Как работают приложения обучающие произношению?

Это относится к разделам математики: цифровая обработка сигналов (ЦОС, англ. DSP) --> распознавание образов (англ. pattern recognition) --> распознавание речи (англ. speech recognition).

Я думаю что это действует так:
1. захват звука с микрофона
2. первичная обработка звука (обрезание с концов, удаление шума и др.)
3. извлечение характеристик фонем
4. сопоставление с эталоном и получение разницы

Ещё ссылка по теме:
https://habr.com/company/yandex/blog/198556/

исходя из того, что на сегодня даже ведущие и богатейшие фирмы не могут сделать голосового управления 100% качественного, то "обучение произношению" - это фантастика.
маркетинговый бред.
как-то приблизительно это работает, но я бы не стал учиться на этом, не стал бы ставить себе произношения без живого носителя языка.

Я не спец в данном вопросе, но по мыслям я бы попробовал покопать в сторону цифровых отпечатков. По типу того как работает shazam.