简介一份聚焦大学生日常英语口语练习的Word文档深入剖析了我国英语教育重笔试轻口语、学生基础薄弱等现实问题并针对四六级口语考试、出国留学与外企就业等场景提出从观念到行动的系统提升方案。资料面向正在备考口语考试的大学生及希望摆脱‘哑巴英语’的学习者内容既包含参加口语培训班、利用网络课程自主练习等技巧也强调通过英语角、社团活动、与外国友人交流等方式进行实战还提醒学习者保持积极心态、建立清晰的职业规划。文档全文共1个docx文件体积仅11KB篇幅短小但结构清晰适合快速通读并反复对照实践。目前已有109人学习读者可从中获得一套可落地的口语训练思路包括如何选择课程、如何寻找练习伙伴、如何将日常练习与未来发展方向结合为提升英语实际交流能力打下扎实基础。1. 大学生日常英语口语的练习把 docx 从“资料”变成“训练数据”拿到《大学生日常英语口语的练习.docx》这类资料最常见的处理流程是打开、浏览、收藏然后某天突然想起翻两页又关上。问题不在内容质量而在 Word 是静态排版口语练习真正需要的是“听到句子—开口跟读—得到反馈—再次练习”的闭环文档只提供了“句子”这一项原料。把一个 docx 变成可运行的口语练习系统本质是数据工程用 python-docx 抽句子用 TTS 生成参考音频用录音加 Whisper 转录把朗读量化成 WER再用间隔重复决定哪些句子明天该练。这套流程适合想借练习顺便写代码的大学生也适合给学生批量制作听说材料的开发者。接下来按材料制作、录音评分、记忆排期、数据回顾四步把链路搭起来。2. 用 python-docx 拆分原语料从整篇 Word 到一句一练2.1 为什么静态的 Word 文档做不了练习闭环docx 的排版单位是段落和表格而口语练习的最小单位是句子。一个自然段可能包含两三句完整的话一段讲义的标题又不是句子直接整段朗读注意力被长文本稀释跟读时很难定位到具体哪个词出了问题。所以第一步是把文档“打碎”成一句一行并保留可回溯的编号这样后面的录音、转录、评分都能以句子为主键对齐。“打碎”过程有三个约束句子长度要适中太长了记不住太短了没有节奏感句子要以英文为主高校口语教材里经常混排中文注释这些不是跟读对象混进去会把后面的 WER 计算弄脏还要跳过文档里的标题段落Heading 样式通常是章节名不是口语语料。把这些约束写进提取脚本而不是靠人工清理才能让流程在下一份 docx 上直接复用。2.2 最小提取脚本一次跑出 sentences.tsv使用 python-docx 读取段落按中英文句末标点切句再按字符长度和英文字母占比过滤输出成两列 TSV编号和句子。import re from docx import Document doc Document(大学生日常英语口语的练习.docx) sentence_pattern re.compile(r[^.!?。][.!?。]?) seq 0 with open(sentences.tsv, w, encodingutf-8) as f: for para in doc.paragraphs: # 跳过空段落和标题样式标题不是口语训练对象 if not para.text.strip(): continue if para.style.name.startswith(Heading): continue for sent in sentence_pattern.findall(para.text): sent sent.strip() # 太短的句子没有跟读价值按字符数过滤 if len(sent) 20: continue letters [ch for ch in sent if ch.isalpha()] if not letters: continue # 统计英文字母占比低于 0.8 的视为中文注释或混合句 en sum(1 for ch in letters if a ch.lower() z) if en / len(letters) 0.8: continue seq 1 f.write(f{seq:04d}\t{sent}\n)paragraph.style.name用来跳过 Heading 开头的段落不同模板可能叫 “Heading 1” 或 “Title”按前缀匹配即可。english_ratio阈值取 0.8材料是中英对照排版时中文句子会被丢到跟读集之外如果你想把中文保留为卡片的释义字段可以在写入 TSV 时多加一列不要混进英文句子本身。len(sent) 20是字符数比按词数判断更简单因为标点也占用长度阈值可以按文档实际情况调整原则是跟读时一眼能看完整句话。提示口语教材经常把中英对照放进表格而doc.paragraphs拿不到表格里的内容。遇到这种情况需要额外遍历doc.tables中的cell.paragraphs否则句子数量会少一半。2.3 生成参考音频离线用 espeak-ng要自然音色用 edge-tts有了句子清单下一步生成可反复播放的参考音频。初学阶段的音频应该比正常语速慢一点练熟后再逐步加快。用 espeak-ng 可以做到完全离线批量生成# 逐行读取 sentences.tsv第一列是编号第二列是英文句子 while IFS$\t read -r idx sent; do echo $sent | espeak-ng -v en-us -s 145 -a 180 -w audio/${idx}.wav done sentences.tsv-s 145是每分钟词数日常对话在 140 到 180 之间初练放慢到 145熟练后调到 160 到 170。-a 180是音量幅度范围 20 到 200取 180 能保证转录时波形清晰。espeak-ng 的缺点是机器感强、语调平适合练节奏而不是练语调。如果模仿的是语调变化可以用 edge-tts 生成更自然的声音edge-tts --voice en-US-JennyNeural --rate-10% \ --text Can I take your order? --write-media audio/0001.mp3--voice指定发音人--rate-10%相当于放慢 10%熟悉后改成--rate5%提速。edge-tts 输出的是 mp3保存路径和句子编号保持一致后续间隔重复系统可以直接用[sound:0001.mp3]引用。表面对比一下三种音频来源引擎音质特点是否离线适合场景espeak-ng合成感强、辅音清晰完全离线节奏训练、批量生成edge-tts自然、有语调需要联网语调模仿、日常表达真人录音最自然、连读弱读完整人工剪辑考前模仿、精听素材真人录音效果最好但切割、命名、对齐原句都是额外工作脚本生成才是成本最低的起点。到这一步本地应该有了sentences.tsv、audio/目录和原始 docx材料层就绪。3. Whisper 影子跟读录音把“开口”变成可观测数据3.1 影子跟读为什么适合日常口语练习影子跟读Shadowing是语言教学里训练口语节奏和语音工作记忆的方法原音播放后延迟 0.5 到 1 秒你跟着复述。和默读或朗读不同影子跟读强迫耳朵和嘴巴在同一个时间窗口里工作大脑必须把声音信号直接映射到发音动作中间没有“先翻译成中文再翻译回英文”的余地这正是日常口语最缺的能力。不同练习方式的反馈强度差别很大决定了能不能自己独立完成闭环。方式反馈来源是否可自测适合阶段泛听无直接反馈否输入积累朗读错词不明显需录音回听发音基础影子跟读加录音ASR 转录可对比是初中级提升自由交谈对方反应否高级输出日常练习能做到的是“跟读加录音”这条链路把“感觉读对了”变成“WER 是多少”。转录工具选用 Whisper它对非母语口音的容错比很多商用 API 更适合做学习场景。3.2 录音与转录16k 单声道是底线录音用 ffmpeg转录用 Whisper# macOS 录音:0 是默认输入设备Linux 换 alsa 的 hw:0Windows 用 dshow 设备名 ffmpeg -y -f avfoundation -i :0 -ac 1 -ar 16000 recording_001.wav # Whisper 转录输出同名的 tsv 文件 whisper recording_001.wav --model small --language en \ --word_timestamps True --output_format tsv --fp16 False \ --condition_on_previous_text False-ac 1 -ar 16000表示单声道、16 kHz 采样率这是语音识别前端通用的配置Whisper 内部会重采样但录音时直接设为 16k 可以减少不必要的格式转换。--model small在 CPU 上几分钟内就能处理完一段两分钟的录音tiny 和 base 对非母语口音的错误率明显更高不建议用在口语评估场景。--word_timestamps True会输出每个词的起止时间后面做错词定位和音频剪辑时会用到。--fp16 False在没有 NVIDIA GPU 的机器上必须加否则部分环境会报类型错误。--condition_on_previous_text False用来避免模型在听不清时顺着上一句自己编内容长录音里这个现象尤其明显。提示录音前不要做降噪处理。Whisper 在训练时见过大量带噪语音轻微背景声不影响识别降噪处理反而会削掉 s、z、th 这类高频齿音导致转录结果变差。录音时离嘴 20 到 30 厘米保持正常音量即可。3.3 用 jiwer 把录音和原句对答案Whisper 输出的是它“听懂了什么”你需要的是和原句差多少。词错误率 WER 计算的是编辑距离除以参考词数数字越小越好import jiwer ref Can I take your order please hyp Can I take you order please # 从 whisper tsv 中读取 transcription words jiwer.process_words(ref, hyp) chars jiwer.process_characters(ref, hyp) print(fWER{words.wer:.3f} CER{chars.cer:.3f}) print(错词:, words.substitutions, 漏词:, words.deletions, 多词:, words.insertions)WER 反映的是“词有没有说出来”CER 会额外暴露词尾变化比如 missed 说成 miss、worked 说成 workWER 可能显示为 0CER 却明显偏高。substitutions、deletions、insertions分别对应说错、少说、多说这三个值比单一 WER 更能指导下一步练什么。拿到数字后按下面的区间处理WER 区间判断下一步小于 0.10基本照读提高语速、换陌生句子0.10 到 0.30部分词出错错词进错题本大于 0.30断句或发音差异大放慢原音先练节奏提示Whisper 有“听懂就补全”的倾向它会按语言模型把不标准的发音改写成通顺句子所以 WER 等于 0 不代表发音标准只代表模型听懂了。评估标准是“原句和实际说话内容的差距”而不是“实际内容是否读起来通顺”。4. 间隔重复与 genanki让口语语料按遗忘曲线排队4.1 口语练习也需要 SM-2第一次读对的句子两天后可能又卡住第一次读错的句子更要在遗忘临界点附近再见面。间隔重复把复习时间从“凭感觉安排”变成“按上次表现计算”。SM-2 的核心逻辑是每张卡有一个难度系数 EF每次复习按 0 到 5 打分答对且分数高间隔乘以 EF答错则间隔重置EF 下调。EF 初值 2.5调整公式大致是EF EF (0.1 - (5 - q) * (0.08 (5 - q) * 0.02))。对口语来说“答对”的标准不是背出译文而是听音频后能流畅跟读且转录 WER 低于 0.15。把上一章的量化结果接入 SM-2 的评分复习计划就不再依赖主观感觉。4.2 用 genanki 生成带音频的卡片生成 Anki 卡片的常见做法是用 genanki 这个 Python 库它把 SQLite 数据库和媒体文件打包成.apkgimport genanki model genanki.Model( 1607392319, Spoken English Sentence, fields[ {name: Sentence}, {name: Translation}, {name: Audio}, ], templates[{ name: Listen and repeat, qfmt: {{Audio}}br{{Sentence}}, afmt: {{FrontSide}}hr idanswer{{Translation}}, }], ) deck genanki.Deck(2059401175, daily-spoken-english) rows [ (1, Can I take your order?, 可以点单吗, audio/0001.mp3, 0.42), (2, Could I have a receipt?, 可以给我小票吗, audio/0002.mp3, 0.08), ] # WER 超过 0.15 的句子才值得进卡片练一次就对的句子不需要占复习位 bad [r for r in rows if r[4] 0.15] for sid, sentence, trans, audio_file, wer in bad: note genanki.Note( modelmodel, fields[sentence, trans, f[sound:{audio_file}]], ) deck.add_note(note) audio_paths [r[3] for r in bad] genanki.Package(deck, media_filesaudio_paths).write_to_file(daily_spoken.apkg)model 的 id 和 deck 的 id 只要是一个整数就行但同一个牌组每次生成要保持 id 不变Anki 才会把新包合并进旧牌组否则会新建一套重复卡片。media_files必须包含所有卡片用到的音频路径缺了列表 Anki 里会没有声音。qfmt先放{{Audio}}再放{{Sentence}}是为了让学习者先听、先跟读再核对文本避免视觉提示抢先。WER 阈值取 0.15介于“基本照读 0.10”和“明显卡壳 0.30”之间。低于 0.15 的句子说明已经掌握了练过就算高于 0.15 的进卡片等待间隔重复排期。4.3 三个必调参数Anki 默认参数面向语言类记忆直接用在口语练习上会偏激进建议按以下表格调整参数默认值口语练习建议理由新卡数量/天2010 到 15口语靠复习量新卡太多会积压最大复习数/天200100单次练习控制在 20 分钟内起始难度倍率250%200%WER 高时让容易错的句子更快再见简单奖励130%120%减少“简单”带来的长间隔卡片排序按到期时间即可不要按句子长度或手写顺序重新排。读得好的短句和读不好的长句优先级完全不同SM-2 算出的间隔本身就是最合理的出队顺序。5. 用 SQLite 做周回顾练过的句子要能查得到练习两周后本地会出现sentences.tsv、audio/目录、几十份 whisper tsv 和 apkg 文件。如果只当普通文件堆着想找“最近反复错的三句话”就得靠记忆。可以在每次转录后把结果追加进一张 SQLite 表字段包括句子编号、参考文本、WER、录音文件和练习时间CREATE TABLE practice_log ( sentence_id INTEGER, ref_text TEXT, wer REAL, recording_file TEXT, session_date TEXT DEFAULT (date(now)) );每周跑一次聚合查询把练过三次以上且平均 WER 高于 0.2 的句子捞出来SELECT sentence_id, ref_text, COUNT(*) AS attempts, ROUND(AVG(wer), 3) AS avg_wer FROM practice_log WHERE session_date date(now, -7 days) GROUP BY sentence_id HAVING AVG(wer) 0.2 ORDER BY AVG(wer) DESC;HAVING AVG(wer) 0.2过滤的是平均错误率偏高的句子Whisper 对非母语口音本身有容错平均 0.2 说明这些词确实经常出问题。把查询结果导出成 txt再交给第 2 章的生成脚本重新做音频就是本周的复查清单。如果还想回听自己一周的录音对比进步可以用 ffmpeg 把录音文件按顺序拼成一条printf file recording_001.wav\nfile recording_002.wav\n week.txt ffmpeg -f concat -safe 0 -i week.txt -c copy week_review.mp3-c copy不重新编码拼接速度快回放时想慢一点再加上-af atempo0.9或atempo0.85。整套流程里唯一需要手动做的只有架好手机录五分钟音频剩下的句子切分、音频生成、转录评分、卡片打包、周报查询都交给脚本每周固定跑一次对比的就是同一批句子的新 WER。本文还有配套的精品资源点击获取 用Python构建英语口语练习闭环：从docx到Anki的自动化流程
简介一份聚焦大学生日常英语口语练习的Word文档深入剖析了我国英语教育重笔试轻口语、学生基础薄弱等现实问题并针对四六级口语考试、出国留学与外企就业等场景提出从观念到行动的系统提升方案。资料面向正在备考口语考试的大学生及希望摆脱‘哑巴英语’的学习者内容既包含参加口语培训班、利用网络课程自主练习等技巧也强调通过英语角、社团活动、与外国友人交流等方式进行实战还提醒学习者保持积极心态、建立清晰的职业规划。文档全文共1个docx文件体积仅11KB篇幅短小但结构清晰适合快速通读并反复对照实践。目前已有109人学习读者可从中获得一套可落地的口语训练思路包括如何选择课程、如何寻找练习伙伴、如何将日常练习与未来发展方向结合为提升英语实际交流能力打下扎实基础。1. 大学生日常英语口语的练习把 docx 从“资料”变成“训练数据”拿到《大学生日常英语口语的练习.docx》这类资料最常见的处理流程是打开、浏览、收藏然后某天突然想起翻两页又关上。问题不在内容质量而在 Word 是静态排版口语练习真正需要的是“听到句子—开口跟读—得到反馈—再次练习”的闭环文档只提供了“句子”这一项原料。把一个 docx 变成可运行的口语练习系统本质是数据工程用 python-docx 抽句子用 TTS 生成参考音频用录音加 Whisper 转录把朗读量化成 WER再用间隔重复决定哪些句子明天该练。这套流程适合想借练习顺便写代码的大学生也适合给学生批量制作听说材料的开发者。接下来按材料制作、录音评分、记忆排期、数据回顾四步把链路搭起来。2. 用 python-docx 拆分原语料从整篇 Word 到一句一练2.1 为什么静态的 Word 文档做不了练习闭环docx 的排版单位是段落和表格而口语练习的最小单位是句子。一个自然段可能包含两三句完整的话一段讲义的标题又不是句子直接整段朗读注意力被长文本稀释跟读时很难定位到具体哪个词出了问题。所以第一步是把文档“打碎”成一句一行并保留可回溯的编号这样后面的录音、转录、评分都能以句子为主键对齐。“打碎”过程有三个约束句子长度要适中太长了记不住太短了没有节奏感句子要以英文为主高校口语教材里经常混排中文注释这些不是跟读对象混进去会把后面的 WER 计算弄脏还要跳过文档里的标题段落Heading 样式通常是章节名不是口语语料。把这些约束写进提取脚本而不是靠人工清理才能让流程在下一份 docx 上直接复用。2.2 最小提取脚本一次跑出 sentences.tsv使用 python-docx 读取段落按中英文句末标点切句再按字符长度和英文字母占比过滤输出成两列 TSV编号和句子。import re from docx import Document doc Document(大学生日常英语口语的练习.docx) sentence_pattern re.compile(r[^.!?。][.!?。]?) seq 0 with open(sentences.tsv, w, encodingutf-8) as f: for para in doc.paragraphs: # 跳过空段落和标题样式标题不是口语训练对象 if not para.text.strip(): continue if para.style.name.startswith(Heading): continue for sent in sentence_pattern.findall(para.text): sent sent.strip() # 太短的句子没有跟读价值按字符数过滤 if len(sent) 20: continue letters [ch for ch in sent if ch.isalpha()] if not letters: continue # 统计英文字母占比低于 0.8 的视为中文注释或混合句 en sum(1 for ch in letters if a ch.lower() z) if en / len(letters) 0.8: continue seq 1 f.write(f{seq:04d}\t{sent}\n)paragraph.style.name用来跳过 Heading 开头的段落不同模板可能叫 “Heading 1” 或 “Title”按前缀匹配即可。english_ratio阈值取 0.8材料是中英对照排版时中文句子会被丢到跟读集之外如果你想把中文保留为卡片的释义字段可以在写入 TSV 时多加一列不要混进英文句子本身。len(sent) 20是字符数比按词数判断更简单因为标点也占用长度阈值可以按文档实际情况调整原则是跟读时一眼能看完整句话。提示口语教材经常把中英对照放进表格而doc.paragraphs拿不到表格里的内容。遇到这种情况需要额外遍历doc.tables中的cell.paragraphs否则句子数量会少一半。2.3 生成参考音频离线用 espeak-ng要自然音色用 edge-tts有了句子清单下一步生成可反复播放的参考音频。初学阶段的音频应该比正常语速慢一点练熟后再逐步加快。用 espeak-ng 可以做到完全离线批量生成# 逐行读取 sentences.tsv第一列是编号第二列是英文句子 while IFS$\t read -r idx sent; do echo $sent | espeak-ng -v en-us -s 145 -a 180 -w audio/${idx}.wav done sentences.tsv-s 145是每分钟词数日常对话在 140 到 180 之间初练放慢到 145熟练后调到 160 到 170。-a 180是音量幅度范围 20 到 200取 180 能保证转录时波形清晰。espeak-ng 的缺点是机器感强、语调平适合练节奏而不是练语调。如果模仿的是语调变化可以用 edge-tts 生成更自然的声音edge-tts --voice en-US-JennyNeural --rate-10% \ --text Can I take your order? --write-media audio/0001.mp3--voice指定发音人--rate-10%相当于放慢 10%熟悉后改成--rate5%提速。edge-tts 输出的是 mp3保存路径和句子编号保持一致后续间隔重复系统可以直接用[sound:0001.mp3]引用。表面对比一下三种音频来源引擎音质特点是否离线适合场景espeak-ng合成感强、辅音清晰完全离线节奏训练、批量生成edge-tts自然、有语调需要联网语调模仿、日常表达真人录音最自然、连读弱读完整人工剪辑考前模仿、精听素材真人录音效果最好但切割、命名、对齐原句都是额外工作脚本生成才是成本最低的起点。到这一步本地应该有了sentences.tsv、audio/目录和原始 docx材料层就绪。3. Whisper 影子跟读录音把“开口”变成可观测数据3.1 影子跟读为什么适合日常口语练习影子跟读Shadowing是语言教学里训练口语节奏和语音工作记忆的方法原音播放后延迟 0.5 到 1 秒你跟着复述。和默读或朗读不同影子跟读强迫耳朵和嘴巴在同一个时间窗口里工作大脑必须把声音信号直接映射到发音动作中间没有“先翻译成中文再翻译回英文”的余地这正是日常口语最缺的能力。不同练习方式的反馈强度差别很大决定了能不能自己独立完成闭环。方式反馈来源是否可自测适合阶段泛听无直接反馈否输入积累朗读错词不明显需录音回听发音基础影子跟读加录音ASR 转录可对比是初中级提升自由交谈对方反应否高级输出日常练习能做到的是“跟读加录音”这条链路把“感觉读对了”变成“WER 是多少”。转录工具选用 Whisper它对非母语口音的容错比很多商用 API 更适合做学习场景。3.2 录音与转录16k 单声道是底线录音用 ffmpeg转录用 Whisper# macOS 录音:0 是默认输入设备Linux 换 alsa 的 hw:0Windows 用 dshow 设备名 ffmpeg -y -f avfoundation -i :0 -ac 1 -ar 16000 recording_001.wav # Whisper 转录输出同名的 tsv 文件 whisper recording_001.wav --model small --language en \ --word_timestamps True --output_format tsv --fp16 False \ --condition_on_previous_text False-ac 1 -ar 16000表示单声道、16 kHz 采样率这是语音识别前端通用的配置Whisper 内部会重采样但录音时直接设为 16k 可以减少不必要的格式转换。--model small在 CPU 上几分钟内就能处理完一段两分钟的录音tiny 和 base 对非母语口音的错误率明显更高不建议用在口语评估场景。--word_timestamps True会输出每个词的起止时间后面做错词定位和音频剪辑时会用到。--fp16 False在没有 NVIDIA GPU 的机器上必须加否则部分环境会报类型错误。--condition_on_previous_text False用来避免模型在听不清时顺着上一句自己编内容长录音里这个现象尤其明显。提示录音前不要做降噪处理。Whisper 在训练时见过大量带噪语音轻微背景声不影响识别降噪处理反而会削掉 s、z、th 这类高频齿音导致转录结果变差。录音时离嘴 20 到 30 厘米保持正常音量即可。3.3 用 jiwer 把录音和原句对答案Whisper 输出的是它“听懂了什么”你需要的是和原句差多少。词错误率 WER 计算的是编辑距离除以参考词数数字越小越好import jiwer ref Can I take your order please hyp Can I take you order please # 从 whisper tsv 中读取 transcription words jiwer.process_words(ref, hyp) chars jiwer.process_characters(ref, hyp) print(fWER{words.wer:.3f} CER{chars.cer:.3f}) print(错词:, words.substitutions, 漏词:, words.deletions, 多词:, words.insertions)WER 反映的是“词有没有说出来”CER 会额外暴露词尾变化比如 missed 说成 miss、worked 说成 workWER 可能显示为 0CER 却明显偏高。substitutions、deletions、insertions分别对应说错、少说、多说这三个值比单一 WER 更能指导下一步练什么。拿到数字后按下面的区间处理WER 区间判断下一步小于 0.10基本照读提高语速、换陌生句子0.10 到 0.30部分词出错错词进错题本大于 0.30断句或发音差异大放慢原音先练节奏提示Whisper 有“听懂就补全”的倾向它会按语言模型把不标准的发音改写成通顺句子所以 WER 等于 0 不代表发音标准只代表模型听懂了。评估标准是“原句和实际说话内容的差距”而不是“实际内容是否读起来通顺”。4. 间隔重复与 genanki让口语语料按遗忘曲线排队4.1 口语练习也需要 SM-2第一次读对的句子两天后可能又卡住第一次读错的句子更要在遗忘临界点附近再见面。间隔重复把复习时间从“凭感觉安排”变成“按上次表现计算”。SM-2 的核心逻辑是每张卡有一个难度系数 EF每次复习按 0 到 5 打分答对且分数高间隔乘以 EF答错则间隔重置EF 下调。EF 初值 2.5调整公式大致是EF EF (0.1 - (5 - q) * (0.08 (5 - q) * 0.02))。对口语来说“答对”的标准不是背出译文而是听音频后能流畅跟读且转录 WER 低于 0.15。把上一章的量化结果接入 SM-2 的评分复习计划就不再依赖主观感觉。4.2 用 genanki 生成带音频的卡片生成 Anki 卡片的常见做法是用 genanki 这个 Python 库它把 SQLite 数据库和媒体文件打包成.apkgimport genanki model genanki.Model( 1607392319, Spoken English Sentence, fields[ {name: Sentence}, {name: Translation}, {name: Audio}, ], templates[{ name: Listen and repeat, qfmt: {{Audio}}br{{Sentence}}, afmt: {{FrontSide}}hr idanswer{{Translation}}, }], ) deck genanki.Deck(2059401175, daily-spoken-english) rows [ (1, Can I take your order?, 可以点单吗, audio/0001.mp3, 0.42), (2, Could I have a receipt?, 可以给我小票吗, audio/0002.mp3, 0.08), ] # WER 超过 0.15 的句子才值得进卡片练一次就对的句子不需要占复习位 bad [r for r in rows if r[4] 0.15] for sid, sentence, trans, audio_file, wer in bad: note genanki.Note( modelmodel, fields[sentence, trans, f[sound:{audio_file}]], ) deck.add_note(note) audio_paths [r[3] for r in bad] genanki.Package(deck, media_filesaudio_paths).write_to_file(daily_spoken.apkg)model 的 id 和 deck 的 id 只要是一个整数就行但同一个牌组每次生成要保持 id 不变Anki 才会把新包合并进旧牌组否则会新建一套重复卡片。media_files必须包含所有卡片用到的音频路径缺了列表 Anki 里会没有声音。qfmt先放{{Audio}}再放{{Sentence}}是为了让学习者先听、先跟读再核对文本避免视觉提示抢先。WER 阈值取 0.15介于“基本照读 0.10”和“明显卡壳 0.30”之间。低于 0.15 的句子说明已经掌握了练过就算高于 0.15 的进卡片等待间隔重复排期。4.3 三个必调参数Anki 默认参数面向语言类记忆直接用在口语练习上会偏激进建议按以下表格调整参数默认值口语练习建议理由新卡数量/天2010 到 15口语靠复习量新卡太多会积压最大复习数/天200100单次练习控制在 20 分钟内起始难度倍率250%200%WER 高时让容易错的句子更快再见简单奖励130%120%减少“简单”带来的长间隔卡片排序按到期时间即可不要按句子长度或手写顺序重新排。读得好的短句和读不好的长句优先级完全不同SM-2 算出的间隔本身就是最合理的出队顺序。5. 用 SQLite 做周回顾练过的句子要能查得到练习两周后本地会出现sentences.tsv、audio/目录、几十份 whisper tsv 和 apkg 文件。如果只当普通文件堆着想找“最近反复错的三句话”就得靠记忆。可以在每次转录后把结果追加进一张 SQLite 表字段包括句子编号、参考文本、WER、录音文件和练习时间CREATE TABLE practice_log ( sentence_id INTEGER, ref_text TEXT, wer REAL, recording_file TEXT, session_date TEXT DEFAULT (date(now)) );每周跑一次聚合查询把练过三次以上且平均 WER 高于 0.2 的句子捞出来SELECT sentence_id, ref_text, COUNT(*) AS attempts, ROUND(AVG(wer), 3) AS avg_wer FROM practice_log WHERE session_date date(now, -7 days) GROUP BY sentence_id HAVING AVG(wer) 0.2 ORDER BY AVG(wer) DESC;HAVING AVG(wer) 0.2过滤的是平均错误率偏高的句子Whisper 对非母语口音本身有容错平均 0.2 说明这些词确实经常出问题。把查询结果导出成 txt再交给第 2 章的生成脚本重新做音频就是本周的复查清单。如果还想回听自己一周的录音对比进步可以用 ffmpeg 把录音文件按顺序拼成一条printf file recording_001.wav\nfile recording_002.wav\n week.txt ffmpeg -f concat -safe 0 -i week.txt -c copy week_review.mp3-c copy不重新编码拼接速度快回放时想慢一点再加上-af atempo0.9或atempo0.85。整套流程里唯一需要手动做的只有架好手机录五分钟音频剩下的句子切分、音频生成、转录评分、卡片打包、周报查询都交给脚本每周固定跑一次对比的就是同一批句子的新 WER。本文还有配套的精品资源点击获取