01
一句话定位
一位能在用户开口时发现表达问题、给出行动建议，并通过复练证明效果的实时表达教练。
把表达训练，
变成可验证的能力提升。
口语宝是一款离线优先的中英文 AI 表达训练桌面应用。产品同时处理逐字稿与原始音频，提供实时反馈、可解释指标、同题复练和长期成长证据。
01
产品摘要
一句话定位、目标用户和核心价值。
02
目标用户
面试与复试考生、职场汇报者、销售与客服、教师与培训师、托福雅思口语学习者。
03
核心价值
让用户从“感觉自己表达不好”，走向“知道具体问题、知道下一步动作、看见第二次变化”。
产品边界：口语宝不是医疗或心理诊断工具，也不声称替代专业语言教师。它提供的是可解释、可重复的表达训练支持。
02
问题与产品定位
为什么普通转写和一次性 AI 点评不够。
现有方案的断点
- 转写工具只记录内容，不解释表达质量。
- 课程提供方法，但缺少真实开口时的即时反馈。
- 一次性 AI 报告容易主观，且无法证明建议有效。
- 只分析文字会忽略停顿和音量等声音表现。
口语宝的切入点
- 本地实时识别，降低等待与网络依赖。
- 把问题拆为用词、结构、证据、语速和声音表现。
- 优先展示可复核指标，不依赖神秘综合分。
- 通过同题复练和长期趋势证明训练效果。
03
完整训练闭环
每一步都对应用户可以执行的动作。
自由开始表达
默认无需选题即可开口；面试、汇报等训练方向与中英文题库作为可选辅助。
实时表达
边说边显示字幕和动态统计，及时提示填充、犹豫、笼统表达与语境问题。
训练总结
离线生成文本和声音两类指标；联网时可追加云端精转与大模型报告。
同题复练
保留题目和训练重点，比较前后变化，并写入长期成长看板。
04
技术架构
桌面采集、本地推理、规则分析与可选云端能力分层解耦。
交互层
自由训练与可选题库
实时字幕与问题高亮
训练总结与报告
同题对比与成长看板
↓ Electron IPC：隔离渲染进程与本地能力
音频层
麦克风降噪 / 回声消除
AudioWorklet 100ms 分块
真实采样率 → 16kHz
PCM 缓存与 WAV 编码
↓ 连续低延迟音频流
本地智能层
Sherpa-ONNX 流式 Paraformer
分层表达词库
结构 / 证据信号检测
停顿 / 发声 / 音量分析
↓ 用户主动开启后才进入云端
云端增强层
OpenAI 兼容音频精转
语境化实时建议
六维表达报告
多服务商可配置
↓ 本地保存
数据层
训练逐字稿
统计与声音指标
训练报告
复练关系与趋势
05
可解释指标体系
不把不同概念硬压成一个分数，让用户知道指标从哪里来。
| 指标 | 定义与计算 | 训练意义 | 数据来源 |
|---|---|---|---|
| 每百词问题数 | (填充词 + 犹豫词 + 笼统词) ÷ 总字词数 × 100 | 衡量表达中的干扰性词语密度。 | 逐字稿 + 分层词库 |
| 表达密度 | (总字词数 − 填充词 − 犹豫词) ÷ 总字词数 × 100 | 观察表达是否被口癖与犹豫大量占用。 | 逐字稿 |
| 结构信号 | 统计“首先、因为、因此、最后”等结论、理由、递进和收束提示。 | 判断表达是否存在可跟随的组织线索。 | 逐字稿规则 |
| 证据信号 | 统计案例、经历、数据、百分比等具体支撑。 | 提醒用户把抽象观点落到可验证内容。 | 逐字稿规则 |
| 语速 | 总字词数 ÷ 有效录音时长 × 60 | 发现明显过快或过慢的表达节奏。 | 逐字稿 + 时长 |
| 有效发声占比 | 检测为发声的 20ms 音频帧 ÷ 全部音频帧 × 100 | 观察大量空白是否破坏表达连贯性。 | 原始音频 |
| 长停顿 | 统计首尾有效发声之间超过 0.6 秒的内部静音段。 | 区分有意识停顿与影响理解的长空白。 | 原始音频 |
| 音量稳定性 | 计算有效发声音频帧的分贝标准差。 | 提醒用户保持稳定的麦克风距离和发声强度。 | 原始音频 |
06
隐私与联网边界
核心训练可离线，云端能力明确、可选、可回退。
本地默认能力 无需 API Key
- 中英文实时语音识别
- 问题词高亮与词库分析
- 结构和证据信号检测
- 语速、发声、停顿与音量分析
- 同题前后对比与成长看板
- 本地历史记录
用户可选能力 主动配置后启用
- 云端精转：停止录音后发送整段音频
- 云端 AI 点评：发送逐字稿文字生成实时建议
- 更深入的多维表达报告
- 多家 OpenAI 兼容服务可切换
- 云端失败时保留本地结果
- API Key 不写入安装包，未配置时不发送文字
07
当前限制与路线图
主动说明边界，明确当前能力范围与后续规划。
当前限制
- 本地 ASR 在强噪声、重口音和专业名词场景仍可能出错。
- 结构与证据信号是启发式检测，不能替代人工语篇评价。
- 声音指标反映节奏与稳定性，不等同于完整发音评分。
- 成长趋势用于个人训练参考，不等同权威考试评分。
- 发布渠道、自动更新与代码签名仍在规划中。
风险控制
- 本地实时结果可由云端精转纠正。
- 展示原始指标，避免把模型输出包装成绝对事实。
- 云端失败保留本地结果，保证核心训练仍可离线运行。
- 音频与逐字稿文字的云端流向分别显示。
- 历史记录保留删除入口和本地存储边界。
用户验证
- 完成小规模前后测
- 校准语速与停顿阈值
- 优化专业热词
训练课程化
- 连续任务与阶段目标
- 个性化训练计划
- 教师与教练端
多模态表达
- 发音与韵律模型
- 视频姿态与眼神
- 多人模拟面试