CN109346074A

CN109346074A - 一种语音处理方法及系统

Info

Publication number: CN109346074A
Application number: CN201811196474.2A
Authority: CN
Inventors: 王知践; 钱胜
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Baidu Online Network Technology Beijing Co Ltd; Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2018-10-15
Filing date: 2018-10-15
Publication date: 2019-02-15
Anticipated expiration: 2038-10-15
Also published as: CN109346074B

Abstract

本发明公开了一种语音处理方法及系统，其中所述方法包括获取待识别的语音；对所述待识别的语音进行语音识别；在语音识别的过程中，同时根据所待识别的语音的识别结果进行动态VAD判断；当通过动态VAD判断检测到所述待识别的语音结束时，根据所述待识别的语音的识别结果执行对应指令。应用本发明所述方案，能够根据用户命令词进行针对性响应，包括快速判断和慢速判断，提高了语音识别的准确性和及时性，避免语音识别过早结束造成中断误报，或过晚结束造成响应时间过长。

Description

一种语音处理方法及系统

【技术领域】

本发明涉及语音处理技术领域，特别涉及一种语音处理方法及系统。

【背景技术】

在很多嵌入式应用中，例如车载语音识别系统，用户发出的语音指令分为不同情况：

用户唤醒了直接说命令词进行识别或者查询什么的情况，这时候就要保证用户说话过程中出现停顿，包括用户停顿思考、犹豫、呼吸、口吃等情况，这种情况下不要断掉，要等待用户说完，但是用户说完后要快速结束以进行快速响应；

或者，用户一口气说了一个命令，要很快结束而不是等待，以快速响应用户的命令。

但是，现有技术方案中，都是基于端上vad(Voice Activity Detection,语音动态检测)或者根据识别结果的提前返回的时间来做决策，一般是两者中触发哪一个用哪一个条件进行影响。基于端上的vad或者识别结果的提前返回来做决策存在以下问题：

比较单一，并不能对于一些快速响应或者慢速响应的情况进行区分，都是统一用一个阈值进行判断，对于快速或者慢速的情况一般都是用户很敏感的情况，体验上不能一概而论用同一个时间进行控制。

【发明内容】

本申请的多个方面提供了一种语音处理方法及系统，能够根据用户命令词进行针对性响应，提高了语音识别的准确性和及时性。

本申请的一方面，提供一种语音处理方法，包括：

获取待识别的语音；

对所述待识别的语音进行语音识别；

在语音识别的过程中，同时根据所待识别的语音的识别结果进行动态VAD判断；

当通过动态VAD判断检测到所述待识别的语音结束时，根据所述待识别的语音的识别结果执行对应指令。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：

当通过动态VAD判断检测到所述待识别的语音结束时，向所述用户反馈所述待识别的语音的识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述动态VAD判断包括：

根据所述待识别的语音的识别结果确定当前判断模式，所述判断模式包括快速判断、慢速判断及正常判断。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述快速判断模式中，VAD识别等待时间阈值小于正常判断模式；所述慢速判断模式中，VAD识别等待时间阈值大于正常判断模式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述待识别的语音的识别结果确定当前判断模式包括：

根据所述待识别的语音的识别结果在预设的快速命令词库和慢速命令词库中分别进行查询，以确定所述待识别的语音对应的判断模式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述快速命令词库和慢速命令词库为树结构。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所待识别的语音的识别结果进行动态VAD判断包括：

根据所述识别的语音的识别结果在快速命令词库中进行查询；

若在快速命令词库查询到对应的命令词，则进入快速判断模式；若未查询到对应的命令词，根据所述识别的语音的识别结果文本在慢速命令词库中进行查询；

若在慢速命令词库查询到对应的命令词，则进入慢速判断模式；若未查询到对应的命令词，进入正常判断模式。

本发明的另一方面，提供一种语音处理系统，包括：

语音获取模块，用于获取待识别的语音；

语音识别模块，用于对所述待识别的语音进行语音识别；

动态VAD判断模块，用于在语音识别的过程中，同时根据所待识别的语音的识别结果进行动态VAD判断；

执行模块，用于当通过动态VAD判断检测到所述待识别的语音结束时，根据所述待识别的语音的识别结果执行对应指令。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述执行模块还用于当通过动态VAD判断检测到所述待识别的语音结束时，向所述用户反馈所述待识别的语音的识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述动态VAD判断模块具体用于：根据所述待识别的语音的识别结果在预设的快速命令词库和慢速命令词库中分别进行查询，以确定所述待识别的语音对应的判断模式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述动态VAD判断模块具体用于：

本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。

基于上述介绍可以看出，采用本发明所述方案，能够根据用户命令词进行针对性响应，提高了语音识别的准确性和及时性，避免语音识别过早结束造成中断误报，或过晚结束造成响应时间过长。

【附图说明】

图1为本发明所述语音处理方法的流程图；

图2为本发明所述语音处理系统的结构图；

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。

【具体实施方式】

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。

图1为本发明所述语音处理方法实施例的流程图，本发明实施例的执行主体为车载终端，如图1所示，包括以下步骤：

步骤S11、获取待识别的语音；

步骤S12、对所述待识别的语音进行语音识别；

步骤S13、在语音识别的过程中，同时根据所待识别的语音的识别结果进行动态VAD判断；

步骤S14、当通过动态VAD判断检测到所述待识别的语音结束时，根据所述待识别的语音的识别结果执行对应指令。

在步骤S11的一种优选实现方式中，

本实施例的执行主体为车载终端，所述车载终端可以是车辆行车电脑，也可以是通过蓝牙、WiFi与车载电脑相连接的移动设备，如智能手机等。

具体地，终端上可以设置一个语音输入的触发条件，例如，触发条件可以为一个语音输入按钮，用户通过按动语音输入按钮触发输入待识别的语音，终端的语音采集模块可以采集所述待识别的语音，而后将采集的待识别的语音发送至语音处理模块，而语音处理模块可以获取待识别的语音。

虽然语音识别可以由云端进行，但是，对于车载终端，很多情况下是没有网络或者网络比较弱；这时候使用云端进行语音识别存在一些问题，因此，在本实施例中，所述语音处理模块为终端上的嵌入式识别器。

在步骤S12的一种优选实现方式中，

可选地，嵌入式识别器在接收到待识别的语音时，可以采用现有技术中较为成熟的语音识别技术对待识别的语音进行语音识别，获得识别结果，对此不作限制。

在步骤S13的一种优选实现方式中，

可以理解的是，在语音识别的过程中，需要检测语音的起点和尾点，其中，尾点检测是核心，决定用户输入完语音后的等待时长。当待识别的语音到达尾点时，可以确定待识别的语音是否结束。当检测到语音的尾点后，用户可以得到识别结果，从而可以根据识别结果触发后续操作。

本发明实施例中，在语音识别的过程中，通过VAD(Voice Activity Detection,语音动态检测)技术检测待识别语音的尾点，判断待识别的语音是否结束。

但是，在检测到尾点后，可以等待一段时间，判断用户是否继续说话，可以理解的是，如果等待的时间过长，则用户需要等待较长时间才能得到识别结果；或者，如果等待的时间过短，可能发生用户还未说完，系统已判断当前语音已经结束，将极大的影响用户的使用体验。

进一步地，为了保证识别结果的准确性，根据所待识别的语音的识别结果进行动态VAD判断，设置不同的等待时间。

优选地，所述动态VAD判断包括：根据所述待识别的语音的识别结果确定当前判断模式，包括：快速判断、慢速判断及正常判断。

优选地，对于用户不同的语音命令，需要执行不同的判断模式。

例如，对于“播放歌曲Super Star”的用户语音命令，由于用户在发出语音命令的过程中，首先说出播放歌曲，然后说出歌曲名称，在这一过程中，会出现停顿思考等情况，例如，思索歌曲名称。这就需要进行慢速判断，否则，在停顿过程中，系统已判断当前语音已经结束，则需要再次提示用户输入歌曲名称，或提示用户输入错误，请重新输入。而在系统播报上述提示的过程中，用户可能正在说出歌曲名称，而此时，系统已经无法对歌曲名称进行响应，将极大地影响用户的使用体验。

例如，对于“打开地图”的用户语音指令，用户的目的是打开车载终端的地图，在地图启动之后才会发出进一步的指令。这就需要进行快速判断。在用户发出语音后迅速执行当前指令，打开地图。如果等待的时间过长，则用户需要等待较长时间才能得到识别结果及响应。

优选地，根据用户语音命令对应的判断模式不同，预设快速命令词库和慢速命令词库，以便根据所述待识别的语音的识别结果在预设的快速命令词库和慢速命令词库中分别进行查询，以确定所述待识别的语音对应的判断模式。

优选地，所述快速命令词库和慢速命令词库为树结构。当需要搜索某一个命令词是否在树里面的时候，只需要把命令词按着单字拆分，然后顺着树杈进行搜索，如果到最后一个字正好是树的叶子节点那么就说明命令词在树中，即而可以快速找到。

优选地，所述动态VAD判断包括以下子步骤：

子步骤S131、根据所述识别的语音的识别结果文本在快速命令词库中进行查询，若查询到对应的命令词，则进入快速判断模式；若未查询到对应的命令词，则执行子步骤S132；

优选地，所述快速判断模式中，等待时间阈值设置为300ms。

优选地，当快速判断模式中，等待时间超过预设阈值后，结束识别。

子步骤S132、根据所述识别的语音的识别结果文本在慢速命令词库中进行查询，若查询到对应的命令词，则进入慢速判断模式；若未查询到对应的命令词，则执行子步骤S133；

优选地，所述快速判断模式中，等待时间阈值设置为1.1-1.2s。

优选地，当慢速判断模式中，等待时间超过预设阈值后，结束识别。

优选地，若慢速判断模式中，等待过程中接收到新的识别结果文本，则重新执行子步骤S131。

子步骤S133、进入正常判断模式，直至结束识别。

优选地，若正常判断模式中，等待过程中接收到新的识别结果文本，则重新执行子步骤S131。

优选地，所述正常判断模式中，等待时间阈值设置为500ms。

在步骤S14的一种优选实现方式中，

本发明实施例中，当检测到待识别的语音结束时，为了保证用户获取识别结果的实时性，可以将待识别的语音的识别结果反馈给用户，从而用户可以得到识别结果，继续后续处理过程；也可以由车载终端直接执行所述识别结果匹配的指令。

采用本实施例所述方案，能够根据用户命令词进行针对性响应，包括快速判断和慢速判断，提高了语音识别的准确性和及时性，避免语音识别过早结束造成中断误报，或过晚结束造成响应时间过长。

图2为本发明所述语音处理系统实施例的结构示意图，本发明实施例所述系统为车载终端，如图2所示，包括语音获取模块21、语音识别模块22、动态VAD判断模块23，以及执行模块24；其中，

语音获取模块21，用于获取待识别的语音；

语音识别模块22，用于对所述待识别的语音进行语音识别；

动态VAD判断模块23，用于在语音识别的过程中，同时根据所待识别的语音的识别结果进行动态VAD判断；

执行模块24，用于当通过动态VAD判断检测到所述待识别的语音结束时，根据所述待识别的语音的识别结果执行对应指令。

优选地，所述车载终端可以是车辆行车电脑，也可以是通过蓝牙、WiFi与车载电脑相连接的移动设备，如智能手机等。

在语音获取模块21的一种优选实现方式中，

具体地，终端上可以设置一个语音输入的触发条件，例如，触发条件可以为一个语音输入按钮，用户通过按动语音输入按钮触发输入待识别的语音，终端的语音采集模块可以采集所述待识别的语音，而后将采集的待识别的语音发送至语音获取模块21，而语音获取模块21可以获取待识别的语音。

在语音识别模块22的一种优选实现方式中，

虽然语音识别可以由云端进行，但是，对于车载终端，很多情况下是没有网络或者网络比较弱；这时候使用云端进行语音识别存在一些问题，因此，在本实施例中，所述语音识别模块22为终端上的嵌入式识别器。

可选地，所述语音识别模块22在接收到待识别的语音时，可以采用现有技术中较为成熟的语音识别技术对待识别的语音进行语音识别，获得识别结果，对此不作限制。

在动态VAD判断模块23的一种优选实现方式中，

本发明实施例中，在语音识别的过程中，通过VAD技术检测待识别语音的尾点，判断待识别的语音是否结束。

优选地，所述动态VAD判断模块23具体用于执行以下步骤：

优选地，所述快速判断模式中，等待时间阈值设置为300ms。

子步骤S133、进入正常判断模式，直至结束识别。

优选地，所述正常判断模式中，等待时间阈值设置为500ms。

在执行模块24的一种优选实现方式中，

本发明实施例中，当检测到待识别的语音结束时，执行模块24可以将待识别的语音的识别结果反馈给用户，从而用户可以得到识别结果，继续后续处理过程；优选地，执行模块24也可以直接执行所述识别结果匹配的指令。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims

1.一种语音处理方法，其特征在于，包括：

获取待识别的语音；

对所述待识别的语音进行语音识别；

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求1所述的方法，其特征在于，所述动态VAD判断包括：

4.根据权利要求3所述的方法，其特征在于，

所述快速判断模式中，VAD识别等待时间阈值小于正常判断模式；

所述慢速判断模式中，VAD识别等待时间阈值大于正常判断模式。

5.根据权利要求3所述的方法，其特征在于，根据所述待识别的语音的识别结果确定当前判断模式包括：

6.根据权利要求5所述的方法，其特征在于，所述快速命令词库和慢速命令词库为树结构。

7.根据权利要求5所述的方法，其特征在于，根据所待识别的语音的识别结果进行动态VAD判断包括：

8.一种语音处理系统，其特征在于，包括：

语音获取模块，用于获取待识别的语音；

语音识别模块，用于对所述待识别的语音进行语音识别；

9.根据权利要求8所述的系统，其特征在于，所述执行模块还用于当通过动态VAD判断检测到所述待识别的语音结束时，向所述用户反馈所述待识别的语音的识别结果。

10.根据权利要求8所述的系统，其特征在于，所述动态VAD判断包括：

11.根据权利要求10所述的系统，其特征在于，

12.根据权利要求10所述的系统，其特征在于，所述动态VAD判断模块具体用于：

13.根据权利要求12所述的系统，其特征在于，所述快速命令词库和慢速命令词库为树结构。

14.根据权利要求12所述的系统，其特征在于，所述动态VAD判断模块具体用于：

15.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。