ساخت مدل هوش مصنوعی برای تلفظ های زبان انگلیسی

با سلام و احترام من یک مدل هوش مصنوعی می خواهیم که وقتی به آن فایل صدای اشخاص داده می شود بتونه اون رو نهایتا زیر 90 ثانیه تحیل کنه و نتایج رو بگه، نتایج باید بدین شکل باشه: 1. کلمه هایی که اشتباه تلفظ کرده رو مشخص کنه 2. آن قسمتی از کلمه (phoneme) که اشتباه تلفظ کرده رو مشخص کند 3. میزان fluency مشخص کند 4. میزان intonation را مشخص کند بهتر است از فریم ورک speech brain استفاده شود ولی اگر راه حل هایی دیگه بود قابل مذاکره است