CN113077819A - 发音评价方法和装置、存储介质和电子设备 - Google Patents

Abstract

本公开涉及一种发音评价方法和装置、存储介质和电子设备，所述方法包括向用户展示例句文本；采集用户基于所述例句文本朗读的待评价音频；生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；向所述用户展示所述发音评价信息。本公开可以准确地对用户的发音进行评价，并直观地体现用户的发音是否准确。

Description

发音评价方法和装置、存储介质和电子设备

技术领域

本公开涉及教育领域，具体地，涉及一种发音评价方法和装置、存储介质和电子设备。

背景技术

在学习发音时，用户通常只能模仿自己听到的发音，或者模仿他人的唇部运动方式。用户难以观测到他人具体的发音器官的具体运动方式，因而难以对自己的发音情况进行正确的判断，这对发音学习造成了阻碍。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种发音评价方法，包括向用户展示例句文本；采集用户基于所述例句文本朗读的待评价音频；基于所述待评价音频生成发音器官动作视频；基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；向所述用户展示所述发音评价信息。

第二方面，本公开提供一种发音评价装置，包括：例句展示模块，用于向用户展示例句文本；音频采集模块，用于采集用户基于所述例句文本朗读的待评价音频；视频生成模块，用于基于所述待评价音频生成发音器官动作视频；发音评价模块，用于基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；评价展示模块，用于向所述用户展示所述发音评价信息。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括存储装置和处理装置，存储装置上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，至少可以达到以下的技术效果：

通过获取用户基于例句文本朗读的待评价音频，并通过基于待评价音频生成的发音器官动作视频和例句文本对应的发音器官标准动作视频生成发音评价信息，可以更准确地对用户的发音进行评价，从而更直观地体现用户的发音是否准确。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性公开实施例示出的一种发音评价方法的流程图。

图2是根据本公开一示例性公开实施例示出的另一种发音评价方法的流程图。

图3是根据本公开一示例性公开实施例示出的一种发音评价装置的框图。

图4是根据本公开一示例性公开实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一示例性公开实施例示出的一种发音评价方法的流程图，如图1所示，所述方法包括：

S11、向用户展示例句文本。

该例句文本可以为一个词组、一个句子、一个段落、一篇文章等任意长度的文本，例句文本还可以指一个较长的文本经过分句处理之后的子句。

示例地，在用户学习发音的场景下，若用户想要测验练习发音，则可以通过文本的形式向用户展示例句文本，以使用户进行发音测试。若用户想要学习发音，则可以通过音频的形式向用户展示例句文本，以使用户进行跟读。此外本公开也不限制于通过文本和音频一起的形式向用户展示例句文本。

可以通过用户终端的显示装置以文字的形式展示例句文本，还可以通过用户终端的播放装置以语音的形式展示例句文本，其中，例句文本对应的语音可以预先存储，还可以在需要对语音进行展示的情况下将文本转化为语音直接使用。

用户终端可以包括手机、电脑、学习机、穿戴设备等任意具有展示功能的设备。

在一种可能的实施方式中，基于例句文本生成例句音频，将所述音频与发音器官标准动作视频合成为例句演示视频，向用户展示例句文本和例句演示视频。

其中，发音器官标准动作视频是基于例句文本所生成的，可以通过预训练的视频特征生成模型生成视频特征。将所述例句文本分割为单位文本序列，将所述单位文本序列输入视频特征生成模型，得到视频特征序列，基于所述视频特征序列生成发音器官标准动作视频。

其中，单位文本序列为将例句文本拆分为用于生成视频的小单元之后排列得到的序列，在本公开中，单位文本可以为音素、单词、单字等，经过对例句文本进行分割，可以得到更精细的模型输入值，使得模型可以根据单位文本更高效地生成准确的视频特征序列。例如，在例句文本为“How are you”的情况下，可以以单词为分割单位，将例句文本分割为“how”“are”“you”的单位文本序列，还可以以音素为分割单位，将例句文本分割为

[ɑ：][ju：]的单位文本序列。

该视频特征生成模型是通过以下方式训练得到的：

将样本文本分割为样本单位文本序列，根据样本单位文本序列以及与所述样本单位文本序列对应的样本发音器官动作视频的样本视频特征序列构建模型训练数据，根据所述模型训练数据训练得到所述视频特征生成模型。

样本发音器官动作视频为基于样本文本制作或录制的演示视频，演示视频可以是采用任意动画制作渲染软件制成的口腔的动画演示视频，也可以是核磁共振仪拍摄的人朗读样本文本时的头部视频。

逐帧或抽帧地对样本发音器官动作视频的视频特征进行提取，可以得到样本发音器官动作视频多个图像帧的特征信息，将视频特征信息按照视频帧的排列顺序进行排列，可以得到样本视频特征序列。值得说明的是，本公开不对图像帧的特征信息的形式进行限定，任意可以提取并可以通过处理还原为图像的特征信息的形式均可以作为本公开中的视频特征序列中的特征信息。

在一种可能的实施方式中，该特征信息为主成分信息，通过逐帧对所述样本发音器官动作视频进行主成分分析得到各视频帧的主成分信息，并将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。通过对主成分信息进行还原，可以得到还原图像，将还原图像按照样本视频特征序列的顺序排列并合成，可以得到还原的演示视频。将样本单位文本序列和与该样本单位文本序列对应的样本视频特征序列作为训练样本，对视频特征生成模型进行训练，使得视频特征生成模型可以基于任意的单位文本生成与之对应的视频特征或视频特征序列。

该视频特征生成模型可以为深度学习模型，通过对样本单位文本序列中的各样本单位文本进行标签标注的形式生成输入深度学习模型的训练样本，经过多轮迭代训练后使得深度学习模型可以准确地基于单位文本生成视频特征。

该视频特征生成模型还可以为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于单位文本序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列，通过单位文本序列到视频特征序列的端到端训练的形式对编码器和解码器进行训练，使得注意力模型可以准确地基于单位文本序列生成视频特征序列。值得说明的是，在待生成的演示视频为MRI(MagneticResonanceImaging，核磁共振成像)视频的情况下，考虑到MRI视频的录制成本较高，一次性录制较长的视频可以降低录制成本，因此，该样本发音器官动作视频可以是从一个完整的样本演示视频中分割得到的，相对应的，样本文本也是从完整的样本演示文本中分割得到的。

该样本演示视频可以是通过核磁共振仪器拍摄的用户朗诵样本文本时的MRI视频，通过对样本演示文本进行分句得到多个样本文本，并基于分句的结果将样本演示视频分割为与各样本文本对应的子视频，可以得到多个样本发音器官动作视频。

在一种可能的实施方式中，对样本演示文本进行分句，得到多个样本文本，对与样本演示视频同步录制的样本语音进行语音识别，并基于语音识别结果，确定各样本文本对应的语音片段，基于各语音片段的时间轴信息，从所述样本演示视频中确定各语音片段对应的样本发音器官动作视频。例如，通过对样本演示文本“Howareyou？I’mfinethankyou,andyou？”进行分句，可以得到“Howareyou”“I’mfine”“thankyou”“andyou”四个子句，通过对时长为6秒的样本语音进行识别，可以得到“Howareyou”对应的语音片段的时间轴信息为“00:00:00至00:01:40”，“I’mfine”对应的语音片段的时间轴信息为“00:01:40至00:02:50”，“thankyou”对应的语25音片段的时间轴信息为“00:02:50至00:04:40”，“andyou”对应的语音片段的时间轴信息为“00:04:40至00:06:00”，则可以将时长为6秒的样本演示子视频按照时间轴信息分割为“00:00:00至00:01:40”、“00:01:40至00:02:50”、“00:02:50至00:04:40”、“00:04:40至00:06:00”四个视频片段，每个视频片段为其对应的样本子句文本的样本演示子视频。上述的分句方式仅作为举例展示，本领域技术人员可以采用其他的分句方式对句子进行分句处理，本公开对此不做限制。

考虑到MRI视频录制时录制仪器可能没有录音功能，需由额外的录音设备对样本语音进行录制，而样本演示视频和样本语音在录制时可能有开始时间不同、结束时间不同等问题导致的时差，因此，在一种可能的实施方式中，对所述样本语音与所述样本演示视频的时间轴信息进行对齐处理；调整所述样本语音或所述样本演示视频的长度，以使所述样本语音和所述样本演示视频的长度一致。

考虑到人在录制视频时可能会有姿势变动，使得录制得到的视频中的面部位置不固定，从而可能影响到视频的美观性，还可能影响到视频的特征信息提取，增加模型的训练成本，因此，在一种可能的实施方式中，逐帧对所述样本演示视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。该调整可以采用像素追踪或者光流跟踪的形式进行，或者，可以采用特征点提取并对齐的方式进行，对视频帧的处理包括但不限于旋转、平移、放大、缩小，还可以对视频帧的画面大小进行统一裁剪，以减少视频中的干扰信息。

S12、采集用户基于所述例句文本朗读的待评价音频。

通过用户终端的语音采集装置，可以采集到用户朗读的语音。

在一种可能的实施方式中，可以对采集到的待评价音频进行语音识别，并将识别结果和例句文本进行对比，在文本相似度低于预设的相似度阈值的情况下，可以向用户发送提示信息，以提醒用户重新朗读例句文本。

S13、生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频。

在一种可能的实施方式中，将所述待评价音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频。

一种可实现的实施方式，将待评价音频转换成待评价音频特征向量，具体可以是：将待评价音频输入语音识别模型，得到所述待评价音频特征向量，所述待评价音频特征向量包括所述待评价音频中每一帧音频的音素后验概率向量，每一所述音素后验概率向量的维度为所述待评价音频对应的语言类型包括的音素维度。

音素是根据语音的自然属性划分出来的最小语音单位。每一种人类语音、动物语音、乐器音均可以基于属性划分出有限个数的最小语音单位。

待评价音频中的每一帧音频可以为一个音素的音频。一个音素可以由一个音素后验概率向量表征。每一个音素后验概率向量的维度为待评价音频对应的语言类型包括的音素维度。示例地，假设待评价音频对应的语言类型为英语，由于英语的音素个数为48个，那么英语音素后验概率向量的维度为48。也就是说一个英语音素后验概率向量中包括48个大于等于0且小于1的概率值，该48个概率值的和为1。该48个概率值中的最大值所对应的音素为该音素后验概率向量所表征的英语音素。再示例地，假设待评价音频对应的语言类型为模仿目标乐器的语言类型，若该目标乐器对应的音素有50个，那么音素后验概率向量的维度也为50，具体由50个和为1的概率值组成。

待评价音频中的每一帧音频还可以为一个字/词的音频。相应地，一个字/词由一个字/词的后验概率向量表征。由此，值得说明的是，可以根据需求自由设置待评价音频中的每一帧音频对应的音频帧播放时间，以使得每一帧音频为一个或多个音素/字/词的音频。

语音识别模型(Automatic Speech Recognition，简称ASR)是一种将声音转变为相应的文本或命令的模型。

由于任一语言的字或词的数量庞大而音素的数量较少，加之每一字或词的发音均由一个或多个音素构成，因此，一种优选的实施方式，语音识别模型可以通过如下训练方式训练得到：根据样本音频帧和所述样本音频帧对应的音素构建模型训练样本；根据所述模型训练样本训练得到所述语音识别模型。

详细地，对样本音频帧进行信号处理和知识挖掘，分析出样本音频帧的语音特征参数，制作语音模板，得到语音参数库。根据样本音频帧和该样本音频帧对应的音素构建语音特征参数与音素的映射表。

将待评价音频输入训练好的语音识别模型后，针对待评价音频中的每一帧音频，经过与训练时相同的分析，得到待处理语音特征参数，将该待处理语音特征参数与语音参数库中的语音模板进行一一匹配，得到该待处理语音特征参数与语音参数库中每一语音特征参数的匹配概率。进一步地，根据语音特征参数与音素的映射表得到待评价音频中的每一帧音频的音素后验概率向量。

这种利用数量较少且个数有限的音素和音素的音频训练语音识别模型的方式，与利用海量字/词和字/词的音频训练语音识别模型的方式相比较，能够减少模型训练任务，快速得到训练好的语音识别模型。

其中，所述视频生成模型是通过如下方式训练得到的：根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

本公开对视频生成模型的损失函数不作具体限定。

由于任一语言的字或词(或音段)的数量庞大而音素的数量较少，加之每一字或词(或音段)的发音均由一个或多个音素构成，因此，一种优选的实施方式，样本音频为目标语言类型对应的所有音素的音频。而样本发音器官动作视频可以为，采用任意动画制作渲染软件制成的对应于每一音素的发音器官动作动画演示视频。样本发音器官动作视频也可以是通过摄像机、核磁共振仪、CT仪等解剖性成像仪器拍摄的对应于每一音素的发音器官动作视频。由于用户不仅能够念读各种人类语言中的字或词，还能够模仿动物、乐器等声音。因此为了便于本领域普通技术人员理解本公开的实施方式，需说明上述音段可以是指模仿非人类语言的其他声音中的声音片段(如乐器的一个键、一根弦对应的声音片段)。

同理地，另一种实施方式，样本音频为目标语言类型对应的所有字或词(或音段)的音频。而样本发音器官动作视频可以为，采用任意动画制作渲染软件制成的对应于每一字或词(或音段)的发音器官动作动画演示视频。样本发音器官动作视频也可以是通过摄像机、核磁共振仪、CT仪等解剖性成像仪器拍摄的对应于每一字或词(或音段)的发音器官动作视频。

一种可实现的实施方式，所述根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据，具体可以包括以下步骤：

将所述样本音频中的每一帧音频转换成样本音素后验概率向量，得到包括至少一个样本音素后验概率向量的样本音素后验概率向量序列；基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征，得到样本发音器官视频特征序列；将所述样本音素后验概率向量序列和所述样本发音器官视频特征序列作为所述模型训练数据。

其中，样本音频中的每一帧音频与样本音素后验概率向量序列中每一样本音素后验概率向量一一对应，样本音素后验概率向量序列中每一样本音素后验概率向量与样本发音器官视频特征序列中的每一样本发音器官视频特征一一对应。

容易理解的是，在一帧音频对应一个音素的情况下，一个音素对应的发音器官的发音过程由一帧或多帧视频图像体现。因而，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的像素点特征信息；或者，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的主成分特征信息。

其中值得说明的是，主成分特征信息是通过主成分分析算法对视频图像进行降维处理后得到的表征该视频图像的主成分系数数据。

一种可实现的实施方式，在所述基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征之前，还可以包括以下步骤：逐帧对所述样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置。

该调整可以采用像素追踪或者光流跟踪的形式进行，或者，可以采用特征点提取并对齐的方式进行，对各帧视频图像的处理包括但不限于旋转、平移、放大、缩小，还可以对各帧视频图像的大小进行统一裁剪。逐帧对样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置的方式，有利于降低因各帧视频图像中相同发音器官位置不同而导致的对模型训练效果及模型收敛速度的干扰。

由于待评价音频特征向量包括待评价音频中每一帧音频的音素后验概率向量，因此将待评价音频特征向量输入训练好的视频生成模型后，可以得到与每一帧音频的音素后验概率向量对应的发音器官视频特征。根据发音器官视频特征序列可以生成并输出发音器官动作视频。

值得说明的是，步骤S13中用于训练视频生成模型的样本发音器官动作视频是与样本音频对应的视频，而步骤S11中用于训练视频特征生成模型的阉割版发音器官动作视频是与样本文本对应的视频，而样本音频可以与样本发音器官动作视频同步录制，在基于相同的样本文本对样本音频和样本发音器官动作视频进行同步录制的情况下，步骤S11和步骤S13中的样本发音器官动作视频是相同的视频。在这种情况下，针对样本发音器官动作视频的音频、视频对齐以及视频裁剪、视频中心对齐等操作可以只进行一次，在训练两个模型的时候，均采用对齐后的视频、音频进行训练。

S14、基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息。

发音评价信息包括对所述用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者。

所述对比视频是通过以下的方式生成的：基于例句文本的单位文本内容，将所述发音器官动作视频和所述发音器官标准动作视频中表征同一单位文本内容的视频片段作为一组视频片段组；将各视频片段组中属于所述发音器官动作视频和所述发音器官标准动作视频的视频片段进行对齐；将对齐后的所述发音器官动作视频和所述发音器官标准动作视频拼接，得到所述对比视频。

在所述发音评价信息包括所述发音打分信息和/或所述发音动作建议信息的情况下，通过对比所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频，得到动作差异信息；根据所述动作差异信息生成发音打分信息，和/或，根据所述动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

动作差异信息可以指发音器官的特征点运动轨迹的差异信息。

发音器官的特征点运动轨迹用于反应发音器官的发音运动过程。发音器官的特征点可以为发音器官的质心点、中心点、轮廓特征点等，也可以为发音器官之外的以发音器官的质心点、中心点、轮廓特征点等为参照点的其他特征点。本公开对特征点的个数和种类不作具体的限制。

发音器官动作视频包括至少一帧视频图像，在发音器官动作视频的每一帧视频图像中确定发音器官的特征点的位置坐标，可以得到与发音器官动作视频的帧数对应个(组)数的发音器官特征点位置坐标。基于所有的发音器官特征点位置坐标可以构造出与发音器官动作视频的时间轴对应的发音器官的特征点运动轨迹。

其中，与例句文本对应的特征点预设运动轨迹，为该例句文本对应的标准的发音器官特征点运动轨迹。对发音器官的特征点运动轨迹和标准地特征点预设运动轨迹进行相似度计算，可以得到该两条轨迹线的相似度信息。

一种可实现的实施方式，与例句文本对应的特征点预设运动轨迹可以通过如下方式进行确定：

从训练视频生成模型的模型训练数据中，确定组成例句文本的所有音素(或其他字、词、句等单位粒度的信息)，并确定所有音素对应的发音器官视频特征序列，基于发音器官视频特征序列生成该例句文本的发音器官标准动作视频。在发音器官标准动作视频的每一帧视频图像中确定发音器官的特征点的位置坐标，得到例句文本对应的特征点预设运动轨迹。

在考虑准确度的情况下，可以从训练视频生成模型的模型训练数据中，确定多组组成例句文本的音素序列，基于多组组成例句文本的音素序列，确定多条特征点预设运动轨迹。对该多条特征点预设运动轨迹进行加权平均处理，可以得到一条综合的更准确的特征点预设运动轨迹。

示例地，根据相似度信息中相似度值的大小确定待评价音频的发音分值。将待评价音频的发音分值作为发音评价结果。再示例地，根据相似度信息中相似度值的大小确定待评价音频的发音优秀、中等、合格、不合格、漏发音等等级。将待评价音频的发音优秀、中等、合格、不合格、漏发音等等级作为发音评价结果。

采用上述发音评价方法，可以将用户朗读例句文本的待评价音频输入视频生成模型，拟合还原出该用户的发音器官动作视频。在发音器官动作视频的每一帧视频图像中确定发音器官的特征点的位置坐标，得到发音器官的特征点运动轨迹。将发音器官的特征点运动轨迹和与例句文本对应的标准地特征点预设运动轨迹进行相似度计算，从而得到发音器官的发音动作相似度信息。基于发音器官的发音动作相似度信息可以得到发音评价结果。由于发音与发音器官的动作直接相关，因而采用这种方式得到的发音评价结果更加的准确。

根据所述相似度信息生成所述待评价音频的发音评价结果还可以包括以下步骤：

对待评价音频进行频谱分析，提取声音频谱特征信息，将提取到的声音频谱特征信息和与例句文本对应的标准声音频谱特征信息进行相似度计算，得到频谱相似度信息，将频谱相似度信息与前述基于发音器官的特征点运动轨迹确定的相似度信息进行结合，得到发音评价结果。

采用这种方式，能够在根据单一的声音频谱维度的信息计算得到用户发音准确度的基础之上，进一步结合基于发音器官的特征点运动轨迹确定的相似度信息，确定出更加精准的发音评价结果。这种方式进一步提升了发音评价结果的准确率。

由于用户存在个体差异，因而不同用户在朗读同一例句文本时，朗读速度存在差异。也就是说待评价音频的时长与用户发音的快慢程度相关，即待评价音频的时长是可变的。而在待评价音频的时长不同的情况下，待评价音频的帧数不同，进而将时长不同的待评价音频输入视频生成模型，得到的各发音器官动作视频的时长也不相同。发音器官动作视频的时长不同时，发音器官动作视频包括的视频图像帧数不同。那么，如果待评价音频对应的发音器官动作视频中视频图像帧数与例句文本对应的发音器官标准动作视频中的视频图像帧数不同，则会造成发音器官的特征点运动轨迹和与例句文本对应的特征点预设运动轨迹长度不一致。进而在根据发音器官的特征点运动轨迹和与例句文本对应的特征点预设运动轨迹进行相似度计算时，得到的相似度信息会存在较大误差。对此，本公开提供如下两种实施方式以避免计算得到的相似度信息误差较大的问题。

详细地，一种可实现的实施方式，在所述将所述发音器官的特征点运动轨迹和与所述例句文本对应的特征点预设运动轨迹进行相似度计算，得到相似度信息之前，根据组成所述特征点预设运动轨迹的特征点位置坐标个数，调整所述发音器官的特征点运动轨迹的特征点位置坐标个数，以使所述特征点预设运动轨迹的特征点位置坐标个数与所述发音器官的特征点运动轨迹的特征点位置坐标个数相同。

示例地，假设特征点预设运动轨迹的特征点位置坐标个数为5，分别为坐标A、B、C、D、E。而特征点运动轨迹的特征点位置坐标个数为4个，分别为坐标a、b、c、e，此时可以对特征点运动轨迹的特征点位置坐标个数进行调整，例如在当前的发音器官的特征点运动轨迹中插入特征点f(0，0)，得到由坐标a、b、c、f、e构成的特征点运动轨迹。其中，特征点f(0，0)的插入位置可以根据待评价音频中缺失音素的位置进行确定。容易理解的是，在通过ASR模型知晓待评价音频中各个音素和已知例句文本中各个音素的情况下，可以确定待评价音频中的缺失音素(同理可知待评价音频中的多余音素，以实现可在减少特征点运动轨迹的特征点位置坐标个数的情况下，调整特征点运动轨迹的特征点位置坐标个数)。

另一种可实现的实施方式，在所述发音器官动作视频的每一帧视频图像中确定所述发音器官的特征点的位置坐标之前，根据与所述例句文本对应的发音器官标准动作视频中的视频图像的帧数，调整所述发音器官动作视频中的视频图像的帧数，以使所述发音器官动作视频中的视频图像的帧数与所述发音器官标准动作视频中的视频图像的帧数相同。

容易理解的是，发音器官标准动作视频中视频图像的帧数与待评价音频的发音器官动作视频中视频图像的帧数相同的情况下，基于一帧视频图像对应一个特征点的前提，可知例句文本对应的特征点预设运动轨迹中特征点位置坐标个数与待评价音频的特征点运动轨迹中特征点位置坐标个数相同。

示例地，假设发音器官标准动作视频中视频图像的帧数为5帧，分别为1、2、3、4、5帧。而待评价音频的发音器官动作视频中视频图像的帧数为3帧，分别为1、4、5帧。此种情况下可以对视频图像帧序列1、4、5进行插帧处理。例如在当前的视频图像帧序列1、4、5中插入图像帧1和4，得到视频图像帧序列为1、1、4、4、5。又例如在当前的视频图像帧序列1、4、5中插入空图像帧0，得到视频图像帧序列为1、0、0、4、5。

可实现地一种实施方式，为了在确定待评价音频的发音评价结果的基础之上，进一步实现定位待评价音频中哪一个音素或哪一个字词发音不准确(或漏发音)，上述步骤S13所述，在所述发音器官动作视频的每一帧视频图像中确定所述发音器官的特征点的位置坐标，得到所述发音器官的特征点运动轨迹，还可以包括以下步骤：

根据预设的发音评价粒度对所述待评价音频进行划分，得到多个待评价子音频；在所述发音器官动作视频的每一帧视频图像中，确定与每一所述待评价子音频对应的发音器官的特征点的位置坐标，得到对应每一所述待评价子音频的发音器官特征点运动轨迹片段。

其中，预设的发音评价粒度为根据用户需求进行设置的发音评价单位。发音评价粒度可以为音素、字、词、句、段、篇等，本公开对此不作具体限制。根据预设的发音评价粒度对待评价音频进行划分时，具体可以根据预设的发音评价粒度对应的时长对待评价音频进行划分，从而得到多个待评价子音频。

在确定各待评价子音频的情况下，可以基于发音器官动作视频，得到对应每一待评价子音频的发音器官特征点运动轨迹片段。具体可以是在发音器官动作视频的每一帧视频图像中，确定与每一待评价子音频对应的发音器官的特征点的位置坐标，得到对应每一待评价子音频的发音器官特征点运动轨迹片段。也可以是在得到整个待评价音频的发音器官的完整特征点运动轨迹之后，根据划分得到各待评价子音频的方式，划分整个待评价音频的发音器官的特征点运动轨迹，从而得到对应每一待评价子音频的发音器官特征点运动轨迹片段。

而适应性地，在得到每一待评价子音频的发音器官特征点运动轨迹片段之后，针对每一所述待评价子音频，将该待评价子音频对应的发音器官特征点运动轨迹片段与对应的特征点预设运动轨迹片段进行相似度计算，得到对应该待评价子音频的第一相似度值，所述相似度信息包括每一所述待评价子音频的第一相似度值。

其中，特征点预设运动轨迹片段为完整的特征点预设运动轨迹中的轨迹片段。得到特征点预设运动轨迹片段的方式与从整个待评价音频的发音器官的特征点运动轨迹中划分得到每一待评价子音频的发音器官特征点运动轨迹片段的方式类似，此处不再赘述。

参见图2，定位待评价音频中哪一个音素或哪一个字词发音不准确的方法的流程图包括以下步骤：

S21、获取待评价音频，所述待评价音频为用户朗读例句文本的音频；

S22、将所述待评价音频输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频；

S23、根据预设的发音评价粒度对所述待评价音频进行划分，得到多个待评价子音频；

S24、在所述发音器官动作视频的每一帧视频图像中，确定与每一所述待评价子音频对应的发音器官的特征点的位置坐标，得到对应每一所述待评价子音频的发音器官特征点运动轨迹片段；

S25、针对每一所述待评价子音频，将该待评价子音频对应的发音器官特征点运动轨迹片段与对应的特征点预设运动轨迹片段进行相似度计算，得到对应该待评价子音频的第一相似度值；

S26、确定小于预设阈值的目标第一相似度值，并确定所述目标第一相似度值对应的目标待评价子音频；

其中，预设阈值可以为90％、98％等预设值。在第一相似度值小于预设阈值的情况下，确定该第一相似度对应的目标待评价子音频发音不准确。该第一相似度值的大小用于表征目标待评价子音与该目标待评价子音频对应的标准发音的相似程度。

S27、根据所述目标待评价子音频确定目标例句文本片段，所述目标例句文本片段为所述例句文本中的片段；

在确定发音不准确的目标待评价子音频的情况下，可以确定该目标待评价子音频对应的目标例句文本片段。该目标例句文本片段可能包括一个或多个音素/字/词/句等。

S28、关联展示所述目标例句文本片段以及所述目标第一相似度值，得到所述发音评价结果，以提醒所述用户发音错误的目标例句文本片段。

采用图2所示的这种方式，可以实现定位待评价音频中哪一个音素或哪一个字词发音不准确，并使用户知悉。从而便于用户针对发音错误的部分进行针对性发音练习。例如，将发音错误的部分对应的发音器官标准动作视频以及标准的发音器官特征点预设运动轨迹片段向用户进行展示，同时，还可以将发音错误的部分对应的用户发音器官动作视频以及该用户的不准确发音器官特征点运动轨迹片段向用户进行展示，以便于用户知悉那个发音不准确，以及与标准发音的差异在哪里。

由于声音由多个发音器官协同作用而产生，因而本公开实施例中的发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一个器官的动作，所述发音器官的特征点运动轨迹(或特征点运动轨迹片段)包括每一器官的特征点运动轨迹(或特征点运动轨迹片段)。

也就是说，采用本公开上述实施例中的方法，可以得到任一种发音器官的特征点运动轨迹(或特征点运动轨迹片段)。

而针对每一种发音器官的特征点运动轨迹(或特征点运动轨迹片段)，可将该器官的特征点运动轨迹(或特征点运动轨迹片段)与该器官在所述例句文本下对应的特征点预设运动轨迹(或特征点预设运动轨迹片段)进行相似度计算，得到第二相似度值，第二相似度值表征一个发音器官的特征点运动轨迹(或特征点运动轨迹片段)与标准的该发音器官的特征点预设运动轨迹(或特征点预设运动轨迹片段)之间的相似程度。

进一步地，可以确定小于阈值的目标第二相似度值，根据目标第二相似度值可以确定目标发音器官。如此能够确定多个发音器官中具体哪一个或哪几个发音器官的发音动作错误导致了对例句文本(或例句文本片段)的发音错误。

采用这种方式，可以在实现定位待评价音频中哪一个音素或哪一个字词发音不准确的基础之上，进一步地定位是哪一个或哪几个发音器官导致的该发音不准确问题。通过将该哪一个或哪几个发音器官对应的发音器官标准动作视频以及标准的发音器官特征点预设运动轨迹向用户进行展示，有利于用户进行发音器官动作针对性矫正学习。

其中，所述发音器官动作视频为磁共振成像MRI视频，对应地，用于训练视频生成模型的样本发音器官动作视频也为磁共振成像MRI视频，样本发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。

此外，由于发音器官还包括肺、横膈膜、气管等发音动力器官，因而发音器官动作视频和样本发音器官动作视频中还可以包括肺、横膈膜、气管中的至少一种发音器官的动作。

在得到了发音错误的音素或字词之后，可以根据发音错误的音素或字词与正确的动作视频之间的动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

例如，在得到发音错误的字词后，动作差异信息表明用户的发音器官动作视频中的上颚位置低于发音器官标准动作视频中的上颚位置，则可以匹配对应的目标动作建议信息“抬高上颚”，动作差异信息表明用户的发音器官动作视频中的舌头位置相比发音器官标准动作视频中的舌头位置靠后，则可以匹配对应的目标动作建议信息“前伸舌头”。

S15、向所述用户展示所述发音评价信息。

展示的发音评价信息可以为用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者，还可以将三者两两组合进行展示，或三者同时进行展示。

考虑到MRI图像成像不够清晰，以及非专业人员对器官形状不够熟悉，导致用户从MRI视频中提取信息存在困难，因此，在原始的发音器官动作视频和原始的发音器官标准动作视频为MRI视频的情况下，可以通过动画生成模型，逐帧对所述发音器官动作视频或所述发音器官标准动作视频进行渲染，得到发音器官动画视频，并将发音器官动画视频作为该发音器官动作视频或发音器官标准动作视频进行展示。

其中，所述动画生成模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画器官图，所述动画生成模型的训练样本是通过以下方式得到的：确定各MRI样本图像中的器官的位置；在各MRI样本图像中的器官的位置，生成与所述器官的位置对应的动画器官，得到动画器官图。

MRI视频由多个视频帧组成，在生成动画时，可以选择将所有的视频帧均输入动画生成模型，在得到了动画生成模型输出的动画帧之后，可以将动画帧按照视频帧的排列顺序进行重组，得到视频帧对应的动画视频。

在一种可能的实施方式中，还可以相隔预设帧选取视频帧输入动画生成模型，这样，在得到动画生成模型生成的动画帧之后，可以对动画帧之间进行补帧，生成流畅的动画视频。这样，可以减少动画生成模型的工作量，减少计算资源消耗，提升动画生成效率。

该动画生成模型可以为任意的可以对样本进行学习的机器学习模型，例如对抗生成网络模型、循环神经网络模型、卷积网络模型等，本公开对此不做限制。模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画器官图，通过对训练样本进行学习，动画生成模型可以基于输入的MRI图像生成对应的动画图像，从而可以实现将MRI视频帧转换为动画帧的效果。

动画生成模型可以按照视频帧输入的顺序依次输出与视频帧对应的动画帧，其中，动画帧中的发音器官位置由动画发音器官进行填充，便于用户查看和理解。

在一种可能的实施方式中，可以根据发音器官的不同，为各个动画发音器官分别填充不同的颜色，还可以在动画发音器官上标注器官名称，例如，可以将上颚位置填充为淡黄色，并标注“上颚”字符，将舌头位置填充为正红色，并标注“舌”字符，将牙齿位置填充为白色，并标注“牙齿”字符，这样，可以更直观地体现各器官的位置及连接关系，更有利于用户理解。

值得说明的是，上述的颜色填充方式和名称标注方式仅作为一种示例进行说明，本公开不对器官颜色的填充方式和名称的标注方式进行限定，例如，该名称标注还可以用外文标注，或者添加读音的音标、拼音等。

将动画帧按照视频帧的排列顺序进行重组，可以得到玩直的动画视频，动画帧的播放速度可以与视频帧一致，也可以根据应用需求调整动画帧的播放速度，例如，当动画视频应用在教育场景中时，为了更清晰地展示发音器官的运动方式和发力状况，可以降低动画帧的播放速度。在降低动画帧的播放速度的情况下，为了使动画视频更流畅，还可以在各帧之间进行补帧，以提升动画视频的帧数。

在一种可能的实施方式中，动画生成模型为对抗生成网络模型，所述动画生成模型包括用于基于MRI图像生成动画图像的生成器，所述动画生成模型的是通过以下方式训练得到的：

重复执行所述生成器基于所述MRI样本图像生成训练动画图像、并基于所述MRI样本图像对应的动画发音器官图和预设的损失函数生成损失值、并由基于所述损失值调整所述生成器中的参数，并由所述对抗生成网络模型的判别器基于所述动画发音器官图对所述训练动画图像进行评价的步骤，直至所述评价结果满足预设评价结果条件。

其中，生成器用于基于输入的数据生成图像，判别器用于评价生成器输出的图像与指定集合中的图像是否具有一致的特征，即可以判断图片是否为制定集合中的图片。判别器的评价结果可能是正确的，也可能是错误的，当生成器输出的图片与指定集合中的图片特征明显不同的情况下，判别器的评价结果通常是正确的，也就是说判别器可以正确地判断图片是否为指定集合中的图片，而当生成器生成的图片与指定集合中的图片的特征差异不明显的情况下，判别器则很难总是正确地判断图片是否为指定集合中的图片，这样，可以通过设定判别评价结果的正确比例阈值来设置训练停止条件，使生成器生成的图像更符合训练集中的训练目标的特征。

在对生成器进行训练之前，还可以对判别器进行预训练，例如，向生成器输入随机的特征得到图像，并由判别器对该图像的特征与训练样本中的动画器官图一致进行评价，基于评价结果是否正确而调整判别器中的参数，直至判别器可以正确判断生成器生成的图像与训练样本中的动画发音器官图是否一致。在完成判别器的训练后，可以再利用判别器对生成器进行训练。值得说明的是，生成器和判别器的训练还可以同步进行，从而可以互相约束，使得生成器生成的图像更符合动画发音器官图的特征，而判别器可以更正确地对图像进行评价。

在一种可能的实施方式中，训练样本是通过以下方式得到的：确定各MRI样本图像中的发音器官的位置，并在各MRI样本图像中的发音器官的位置生成与所述发音器官的位置对应的动画发音器官从而得到动画发音器官图。

各器官的位置可以通过MRI样本图像中的色块区域进行轮廓区分，还可以通过识别模型对发音器官位置进行识别，或者将器官模板图与MRI样本图像重叠，并基于器官模板图的器官位置在MRI样本图像中进行区域合并，将发音器官位置所在区域的色块作为发音器官所在的位置。

在一种可能的实施方式中，针对每一MRI样本图像，提取所述MRI样本图像的器官轮廓，并在各发音器官的器官轮廓中填充与该发音器官对应的器官图像。

其中，器官图像可以为卡通图像也可以为写实图像，在一种可能的实施方式中，可以从预设的flash动画库中调用器官贴图，在各发音器官的器官轮廓中填充该发音器官对应的器官贴图。值得说明的是，flash动画库中针对同一发音器官可能有多种器官贴图，可以自动选择一种器官贴图进行填充，也可以根据用户的指定修改贴图的类型进行填充。

在一种可能的实施方式中，针对所述MRI样本视频的首帧对应的MRI样本图像，从预设的flash动画库中调用器官贴图，在各发音器官的器官轮廓中填充该发音器官对应的器官贴图；针对其他视频帧对应的MRI样本图像，从所述flash动画库中调用与所述首帧对应的所述MRI样本图像中的各发音器官对应的器官贴图在与各发音器官对应的器官轮廓中进行填充。

也就是说，在对首帧进行贴图填充以后，可以基于首帧的贴图类型对其他帧进行填充，从而使得所有的动画帧中针对相同发音器官的贴图风格相同，使得最终得到的动画视频更加自然。

例如，flash动画库中针对舌头的贴图共有3种，针对牙齿的贴图共有4种，则在对首帧对应的MRI样本图像进行填充时，针对舌头选择了舌头1贴图，针对牙齿选择了牙齿3贴图分别对舌头所在的轮廓和牙齿所在的轮廓进行填充，则在对后续其他帧进行填充时，可以自动选择舌头1贴图对舌头所在的轮廓进行填充，并选择牙齿3贴图对牙齿所在的轮廓进行填充。

考虑到器官轮廓的提取可能存在偏差，在一种可能的实施方式中，在提取了器官轮廓之后，可以对所述器官轮廓进行矫正。可以对器官轮廓逐帧分别进行矫正，还可以对首帧的器官轮廓进行矫正后，通过特征点识别的方式对器官轮廓进行追踪，从而实现其他帧的器官轮廓矫正。

在一种可能的实施方式中，针对所述MRI样本视频的首帧对应的MRI样本图像，基于所述MRI样本图像调整该MRI样本图像中的所述器官轮廓，以使所述发音器官轮廓与所述MRI样本图像中的特征点相对应；针对其他视频帧对应的MRI样本图像，对该MRI样本图像中的特征点与该MRI样本图像的前一视频帧中的特征点进行特征点追踪，并基于特征点追踪结果，自动对该MRI样本图像中的器官轮廓进行调整。

值得说明的是，本实施例中的步骤S11至步骤S15可以均在用户终端执行，可选的，为了减少终端的计算压力，步骤S13和步骤S14还可以在服务器执行，用户终端在采集到用户的待评价音频后，可以将音频发送至服务器，服务器对音频进行处理后，将发音评价信息返回至用户终端。

通过上述技术方案，至少可以达到以下的技术效果：

通过获取用户基于例句文本朗读的待评价音频，并通过基于待评价音频生成的发音器官动作视频和例句文本对应的发音器官标准动作视频生成发音评价信息，可以更准确地对用户的发音进行评价，从而更直观地体现用户的发音是否准确。

图3是根据一示例性公开实施例示出的一种发音评价装置的框图，如图3所示，所述发音评价装置300包括：

例句展示模块310，用于向用户展示例句文本；

音频采集模块320，用于采集用户基于所述例句文本朗读的待评价音频；

视频生成模块330，用于生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；

发音评价模块340，用于基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；

评价展示模块350，用于向所述用户展示所述发音评价信息。

在一种可能的实施方式中，所述发音评价信息包括对所述用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者。

在一种可能的实施方式中，所述例句展示模块310，用于基于所述例句文本生成例句音频；将所述例句音频与所述发音器官标准动作视频合成为例句演示视频；向用户展示例句文本和所述例句演示视频。

在一种可能的实施方式中，所述发音评价模块340，用于通过对比所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频，得到动作差异信息；根据所述动作差异信息生成发音打分信息，和/或，根据所述动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

在一种可能的实施方式中，所述发音评价模块，用于基于例句文本的单位文本内容，将所述发音器官动作视频和所述发音器官标准动作视频中表征同一单位文本内容的视频片段作为一组视频片段组；将各视频片段组中属于所述发音器官动作视频和所述发音器官标准动作视频的视频片段进行对齐；将对齐后的所述发音器官动作视频和所述发音器官标准动作视频拼接，得到所述对比视频。

在一种可能的实施方式中，所述视频生成模块330，用于将所述待评价音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频；其中，所述视频生成模型是通过如下方式训练得到的：根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

在一种可能的实施方式中，所述视频生成模块330，还用于将所述例句文本分割为单位文本序列；将所述单位文本序列输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官标准动作视频；其中，所述视频特征生成模型是通过如下方式训练得到的：将样本文本分割为样本单位文本序列；根据样本单位文本序列以及与所述样本单位文本序列对应的样本发音器官动作视频的样本视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频特征生成模型。

在一种可能的实施方式中，所述发音器官动作视频和所述发音器官标准动作视频为基于核磁共振MRI视频生成的发音器官动画视频，所述装置还包括视频渲染模块，用于通过动画生成模型，逐帧对所述发音器官动作视频或所述发音器官标准动作视频进行渲染，得到发音器官动画视频；其中，所述动画生成模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画发音器官图，所述动画生成模型的训练样本是通过以下方式得到的：确定各MRI样本图像中的发音器官的位置；在各MRI样本图像中的发音器官的位置，生成与所述发音器官的位置对应的动画器官，得到动画发音器官图。

上述各模块所具体执行的步骤在方法部分实施例中已经进行了详细阐述，在此不做赘述。

通过上述技术方案，至少可以达到以下的技术效果：

通过获取用户基于例句文本朗读的待评价音频，并通过基于待评价音频生成的发音器官动作视频和例句文本对应的发音器官标准动作视频生成发音评价信息，可以更准确地对用户的发音进行评价，从而更直观地体现用户的发音是否准确。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如用户设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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。

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，其包括承载在非暂态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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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。

在一些实施方式中，用户终端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

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操作的计算机程序代码，上述程序设计语言包括但不限于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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种发音评价方法，所述方法包括：向用户展示例句文本；采集用户基于所述例句文本朗读的待评价音频；基于所述待评价音频生成发音器官动作视频；生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；向所述用户展示所述发音评价信息。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述发音评价信息包括对所述用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述向用户展示例句文本，包括：基于所述例句文本生成例句音频；将所述例句音频与所述发音器官标准动作视频合成为例句演示视频；向用户展示例句文本和所述例句演示视频。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，在所述发音评价信息包括所述发音打分信息和/或所述发音动作建议信息的情况下，所述基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息，包括：通过对比所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频，得到动作差异信息；根据所述动作差异信息生成发音打分信息，和/或，根据所述动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述对比视频是通过以下的方式生成的：基于例句文本的单位文本内容，将所述发音器官动作视频和所述发音器官标准动作视频中表征同一单位文本内容的视频片段作为一组视频片段组；将各视频片段组中属于所述发音器官动作视频和所述发音器官标准动作视频的视频片段进行对齐；将对齐后的所述发音器官动作视频和所述发音器官标准动作视频拼接，得到所述对比视频。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频，包括：将所述待评价音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频；其中，所述视频生成模型是通过如下方式训练得到的：根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述发音器官标准动作视频是通过以下方式生成的：将所述例句文本分割为单位文本序列；将所述单位文本序列输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官标准动作视频；其中，所述视频特征生成模型是通过如下方式训练得到的：将样本文本分割为样本单位文本序列；根据样本单位文本序列以及与所述样本单位文本序列对应的样本发音器官动作视频的样本视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频特征生成模型。

根据本公开的一个或多个实施例，示例8提供了示例1-7的方法，所述发音器官动作视频和所述发音器官标准动作视频为基于核磁共振MRI视频生成的发音器官动画视频，所述方法还包括：通过动画生成模型，逐帧对所述发音器官动作视频或所述发音器官标准动作视频进行渲染，得到发音器官动画视频；其中，所述动画生成模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画发音器官图，所述动画生成模型的训练样本是通过以下方式得到的：确定各MRI样本图像中的发音器官的位置；在各MRI样本图像中的发音器官的位置，生成与所述发音器官的位置对应的动画发音器官，得到动画发音器官图。

根据本公开的一个或多个实施例，示例9提供了一种发音评价装置，所述装置包括：例句展示模块，用于向用户展示例句文本；音频采集模块，用于采集用户基于所述例句文本朗读的待评价音频；视频生成模块，用于生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；发音评价模块，用于基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；评价展示模块，用于向所述用户展示所述发音评价信息。

根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述发音评价信息包括对所述用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者。

根据本公开的一个或多个实施例，示例11提供了示例9的装置，所述例句展示模块，用于基于所述例句文本生成例句音频；将所述例句音频与所述发音器官标准动作视频合成为例句演示视频；向用户展示例句文本和所述例句演示视频。

根据本公开的一个或多个实施例，示例12提供了示例10的装置，所述发音评价模块，用于通过对比所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频，得到动作差异信息；根据所述动作差异信息生成发音打分信息，和/或，根据所述动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

根据本公开的一个或多个实施例，示例13提供了示例10的装置，所述发音评价模块，还用于基于例句文本的单位文本内容，将所述发音器官动作视频和所述发音器官标准动作视频中表征同一单位文本内容的视频片段作为一组视频片段组；将各视频片段组中属于所述发音器官动作视频和所述发音器官标准动作视频的视频片段进行对齐；将对齐后的所述发音器官动作视频和所述发音器官标准动作视频拼接，得到所述对比视频。

根据本公开的一个或多个实施例，示例14提供了示例9的装置，所述视频生成模块，用于将所述待评价音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频；其中，所述视频生成模型是通过如下方式训练得到的：根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

根据本公开的一个或多个实施例，示例15提供了示例9的装置，所述视频生成模块，还用于将所述例句文本分割为单位文本序列；将所述单位文本序列输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官标准动作视频；其中，所述视频特征生成模型是通过如下方式训练得到的：将样本文本分割为样本单位文本序列；根据样本单位文本序列以及与所述样本单位文本序列对应的样本发音器官动作视频的样本视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频特征生成模型。

根据本公开的一个或多个实施例，示例16提供了示例9-15的装置，所述发音器官动作视频和所述发音器官标准动作视频为基于核磁共振MRI视频生成的发音器官动画视频，所述装置还包括视频渲染模块，用于通过动画生成模型，逐帧对所述发音器官动作视频或所述发音器官标准动作视频进行渲染，得到发音器官动画视频；其中，所述动画生成模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画发音器官图，所述动画生成模型的训练样本是通过以下方式得到的：确定各MRI样本图像中的发音器官的位置；在各MRI样本图像中的发音器官的位置，生成与所述发音器官的位置对应的动画发音器官，得到动画发音器官图。

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，本公开中所涉及的公开范围，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公开构思的情况下，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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种发音评价方法，其特征在于，所述方法包括：

向用户展示例句文本；

采集用户基于所述例句文本朗读的待评价音频；

生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；

基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；

向所述用户展示所述发音评价信息。

2.根据权利要求1所述的方法，其特征在于，所述发音评价信息包括对所述用户的发音打分信息、发音动作建议信息、所述发音器官动作视频与所述发音器官标准动作视频的对比视频中的至少一者。

3.根据权利要求1所述的方法，其特征在于，所述向用户展示例句文本，包括：

基于所述例句文本生成例句音频；

将所述例句音频与所述发音器官标准动作视频合成为例句演示视频；

向用户展示例句文本和所述例句演示视频。

4.根据权利要求2所述的方法，其特征在于，在所述发音评价信息包括所述发音打分信息和/或所述发音动作建议信息的情况下，所述基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息，包括：

通过对比所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频，得到动作差异信息；

根据所述动作差异信息生成发音打分信息，和/或，根据所述动作差异信息与预设的发音动作建议信息进行匹配，得到与所述动作差异信息相匹配的目标动作建议信息。

5.根据权利要求2所述的方法，其特征在于，所述对比视频是通过以下的方式生成的：

基于例句文本的单位文本内容，将所述发音器官动作视频和所述发音器官标准动作视频中表征同一单位文本内容的视频片段作为一组视频片段组；

将各视频片段组中属于所述发音器官动作视频和所述发音器官标准动作视频的视频片段进行对齐；

将对齐后的所述发音器官动作视频和所述发音器官标准动作视频拼接，得到所述对比视频。

6.根据权利要求1所述的方法，其特征在于，所述生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频，包括：将所述待评价音频转换成待处理音频特征向量；

将所述待处理音频特征向量输入视频生成模型，得到所述视频生成模型输出的与所述待评价音频对应的发音器官动作视频；

其中，所述视频生成模型是通过如下方式训练得到的：

根据样本音频以及与所述样本音频对应的样本发音器官动作视频构建模型训练数据；

根据所述模型训练数据训练得到所述视频生成模型。

7.根据权利要求1所述的方法，其特征在于，所述发音器官标准动作视频是通过以下方式生成的：

将所述例句文本分割为单位文本序列；

将所述单位文本序列输入视频特征生成模型，得到视频特征序列；

基于所述视频特征序列生成发音器官标准动作视频；

其中，所述视频特征生成模型是通过如下方式训练得到的：

将样本文本分割为样本单位文本序列；

根据样本单位文本序列以及与所述样本单位文本序列对应的样本发音器官动作视频的样本视频特征序列构建模型训练数据；

根据所述模型训练数据训练得到所述视频特征生成模型。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述发音器官动作视频和所述发音器官标准动作视频为基于核磁共振MRI视频生成的发音器官动画视频，所述方法还包括：

通过动画生成模型，逐帧对所述发音器官动作视频或所述发音器官标准动作视频进行渲染，得到发音器官动画视频；

其中，所述动画生成模型的训练样本包括多张MRI样本图像和各MRI样本图像对应的动画发音器官图，所述动画生成模型的训练样本是通过以下方式得到的：

确定各MRI样本图像中的发音器官的位置；

在各MRI样本图像中的发音器官的位置，生成与所述发音器官的位置对应的动画发音器官，得到动画发音器官图。

9.一种发音评价装置，其特征在于，所述装置包括：

例句展示模块，用于向用户展示例句文本；

音频采集模块，用于采集用户基于所述例句文本朗读的待评价音频；

视频生成模块，用于生成反映所述用户朗读所述例句文本时的发音器官的动作的发音器官动作视频；

发音评价模块，用于基于所述发音器官动作视频和所述例句文本对应的发音器官标准动作视频生成发音评价信息；

评价展示模块，用于向所述用户展示所述发音评价信息。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。

11.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。

Images