发音评估的核心目标，是让计算机像语言教师一样，对学习者的发音给出准确、细粒度的反馈。这并不是简单的语音识别问题——如果只判断“念对了还是念错了”，传统的语音识别引擎也能做，但面对“念得有多好”“哪个音节不标准”，就必须深入到音素级别，依赖声学模型和强制对齐技术。声学模型提取出的发音特征，能决定评估的上限；而强制对齐的精度，则决定了反馈能否真正落地到每一个音节。下面从这两个关键技术入手，一步步拆解如何构建一个高准确率的发音评估系统。
声学模型如何为发音评估提供判别基础
声学模型的任务，是把输入的语音信号转换为一串能够表征发音质量的高维向量。传统的GMM-HMM模型已经很难满足细粒度评估的要求，当前主流方案大多基于深度神经网络。其中，TDNN（时延神经网络）和Transformer结构在发音评估中表现突出。TDNN通过多层时域卷积，能够捕捉跨越若干帧的上下文信息，对协同发音现象有较好的建模能力；Transformer则利用自注意力机制，直接建模长距离依赖，对整体韵律特征的捕捉更出色。
在发音评估场景下，声学模型通常不会直接输出音素后验概率，而是提取瓶颈特征（bottleneck features）或音素嵌入（phoneme embeddings）。这些特征不仅包含“该音素是否被正确发出”的信息，还隐含着“发出的音素与标准发音的偏离程度”。举例来说，对于元音 /æ/，模型提取的特征向量不仅在正确发音时有较高的似然值，而且当学习者发音接近 /ɛ/ 时，特征向量的某些维度会表现出规律性的偏移。基于这种特性，可以通过计算输入特征与标准发音模板之间的余弦相似度或概率距离，来量化发音质量。如果只用识别结果的对数似然值作为评分，很容易把一些含糊但被正确识别的发音判为高分，而引入发音特征距离后，评分会与人耳主观评价更一致。
此外，现在很多系统开始使用基于端到端的模型，例如基于CTC/Attention联合训练的编码器，直接从声学特征映射到音素序列，同时输出每一帧的音素概率分布。这种方式简化了流程，但需要注意，CTC的尖峰分布特性会导致边界模糊，影响后续对齐的精度。因此，在精确发音评估中，仍建议使用帧级别的交叉熵训练，或者采用CTC与强制对齐融合的策略，在后处理时用更精细的对齐算法修正时间边界。
强制对齐技术：把音素“钉”在时间轴上
强制对齐（forced alignment）是在给定音频和对应文本的前提下，自动标记每个音素、每个词的起止时间。它本质上是Viterbi解码的约束版本：解码网络已经固化为文本对应的音素序列，模型只需要找到该序列与声学特征的最佳时间对齐路径。对齐的准确程度直接影响后续的发音错误检测和评分。如果对齐边界偏移20毫秒，处于过渡段的帧就可能被错误地归入相邻音素，导致该音素的评分出现偏差，尤其对短辅音和塞音影响显著。
实现强制对齐通常需要三个要素：一个声学模型、一个发音词典和一个语言模型（或简单的音素循环网络）。具体流程是：首先将参考文本通过发音词典转换为音素序列，然后构建一个只允许这条序列通过的有限状态解码图，接着使用声学模型计算每一帧特征在各个音素上的似然值，最后通过Viterbi算法求出最优时间路径。在实际工程中，Kaldi工具包的align-equal-compiled功能和Montreal Forced Aligner都提供了成熟的对齐方案。下面是一段用Kaldi进行对齐的核心命令示例：
# 将文本转为音素级的整数ID序列 utils/sym2int.pl -f 2- data/lang/phones.txt text > text.int # 利用训练好的声学模型进行对齐 steps/align_si.sh --nj 4 --cmd "run.pl" data/train data/lang exp/mono exp/mono_ali
对齐结果通常以CTM或TextGrid格式输出，包含每个音素的起始时间、结束时间和对应的标签。接下来就可以基于这些时间边界提取特定音素的声学特征片段，进行局部的发音质量评分。例如，对每个元音片段计算共振峰频率、时长、能量曲线，再与母语者的统计模型对比，就能给出该元音的准确度分数。
提升评估准确率的优化策略与实战经验
声学模型和对齐算法搭建好之后，还有很多细节能大幅提升评估准确率。首先是声学模型的自适应调整。学习者群体往往带有明显的母语口音特征，直接用通用语音数据训练的模型会导致评分系统性偏低。可以采用说话人自适应技术，例如通过fMLLR或i-vector对模型参数进行微调，让模型“听惯”特定口音的发音变异。更激进的做法是使用学习者语料微调整个声学模型，但需要小心避免模型过度拟合非标准发音，反而失去判别能力。
其次是对齐的后处理修正。强制对齐的结果在某些边界帧上可能存在歧义，这时可以引入音素边界检测模型，或者根据能量突变、频谱跳变等声学线索进行二次调整。例如，对于爆破音 /p/、/t/、/k/，其成阻、持阻和除阻阶段有明显的时间结构，可以通过检测突发噪声的起始点来细化对齐。还可以使用基于CTC的强制对齐方法，直接对帧级音素概率做argmax得到硬对齐，再用平滑算法消除孤立尖峰，这种方法在处理噪声和语速变化时鲁棒性更好。
最后，评分算法本身也需要精心设计。不能简单使用全句的对数似然值，而应该构建多维度的评分特征，包括各音素的GOP分数、韵律特征（语速、重音位置偏差、语调曲线相关性）、流畅度（无声段比例、重复次数）等，然后通过回归模型或排序学习将这些特征融合成最终分数。下面是一个使用Python计算音素GOP分数的简化示例：
import numpy as np
def compute_gop(log_likelihoods, phone_boundaries, target_phones):
# log_likelihoods: 帧级对数似然矩阵 [num_frames, num_phones]
# phone_boundaries: 每个音素的(start_frame, end_frame)列表
# target_phones: 目标音素ID列表
gop_scores = {}
for idx, phone in enumerate(target_phones):
start, end = phone_boundaries[idx]
# 目标音素的帧级对数概率均值
target_ll = np.mean(log_likelihoods[start:end, phone])
# 所有音素的对数概率，取最大值作为竞争项
competitor_ll = np.max(np.mean(log_likelihoods[start:end, :], axis=0))
gop = target_ll - competitor_ll
gop_scores[phone] = gop
return gop_scores
在实际部署中，还需要关注实时性。如果要求系统在课堂场景下实时给出反馈，对齐和评分必须在几百毫秒内完成。这可以通过流式声学模型加上在线Viterbi解码来实现，解码器每接收一段新音频就更新当前的对齐路径，并提前计算已完成音素的评分。流式模型通常使用单向LSTM或conformer结构，通过chunk-based处理兼顾延迟和准确率。
综合来看，声学模型赋予系统敏锐的“听觉”，强制对齐提供了精确的时间标注，二者结合才有准确的发音评估。在实际工程中，还需要在模型自适应、对齐精修、多特征评分融合等细节上反复打磨，才能让机器的评分与人类教师的判断高度一致，真正成为语言学习者的得力助手。