En los últimos años, las actitudes de las personas hacia la educación infantil temprana (PAUD) han experimentado una transformación completa. Los métodos de comunicación personalizados e inteligentes son muy elogiados, lo que también promueve un mayor enfoque en la interacción humano-computadora oportuna y efectiva. Dado que el aprendizaje tradicional de inglés que depende de los padres consume más tiempo y energía y es propenso a errores y omisiones, este documento propone un sistema basado en una red neuronal convolucional (CNN) y reconocimiento automático de voz (ASR) para lograr un proceso integrado de reconocimiento de objetos, interacción inteligente de voz y sincronización de registros de aprendizaje en la educación de los niños. En comparación con las plataformas descritas en la literatura, no solo captura objetos en el entorno de la vida real para obtener palabras en inglés, su pronunciación y frases de ejemplo correspondientes, sino que también combina la técnica de visualización tridimensional para ayudar a los niños a aprender palabras abstractas. Al mismo tiempo, la base de datos en la nube resume y sigue el progreso del aprendizaje mediante una comparación horizontal, lo que facilita a los padres entender la situación. La evaluación del rendimiento del reconocimiento de imagen y voz demuestra que la precisión general se mantiene por encima del 96%. A través de experimentos integrales en diferentes escenarios, demostramos que la plataforma es adecuada para los niños como un método auxiliar y cultiva su interés en aprender inglés.