CN102971787A - 录音结束点检测方法及系统 - Google Patents
录音结束点检测方法及系统 Download PDFInfo
- Publication number
- CN102971787A CN102971787A CN2010800677784A CN201080067778A CN102971787A CN 102971787 A CN102971787 A CN 102971787A CN 2010800677784 A CN2010800677784 A CN 2010800677784A CN 201080067778 A CN201080067778 A CN 201080067778A CN 102971787 A CN102971787 A CN 102971787A
- Authority
- CN
- China
- Prior art keywords
- recording
- acoustic model
- recording data
- frame
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 239000000284 extract Substances 0.000 claims description 2
- 241001269238 Data Species 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/083—Recognition networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
- Indexing, Searching, Synchronizing, And The Amount Of Synchronization Travel Of Record Carriers (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种录音结束点自动检测方法及系统，所述方法包括如下步骤：获取录音文本，确定该录音文本的文本结束点声学模型；从录音数据中的录音开始帧开始，依次获取每一帧录音数据；确定获取到的当前帧录音数据的解码最优路径的特征声学模型；比较当前帧录音数据的解码最优路径的特征声学模型与结束点声学模型是否相同；如果相同，将静音持续时间阈值更新为第二时间阈值，其中第二时间阈值小于第一时间阈值。此方法能够提高录音结束点的识别效率。
Description
录音结束点检测方法及系统 技术领域
本发明涉及录音控制技术， 尤其涉及录音结束点自动检测技术。 背景技术
经过多年的技术发展， 文本相关的语音评测已经步入实用阶段。所谓文本 相关的语音评测，指的是用户在给定的文本下进行朗读，语音评测系统存储用 户的发音数据并对发音数据进行评价， 给出评分。
现有的语音评测系统中， 用户的录音控制一般由用户手动完成， 也即： 当 用户点击预设的开始录音按鈕后录音开始，而当用户点击预设的完成录音按鈕 后录音结束。 这种录音控制需要用户多次手动点击， 操作繁瑣， 影响了用户体 验。
因此， 现有技术中出现了一种自动进行录音控制的方法， 在该方法中， 由 语音评测系统自动检测用户录音状态为发音或静音，当用户的静音持续时间超 过一预设的时间阈值时， 确定录音结束。 但是， 这种自动进行录音控制的方法 中，所述时间阈值的设置如果较短时， 可能出现将用户的正常发音停顿判定为 录音结束点的问题， 造成用户语音截断， 因此， 现有技术中一般将该时间阈值 设置为较大的值，例如 2秒甚至更长， 因此，用户完成发音后需等待很长时间， 语音评测系统才能识别出录音结束点， 结束录音，使得语音评测系统对于录音 结束点的识别效率低， 影响了语音评测效率， 降低用户体验。 发明内容
有鉴于此，本发明要解决的技术问题是，提供一种录音结束点检测方法及 系统， 能够提高对于录音结束点的识别效率。 为此， 本发明实施例采用如下技术方案：
本发明实施例提供一种录音结束点检测方法， 包括： 预设静音持续时间阈 值为所述第一时间阈值； 该方法还包括：
获取录音文本，确定该录音文本的文本结束点声学模型； 从录音数据中的 录音开始帧开始， 依次获取每一帧录音数据；
确定获取到的当前帧录音数据的解码最优路径的特征声学模型；
判断当前帧录音数据的解码最优路径的特征声学模型与所述结束点声学 模型相同时，将静音持续时间阈值更新为第二时间阈值， 所述第二时间阈值小 于第一时间阈值。
所述确定文本结束点声学模型包括：
根据录音文本生成文本对应的解码网络，将所述解码网络对应的最后一个 声学模型确定为文本结束点声学模型。
所述确定当前帧录音数据的解码最优路径的特征声学模型包括： 从当前帧的录音数据中提取与预设的声学模型相对应的 MFCC特征， 得 到当前帧录音数据的解码最优路径；
确定当前帧录音数据的解码最优路径的最后一个声学模型为解码最优路 径的特征声学模型。
还包括：判断当前帧录音数据的解码最优路径的特征声学模型与所述结束 点声学模型不相同时， 保持所述静音持续时间阈值为所述第一时间阈值。
每次获取到一帧录音数据之后还包括：
获取到的当前帧录音数据为静音数据， 而且， 当前静音持续时间超过当前 的静音持续时间阈值时， 结束录音。
所述获取每一帧录音数据之前， 进一步包括：
接收录音数据， 从录音数据中确定录音开始帧。
所述从录音数据中确定录音开始帧包括：
依次判断每一帧录音数据为静音数据或非静音数据，将第一帧非静音数据 所在的帧作为录音开始帧。
本发明实施例还提供一种录音结束点检测系统，预设静音持续时间阈值为 所述第一时间阈值； 该系统还包括：
第一确定单元， 用于获取录音文本，确定该录音文本的文本结束点声学模 型；
第一获取单元， 用于从录音数据中的录音开始帧开始，依次获取每一帧录 音数据；
第二确定单元，用于确定获取到的当前帧录音数据的解码最优路径的特征 声学模型；
阈值确定单元，用于判断当前帧录音数据的解码最优路径的特征声学模型 与所述结束点声学模型相同时，将静音持续时间阈值更新为第二时间阈值， 所 述第二时间阈值小于第一时间阈值。
第一确定单元包括：
获取子单元， 用于获取录音文本；
网络建立子单元， 用于才艮据录音文本建立文本对应的解码网络； 第一特征确定子单元，用于将所述解码网络的最后一个声学模型确定为文 本结束点声学模型。
第二确定单元包括：
提取子单元， 从当前帧的录音数据中提取与预设的声学模型相对应的
MFCC特征， 得到当前帧录音数据的解码最优路径；
第二特征确定子单元，用于确定当前帧录音数据的解码最优路径的最后一 个声学模型为解码最优路径的特征声学模型。
阈值确定单元还用于：判断当前帧录音数据的解码最优路径的特征声学模 型与所述结束点声学模型不相同时，保持所述静音持续时间阈值为所述第一时 间阈值。
还包括： 录音控制单元， 用于判断获取到的当前帧录音数据为静音数据， 而且， 当前静音持续时间超过当前的静音持续时间阈值时， 结束录音。
还包括： 接收单元， 用于接收录音数据， 从录音数据中确定录音开始帧。 接收单元包括：
接收子单元， 用于接收录音数据；
开始帧确定子单元，用于依次判断每一帧录音数据为静音数据或非静音数 据， 将第一帧非静音数据所在的帧作为录音开始帧。 对于上述技术方案的技术效果分析如下：
将文本结束点声学模型与当前帧录音数据所对应的解码最优路径的特征 声学模型比较， 如果相同， 说明用户已经朗读完了录音文本， 则将静音持续时 间阈值更新为相对于第一时间阈值来说较短的第二时间阈值，用户的静音持续 时间超过第二时间阈值即结束录音，从而相对于现有技术，提高了对于录音结 束点的识别效率， 缩短了用户录音结束后所需要等待的时间。
附图说明
图 1为本发明实施例一种录音结束点检测方法流程示意图；
图 2为本发明实施例另一种录音结束点检测方法流程示意图；
图 3为本发明实施例 Viterbi算法示意图；
图 4为本发明实施例解码网络示例图；
图 5为本发明实施例一种录音结束点检测系统结构示意图；
图 6为本发明实施例录音结束点检测系统中一单元的实现结构示意图； 图 7为本发明实施例录音结束点检测系统中另一单元的实现结构示意图。 具体实施方式
现。
图 1为本发明实施例录音结束点检测方法流程示意图，如图 1所示，包括： 预设静音持续时间阈值为所述第一时间阈值；
该方法还包括：
步骤 101 : 获取录音文本， 确定该录音文本的文本结束点声学模型； 具体的， 所述录音文本也即为录音中用户所需要朗读的文本， 该文本可以 为中文、 英文等任何语言， 这里并不限制。
步骤 102: 从录音数据中的录音开始帧开始， 依次获取每一帧录音数据； 所述录音数据也即为录音过程中录音设备获取到的声音数据。
步骤 103: 确定获取到的当前帧录音数据的解码最优路径的特征声学模 型；
步骤 101和步骤 102~103之间的执行顺序并不限制 ,只要在步骤 104之前 执行即可。
步骤 104: 判断当前帧录音数据的解码最优路径的特征声学模型与所述结 束点声学模型相同时，将静音持续时间阈值更新为第二时间阈值， 所述第二时 间阈值小于第一时间阈值。
图 1所示的录音结束点检测方法中，将文本结束点声学模型与解码最优路 径的特征声学模型相比较， 如果相同， 说明用户已经朗读完了录音文本， 则将 静音持续时间阈值的取值更新为相对于第一时间阈值来说较短的第二时间阈
值， 用户的静音持续时间超过第二时间阈值即结束录音， 相对于现有技术， 提 高了对于录音结束点的识别效率，缩短了用户朗读完成后所需要等待录音结束 的时间。
在图 1的基础上，通过图 2对本发明实施例录音结束点检测方法进行更为 详细的说明。 如图 2所示， 该方法包括：
将静音持续时间阈值设置为第一时间阈值。
步骤 201 : 获取录音文本， 确定录音文本的结束点对应的文本结束点声学 模型。
其中， 所述确定录音文本的结束点对应的文本结束点声学模型可以包括： 才艮据录音文本生成对应的解码网络；
将所述解码网络的最后一个声学模型确定为文本结束点声学模型。
具体的， 所建立的解码网络可以由录音文本的开始点静音模型、 录音文本 中各个字或词的声学模型以及录音文本的结束点的静音模型构成，这里的所述 文本结束点声学模型可以为： 录音文本的结束点的静音模型。
例如， 如图 4所示， 对于录音文本 "Hello World" 来说， 所建立的解码网 络包括： 录音文本的开始点的静音模型 Sil_Begin, 单词 Hello的声学模型、 单 词 World的声学模型以及录音文本结束点的静音模型 Sil_End, 本步骤中即需 要得到所述静音模型 Sil_End。
步骤 202: 接收录音数据并存储于预设的緩沖区中。
步骤 203: 从所述录音数据中确定录音开始帧。
所述从录音数据中确定录音开始帧可以包括：
依次判断每一帧录音数据为静音数据或非静音数据，将第一帧非静音数据 所在的帧作为录音开始帧。
其中， 当判断录音数据是静音数据或非静音数据时， 可以利用 VAD(Voice Activity Detection)策略实现。 1"列 口, 在 "A statistical model-based voice activity detection ( J. Sohn, N. S. Kim, and W. Sung, IEEE Signal Process. Lett., vol. 16, no. 1, pp. 1-3, 1999 )，， 和 Speech processing, transmission and quality aspects (STQ); distributed speech recognition; advanced front-end feature extraction algorithm;
compression algorithms ( ETSI, ETSI ES 202 050 Rec, 2002 ) 两篇文章中即介 绍了如何利用 VAD策略实现静音数据或非静音数据的判断， 这里不再赘述。
这里，在不同的应用环境中，每一帧录音数据的时间间隔和取样窗长可能 不同， 这里并不限定。 例如， 一般可以设置时间间隔（也即帧移） 为 10ms; 取样窗长为 25ms。
步骤 204: 从录音开始帧开始， 依次从緩沖区中获取一帧录音数据。 步骤 205: 对获取到的当前帧录音数据进行解码， 得到该帧录音数据对应 的解码最优路径的特征声学模型。
具体的， 本步骤中对录音数据进行解码可以包括：
从当前帧录音数据中提取与预设的声学模型相对应的梅尔倒谱参数
( MFCC )特征， 得到该帧录音数据对应的解码最优路径；
确定该解码最优路径的特征声学模型。
其中， 与步骤 201中相对应的， 可以将解码最优路径的最后一个声学模型 确定为所述解码最优路径的特征声学模型。
其中， 用来进行解码的所述预设的声学模型可以是音素层面的单音素
( Mono-Phone )模型， 也可以是上下文相关（Context-dependent ) 的三音素 ( Tri-phone )模型； 还包括静音模型。
利用所述预设的声学模型对所述 MFCC特征进行解码， 得到所述录音数 据对应的解码最优路径，所述解码最优路径可以为模型的似然度或代价函数最 大的路径。
所述解码可以使用维特比（Viterbi )算法等实现。
例如， 通过 Viterbi算法进行解码后， 得到如图 3所示的解码结果， 本发 明实施例中的所述解码最优路径的最后一个声学模型也即为最后时刻 t所对应 的声学模型。确定该录音数据对应的解码最优路径的最后一个声学模型，将该 声学模型作为该帧录音数据对应的解码最优路径的特征声学模型。
步骤 206: 判断文本结束点声学模型与该帧录音数据的解码最优路径的特 征声学模型是否相同， 如果相同， 执行步骤 207; 否则， 执行步骤 208。
步骤 207: 将静音持续时间阈值更新为第二时间阈值， 所述第二时间阈值 小于所述第一时间阈值； 执行步骤 209。
步骤 208: 保持静音持续时间阈值为第一时间阈值； 执行步骤 209。
步骤 209: 判断从緩沖区中获取到的当前帧的录音数据为静音数据或非静 音数据， 如果是静音数据， 则执行步骤 210; 否则， 返回步骤 204, 从緩沖区 中获取当前帧的下一帧录音数据。
其中， 录音数据是按帧从緩沖区中依次获取的， 本步骤中的当前帧录音数 据也即为当前从緩沖区中获取到的、 需要进行处理的一帧录音数据。
其中， 本步骤中当判断录音数据是静音数据或非静音数据时，也可以利用 VAD(Voice Activity Detection)策略实现。例如，在 "A statistical model-based voice activity detection ( J. Sohn, N. S. Kim, and W. Sung, IEEE Signal Process. Lett., vol 16, no. 1, pp. 1-3, 1999 )，， 和 Speech processing, transmission and quality aspects (STQ); distributed speech recognition; advanced front-end feature extraction algorithm; compression algorithms ( ETSI, ETSI ES 202 050 Rec, 2002 )两篇文 章中即介绍了如何利用 VAD策略实现静音数据或非静音数据的判断， 这里不 再赘述。
步骤 210: 判断当前静音持续时间是否超过当前的静音持续时间阈值， 如 果是， 结束录音； 否则， 返回步骤 204, 从緩沖区获取当前帧的下一帧录音数 据， 将该帧录音数据作为当前帧录音数据。
其中， 步骤 209只要在步骤 204~步骤 210之间执行即可， 与步骤 205~步 骤 208之间的执行顺序不限制。
本步骤中的当前静音持续时间与当前帧录音数据之前连续若干帧的录音 数据是否为静音数据相关。具体的，当前静音持续时间可以通过以下公式计算： 当前静音持续时间 = (当前帧数 -当前帧之前第一帧非静音数据所对应帧 数） X—个帧长度；
例如， 第 m-1和第 m-2帧录音数据均为非静音数据， 第 111~第 m+n帧录 音数据均为静音数据， 则在处理第 m帧录音数据时， 当前静音持续时间为 1 个帧长度； 在处理第 m+1帧录音数据时， 当前静音持续时间为 2个帧长度… 在处理第 m+n帧录音数据时， 当前静音持续时间为 n+1个帧长度。
另外，本步骤中的所述当前的静音持续时间阈值在不同的时刻可能取值为 第一时间阈值也可能取值第二时间阈值， 具体的，在步骤 206判断出存在特征
声学模型与文本结束点声学模型相同的一帧录音数据之前，所述当前的静音持 续时间均取值为第一时间阈值，而一旦步骤 206中判断某一帧解码最优路径的 特征声学模型与文本结束点声学模型相同之后，所述静音持续时间阈值的取值 更新为时间长度较短的所述第二时间阈值。
在图 2所示的方法中，一直判断解码最优路径的特征声学模型与文本结束 点声学模型不相同时， 则说明用户未结束录音文本的朗读， 此时静音持续时间 阈值为第一时间阈值，只有用户保持静音的时间超过当前的静音持续时间阈值 (即第一时间阈值）时， 才结束录音， 保证用户非正常录音（例如朗读出现错 误或者中途结束等）下， 也可以自动结束录音； 而一旦判断解码最优路径的特 征声学模型与文本结束点声学模型相同， 说明用户已经结束了录音文本的朗 读， 此时，将静音持续时间阈值更新为第一时间阈值和第二时间阈值中相对较 短的第二时间阈值，从而只要用户静音持续的时间超过了当前的静音持续时间 阈值（即第二时间阈值）即结束录音， 从而在用户正常朗读完录音文本的情况 下，用户所等待的时间仅为第二时间阈值，相对于现有技术中的第一时间阈值， 等待的时间缩短， 从而提高了录音结束点的识别效率。
但是，在图 2所示的方法中，对于步骤 206中判断解码最优路径的特征声 学模型与文本结束点声学模型相同的情况，虽然已经判定用户结束了录音文本 的朗读， 但是， 在判定用户结束了录音文本的朗读后， 后续对于每一帧录音数 据还进行步骤 206的判断， 此时， 该判断步骤并非必须步骤， 例如， 对第 N 帧录音数据进行步骤 206的判断结果为相同时， 说明用户在第 N帧录音数据 中已经结束了录音文本的朗读， 此时， 对于第 N+1以及后续的若干帧录音数 据而言， 并不一定需要再进行步骤 206的判断。 因此， 在实际应用中， 为了进 一步录音结束点的识别效率和处理效率，可以在步骤 206中第一次判断录音数 据的特征声学模型与文本结束点声学模型相同后，不再对后续帧的录音数据执 行步骤 205~步骤 208 , 而只执行步骤 209~步骤 210, 也即： 只判断获取到的当 前帧录音数据是否为静音数据， 为静音数据时， 进行静音持续时间的判断。
与所述录音结束点检测方法相对应的，本发明实施例还提供录音结束点检 测系统， 如图 5所示， 在该系统中， 预设静音持续时间阈值为所述第一时间阈 值； 该系统还包括：
第一确定单元 510, 用于获取录音文本， 确定该录音文本的文本结束点声 学模型；
第一获取单元 520, 用于从录音数据中的录音开始帧开始， 依次获取每一 帧录音数据；
第二确定单元 530, 用于确定获取到的当前帧录音数据的解码最优路径的 特征声学模型；
阈值确定单元 540, 用于判断当前帧录音数据的解码最优路径的特征声学 模型与所述结束点声学模型相同时， 将静音持续时间阈值更新为第二时间阈 值， 所述第二时间阈值小于第一时间阈值。
优选地， 阈值确定单元 540还可以用于： 判断当前帧录音数据的解码最优 路径的特征声学模型与所述结束点声学模型不相同时，保持所述静音持续时间 阈值为所述第一时间阈值。
另外， 如图 5所示， 该系统还可以包括：
录音控制单元 550,用于判断获取到的当前帧录音数据为静音数据，而且， 当前静音持续时间超过当前的静音持续时间阈值时， 结束录音。
优选地， 如图 6所示， 第一确定单元 510可以包括：
获取子单元 610, 用于获取录音文本；
网络建立子单元 620, 用于才艮据录音文本建立文本对应的解码网络； 第一特征确定子单元 630, 用于将所述解码网络的最后一个声学模型确定 为文本结束点声学模型。
优选地， 如图 7所示， 第二确定单元 520可以包括：
提取子单元 710, 从当前帧的录音数据中提取与预设的声学模型相对应的 MFCC特征， 得到当前帧录音数据的解码最优路径；
第二特征确定子单元 720, 用于确定当前帧录音数据的解码最优路径的最 后一个声学模型为解码最优路径的特征声学模型。
如图 5所示， 该系统还可以包括：
接收单元 500, 用于接收录音数据， 从录音数据中确定录音开始帧。
优选地， 接收单元 500可以包括：
接收子单元， 用于接收录音数据；
开始帧确定子单元，用于依次判断每一帧录音数据为静音数据或非静音数 据， 将第一帧非静音数据所在的帧作为录音开始帧。
以上在判断录音数据是静音数据或非静音数据时， 可以利用 VAD策略， 这里不再赘述。
图 5~7所示的录音结束点检测系统，阈值确定单元将解码最优路径的特征 声学模型与文本结束点声学模型相比较，如果相同，说明用户已经朗读完了录 音文本，则将静音持续时间阈值更新为相对于第一时间阈值来说较短的第二时 间阈值，之后， 录音控制单元判断当前静音持续时间超过第二时间阈值即结束 录音， 相对于现有技术， 缩短了用户录音结束后所需要等待的时间， 提高了对 于录音结束点的识别效率， 提升了用户体验。
本发明实施例所述的录音结束点检测方法和系统不仅可以应用于语音评 测系统中， 还可以应用于其他需要对已知文本的朗读进行录音的场景中。 本领域普通技术人员可以理解，实现上述实施例录音结束点检测方法的过 程可以通过程序指令相关的硬件来完成，所述的程序可以存储于可读取存储介 质中， 该程序在执行时执行上述方法中的对应步骤。 所述的存储介质可以如： ROM/RAM、 磁碟、 光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说， 在不脱离本发明原理的前提下， 还可以做出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。
+
Claims (13)
- 权 利 要 求1、 一种录音结束点检测方法， 其特征在于， 包括： 预设静音持续时间阈 值为所述第一时间阈值； 该方法还包括：获取录音文本，确定该录音文本的文本结束点声学模型； 从录音数据中的 录音开始帧开始， 依次获取每一帧录音数据；确定获取到的当前帧录音数据的解码最优路径的特征声学模型； 判断当前帧录音数据的解码最优路径的特征声学模型与所述结束点声学 模型相同时，将静音持续时间阈值更新为第二时间阈值， 所述第二时间阈值小 于第一时间阈值。
- 2、 根据权利要求 1所述的方法， 其特征在于， 所述确定文本结束点声学 模型包括：根据录音文本生成文本对应的解码网络，将所述解码网络对应的最后一个 声学模型确定为文本结束点声学模型。
- 3、 根据权利要求 2所述的方法， 其特征在于， 所述确定当前帧录音数据 的解码最优路径的特征声学模型包括：从当前帧的录音数据中提取与预设的声学模型相对应的 MFCC特征， 得 到当前帧录音数据的解码最优路径；确定当前帧录音数据的解码最优路径的最后一个声学模型为解码最优路 径的特征声学模型。
- 4、 根据权利要求 1所述的方法， 其特征在于， 还包括：判断当前帧录音数据的解码最优路径的特征声学模型与所述结束点声学 模型不相同时， 保持所述静音持续时间阈值为所述第一时间阈值。
- 5、 根据权利要求 1至 4任一项所述的方法， 其特征在于， 每次获取到一 帧录音数据之后还包括：判断获取到的当前帧录音数据为静音数据， 而且， 当前静音持续时间超过 当前的静音持续时间阈值时， 结束录音。
- 6、 根据权利要求 1至 4任一项所述的方法， 其特征在于， 所述获取每一 帧录音数据之前， 进一步包括：接收录音数据， 从录音数据中确定录音开始帧。 7、 根据权利要求 6所述的方法， 其特征在于， 所述从录音数据中确定录 音开始帧包括：依次判断每一帧录音数据为静音数据或非静音数据，将第一帧非静音数据 所在的帧作为录音开始帧。
- 8、 一种录音结束点检测系统， 其特征在于， 预设静音持续时间阈值为所 述第一时间阈值； 该系统还包括：第一确定单元， 用于获取录音文本，确定该录音文本的文本结束点声学模 型；第一获取单元， 用于从录音数据中的录音开始帧开始，依次获取每一帧录 音数据；第二确定单元，用于确定获取到的当前帧录音数据的解码最优路径的特征 声学模型；阈值确定单元，用于判断当前帧录音数据的解码最优路径的特征声学模型 与所述结束点声学模型相同时，将静音持续时间阈值更新为第二时间阈值， 所 述第二时间阈值小于第一时间阈值。
- 9、 根据权利要求 8所述的系统， 其特征在于， 第一确定单元包括： 获取子单元， 用于获取录音文本；网络建立子单元， 用于才艮据录音文本建立文本对应的解码网络； 第一特征确定子单元，用于将所述解码网络的最后一个声学模型确定为文 本结束点声学模型。
- 10、 根据权利要求 9所述的系统， 其特征在于， 第二确定单元包括： 提取子单元， 从当前帧的录音数据中提取与预设的声学模型相对应的MFCC特征， 得到当前帧录音数据的解码最优路径；第二特征确定子单元，用于确定当前帧录音数据的解码最优路径的最后一 个声学模型为解码最优路径的特征声学模型。
- 11、 根据权利要求 8所述的系统， 其特征在于， 阈值确定单元还用于： 判 断当前帧录音数据的解码最优路径的特征声学模型与所述结束点声学模型不 相同时， 保持所述静音持续时间阈值为所述第一时间阈值。
- 12、 根据权利要求 8至 11任一项所述的系统， 其特征在于， 还包括： 录音控制单元， 用于判断获取到的当前帧录音数据为静音数据， 而且， 当 前静音持续时间超过当前的静音持续时间阈值时， 结束录音。
- 13、 根据权利要求 8至 11任一项所述的系统， 其特征在于， 还包括： 接收单元， 用于接收录音数据， 从录音数据中确定录音开始帧。
- 14、 根据权利要求 13所述的系统， 其特征在于， 接收单元包括： 接收子单元， 用于接收录音数据；开始帧确定子单元，用于依次判断每一帧录音数据为静音数据或非静音数 据， 将第一帧非静音数据所在的帧作为录音开始帧。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2010/078223 WO2012055113A1 (zh) | 2010-10-29 | 2010-10-29 | 录音结束点检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102971787A true CN102971787A (zh) | 2013-03-13 |
| CN102971787B CN102971787B (zh) | 2014-04-23 |
Family
ID=45993073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201080067778.4A Active CN102971787B (zh) | 2010-10-29 | 2010-10-29 | 录音结束点检测方法及系统 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9330667B2 (zh) |
| JP (1) | JP5883014B2 (zh) |
| KR (1) | KR101417975B1 (zh) |
| CN (1) | CN102971787B (zh) |
| DE (1) | DE112010005959B4 (zh) |
| SG (1) | SG189182A1 (zh) |
| WO (1) | WO2012055113A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825870A (zh) * | 2016-03-14 | 2016-08-03 | 江苏时间环三维科技有限公司 | 一种语音指令数据获取方法及装置 |
| CN110827795A (zh) * | 2018-08-07 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 语音输入结束判断方法、装置、设备、系统以及存储介质 |
| CN113160854A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 语音交互系统、相关方法、装置及设备 |
| CN113160854B (zh) * | 2020-01-22 | 2024-10-18 | 阿里巴巴集团控股有限公司 | 语音交互系统、相关方法、装置及设备 |
Families Citing this family (154)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8677377B2 (en) | 2005-09-08 | 2014-03-18 | Apple Inc. | Method and apparatus for building an intelligent automated assistant |
| US9318108B2 (en) | 2010-01-18 | 2016-04-19 | Apple Inc. | Intelligent automated assistant |
| US8977255B2 (en) | 2007-04-03 | 2015-03-10 | Apple Inc. | Method and system for operating a multi-function portable electronic device using voice-activation |
| US10002189B2 (en) | 2007-12-20 | 2018-06-19 | Apple Inc. | Method and apparatus for searching using an active ontology |
| US9330720B2 (en) | 2008-01-03 | 2016-05-03 | Apple Inc. | Methods and apparatus for altering audio output signals |
| US8996376B2 (en) | 2008-04-05 | 2015-03-31 | Apple Inc. | Intelligent text-to-speech conversion |
| US20100030549A1 (en) | 2008-07-31 | 2010-02-04 | Lee Michael M | Mobile device having human language translation capability with positional feedback |
| US8676904B2 (en) | 2008-10-02 | 2014-03-18 | Apple Inc. | Electronic devices with voice command and contextual data processing capabilities |
| US10241752B2 (en) | 2011-09-30 | 2019-03-26 | Apple Inc. | Interface for a virtual digital assistant |
| US10255566B2 (en) | 2011-06-03 | 2019-04-09 | Apple Inc. | Generating and processing task items that represent tasks to perform |
| US10241644B2 (en) | 2011-06-03 | 2019-03-26 | Apple Inc. | Actionable reminder entries |
| US9431006B2 (en) | 2009-07-02 | 2016-08-30 | Apple Inc. | Methods and apparatuses for automatic speech recognition |
| US10276170B2 (en) | 2010-01-18 | 2019-04-30 | Apple Inc. | Intelligent automated assistant |
| US8682667B2 (en) | 2010-02-25 | 2014-03-25 | Apple Inc. | User profiling for selecting user specific voice input processing information |
| CN102456343A (zh) * | 2010-10-29 | 2012-05-16 | 安徽科大讯飞信息科技股份有限公司 | 录音结束点检测方法及系统 |
| US9262612B2 (en) | 2011-03-21 | 2016-02-16 | Apple Inc. | Device access using voice authentication |
| US10057736B2 (en) | 2011-06-03 | 2018-08-21 | Apple Inc. | Active transport based notifications |
| US10134385B2 (en) | 2012-03-02 | 2018-11-20 | Apple Inc. | Systems and methods for name pronunciation |
| US10417037B2 (en) | 2012-05-15 | 2019-09-17 | Apple Inc. | Systems and methods for integrating third party services with a digital assistant |
| US9721563B2 (en) | 2012-06-08 | 2017-08-01 | Apple Inc. | Name recognition system |
| US9547647B2 (en) | 2012-09-19 | 2017-01-17 | Apple Inc. | Voice-based media searching |
| DE112014000709B4 (de) | 2013-02-07 | 2021-12-30 | Apple Inc. | Verfahren und vorrichtung zum betrieb eines sprachtriggers für einen digitalen assistenten |
| US10652394B2 (en) | 2013-03-14 | 2020-05-12 | Apple Inc. | System and method for processing voicemail |
| US10748529B1 (en) | 2013-03-15 | 2020-08-18 | Apple Inc. | Voice activated device for use with a voice-based digital assistant |
| CN104112446B (zh) * | 2013-04-19 | 2018-03-09 | 华为技术有限公司 | 呼吸声检测方法及装置 |
| WO2014197334A2 (en) | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for user-specified pronunciation of words for speech synthesis and recognition |
| WO2014197335A1 (en) | 2013-06-08 | 2014-12-11 | Apple Inc. | Interpreting and acting upon commands that involve sharing information with remote devices |
| DE112014002747T5 (de) | 2013-06-09 | 2016-03-03 | Apple Inc. | Vorrichtung, Verfahren und grafische Benutzerschnittstelle zum Ermöglichen einer Konversationspersistenz über zwei oder mehr Instanzen eines digitalen Assistenten |
| US10176167B2 (en) | 2013-06-09 | 2019-01-08 | Apple Inc. | System and method for inferring user intent from speech inputs |
| JP6163266B2 (ja) | 2013-08-06 | 2017-07-12 | アップル インコーポレイテッド | リモート機器からの作動に基づくスマート応答の自動作動 |
| US10296160B2 (en) | 2013-12-06 | 2019-05-21 | Apple Inc. | Method for extracting salient dialog usage from live data |
| US9564128B2 (en) * | 2013-12-09 | 2017-02-07 | Qualcomm Incorporated | Controlling a speech recognition process of a computing device |
| EP3480811A1 (en) | 2014-05-30 | 2019-05-08 | Apple Inc. | Multi-command single utterance input method |
| US9715875B2 (en) | 2014-05-30 | 2017-07-25 | Apple Inc. | Reducing the need for manual start/end-pointing and trigger phrases |
| US9633004B2 (en) | 2014-05-30 | 2017-04-25 | Apple Inc. | Better resolution when referencing to concepts |
| US10170123B2 (en) | 2014-05-30 | 2019-01-01 | Apple Inc. | Intelligent assistant for home automation |
| US9430463B2 (en) | 2014-05-30 | 2016-08-30 | Apple Inc. | Exemplar-based natural language processing |
| CN104078076B (zh) * | 2014-06-13 | 2017-04-05 | 科大讯飞股份有限公司 | 一种语音录入方法及系统 |
| US9338493B2 (en) | 2014-06-30 | 2016-05-10 | Apple Inc. | Intelligent automated assistant for TV user interactions |
| US9818400B2 (en) | 2014-09-11 | 2017-11-14 | Apple Inc. | Method and apparatus for discovering trending terms in speech requests |
| US9668121B2 (en) | 2014-09-30 | 2017-05-30 | Apple Inc. | Social reminders |
| US10074360B2 (en) | 2014-09-30 | 2018-09-11 | Apple Inc. | Providing an indication of the suitability of speech recognition |
| US10127911B2 (en) | 2014-09-30 | 2018-11-13 | Apple Inc. | Speaker identification and unsupervised speaker adaptation techniques |
| US10152299B2 (en) | 2015-03-06 | 2018-12-11 | Apple Inc. | Reducing response latency of intelligent automated assistants |
| US9721566B2 (en) | 2015-03-08 | 2017-08-01 | Apple Inc. | Competing devices responding to voice triggers |
| US10567477B2 (en) | 2015-03-08 | 2020-02-18 | Apple Inc. | Virtual assistant continuity |
| US9886953B2 (en) | 2015-03-08 | 2018-02-06 | Apple Inc. | Virtual assistant activation |
| US10460227B2 (en) | 2015-05-15 | 2019-10-29 | Apple Inc. | Virtual assistant in a communication session |
| US10083688B2 (en) | 2015-05-27 | 2018-09-25 | Apple Inc. | Device voice control for selecting a displayed affordance |
| US10200824B2 (en) | 2015-05-27 | 2019-02-05 | Apple Inc. | Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device |
| US9578173B2 (en) | 2015-06-05 | 2017-02-21 | Apple Inc. | Virtual assistant aided communication with 3rd party service in a communication session |
| US10186254B2 (en) | 2015-06-07 | 2019-01-22 | Apple Inc. | Context-based endpoint detection |
| US11025565B2 (en) | 2015-06-07 | 2021-06-01 | Apple Inc. | Personalized prediction of responses for instant messaging |
| US20160378747A1 (en) | 2015-06-29 | 2016-12-29 | Apple Inc. | Virtual assistant for media playback |
| US10331312B2 (en) | 2015-09-08 | 2019-06-25 | Apple Inc. | Intelligent automated assistant in a media environment |
| US10747498B2 (en) | 2015-09-08 | 2020-08-18 | Apple Inc. | Zero latency digital assistant |
| US10740384B2 (en) | 2015-09-08 | 2020-08-11 | Apple Inc. | Intelligent automated assistant for media search and playback |
| US10671428B2 (en) | 2015-09-08 | 2020-06-02 | Apple Inc. | Distributed personal assistant |
| US10366158B2 (en) | 2015-09-29 | 2019-07-30 | Apple Inc. | Efficient word encoding for recurrent neural network language models |
| US11010550B2 (en) | 2015-09-29 | 2021-05-18 | Apple Inc. | Unified language modeling framework for word prediction, auto-completion and auto-correction |
| US11587559B2 (en) | 2015-09-30 | 2023-02-21 | Apple Inc. | Intelligent device identification |
| US10691473B2 (en) | 2015-11-06 | 2020-06-23 | Apple Inc. | Intelligent automated assistant in a messaging environment |
| US10956666B2 (en) | 2015-11-09 | 2021-03-23 | Apple Inc. | Unconventional virtual assistant interactions |
| US10049668B2 (en) | 2015-12-02 | 2018-08-14 | Apple Inc. | Applying neural network language models to weighted finite state transducers for automatic speech recognition |
| US10223066B2 (en) | 2015-12-23 | 2019-03-05 | Apple Inc. | Proactive assistance based on dialog communication between devices |
| US10446143B2 (en) | 2016-03-14 | 2019-10-15 | Apple Inc. | Identification of voice inputs providing credentials |
| US9934775B2 (en) | 2016-05-26 | 2018-04-03 | Apple Inc. | Unit-selection text-to-speech synthesis based on predicted concatenation parameters |
| US9972304B2 (en) | 2016-06-03 | 2018-05-15 | Apple Inc. | Privacy preserving distributed evaluation framework for embedded personalized systems |
| US11227589B2 (en) | 2016-06-06 | 2022-01-18 | Apple Inc. | Intelligent list reading |
| US10249300B2 (en) | 2016-06-06 | 2019-04-02 | Apple Inc. | Intelligent list reading |
| US10049663B2 (en) | 2016-06-08 | 2018-08-14 | Apple, Inc. | Intelligent automated assistant for media exploration |
| DK179588B1 (en) | 2016-06-09 | 2019-02-22 | Apple Inc. | INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT |
| US10192552B2 (en) | 2016-06-10 | 2019-01-29 | Apple Inc. | Digital assistant providing whispered speech |
| US10509862B2 (en) | 2016-06-10 | 2019-12-17 | Apple Inc. | Dynamic phrase expansion of language input |
| US10586535B2 (en) | 2016-06-10 | 2020-03-10 | Apple Inc. | Intelligent digital assistant in a multi-tasking environment |
| US10490187B2 (en) | 2016-06-10 | 2019-11-26 | Apple Inc. | Digital assistant providing automated status report |
| US10067938B2 (en) | 2016-06-10 | 2018-09-04 | Apple Inc. | Multilingual word prediction |
| DK179049B1 (en) | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
| DK179415B1 (en) | 2016-06-11 | 2018-06-14 | Apple Inc | Intelligent device arbitration and control |
| DK201670540A1 (en) | 2016-06-11 | 2018-01-08 | Apple Inc | Application integration with a digital assistant |
| DK179343B1 (en) | 2016-06-11 | 2018-05-14 | Apple Inc | Intelligent task discovery |
| US10474753B2 (en) | 2016-09-07 | 2019-11-12 | Apple Inc. | Language identification using recurrent neural networks |
| US10043516B2 (en) | 2016-09-23 | 2018-08-07 | Apple Inc. | Intelligent automated assistant |
| US10339918B2 (en) * | 2016-09-27 | 2019-07-02 | Intel IP Corporation | Adaptive speech endpoint detector |
| US11281993B2 (en) | 2016-12-05 | 2022-03-22 | Apple Inc. | Model and ensemble compression for metric learning |
| US10593346B2 (en) | 2016-12-22 | 2020-03-17 | Apple Inc. | Rank-reduced token representation for automatic speech recognition |
| US11204787B2 (en) | 2017-01-09 | 2021-12-21 | Apple Inc. | Application integration with a digital assistant |
| US10417266B2 (en) | 2017-05-09 | 2019-09-17 | Apple Inc. | Context-aware ranking of intelligent response suggestions |
| DK201770383A1 (en) | 2017-05-09 | 2018-12-14 | Apple Inc. | USER INTERFACE FOR CORRECTING RECOGNITION ERRORS |
| DK180048B1 (en) | 2017-05-11 | 2020-02-04 | Apple Inc. | MAINTAINING THE DATA PROTECTION OF PERSONAL INFORMATION |
| US10395654B2 (en) | 2017-05-11 | 2019-08-27 | Apple Inc. | Text normalization based on a data-driven learning network |
| DK201770439A1 (en) | 2017-05-11 | 2018-12-13 | Apple Inc. | Offline personal assistant |
| US10726832B2 (en) | 2017-05-11 | 2020-07-28 | Apple Inc. | Maintaining privacy of personal information |
| DK179745B1 (en) | 2017-05-12 | 2019-05-01 | Apple Inc. | SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT |
| DK179496B1 (en) | 2017-05-12 | 2019-01-15 | Apple Inc. | USER-SPECIFIC Acoustic Models |
| US11301477B2 (en) | 2017-05-12 | 2022-04-12 | Apple Inc. | Feedback analysis of a digital assistant |
| DK201770428A1 (en) | 2017-05-12 | 2019-02-18 | Apple Inc. | LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT |
| DK201770432A1 (en) | 2017-05-15 | 2018-12-21 | Apple Inc. | Hierarchical belief states for digital assistants |
| DK201770411A1 (en) | 2017-05-15 | 2018-12-20 | Apple Inc. | MULTI-MODAL INTERFACES |
| DK201770431A1 (en) | 2017-05-15 | 2018-12-20 | Apple Inc. | Optimizing dialogue policy decisions for digital assistants using implicit feedback |
| DK179560B1 (en) | 2017-05-16 | 2019-02-18 | Apple Inc. | FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES |
| US10403278B2 (en) | 2017-05-16 | 2019-09-03 | Apple Inc. | Methods and systems for phonetic matching in digital assistant services |
| US20180336275A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Intelligent automated assistant for media exploration |
| US20180336892A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Detecting a trigger of a digital assistant |
| US10311144B2 (en) | 2017-05-16 | 2019-06-04 | Apple Inc. | Emoji word sense disambiguation |
| US10657328B2 (en) | 2017-06-02 | 2020-05-19 | Apple Inc. | Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling |
| US10445429B2 (en) | 2017-09-21 | 2019-10-15 | Apple Inc. | Natural language understanding using vocabularies with compressed serialized tries |
| US10755051B2 (en) | 2017-09-29 | 2020-08-25 | Apple Inc. | Rule-based natural language processing |
| US10636424B2 (en) | 2017-11-30 | 2020-04-28 | Apple Inc. | Multi-turn canned dialog |
| US10733982B2 (en) | 2018-01-08 | 2020-08-04 | Apple Inc. | Multi-directional dialog |
| US10733375B2 (en) | 2018-01-31 | 2020-08-04 | Apple Inc. | Knowledge-based framework for improving natural language understanding |
| US10789959B2 (en) | 2018-03-02 | 2020-09-29 | Apple Inc. | Training speaker recognition models for digital assistants |
| US10592604B2 (en) | 2018-03-12 | 2020-03-17 | Apple Inc. | Inverse text normalization for automatic speech recognition |
| US10818288B2 (en) | 2018-03-26 | 2020-10-27 | Apple Inc. | Natural assistant interaction |
| US10909331B2 (en) | 2018-03-30 | 2021-02-02 | Apple Inc. | Implicit identification of translation payload with neural machine translation |
| US11145294B2 (en) | 2018-05-07 | 2021-10-12 | Apple Inc. | Intelligent automated assistant for delivering content from user experiences |
| US10928918B2 (en) | 2018-05-07 | 2021-02-23 | Apple Inc. | Raise to speak |
| US10984780B2 (en) | 2018-05-21 | 2021-04-20 | Apple Inc. | Global semantic word embeddings using bi-directional recurrent neural networks |
| US10892996B2 (en) | 2018-06-01 | 2021-01-12 | Apple Inc. | Variable latency device coordination |
| US11386266B2 (en) | 2018-06-01 | 2022-07-12 | Apple Inc. | Text correction |
| DK180639B1 (en) | 2018-06-01 | 2021-11-04 | Apple Inc | DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT |
| DK179822B1 (da) | 2018-06-01 | 2019-07-12 | Apple Inc. | Voice interaction at a primary device to access call functionality of a companion device |
| DK201870355A1 (en) | 2018-06-01 | 2019-12-16 | Apple Inc. | VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS |
| US10496705B1 (en) | 2018-06-03 | 2019-12-03 | Apple Inc. | Accelerated task performance |
| CN108986844B (zh) * | 2018-08-06 | 2020-08-28 | 东北大学 | 一种基于说话人语音特征的语音端点检测方法 |
| CN110910905B (zh) * | 2018-09-18 | 2023-05-02 | 京东科技控股股份有限公司 | 静音点检测方法及装置、存储介质、电子设备 |
| US11010561B2 (en) | 2018-09-27 | 2021-05-18 | Apple Inc. | Sentiment prediction from textual data |
| US11170166B2 (en) | 2018-09-28 | 2021-11-09 | Apple Inc. | Neural typographical error modeling via generative adversarial networks |
| US11462215B2 (en) | 2018-09-28 | 2022-10-04 | Apple Inc. | Multi-modal inputs for voice commands |
| US10839159B2 (en) | 2018-09-28 | 2020-11-17 | Apple Inc. | Named entity normalization in a spoken dialog system |
| US11475898B2 (en) | 2018-10-26 | 2022-10-18 | Apple Inc. | Low-latency multi-speaker speech recognition |
| US11638059B2 (en) | 2019-01-04 | 2023-04-25 | Apple Inc. | Content playback on multiple devices |
| US11348573B2 (en) | 2019-03-18 | 2022-05-31 | Apple Inc. | Multimodality in digital assistant systems |
| DK201970509A1 (en) | 2019-05-06 | 2021-01-15 | Apple Inc | Spoken notifications |
| US11423908B2 (en) | 2019-05-06 | 2022-08-23 | Apple Inc. | Interpreting spoken requests |
| US11475884B2 (en) | 2019-05-06 | 2022-10-18 | Apple Inc. | Reducing digital assistant latency when a language is incorrectly determined |
| US11307752B2 (en) | 2019-05-06 | 2022-04-19 | Apple Inc. | User configurable task triggers |
| US11140099B2 (en) | 2019-05-21 | 2021-10-05 | Apple Inc. | Providing message response suggestions |
| DK201970511A1 (en) | 2019-05-31 | 2021-02-15 | Apple Inc | Voice identification in digital assistant systems |
| US11289073B2 (en) | 2019-05-31 | 2022-03-29 | Apple Inc. | Device text to speech |
| DK180129B1 (en) | 2019-05-31 | 2020-06-02 | Apple Inc. | USER ACTIVITY SHORTCUT SUGGESTIONS |
| US11496600B2 (en) | 2019-05-31 | 2022-11-08 | Apple Inc. | Remote execution of machine-learned models |
| US11227599B2 (en) | 2019-06-01 | 2022-01-18 | Apple Inc. | Methods and user interfaces for voice-based control of electronic devices |
| US11360641B2 (en) | 2019-06-01 | 2022-06-14 | Apple Inc. | Increasing the relevance of new available information |
| CN112151073B (zh) * | 2019-06-28 | 2024-07-09 | 北京声智科技有限公司 | 一种语音处理方法、系统、设备及介质 |
| US11488406B2 (en) | 2019-09-25 | 2022-11-01 | Apple Inc. | Text detection using global geometry estimators |
| US11043220B1 (en) | 2020-05-11 | 2021-06-22 | Apple Inc. | Digital assistant hardware abstraction |
| US11061543B1 (en) | 2020-05-11 | 2021-07-13 | Apple Inc. | Providing relevant data items based on context |
| US11755276B2 (en) | 2020-05-12 | 2023-09-12 | Apple Inc. | Reducing description length based on confidence |
| CN111583912A (zh) * | 2020-05-26 | 2020-08-25 | 阳光保险集团股份有限公司 | 语音端点检测方法、装置以及电子设备 |
| CN111768800B (zh) * | 2020-06-23 | 2024-06-25 | 中兴通讯股份有限公司 | 语音信号处理方法、设备及存储介质 |
| US11490204B2 (en) | 2020-07-20 | 2022-11-01 | Apple Inc. | Multi-device audio adjustment coordination |
| US11438683B2 (en) | 2020-07-21 | 2022-09-06 | Apple Inc. | User identification using headphones |
| US11984124B2 (en) | 2020-11-13 | 2024-05-14 | Apple Inc. | Speculative task flow execution |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1425980A (zh) * | 2003-01-14 | 2003-06-25 | 杨宏惠 | 个性化开放式电脑语音录入方法 |
| WO2006125346A1 (en) * | 2005-05-27 | 2006-11-30 | Intel Corporation | Automatic text-speech mapping tool |
| JP2007266807A (ja) * | 2006-03-28 | 2007-10-11 | Funai Electric Co Ltd | 映像音声記録再生装置 |
| CN101685633A (zh) * | 2008-09-28 | 2010-03-31 | 富士通株式会社 | 基于韵律参照的语音合成装置和方法 |
| CN102456343A (zh) * | 2010-10-29 | 2012-05-16 | 安徽科大讯飞信息科技股份有限公司 | 录音结束点检测方法及系统 |
Family Cites Families (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4977599A (en) * | 1985-05-29 | 1990-12-11 | International Business Machines Corporation | Speech recognition employing a set of Markov models that includes Markov models representing transitions to and from silence |
| US4797929A (en) * | 1986-01-03 | 1989-01-10 | Motorola, Inc. | Word recognition in a speech recognition system using data reduced word templates |
| US4870686A (en) | 1987-10-19 | 1989-09-26 | Motorola, Inc. | Method for entering digit sequences by voice command |
| KR100309207B1 (ko) * | 1993-03-12 | 2001-12-17 | 에드워드 이. 데이비스 | 음성-대화식언어명령방법및장치 |
| JPH0990994A (ja) * | 1995-07-19 | 1997-04-04 | Olympus Optical Co Ltd | 音声起動録音装置 |
| GB2303471B (en) | 1995-07-19 | 2000-03-22 | Olympus Optical Co | Voice activated recording apparatus |
| US5799065A (en) * | 1996-05-06 | 1998-08-25 | Matsushita Electric Industrial Co., Ltd. | Call routing device employing continuous speech |
| US6172675B1 (en) * | 1996-12-05 | 2001-01-09 | Interval Research Corporation | Indirect manipulation of data using temporally related data, with particular application to manipulation of audio or audiovisual data |
| US6076056A (en) * | 1997-09-19 | 2000-06-13 | Microsoft Corporation | Speech recognition system for recognizing continuous and isolated speech |
| US6163768A (en) | 1998-06-15 | 2000-12-19 | Dragon Systems, Inc. | Non-interactive enrollment in speech recognition |
| US6456970B1 (en) * | 1998-07-31 | 2002-09-24 | Texas Instruments Incorporated | Minimization of search network in speech recognition |
| CN1182513C (zh) | 2003-02-21 | 2004-12-29 | 清华大学 | 基于局部能量加权的抗噪声语音识别方法 |
| US7720683B1 (en) * | 2003-06-13 | 2010-05-18 | Sensory, Inc. | Method and apparatus of specifying and performing speech recognition operations |
| JP2005242182A (ja) * | 2004-02-27 | 2005-09-08 | Toshiba Corp | 音声検出装置、音声認識装置、音声検出方法および音声認識方法 |
| KR100636317B1 (ko) * | 2004-09-06 | 2006-10-18 | 삼성전자주식회사 | 분산 음성 인식 시스템 및 그 방법 |
| US8170875B2 (en) | 2005-06-15 | 2012-05-01 | Qnx Software Systems Limited | Speech end-pointer |
| US8311819B2 (en) | 2005-06-15 | 2012-11-13 | Qnx Software Systems Limited | System for detecting speech with background voice estimates and noise estimates |
| CN100411011C (zh) * | 2005-11-18 | 2008-08-13 | 清华大学 | 用于语言学习机的发音质量评价方法 |
| JP4906379B2 (ja) | 2006-03-22 | 2012-03-28 | 富士通株式会社 | 音声認識装置、音声認識方法、及びコンピュータプログラム |
| CN101025981B (zh) | 2007-01-23 | 2010-04-07 | 无敌科技(西安)有限公司 | 一种数字录音系统及方法 |
| CN101197084A (zh) | 2007-11-06 | 2008-06-11 | 安徽科大讯飞信息科技股份有限公司 | 自动化英语口语评测学习系统 |
| US8694308B2 (en) | 2007-11-27 | 2014-04-08 | Nec Corporation | System, method and program for voice detection |
| US20090204407A1 (en) * | 2008-02-08 | 2009-08-13 | Shields T Russell | System and method for processing a spoken request from a user |
| CN101308653A (zh) * | 2008-07-17 | 2008-11-19 | 安徽科大讯飞信息科技股份有限公司 | 一种应用于语音识别系统的端点检测方法 |
| US8315871B2 (en) * | 2009-06-04 | 2012-11-20 | Microsoft Corporation | Hidden Markov model based text to speech systems employing rope-jumping algorithm |
-
2010
- 2010-10-29 KR KR1020137010783A patent/KR101417975B1/ko active IP Right Grant
- 2010-10-29 JP JP2013535238A patent/JP5883014B2/ja active Active
- 2010-10-29 CN CN201080067778.4A patent/CN102971787B/zh active Active
- 2010-10-29 WO PCT/CN2010/078223 patent/WO2012055113A1/zh active Application Filing
- 2010-10-29 SG SG2013023866A patent/SG189182A1/en unknown
- 2010-10-29 DE DE112010005959.4T patent/DE112010005959B4/de active Active
- 2010-10-29 US US13/878,818 patent/US9330667B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1425980A (zh) * | 2003-01-14 | 2003-06-25 | 杨宏惠 | 个性化开放式电脑语音录入方法 |
| WO2006125346A1 (en) * | 2005-05-27 | 2006-11-30 | Intel Corporation | Automatic text-speech mapping tool |
| JP2007266807A (ja) * | 2006-03-28 | 2007-10-11 | Funai Electric Co Ltd | 映像音声記録再生装置 |
| CN101685633A (zh) * | 2008-09-28 | 2010-03-31 | 富士通株式会社 | 基于韵律参照的语音合成装置和方法 |
| CN102456343A (zh) * | 2010-10-29 | 2012-05-16 | 安徽科大讯飞信息科技股份有限公司 | 录音结束点检测方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825870A (zh) * | 2016-03-14 | 2016-08-03 | 江苏时间环三维科技有限公司 | 一种语音指令数据获取方法及装置 |
| CN105825870B (zh) * | 2016-03-14 | 2019-04-02 | 江苏时间环三维科技有限公司 | 一种语音指令数据获取方法及装置 |
| CN110827795A (zh) * | 2018-08-07 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 语音输入结束判断方法、装置、设备、系统以及存储介质 |
| CN113160854A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 语音交互系统、相关方法、装置及设备 |
| CN113160854B (zh) * | 2020-01-22 | 2024-10-18 | 阿里巴巴集团控股有限公司 | 语音交互系统、相关方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2012055113A1 (zh) | 2012-05-03 |
| US9330667B2 (en) | 2016-05-03 |
| KR101417975B1 (ko) | 2014-07-09 |
| US20130197911A1 (en) | 2013-08-01 |
| KR20130071490A (ko) | 2013-06-28 |
| DE112010005959B4 (de) | 2019-08-29 |
| SG189182A1 (en) | 2013-05-31 |
| JP5883014B2 (ja) | 2016-03-09 |
| JP2013545133A (ja) | 2013-12-19 |
| CN102971787B (zh) | 2014-04-23 |
| DE112010005959T5 (de) | 2013-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102971787A (zh) | 录音结束点检测方法及系统 | |
| CN110428810B (zh) | 一种语音唤醒的识别方法、装置及电子设备 | |
| CN106940998B (zh) | 一种设定操作的执行方法及装置 | |
| WO2017076222A1 (zh) | 语音识别方法及装置 | |
| US7610199B2 (en) | Method and apparatus for obtaining complete speech signals for speech recognition applications | |
| CN112735482B (zh) | 基于联合深度神经网络的端点检测方法及系统 | |
| CN110570873B (zh) | 声纹唤醒方法、装置、计算机设备以及存储介质 | |
| CN102456343A (zh) | 录音结束点检测方法及系统 | |
| JP2019211749A (ja) | 音声の始点及び終点の検出方法、装置、コンピュータ設備及びプログラム | |
| CN111833902B (zh) | 唤醒模型训练方法、唤醒词识别方法、装置及电子设备 | |
| CN102436816A (zh) | 一种语音数据解码方法和装置 | |
| CN111145763A (zh) | 一种基于gru的音频中的人声识别方法及系统 | |
| JP2023539948A (ja) | ロングコンテキストエンドツーエンド音声認識システム | |
| CN108091340B (zh) | 声纹识别方法、声纹识别系统和计算机可读存储介质 | |
| CN112614514B (zh) | 有效语音片段检测方法、相关设备及可读存储介质 | |
| CN109215634A (zh) | 一种多词语音控制通断装置的方法及其系统 | |
| CN102640084A (zh) | 用于多用户和系统的通信接口设备和方法 | |
| WO2020227955A1 (zh) | 声音识别方法、交互方法、声音识别系统、计算机可读存储介质及可移动平台 | |
| CN111128174A (zh) | 一种语音信息的处理方法、装置、设备及介质 | |
| CN102959618B (zh) | 声音识别装置 | |
| US20070198255A1 (en) | Method For Noise Reduction In A Speech Input Signal | |
| Lecouteux et al. | Distant speech recognition for home automation: Preliminary experimental results in a smart home | |
| CN110660385A (zh) | 一种命令词检测方法及电子设备 | |
| JP4295675B2 (ja) | 音声認識方法、この方法を実施する装置、プログラムおよびその記録媒体 | |
| WO2021146857A1 (zh) | 音频处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 230031 666 Wangjiang West Road, Hefei high tech Zone, Anhui Patentee after: Iflytek Co., Ltd. Address before: 230088 No. 616, Mount Huangshan Road, hi tech Development Zone, Anhui, Hefei Patentee before: Anhui USTC iFLYTEK Co., Ltd. |
|
| CP03 | Change of name, title or address |