核心用法
Pronunciation Coach 是一款基于 Microsoft Azure Speech Services 的英语发音评估工具，专为需要系统性改善口语发音的学习者设计。用户通过语音消息提交朗读音频，系统会自动完成格式转换、云端分析和报告生成全流程。
使用流程：
1. 接收存储于 ~/.openclaw/media/inbound/ 的语音消息（支持 ogg/wav/mp3/m4a 格式）
2. 执行评估脚本 pronunciation-assess.sh，传入音频路径和目标文本
3. 通过 Node.js 报告生成器输出结构化反馈
4. 根据分析结果提供分层 coaching：发送评分报告 → 识别 Top 3 问题音素 → 语音示范纠正 → 布置针对性练习
核心技术：依托 Azure Speech Service 的 Pronunciation Assessment API，支持音素级（phoneme-level）准确度、流利度（fluency）、韵律（prosody）、完整性（completeness）四维评分，以及逐词细分的音素错误标注。
---
显著优点
- 专业级评估精度：微软 Azure 语音服务在语音识别领域属 T1 级别，音素级分析能力远超普通 APP 的音标匹配
- 端到端自动化：ffmpeg 自动转码 + 云端 API + Node.js 报告生成，无需手动处理音频格式
- 可落地的 coaching 框架：内置评分分级标准（≥90 优秀/70-89 需针对性练习/<70 需专项 drills）、问题音素定位、TTS 示范纠正、个性化作业布置，形成完整教学闭环
- 多维度进步追踪：支持多次录音分数对比，量化学习曲线
---
潜在缺点与局限性
- 依赖第三方云服务：必须持有有效的 Azure Speech API Key，存在服务可用性、配额限制及持续成本问题
- 隐私敏感操作：用户语音数据需上传至微软 Azure 服务器处理，涉及跨境数据传输合规风险
- 环境配置复杂：需同时配置 ffmpeg、Node.js 运行时及 Azure 凭证，对非技术用户门槛较高
- 英语单一语种：当前仅支持英语发音评估，无法覆盖多语言学习需求
- 网络依赖性强：离线场景完全不可用
---
适合人群
- 备考雅思/托福口语、追求发音评分量化的留学预备人员
- 希望获得音素级错误定位、而非仅整体分数反馈的中高级英语学习者
- 具备基础技术配置能力、能接受云端 API 调用的自驱型用户
- 需要追踪发音进步轨迹、建立数据驱动练习习惯的长期学习者
---
常规风险
- 数据隐私风险：语音生物特征数据上传至微软 Azure，需评估个人敏感信息保护合规性
- API 密钥泄露风险：环境变量或脚本参数传递的 AZURE_SPEECH_KEY 若管理不当，可能导致云服务资源被盗用
- 成本失控风险：按调用量计费的 Azure Speech API 在高频使用场景下可能产生意外账单
- 服务中断风险：微软云服务区域故障或 API 变更可能导致技能临时不可用
- 评估偏差风险：语音识别引擎对非母语口音的适应性存在局限，可能导致评分偏差