Локальный ИИ-репетитор по английскому языку: разговор, произношение и словарь без облака

Почему английский особенно хорошо подходит локальному ИИ

Язык требует частой практики. Не обязательно час с преподавателем два раза в неделю: полезны короткие ежедневные диалоги, повторение слов, чтение вслух и небольшие writing tasks. Именно здесь локальный ИИ даёт сильное преимущество — с ним можно говорить сколько угодно, без поминутной оплаты API и без передачи детских голосовых данных в облако.

Это не дубль статьи про голосового ИИ-репетитора

Свежие проекты уже строят именно такой сценарий

Пользовательский спрос тоже очевиден: в 2026 году в LocalLLaMA отдельно спрашивают полностью offline voice-to-voice tutor с bilingual input, corrections и нулевыми API-costs.

Полная архитектура локального English tutor

CEFR лучше использовать как каркас, а не как красивую наклейку «B1»

CEFR Companion Volume Совета Европы даёт уровни A1–C2 и дескрипторы по разным видам языковой деятельности. Для тьютора это гораздо полезнее, чем один общий score.

У ребёнка не должно быть одного «уровня английского»

Например, ученик может уверенно читать на A2/B1, но говорить на A1. Если свести всё к одному числу, tutor будет выбирать неправильную сложность.

Как сделать входную диагностику без часового экзамена

Для ребёнка лучше adaptive placement на 10–15 минут. Система начинает с простого материала и быстро повышает/понижает сложность.

1. 2 минуты разговора.Имя, возраст, школа, интересы — оценить базовую свободность.
2. Короткий listening.2–3 фразы с вопросами по смыслу.
3. Grammar probes.Несколько конструкций разных уровней.
4. Vocabulary probes.Recognition + active recall.
5. Чтение вслух.Отдельно собрать pronunciation sample.
6. Мини-writing.3–5 предложений, если возраст позволяет.

Результат — не «твой уровень 43%», а профиль: speaking A1+, listening A2, vocabulary A2, Present Simple unstable, pronunciation intelligible but stress weak.

Свободный разговор: основа ежедневной практики

Conversation mode должен поддерживать настоящий turn-taking, а не превращаться в устный учебник. Хороший tutor задаёт короткие вопросы, реагирует на содержание и не прерывает каждую фразу ради исправления.

Ключевой UX: голосовой ответ продолжает разговор, а correction появляется отдельно на экране. Так ребёнок не теряет нить беседы.

Role-play даёт разговору понятную цель

Role-play позволяет заранее задать target vocabulary и grammar, а затем измерить, использовал ли ребёнок их в живой речи.

Русский fallback полезен, если он не превращает урок в переводчик

На начальном уровне ребёнок иногда реально не может сформулировать вопрос по-английски. Полностью запрещать русский — значит просто остановить диалог.

LangTeacher реализует похожий паттерн code-switching: native-language help допускается как аварийная поддержка, но tutor возвращает разговор на target language.

Исправлять каждую ошибку — плохая идея

Если ученик говорит медленно и после каждого предложения получает пять замечаний, он быстро перестаёт говорить. Correction policy должна зависеть от уровня и режима.

Babblr и LangTeacher используют level-aware correction; это хороший product pattern: исправление — часть педагогики, а не автоматический grammar lint каждого предложения.

Grammar engine должен видеть повторяющиеся patterns

Одна ошибка he go может быть случайностью. Пять одинаковых ошибок — уже устойчивый pattern.

После нескольких повторов pattern попадает в Student DB и начинает влиять на следующие role-play и review tasks.

Персональный словарь должен рождаться из реального общения

Лучшие слова для повторения — не обязательно те, что были в абстрактном списке по теме. Если ребёнок трижды пытался сказать «соревнование» и не знал competition, это сильный кандидат в активный словарь.

Tokori строит похожую local-first механику: слово из чата можно открыть, определить и сохранить в vocab deck, а затем повторять.

{
  "lemma": "competition",
  "cefr": "A2-B1",
  "status": "learning",
  "active_use_count": 1,
  "recognition_count": 4,
  "examples": [
    "I have a swimming competition on Saturday."
  ],
  "source": "conversation_2026-09-21",
  "next_review": "2026-09-23"
}

Интервальное повторение: слово нужно возвращать в новых фразах

Вместо одной карточки «competition — соревнование» tutor может повторять тот же item разными способами.

Таким образом SRS планирует memory item, а local LLM создаёт новый контекст. Это уже отдельная архитектура от обычных flashcards.

Listening: не только «проиграть TTS и спросить перевод»

Хорошая listening-практика должна управлять скоростью, длиной, vocabulary load и типом задания.

Sotto отдельно развивает adaptive listening, в том числе на материале слов, которые уже due for review. Это хороший пример связи listening с Student DB.

Writing: сначала черновик ребёнка, потом feedback

Для writing tutor действует тот же anti-answer принцип: не писать готовый текст вместо ученика.

Особенно полезно не переписывать весь текст, а отмечать 2–3 приоритетных ошибки, соответствующих текущему уровню.

Почему Whisper нельзя использовать как основной оценщик произношения

Whisper — очень хороший ASR. Но его задача — понять, какие слова сказал пользователь, а не выставить оценку артикуляции.

Это приводит к важной ошибке: ребёнок может произнести слово неточно, а Whisper всё равно правильно его транскрибирует. Если сравнить только transcript с эталоном, система ошибочно скажет «произношение идеальное».

Forced alignment: где в аудио находится каждый ожидаемый звук

Если ученик читает известную фразу, система заранее знает ожидаемый текст. Forced alignment совмещает эту транскрипцию с аудио и определяет временные границы слов/фонем.

Montreal Forced Aligner определяет forced alignment как получение time-aligned транскрипции из аудио и текста с использованием pronunciation dictionary. WhisperX использует похожую идею для более точных word-level timestamps поверх Whisper.

Phoneme scoring и Goodness of Pronunciation

Классический подход к automatic pronunciation assessment — GOP (Goodness of Pronunciation): акустическая модель сравнивает evidence ожидаемого phoneme с альтернативами и получает phone-level score.

Свежие работы 2026 продолжают улучшать pronunciation assessment: например, context-aware CTC пытается уменьшить ограничения традиционных GOP/CTC-подходов.

Практический локальный вариант — использовать готовый pronunciation component вроде OpenPronounce или строить собственный Wav2Vec2/CTC + G2P pipeline.

Pronunciation — это не только отдельные звуки

CEFR Companion Volume отдельно выделяет sound articulation и prosodic features, поэтому хороший tutor не должен сводить pronunciation к одному phone accuracy.

Цель — понятная речь, а не «звучать как носитель»

Современная шкала CEFR по phonological competence специально ушла от идеи, что рост уровня обязательно означает всё большую похожесть на native speaker. Ключевой ориентир — intelligibility и способность эффективно передавать смысл.

Это особенно важно для ребёнка: pronunciation feedback должен быть нейтральным, конкретным и функциональным.

Для детской речи автоматическая оценка требует дополнительной осторожности

Acoustic models часто обучены главным образом на взрослой речи. Детский голос, шум в комнате и нестабильная артикуляция могут ухудшать alignment и scoring.

Исследование Interspeech 2024 специально изучало влияние ошибок forced alignment на автоматическую оценку детской речи и показало, что alignment error вносит заметный шум в pronunciation scores. Это ещё один аргумент не показывать ложную сверхточность.

Как показывать pronunciation feedback ребёнку

Хороший интерфейс не должен превращаться в лабораторный спектрограф. Ребёнку нужна одна понятная цель за попытку.

Для младшего ученика лучше формулировка «попробуй этот звук ещё раз», чем псевдонаучный рейтинг 63.7/100.

Какой TTS нужен English tutor

TTS здесь не просто озвучивает ответ. Он становится моделью звучания, поэтому важны естественность, стабильная скорость и возможность менять темп.

Для учебного режима полезны параметры speech_rate, pause_after_sentence и repeat_slow. При этом медленное повторение не должно быть единственной формой listening.

Какой STT нужен для разговора

Для conversation loop подходят faster-whisper или whisper.cpp: они дают качественную локальную транскрипцию и хорошо вписываются в offline stack.

Какая LLM нужна для английского тьютора

Для ежедневного разговора важнее не максимальный benchmark-score, а стабильная работа с instruction following, английским, русским fallback, короткими ответами и structured output.

{
  "spoken_reply": "Nice! What happened next?",
  "corrections": [
    {
      "original": "Yesterday I go",
      "better": "Yesterday I went",
      "skill_id": "en.past.irregular.go",
      "priority": "high"
    }
  ],
  "vocabulary_candidates": ["competition"],
  "session_language": "en"
}

Что хранить в Student DB

Сырые аудиофайлы лучше хранить ограниченное время или только по отдельному согласию. Для долгосрочного прогресса обычно достаточно derived events и нескольких benchmark recordings.

Как может выглядеть нормальное 20-минутное занятие

Не обязательно каждый день включать все блоки. Planner может менять пропорции по возрасту, уровню и текущим слабым местам.

Практический локальный стек

LangTeacher уже показывает, что связка faster-whisper + llama.cpp + local TTS работает как полностью offline voice tutor. Остальные слои нужны, чтобы превратить разговорного бота в полноценную учебную систему.

Как собрать MVP без переусложнения

1. Сделать voice conversation.Push-to-talk проще, чем сразу hands-free.
2. Добавить CEFR preset.A1/A2/B1 с разной длиной реплик и словарём.
3. Разделить spoken reply и correction card.Не ломать разговор исправлениями.
4. Хранить grammar patterns.Начать с 10–20 самых частых конструкций.
5. Добавить personal vocabulary.Слова из реальных сессий.
6. Подключить FSRS.Возвращать слова и конструкции позже.
7. Добавить role-play.3–5 сценариев по уровню.
8. Добавить listening.Один TTS-голос, затем расширять.
9. Pronunciation — отдельным этапом.Сначала read-aloud с известным текстом и confidence gating.
10. После этого — adaptive planner.Автоматически собирать ежедневное занятие.

Типичные ошибки