[发明专利]发音诊断方法、装置、终端设备以及存储介质

权利要求书

1.一种发音诊断方法，其特征在于，用于终端设备，所述方法包括以下步骤：

在接收到目标用户针对标准文本信息发送的目标语音信息时，将所述目标语音信息转换为声学特征序列；

将预设标准字典信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素；

基于所述实际发音音素和所述标准文本信息对应的标准音素，获得所述目标语音信息的发音诊断结果。

2.如权利要求1所述的方法，其特征在于，所述预设标准字典信息包括标准字典字母信息；所述将预设标准字典信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素的步骤之前，所述方法还包括：

对所述标准文本信息中的字母进行编码，获得标准字典字母信息；

所述将预设标准字典信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素的步骤，包括：

将所述标准字典字母信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素。

3.如权利要求2所述的方法，其特征在于，所述预设标准字典信息还包括标准字典音素信息；所述将所述标准字典字母信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素的步骤之前，所述方法还包括：

对所述标准音素中的音素进行编码，获得标准字典音素信息；

所述将所述标准字典字母信息和所述声学特征序列输入发音诊断模型，获得所述目标语音信息对应的实际发音音素的步骤，包括：

将所述标准字典音素信息、所述标准字典字母信息和所述声学特征序列输入发音诊断模型，获得所述实际发音音素。

4.如权利要求3所述的方法，其特征在于，所述将所述标准字典音素信息、所述标准字典字母信息和所述声学特征序列输入发音诊断模型，获得所述实际发音音素的步骤，包括：

将所述声学特征序列输入发音诊断模型中的声学编码器，获得输出声学特征；

将所述标准字典音素信息输入所述发音诊断模型中的音素编码器，并利用所述音素编码器的输出创建音素键矩阵和音素值矩阵；

将所述标准字典字母信息输入所述发音诊断模型中的字母编码器，并利用所述字母编码器的输出创建字母键矩阵和字母值矩阵；

将所述输出声学特征、所述音素键矩阵、所述音素值矩阵、所述字母键矩阵和所述字母值矩阵输入发音诊断模型中的解码器，获得堆栈输出；

将所述解码器的堆栈输出输入所述发音诊断模型中的序列模型解码器，获得所述实际发音音素。

5.如权利要求4所述的方法，其特征在于，所述声学编码器包括的依次串联的多个声学编码单元，每个声学编码单元包括多头自注意力网络和前馈网络；所述将所述声学特征序列输入发音诊断模型中的声学编码器，获得输出声学特征的步骤，包括：

将所述多个声学编码单元中的第一个声学编码单元确定为当前声学编码单元；

将所述声学特征序列输入所述当前声学编码单元中的多头自注意力网络，获得中间声学特征；

将所述中间声学特征输入所述当前声学编码单元中的前馈网络，获得结果声学特征；

将所述多个声学编码单元中的下一个声学编码单元确定为新的当前声学编码单元，并利用所述新的当前声学编码单元更新所述当前声学编码单元，以及利用所述结果声学特征更新所述声学特征序列；

返回执行所述将所述声学特征序列输入所述当前声学编码单元中的多头自注意力网络的步骤，直到所述多个声学编码单元中最后一个声学编码单元的前馈网络运算完成，获得所述输出声学特征。