Flutter开发：如何基于SpeechtoText检测发音相似度百分比？

一、发音评估API选型 #

放弃仅能实现文本转写的SpeechtoText包，选择自带发音评分能力的云端API，推荐两个成熟选项：

• Google Cloud Speech-to-Text（发音评估功能）：支持多语言，能返回单词级、音素级的准确性评分，适配多语种游戏场景。
• Microsoft Azure Speech Services（发音评估）：提供准确性、流利度、完整性三维评分，还能定位具体发音错误的音素，便于生成针对性提升建议。

二、核心实现步骤 #

1. 替换语音识别模块
   以Azure为例，调用发音评估接口时，需传入录音音频流（优先PCM格式）、目标单词/文本、语言参数，接口会返回结构化评分数据：

   # 伪代码示例（Azure SDK）
   from azure.cognitiveservices.speech import SpeechConfig, SpeechRecognizer, PronunciationAssessmentConfig
   
   speech_config = SpeechConfig(subscription="你的密钥", region="对应区域")
   pronunciation_config = PronunciationAssessmentConfig(reference_text="apple", grading_system="HundredMark", granularity="Phoneme")
   recognizer = SpeechRecognizer(speech_config=speech_config)
   pronunciation_config.apply_to(recognizer)
   
   result = recognizer.recognize_once()
   if result.reason == ResultReason.RecognizedSpeech:
       pron_result = PronunciationAssessmentResult(result)
       accuracy_score = pron_result.accuracy_score  # 0-100的准确性得分
   

2. 关卡内容管理
   用JSON配置文件存储关卡数据，示例结构：

   {
     "levels": [
       {
         "level_id": 1,
         "words": ["apple", "banana", "cat"]
       },
       {
         "level_id": 2,
         "words": ["dog", "elephant", "fish"]
       }
     ]
   }
   

   加载配置后按顺序展示各关卡的待朗读单词。

3. 单单词评分逻辑
   直接采用API返回的准确性得分（如Azure的accuracy_score）：

   • 得分≥95：判定为发音完全标准，给100%得分
   • 得分60-94：发音正确但有提升空间，直接取API得分作为该单词最终得分
   • 得分<60：发音偏差较大，提示用户重录或计入低分

4. 累计得分计算

   • 单关卡得分：该关卡所有单词得分的平均值
   • 游戏累计得分：所有关卡得分的平均值，保留1位小数

5. 发音提升建议生成
   基于API返回的音素级错误数据，生成针对性建议：

   • 若某音素（如/æ/）多次发音错误：提示“你在发/æ/音时存在偏误，建议练习包含该音素的单词：cat, bag, hat”
   • 若流利度得分低：提示“朗读时语速偏快或停顿不当，建议放慢语速，逐词清晰发音”
   • 若完整性得分低：提示“部分单词未读完，建议朗读时确保每个单词发音完整”

三、实施建议 #

• 先做最小可运行版本：优先集成单个API，实现单单词评分+基础关卡逻辑，再逐步扩展多关卡、累计得分和建议功能。
• 优化录音质量：提示用户在安静环境下录制，设置录音时长为单词长度+1秒（避免截断），支持录音重录功能。
• 考虑离线备选：如果需要支持无网络场景，可调研CMU Sphinx的语音评分扩展方案，但云端API的准确性远高于离线方案。
• 强化实时反馈：读完单词后立即展示得分和简短建议，关卡结束显示关卡得分，游戏结束展示总得分+综合提升报告。

内容的提问来源于stack exchange，提问作者ayokona