摘要
本发明公开了英语口语教学语音处理系统及方法，属于教育技术与语音处理领域。通过高灵敏度麦克风采集多场景语音数据，利用Cnfrmer+LSTM架构进行语音识别，结合梅尔倒谱系数提取特征，构建包含地域方言特征库与等级评估体系的三维教学框架。针对山东、广东等方言区的发音混淆点，如/r/l/、/ʒ/s/混淆，通过44个音素级双分支神经网络建模，实现“地域等级音素”三维分类。借助近端策略优化算法动态调整教学策略，结合Autoencoder+t‑SNE聚类与MAML元学习实现模型迭代。系统支持AR口型指导与多模态反馈，山东学生实验组音素错误率（PER）降低28%，模型内存占用降低99%，处理延迟＜80ms，有效解决传统教学同质化、评估滞后问题，适用于在线教育与课堂教学场景。
