语音测评方法、装置、电子设备及计算机可读介质与流程

1.本发明涉及计算机信息处理领域，具体而言，涉及一种语音测评方法、装置、电子设备及计算机可读介质。


背景技术：

2.发音质量评价(pronunciation scoring)是使机器自动评价目标语言语音的发音质量，它可广泛用于口语教学和口语考试系统。随着全球一体化及中国国际化水平的日益提高,我国人民对英语学习的需求飞速增长。但由于国内英语学习环境及教学条件的限制,国内英语学习者普遍存在口语学习困难的情况。随着计算机科学与技术的发展以及语言教学和学习方法的进步,计算机辅助语言学习技术使这一难题有了得以解决的可能。计算机辅助语言学习的核心是语音识别与评价技术,而语音识别技术又是关键所在。由于语音发音变化复杂,语音信号的数据量大,语音特征参数的维度高,语音识别和评价的计算量大,这使得大批量的语音信号处理需要更高要求的软硬件资源和算法。而传统的语音识别算法动态时间规整算法、隐马尔科夫模型和人工神经网络各有利弊,遇到了前所未有的瓶颈,很难进一步提高其准确度与速度。
3.因此，需要一种新的语音测评方法、装置、电子设备及计算机可读介质。
4.在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.有鉴于此，本发明提供一种语音测评方法、装置、电子设备及计算机可读介质，能够有效的兼顾了语音评测中需要的音素的缓变信息，以及不同音素之间的区分信息，能够更加精确的描述音素级别的精度，从而使单词、句子、段落层面的输出评测信息更加的精准。
6.本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
7.根据本发明的一方面，提出一种语音测评方法，该方法包括：获取待测评的语音数据和其对应的文本数据；将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；将所述文本数据输入文本网络中，生成辅助数据；基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果。
8.在本发明的一种示例性实施例中，还包括：通过语音训练数据对深度神经网络模型进行训练，以生成所述第一声学模型；其中，所述第一声学模型用于对语音数据中音素的变化进行测评。
9.在本发明的一种示例性实施例中，基于交叉熵准则对深度神经网络模型进行训
练。
10.在本发明的一种示例性实施例中，还包括：通过语音训练数据对时间延迟深度神经网络模型进行训练，以生成所述第二声学模型；其中，所述第二声学模型用于对语音数据中音素的区分度进行测评。
11.在本发明的一种示例性实施例中，还包括：基于最大互信息量准则对时间延迟深度神经网络模型进行训练。
12.在本发明的一种示例性实施例中，将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据，包括：对所述语音数据进行特征提取，生成语音特征数据；将所述语音特征数据分别输入所述第一声学模型和所述第二声学模型中以得到所述第一声学数据和所述第二声学数据。
13.在本发明的一种示例性实施例中，基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分，包括：获取预设发音词典；基于所述发音词典、所述第一声学数据、所述第二声学数据、所述辅助数据和发音质量算法生成所述第一发音质量评分和所述第二发音质量评分。
14.在本发明的一种示例性实施例中，基于所述发音词典、所述第一声学数据、所述第二声学数据、所述辅助数据和发音质量算法生成所述第一发音质量评分和所述第二发音质量评分，包括：基于所述发音质量算法、所述发音词典、所述辅助数据对所述第一声学数据进行解码得到所述第一发音质量评分；基于所述发音质量算法、所述发音词典、所述辅助数据对所述第二声学数据进行解码得到所述第二发音质量评分。
15.在本发明的一种示例性实施例中，基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果，包括：对所述第一发音质量评分和所述第二发音质量评分进行融合以确定所述待测评的语音数据的测评结果。
16.在本发明的一种示例性实施例中，对所述第一发音质量评分和所述第二发音质量评分进行融合以确定所述待测评的语音数据的测评结果，包括：对所述第一发音质量评分和所述第二发音质量评分进行线性加权以确定所述待测评的语音数据的测评结果；或基于阈值对所述第一发音质量评分和所述第二发音质量评分进行判断以确定所述待测评的语音数据的测评结果。
17.根据本发明的一方面，提出一种语音测评装置，该装置包括：数据模块，用于获取待测评的语音数据和其对应的文本数据；模型计算模块，用于将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；网络计算模块，用于将所述文本数据输入文本网络中，生成辅助数据；解码模块，用于基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；测评模块，用于基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果。
18.根据本发明的一方面，提出一种电子设备，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上文的方法。
19.根据本发明的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
20.根据本发明的语音测评方法、装置、电子设备及计算机可读介质，获取待测评的语音数据和其对应的文本数据；将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；将所述文本数据输入文本网络中，生成辅助数据；基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果的方式，能够有效的兼顾了语音评测中需要的音素的缓变信息，以及不同音素之间的区分信息，能够更加精确的描述音素级别的精度，从而使单词、句子、段落层面的输出评测信息更加的精准。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
22.通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1是根据一示例性实施例示出的一种语音测评方法及装置的系统框图。
24.图2是根据一示例性实施例示出的一种语音测评方法的流程图。
25.图3是根据另一示例性实施例示出的一种语音测评方法的流程图。
26.图4是根据一示例性实施例示出的一种语音测评装置的框图。
27.图5是根据一示例性实施例示出的一种电子设备的框图。
28.图6是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
29.现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
30.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
31.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
32.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
33.应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组
件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本发明概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
34.本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。
35.本发明的发明人发现，现有的语音评测技术通常搜集大量发音质量较高的语音数据训练声学模型，然后通过参考文本、发音词典以及声学模型构建识别网络，最后通过gop(goodness of pronunciation)算法给出后验概率作为衡量学习者对某个音素的发音好坏。若希望得到更多层级音段的分数，则需要组合多种特征按照至底向上的顺序，通过平均或加权平均依次得到音素、单词、句子、段落、篇章的分数。
36.现有的语音评测技术，基本都是通过单一的语音评测系统(gmm、nn等)，最终输出评测分数；而且，目前语音评测系统基本都是采用单系统进行评测，没有利用到不同系统之间的互补性。
37.有鉴于现有技术中的技术瓶颈，本发明提出一种语音测评方法及装置，下面借助于具体的实施例对本发明的内容进行详细说明。
38.图1是根据一示例性实施例示出的一种语音测评方法、装置的系统框图。如图1所示的系统融合框架，待评测语音，经过特征提取后，分别送入第一声学模型(dnn)和第二声学模型(ftdnn)中，结合输入的评测文本，通过解码，在输入第一声音质量评分模型和第二声音质量评分模型中以得到gop1和gop2，然后对两个系统的输出进行融合。
39.其中，评分融合不限于线性加权、阈值判断等方法。在一个具体的实施例中，可采用线性的加权的方式计算评分：
40.其中
41.现有的语音评测系统，要么采用nn
‑
ce准则，能够很好的描述音素的缓变信息，要么采用nn
‑
mmi准则，能够很好的描述不同音素的区分信息，不同准则各有优劣，单系统很难兼顾。
42.在本发明中，语音评测使用不同的神经网络准则系统，同时在gop层面进行融合，有效的兼顾了语音评测中需要的音素的缓变信息，以及不同音素之间的区分信息，能够更加精确的描述音素级别的精度，从而使单词、句子、段落层面的输出评测信息更加的精准，此方法充分利用了不同系统的互补性。
43.图2是根据一示例性实施例示出的一种语音测评方法的流程图。语音测评方法20至少包括步骤s202至s210。
44.如图2所示，在s202中，获取待测评的语音数据和其对应的文本数据。待测评的语音数据可为任意语言的语音文本。本发明可应用在口语考试场景中，考试题目为文本数据，考试录音为待测评的语音数据。
45.在s204中，将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据。可例如，对所述语音数据进行特征提取，生成语音特征数据；将所述语音特征数据分别输入所述第一声学模型和所述第二声学模型中以得到所述第一声学数据和所述第二声学数据。
46.在一个实施例中，语音数据可经过前端信号处理、端点检测等处理后，逐帧提取语
音特征，传统的特征类型包括mfcc、plp、fbank等特征，提取好的特征送至第一声学模型和第二声学模型。
47.在s206中，将所述文本数据输入文本网络中，生成辅助数据。其中，文本网络也可为预训练好的语音模型，用于提供对照语音数据以供待测评的语音数据进行解码。
48.在s208中，基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分。可例如，获取预设发音词典；基于所述发音词典、所述第一声学数据、所述第二声学数据、所述辅助数据和发音质量算法生成所述第一发音质量评分和所述第二发音质量评分。
49.在声学模型、语言模型以及发音词典的共同计算下，找到最为匹配的词序列作为识别结果输出。声学模型主要描述发音模型下特征的似然概率；语言模型主要描述词间的连接概率；发音词典主要是完成词和音之间的转换，其中声学模型建模单元可为三音素模型。
50.在s210中，基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果。可例如，对所述第一发音质量评分和所述第二发音质量评分进行融合以确定所述待测评的语音数据的测评结果。
51.其中，对所述第一发音质量评分和所述第二发音质量评分进行融合以确定所述待测评的语音数据的测评结果，包括：对所述第一发音质量评分和所述第二发音质量评分进行线性加权以确定所述待测评的语音数据的测评结果；或基于阈值对所述第一发音质量评分和所述第二发音质量评分进行判断以确定所述待测评的语音数据的测评结果。
52.根据本发明的语音测评方法，获取待测评的语音数据和其对应的文本数据；将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；将所述文本数据输入文本网络中，生成辅助数据；基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果的方式，能够有效的兼顾了语音评测中需要的音素的缓变信息，以及不同音素之间的区分信息，能够更加精确的描述音素级别的精度，从而使单词、句子、段落层面的输出评测信息更加的精准。
53.应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。
54.图3是根据另一示例性实施例示出的一种语音测评方法的流程图。图3所示的流程30是对图2所示的流程的进一步描述。
55.如图3所示，在s302中，通过语音训练数据对深度神经网络模型进行训练，以生成所述第一声学模型。其中，所述第一声学模型用于对语音数据中音素的变化进行测评。其中，深度神经网络超强的特征学习能力大大简化了特征抽取的过程，降低了建模对于专家经验的依赖，因此建模流程逐步从之前复杂多步的流程转向了简单的端到端的建模流程，由此带来的影响是建模单元逐步从状态、三音素模型向音节、字等较大单元演进。
56.在一个实施例中，还包括：基于交叉熵准则对深度神经网络模型进行训练。交叉熵描述了两个概率分布之间的距离，交叉熵越小，两个概率分布越接近。最小化ce准则等价于
最小化“经验概率分布”与“dnn估计得到的概率分布”的kl距离。
57.深度神经网络dnn，包括很多隐层，训练采用ce准则，输出层为hmm
‑
states，然后通过gop算法得到音素、单词、句子级别的打分；ce准则能够很好的描述音素的缓慢变化的信息，但对音素之间的区别描述能力不够。在本发明的实施例中，基于dnn(deep neural networks)系统的gop后验的输出，能够很好的描述音素的缓变信息。
58.在s304中，通过语音训练数据对时间延迟深度神经网络模型进行训练，以生成所述第二声学模型。其中，所述第二声学模型用于对语音数据中音素的区分度进行测评。
59.在一个实施例中，还包括：基于最大互信息量准则对时间延迟深度神经网络模型进行训练。mmi准则(最大互信息量准则)，该准则旨在最大化单词序列分布和观察序列分布的互信息。
60.基于时间延迟的深度神经网络，同时训练准则采用mmi(maximum mutual information)准则，此网络的好处有两点，第一加入延迟，可以让网络看到更大的时域范围特征，第二，采用lattice
‑
free的mmi训练准则，更能精确的描述音素之间的区分信息。在本发明的实施例中，基于tdnn(time delay neural networks)系统的gop后验输出，对音素好坏的区分能力很强。
61.在s306中，对所述语音数据进行特征提取，生成语音特征数据。
62.在s308中，将所述语音特征数据分别输入所述第一声学模型和所述第二声学模型中以得到所述第一声学数据和所述第二声学数据。
63.在s310中，基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分。其中，发音质量评分可以对是音素(phoneme)、音节(syllable)、词(word)中的一种或几种进行评分。
64.在一个实施例中，可例如，基于所述发音质量算法、所述发音词典、所述辅助数据对所述第一声学数据进行解码得到所述第一发音质量评分。
65.其中，学习者的一段语音提取特征后经过识别网络计算音素层级的gop后验概率：
[0066][0067]
其中，t
s
和t
e
分别表示音素的起始和结束时间，分子p(o
i
|p
i
；t
s
，t
e
)表示观测矢量o
i
在模型p
i
下的似然分数，按照强制对齐可以从解码路径中获得,
[0068]
分母max
q∈q
p(o
i
|q；t
s
，t
e
)按照文本相关的音素循环网络近似获得，q表示参考文本中所有音素模型的集合；
[0069]
音素层级的置信分数p
icm
，其中p
cm
可以从识别网络中通过前后向算法获得；
[0070]
单词层级的后验概率w
i
和置信分数w
icm
可以分别通过音素层级的后验概率和置信分数的平均获得，公式如下：
[0071][0072][0073]
其中n表示单词所含音素个数；
[0074]
最后句子层级的分数s
r
可以通过单词的置信分数和后验概率的加权平均获得
[0075]
公式如下：
[0076][0077]
其中m为句子中单词个数，β分别为加权系数，满足0≤β≤1，且
[0078]
在一个实施例中，可例如，基于所述发音质量算法、所述发音词典、所述辅助数据对所述第二声学数据进行解码得到所述第二发音质量评分。
[0079]
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
[0080]
此外，需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0081]
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
[0082]
图4是根据一示例性实施例示出的一种语音测评装置的框图。如图4所示，语音测评装置40包括：数据模块402，模型计算模块404，网络计算模块406，解码模块408，测评模块410。
[0083]
数据模块402用于获取待测评的语音数据和其对应的文本数据；
[0084]
模型计算模块404用于将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；
[0085]
网络计算模块406用于将所述文本数据输入文本网络中，生成辅助数据；
[0086]
解码模块408用于基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；
[0087]
测评模块410用于基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果。
[0088]
根据本发明的语音测评装置，获取待测评的语音数据和其对应的文本数据；将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；将所述文本数据输入文本网络中，生成辅助数据；基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果的方式，能够有效的兼顾了语音评测中需要的音素的缓变信息，以及不同音素之间的区分信息，能够更加精确的描述音素级别的精度，从而使单词、句子、段落层面的输出评测信息更加的精准。
[0089]
图5是根据一示例性实施例示出的一种电子设备的框图。
[0090]
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0091]
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
[0092]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2，图3中所示的步骤。
[0093]
所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。
[0094]
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0095]
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0096]
电子设备500也可以与一个或多个外部设备500’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备500交互的设备通信，和/或该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0097]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图6所示，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述方法。
[0098]
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
[0099]
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何
可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0100]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0101]
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一个该设备执行时，使得该计算机可读介质实现如下功能：获取待测评的语音数据和其对应的文本数据；将所述语音数据分别输入第一声学模型和第二声学模型中，得到第一声学数据和第二声学数据；将所述文本数据输入文本网络中，生成辅助数据；基于所述第一声学数据、所述第二声学数据、所述辅助数据进行解码得到第一发音质量评分和第二发音质量评分；基于所述第一发音质量评分和所述第二发音质量评分确定所述待测评的语音数据的测评结果。
[0102]
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0103]
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
[0104]
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
[0105]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。