应的参考语音和本步骤中的参考面部位置信息对应的参考语音一般是同一参考语音。

步骤309，根据用户面部位置信息和参考面部位置信息，生成用于表征用户面部位置信息与参考面部位置信息之间的差异的面部差异信息。

在本实施例中，用户面部位置信息与参考面部位置信息之间的差异可以用于表征用户在读文本时的面部发音部位的位置与该文本对应的面部发音部位的参考位置之间的差异，即用于表征用户面部位置信息指示的用户面部的发音部位的位置与参考面部位置信息指示的发音部位的位置之间的差异。

其中，面部差异信息可以使用各种类型的信息表示用户面部位置信息与参考面部位置信息之间的差异。

例如，面部差异信息可以是用于说明用户面部位置信息与参考面部位置信息之间的差异的文本信息或语音信息。

又例如，面部差异信息可以是用于说明用户面部位置信息与参考面部位置信息之间的差异的3维视频或动画、3维模型等等。此时，可以利用3维视频或动画、3维模型等明确地表示出用户面部位置信息指示的面部发音部位的位置与参考面部位置信息指示的面部发音部位的位置之间的差异。

可选地，在得到上述步骤305得到的用于表征指示用户口腔内部的发音部位的位置与对应的口腔内部的发音部位的参考位置之间的差异的差异信息之后，可以将得到的差异信息作为口腔差异信息。

此时，在得到面部差异信息之后，可以向用户展示口腔差异信息和面部差异信息。进一步地，还可以接收用户根据口腔差异信息和面部差异信息重新读文本时的用户语音作为用户调整语音，并生成针对用户调整语音的评估信息。

其中，上述执行主体可以将口腔差异信息和面部差异信息发送至用户所使用的终端设备以供用户浏览。用户在查看到口腔差异信息和面部差异信息之后，可以根据口腔差异信息和面部差异信息调整自己的发音，重新读上述文本得到用户调整语音。

其中，评估信息可以用于表示对用户调整语音的预设方面的评估结果。其中，从哪方面评估用户调整语音可以根据实际的应用需求进行设置。例如，可以从用户调整语音与文本对应的参考语音之间的相似度，对用户调整语音进行评估。此时，评估信息可以是针对用户调整语音的评估值，且评估值正比于用户调整语音与文本对应的参考语音之间的相似度。

进一步地，还可以将生成的评估信息发送至用户所使用的终端设备，从而用户可以根据评估信息对自己的发音有进一步是了解和认知。

继续参见图4，图4是根据本实施例的用于生成差异信息的方法的应用场景的一个示意图400。在图4的应用场景中，用户使用手机401学习单词“SORRY”的发音练习。在用户读单词“SORRY”时，手机401使用麦克风4012录制用户语音402，同时，手机401使用摄像头4011拍摄用户的面部图像403。然后，手机401可以将用户语音402和面部图像403发送至服务器，以使服务器对用户语音402和面部图像403进行处理。

服务器可以利用声学特征提取模型提取用户语音402的声学特征，并将声学特征输入至预先训练的位置预测模型，得到用于指示用户在读单词“SORRY”时的舌头的位置的用户舌头位置404。之后可以获取用于指示单词“SORRY”的标准发音时的舌头的位置的标准舌头位置405。接着，可以比较用户舌头位置404和标准舌头位置405，得到用于表征两者分别指示的舌头的位置之间的差异的舌头位置差异406。

同时，在得到面部图像403之后，服务器可以通过对图像进行分析处理，得到用户在读单词“SORRY”时的用户双唇间距407。之后，可以获取单词“SORRY”的标准发音对应的标准双唇间距408。接着，可以比较用户双唇间距407和标准双唇间距408，得到用于表征两者分别指示的双唇间距之间的差异的双唇间距差异409。

之后，服务器可以根据用户舌头位置404、标准舌头位置405、舌头位置差异406、用户双唇间距407、标准双唇间距408、双唇间距差异409，生成用于演示舌头位置差异406和双唇间距差异409的三维演示动画410。然后可以将生成的三维演示动画410发送至手机401以供用户观看。用户可以根据三维演示动画410的内容调整自己的发音，重新读单词“SORRY”。手机401在接收到用户调整后的语音后，可以根据用户调整后的语音与标准发音之间的相似度，为用户调整后的语音进行打分并显示。

本公开的上述实施例提供的方法通过在利用预先训练的位置预测模型对用户读文本时的、位于口腔内部的发音部位的位置进行预测，并根据预测结果得到用户读文本时的、位于口腔内部的发音部位的位置与对应的参考位置之间差异的同时，还利用用户读文本时的面部图像确定用户面部的发音部位的位置与对应的参考位置之间的差异，从而可以从口腔内部的发音部位和面部的发音部位两方面的差异分析用户的发音。由此，用户可以更深入且准确地了解自己当前的发音，进而可以按照期望的发音有针对性的快速调整自己的口腔内部和面部的发音部位的位置，以有效提升发音学习效率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成差异信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成差异信息的装置500包括获取单元501、声学特征确定单元502、预测单元503、位置信息确定单元504和生成单元505。其中，获取单元501被配置成获取用户读文本时的用户语音；声学特征确定单元502被配置成确定用户语音的声学特征；预测单元503被配置成将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；位置信息确定单元504被配置成确定文本对应的参考位置信息；生成单元505被配置成根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

在本实施例中，用于生成差异信息的装置500中：获取单元501、声学特征确定单元502、预测单元503、位置信息确定单元504和生成单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过获取单元获取用户读文本时的用户语音；声学特征确定单元确定用户语音的声学特征；预测单元将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；位置信息确定单元确定文本对应的参考位置信息；生成单元根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。由此，用户可以基于差异信息了解自己发音时的发音部位的位置与与参考语音对应发音部位的位置之间的差异，从而用户可以根据自己的实际需求定向调整，以学习自己期望的发音方式。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，本公开提供了一种用于生成差异信息的方法，该方法包括：获取用户读文本时的用户语音；确定用户语音的声学特征；将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；确定文本对应的参考位置信息；根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法中，用户位置信息用于表征用户在读文本时的、位于口腔内部的发音部位的位置。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法还包括，获取用户在读文本时的用户面部图像；根据用户面部图像，确定用户语音对应的用户面部位置信息，其中，用户面部位置信息用于表征用户在读文本时的、位于面部的发音部位的位置；确定文本对应的参考面部位置信息；根据户面部位置信息和参考面部位置信息，生成用于表征用户面部位置信息与参考面部位置信息之间的差异的面部差异信息。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法中，位于口腔内部的发音部位包括舌头；以及用户位置信息用于表征用户在读文本时的舌头的位置，其中，舌头的位置包括以下至少一项：舌尖位置、舌根位置、舌中位置。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法还包括：接收用户根据差异信息读文本时的用户语音作为用户调整语音；生成针对用户调整语音的评估信息。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法中，确定文本对应的参考位置信息，包括：获取预设的、文本对应的参考语音对应的位置信息作为参考位置信息，其中，参考语音对应的位置信息用于表征参考语音对应的用户在读文本时的发音部位的位置。

根据本公开的一个或多个实施例，本公开提供的用于生成差异信息的方法中，位置预测模型通过如下步骤训练得到：获取样本集，其中，样本集中的样本包括用户语音的声学特征和对应的用户位置信息；将样本集中的样本中的声学特征作为初始模型的输入，将与输入的声学特征对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法，训练得到位置预测模型。

根据本公开的一个或多个实施例，本公开提供了一种用于生成差异信息的装置，该装置包括：获取单元，被配置成获取用户读文本时的用户语音；声学特征确定单元，被配置成确定用户语音的声学特征；预测单元，被配置成将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；位置信息确定单元，被配置成确定文本对应的参考位置信息；生成单元，被配置成根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

根据本公开的一个或多个实施例，上述用户位置信息用于表征用户在读文本时的、位于口腔内部的发音部位的位置。

根据本公开的一个或多个实施例，上述获取单元进一步被配置成获取用户在读文本时的用户面部图像；上述用于生成差异信息的装置还包括：用户面部位置信息确定单元，被配置成根据用户面部图像，确定用户语音对应的用户面部位置信息，其中，用户面部位置信息用于表征用户在读文本时的、位于面部的发音部位的位置；上述位置信息确定单元进一步被配置成确定文本对应的参考面部位置信息；上述生成单元进一步被配置成根据用户面部位置信息和参考面部位置信息，生成用于表征用户面部位置信息与参考面部位置信息之间的差异的面部差异信息。

根据本公开的一个或多个实施例，上述位于口腔内部的发音部位包括舌头；以及用户位置信息用于表征用户在读文本时的舌头的位置，其中，舌头的位置包括以下至少一项：舌尖位置、舌根位置、舌中位置。

根据本公开的一个或多个实施例，上述用于生成差异信息的装置还包括：接收单元，被配置成接收用户根据差异信息读文本时的用户语音作为用户调整语音；上述生成单元进一步被配置成生成针对用户调整语音的评估信息。

根据本公开的一个或多个实施例，上述位置信息确定单元进一步被配置成：获取预设的、文本对应的参考语音对应的位置信息作为参考位置信息，其中，参考语音对应的位置信息用于表征参考语音对应的用户在读文本时的发音部位的位置。

根据本公开的一个或多个实施例，上述位置预测模型通过如下步骤训练得到：获取样本集，其中，样本集中的样本包括用户语音的声学特征和对应的用户位置信息；将样本集中的样本中的声学特征作为初始模型的输入，将与输入的声学特征对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法，训练得到位置预测模型。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、声学特征确定单元、预测单元、位置信息确定单元、生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用户读文本时的用户语音的单元”。

作为另一方面，本公开还提供了一种计算机可读介质。该计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户读文本时的用户语音；确定用户语音的声学特征；将声学特征输入至预先训练的位置预测模型，得到用户语音对应的用户位置信息，其中，用户位置信息用于表征用户在读文本时的发音部位的位置；确定文本对应的参考位置信息；根据用户位置信息和参考位置信息，生成用于表征用户位置信息与参考位置信息之间的差异的差异信息。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种用于生成差异信息的方法，包括：

获取用户读文本时的用户语音；

确定所述用户语音的声学特征；

将所述声学特征输入至预先训练的位置预测模型，得到所述用户语音对应的用户位置信息，其中，所述用户位置信息用于表征所述用户在读所述文本时的发音部位的位置；

确定所述文本对应的参考位置信息；

根据所述用户位置信息和所述参考位置信息，生成用于表征所述用户位置信息与所述参考位置信息之间的差异的差异信息。

2.根据权利要求1所述的方法，其中，所述用户位置信息用于表征所述用户在读所述文本时的、位于口腔内部的发音部位的位置。

3.根据权利要求2所述的方法，其中，所述方法还包括：

获取所述用户在读所述文本时的用户面部图像；

根据所述用户面部图像，确定所述用户语音对应的用户面部位置信息，其中，所述用户面部位置信息用于表征所述用户在读所述文本时的、位于面部的发音部位的位置；

确定所述文本对应的参考面部位置信息；

根据所述用户面部位置信息和所述参考面部位置信息，生成用于表征所述用户面部位置信息与所述参考面部位置信息之间的差异的面部差异信息。

4.根据权利要求2所述的方法，其中，所述位于口腔内部的发音部位包括舌头；以及

所述用户位置信息用于表征所述用户在读所述文本时的舌头的位置，其中，所述舌头的位置包括以下至少一项：舌尖位置、舌根位置、舌中位置。

5.根据权利要求1所述的方法，其中，所述方法还包括：

接收所述用户根据所述差异信息读所述文本时的用户语音作为用户调整语音；

生成针对所述用户调整语音的评估信息。

6.根据权利要求1所述的方法，其中，所述确定所述文本对应的参考位置信息，包括：

获取预设的、所述文本对应的参考语音对应的位置信息作为参考位置信息，其中，所述参考语音对应的位置信息用于表征所述参考语音对应的用户在读所述文本时的发音部位的位置。

7.根据权利要求1-6之一所述的方法，其中，所述位置预测模型通过如下步骤训练得到：

获取样本集，其中，所述样本集中的样本包括用户语音的声学特征和对应的用户位置信息；

将所述样本集中的样本中的声学特征作为初始模型的输入，将与输入的声学特征对应的用户位置信息作为初始模型的期望输出，基于机器学习的方法，训练得到位置预测模型。

8.一种用于生成差异信息的装置，包括：

获取单元，被配置成获取用户读文本时的用户语音；

声学特征确定单元，被配置成确定所述用户语音的声学特征；

预测单元，被配置成将所述声学特征输入至预先训练的位置预测模型，得到所述用户语音对应的用户位置信息，其中，所述用户位置信息用于表征所述用户在读所述文本时的发音部位的位置；

位置信息确定单元，被配置成确定所述文本对应的参考位置信息；

生成单元，被配置成根据所述用户位置信息和所述参考位置信息，生成用于表征所述用户位置信息与所述参考位置信息之间的差异的差异信息。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。