CN109887490A - 用于识别语音的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于识别语音的方法和装置。该方法的一具体实施方式包括：响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配；若第一次匹配成功，接收输入的第二段语音；将第二段语音与本地预设的指令集进行第二次匹配；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令。该实施方式以唤醒技术来识别预定的指令集，从而缩短语音交互产品多轮对话场景中的识别响应时间，提升了用户体验。

Description

用于识别语音的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别语音的方法和装置。

背景技术

语音交互产品的多轮对话场景是指用户的某一项意图，由于多样化的选择性，在与产品交互时，需要多次输入语音指令，才能达到最终的目的。

默认的技术手段是多次打开识别，持续交互并进行反馈。识别的响应时间在网络良好的情况下大约为200ms。识别的解析流程受网络影响。在网络不好的情况下，网络连接和响应的时长增加了识别响应的时间，体验不好。

发明内容

本公开的实施例提出了用于识别语音的方法和装置。

第一方面，本公开的实施例提供了一种用于识别语音的方法，包括：响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配；若第一次匹配成功，接收输入的第二段语音；将第二段语音与本地预设的指令集进行第二次匹配；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令。

在一些实施例中，该方法还包括：若第二次匹配失败，将第二段语音发送至语音识别服务器进行识别语音；接收语音识别服务器返回的识别结果，以及输出识别结果。

在一些实施例中，该方法还包括：将识别结果发送到语义理解服务器，其中，语义理解服务器用于分析接收到的识别结果得到指令；接收语义理解服务器返回的指令，以及执行指令。

在一些实施例中，该方法还包括：在将第二段语音与本地预设的指令集进行第二次匹配的同时，将第二段语音发送至语音识别服务器进行识别语音；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令；向语音识别服务器发送取消对第二段语音进行识别语音的指令。

在一些实施例中，将第二段语音与本地预设的指令集进行第二次匹配，包括：提取第二段语音的声学特征；将第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；若匹配成功，则将匹配的指令的声学特征解码成指令。

第二方面，本公开的实施例提供了一种用于识别语音的装置，包括：唤醒匹配单元，被配置成响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配；语音输入单元，被配置成若第一次匹配成功，接收输入的第二段语音；指令匹配单元，被配置成将第二段语音与本地预设的指令集进行第二次匹配；执行单元，被配置成若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令。

在一些实施例中，该装置还包括：识别语音单元，被配置成若第二次匹配失败，将第二段语音发送至语音识别服务器进行识别语音；结果输出单元，被配置成接收语音识别服务器返回的识别结果，以及输出识别结果。

在一些实施例中，该装置还包括语义理解单元，被配置成：将识别结果发送到语义理解服务器，其中，语义理解服务器用于分析接收到的识别结果得到指令；接收语义理解服务器返回的指令，以及执行指令。

在一些实施例中，指令匹配单元进一步被配置成：在将第二段语音与本地预设的指令集进行第二次匹配的同时，将第二段语音发送至语音识别服务器进行识别语音；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令；向语音识别服务器发送取消对第二段语音进行识别语音的指令。

在一些实施例中，指令匹配单元进一步被配置成：提取第二段语音的声学特征；将第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；若匹配成功，则将匹配的指令的声学特征解码成指令。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的实施例提供的用于识别语音的方法和装置，通过唤醒词的识别方式在本地识别出预设的指令，而无需发送到云端进行语音识别，提高了预设的高频词的识别速度，缩短了语音交互的时长。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于识别语音的方法的一个实施例的流程图；

图3是根据本公开的用于识别语音的方法的一个应用场景的示意图；

图4是根据本公开的用于识别语音的方法的又一个实施例的流程图；

图5是根据本公开的用于识别语音的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于识别语音的方法或用于识别语音的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括麦克风101、控制器102、语音识别服务器103、语义理解服务器104。网络用以在控制器102、语音识别服务器103、语义理解服务器104之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用麦克风101向控制器102输入语音。然后控制器102通过网络与语音识别服务器103、语义理解服务器104交互，以接收或发送消息等。麦克风101可以是安装在无人车等移动装置上的语音输入设备，麦克风101还可以是手机、电脑等的内置设备。控制器可以是车载设备也可以是手机、电脑等的内置设备。控制器102具有接收和发送信息的功能。

语音识别服务器103，用于接收控制器102发送的语音，并将语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别服务器102上安装有语音识别系统。语音识别系统一般分训练和解码两阶段。训练，即通过大量标注的语音数据训练声学模型。解码，即通过声学模型和语言模型将训练集外的语音数据识别成文字，训练的声学模型好坏直接影响识别的精度。

语义理解服务器103，用于接收控制器102发送的文字结果，并根据文字结果进行语义分析。语义分析指运用各种方法，学习与理解一段文本所表示的语义内容，任何对语言的理解都可以归为语义分析的范畴。一段文本通常由词、句子和段落来构成，根据理解对象的语言单位不同，语义分析又可进一步分解为词汇级语义分析、句子级语义分析以及篇章级语义分析。一般来说，词汇级语义分析关注的是如何获取或区别单词的语义，句子级语义分析则试图分析整个句子所表达的语义，而篇章语义分析旨在研究自然语言文本的内在结构并理解文本单元(可以是句子从句或段落)间的语义关系。简单地讲，语义分析的目标就是通过建立有效的模型和系统，实现在各个语言单位(包括词汇、句子和篇章等)的自动语义分析，从而实现理解整个文本表达的真实语义。

需要说明的是，语音识别服务器103、语义理解服务器104可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于识别语音的方法一般由控制器102执行，相应地，用于识别语音的装置一般设置于控制器102中。

应该理解，图1中的麦克风、控制器、语音识别服务器、语义理解服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的麦克风、控制器、语音识别服务器、语义理解服务器。

继续参考图2，示出了根据本公开的用于识别语音的方法的一个实施例的流程200。该用于识别语音的方法，包括以下步骤：

步骤201，响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配。

在本实施例中，用于识别语音的方法的执行主体(例如图1所示的控制器)可以通过有线连接方式或者无线连接方式从麦克风接收用户输入的第一段语音，然后将第一段语音与本地预设的唤醒词进行第一次匹配。第一段语音如果是唤醒词则可用于唤醒语音识别功能。语音唤醒技术通过在设备或软件中预置唤醒词，当用户发出该语音指令时，设备便从休眠状态中被唤醒，并作出指定响应，大大提升了人机交互的效率。预设的唤醒词可包括以下至少一项：相机类：拍照、茄子；音乐类：增大音量、减小音量、播放、停止、暂停、上一首、下一首；电灯类：打开电灯、关闭电灯、增大亮度、减小亮度。

现有技术中唤醒过程可包括如下步骤：输入语音、语音端点检测、信号处理、提取声学特征、识别解码、置信度判决、识别成功本地解码、获取识别结果。首先用户要输入他们的语音，然后进行端点检测，把人说话的部分给检测出来，之后就是一个信号处理的过程，对信号进行一个非常好的噪音的处理，或者是其他方面的处理。接下来就是提取声学特征，进行识别解码，之后就是置信度判别。

现有技术中语音识别过程可包括如下步骤：输入语音、语音端点检测、信号处理、提取声学特征、识别网络匹配、识别解码、置信度判决、识别文本结果。

可见语音识别过程要涉及识别网络匹配，语音识别涉及的网络比唤醒识别涉及的网络复杂，因此识别响应时间远大于唤醒响应时间。

步骤202，若第一次匹配成功，接收输入的第二段语音。

在本实施例中，若第一段语音与本地预设的唤醒词的相似度大于预定阈值，则认为匹配成功，即唤醒成功。如果唤醒成功，则开启语音识别功能，接收待识别的第二段语音。这里的第二段语音不是只有一段语音，而是泛指在唤醒词后输入的语音。

步骤203，将第二段语音与本地预设的指令集进行第二次匹配。

在本实施例中，传统的语音交互系统是一个唤醒+识别的系统，唤醒成功之后需要送到服务器进行在线解码，最后获取到识别结果。本公开的方案根据唤醒响应时间比识别响应时间短的特点，设计了一种识别+唤醒功能同时打开的流程。预训练了一个多唤醒词的唤醒引擎，同时支持默认语音唤醒词、“第一个”“第二个”“第三个”“上一页”“下一页”“确定”“取消”的多个唤醒词。在用户多轮场景下动态打开多轮场景的命令词(唤醒词)，响应快响应的识别结果。

预设的指令集可包括：“第一个”“第二个”“第三个”“上一页”“下一页”“确定”“取消”等。将第二段语音与本地预设的指令集在本地采集与识别唤醒词相同的过程进行匹配。可预先将第二段语音转化成文本后与文本形式的指令集进行匹配。

在本实施例的一些可选的实现方式中，将第二段语音与本地预设的指令集进行第二次匹配，包括：提取第二段语音的声学特征；将第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；若匹配成功，则将匹配的指令的声学特征解码成指令。该方法可直接将第二段语音与本地预设的指令集的声学特征进行匹配，而不需要将第二段语音转换成文本再进行匹配。可提高匹配速度和准确率。

步骤204，若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行该指令。

在本实施例中，若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行该指令。例如，用户输入的第二段语音为“下一页”，在指令集匹配得到了指令“翻到下一面”，则执行该指令，显示当前页面的下一页页面。而无需将第二段语音发给语音识别服务器进行识别语音。

由于唤醒只需要判断与有限指令集是否匹配即可，而识别需要搜索匹配所有的中文发音和文字，所以唤醒网络是远远小于识别网络的，故而唤醒网络搜索的过程大大短于识别网络搜索的过程。现有的产品默认使用在线识别技术，依赖网络环境，在弱网络的场景下识别响应时间长，而唤醒技术是本地解析，不需要考虑网络，在弱网场景下唤醒响应时间也是远小于识别响应时间的。

在本实施例的一些可选的实现方式中，若第二次匹配失败，将第二段语音发送至语音识别服务器进行识别语音。接收语音识别服务器返回的识别结果，以及输出识别结果。如果本地未找到与第二段语音的相似度大于预定阈值的指令，则认为匹配失败，并发给语音识别服务器进行识别语音。语音识别服务器用于将语音转换成文本结果。输出方式可以包括在屏幕上显示文字结果，还可将识别结果发送到语义理解服务器，其中，语义理解服务器用于分析接收到的所述识别结果得到指令。然后接收语义理解服务器返回的指令，以及执行指令。例如识别文字结果是“天气怎么样”，则可将其转成语义结果：预定格式的结构体，包括类型、意图等。然后再根据类型、意图等确定出语义结果对应的指令，再执行该指令。例如，识别文字结果“天气怎么样”可得到语义结果：结构体{类型：查询，意图：天气预报}。确定出语义结果对应的指令为：查询天气预报。控制器可将指令发给搜索引擎，执行查询天气预报的操作。

继续参见图3，图3是根据本实施例的用于识别语音的方法的应用场景的一个示意图。在图3的应用场景中，用户通过麦克风输入唤醒语音“小度，小度”，麦克风将唤醒语音发送到控制器，控制器在本地识别出唤醒词，开始识别语音。当接收到麦克风发送的语音“最近热映的电影”时，先进行本地的指令匹配，匹配失败则将语音“最近热映的电影”发送到语音识别服务器，由语音识别服务器进行语音识别得到文字“最近热映的电影”，然后返回给控制器。控制器再将文字“最近热映的电影”发送给语义理解服务器，由语义理解服务器转换成文字：{类型：查询，意图：热映电影列表}并返回控制器。控制器执行查询命令后输出“为您找到以下热映的电影，请选择：”。此时用户通过麦克风输入语音“第一个”，控制器可在本地通过指令集识别出选择命令，执行选择命令后输出“为您找到以下上映该影片的电影院列表：”。而无需将“下一个”指令发送给语音识别服务器进行语音识别。用户又输入语音“第三个”，则控制器本地指令匹配成功，识别出选择命令，执行选择命令后输出“是否确定购买一张电影票？”。用户又输入语音“确定”，则控制器本地指令匹配成功，识别出确认命令，执行确认命令后输出“即将生成订单，是否确定支付？”。用户又输入语音“取消”，则控制器本地指令匹配成功，识别出取消命令，执行取消命令后输出“已为您取消订单”。

本公开的上述实施例提供的方法通过先在本地唤醒的方法查找相匹配的指令进行语音识别，如果本地识别失败再利用语音识别服务器进行识别语音。由于唤醒响应普遍比识别响应快100ms左右。唤醒技术是离线的，并且采用本地解析，几乎不耗费等待时间。由于本地唤醒技术响应时间普遍优于识别的响应时间，所以在语音交互产品的多轮对话场景下大大缩短了特定指令词“第一个”、“第二个”、“第三个”、“上一页”、“下一页”、“确定”、“取消”的响应时间，缩短了一次多轮对话场景的全程响应时间，提升了用户体验。

进一步参考图4，其示出了用于识别语音的方法的又一个实施例的流程400。该用于识别语音的方法的流程400，包括以下步骤：

步骤401，响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配。

步骤402，若第一次匹配成功，接收输入的第二段语音。

步骤401-402与步骤201-202基本相同，因此不再赘述。

步骤403，将第二段语音与本地预设的指令集进行第二次匹配，以及将第二段语音发送至语音识别服务器进行识别语音。

在本实施例中，执行步骤203的同时将第二段语音发送至语音识别服务器进行识别语音。这样可以不用等待本地匹配失败再通过远程语音识别，减少响应时间。

步骤404，若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令。

在本实施例中，若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行该指令。例如，用户输入的第二段语音为“下一页”，在指令集匹配得到了指令“翻到下一面”，则执行该指令，显示当前页面的下一页页面。而无需将第二段语音发给语音识别服务器进行识别语音。

步骤405，向语音识别服务器发送取消对第二段语音进行识别语音的指令。

在本实施例中，如果本地已经匹配出指令了，则无需远程语音识别，向语音识别服务器发送取消对第二段语音进行识别语音的指令，以终止远程语音识别过程。从而减少语音识别服务器的不必要的开销。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别语音的方法的流程400体现了本地语音识别和远程语音识别并行执行的步骤。由此，本实施例描述的方案可以在本地匹配失败的情况下快速得到语音识别服务器返回的结果，减少了时延从而提高了识别响应速度，让用户得到更佳的人机交互体验。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别语音的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于识别语音的装置500包括：唤醒匹配单元501、语音输入单元502、指令匹配单元503、执行单元504。其中，唤醒匹配单元501，被配置成响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配；语音输入单元502，被配置成若第一次匹配成功，接收输入的第二段语音；指令匹配单元503，被配置成将第二段语音与本地预设的指令集进行第二次匹配；执行单元504，被配置成若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令。

在本实施例中，用于识别语音的装置500的接收单元唤醒匹配单元501、语音输入单元502、指令匹配单元503、执行单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，装置500还包括：识别语音单元(附图中未示出)，被配置成若第二次匹配失败，将第二段语音发送至语音识别服务器进行识别语音；结果输出单元(附图中未示出)，被配置成接收语音识别服务器返回的识别结果，以及输出识别结果。

在本实施例的一些可选的实现方式中，装置500还包括语义理解单元(附图中未示出)，被配置成：将识别结果发送到语义理解服务器，其中，语义理解服务器用于分析接收到的识别结果得到指令；接收语义理解服务器返回的指令，以及执行指令。

在本实施例的一些可选的实现方式中，指令匹配单元503进一步被配置成：在将第二段语音与本地预设的指令集进行第二次匹配的同时，将第二段语音发送至语音识别服务器进行识别语音；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行指令；向语音识别服务器发送取消对第二段语音进行识别语音的指令。

在本实施例的一些可选的实现方式中，指令匹配单元503进一步被配置成：提取第二段语音的声学特征；将第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；若匹配成功，则将匹配的指令的声学特征解码成指令。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的控制器)600的结构示意图。图6示出的控制器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到第一段语音，将第一段语音与本地预设的唤醒词进行第一次匹配；若第一次匹配成功，接收输入的第二段语音；将第二段语音与本地预设的指令集进行第二次匹配；若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令。

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公开的实施例的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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括唤醒匹配单元、语音输入单元、指令匹配单元、执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，唤醒匹配单元还可以被描述为“响应于接收到第一段语音，将所述第一段语音与本地预设的唤醒词进行第一次匹配的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于识别语音的方法，包括：

响应于接收到第一段语音，将所述第一段语音与本地预设的唤醒词进行第一次匹配；

若第一次匹配成功，接收输入的第二段语音；

将所述第二段语音与本地预设的指令集进行第二次匹配；

若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若第二次匹配失败，将所述第二段语音发送至语音识别服务器进行识别语音；

接收所述语音识别服务器返回的识别结果，以及输出所述识别结果。

3.根据权利要求1所述的方法，其中，所述方法还包括：

将所述识别结果发送到语义理解服务器，其中，所述语义理解服务器用于分析接收到的所述识别结果得到指令；

接收所述语义理解服务器返回的指令，以及执行所述指令。

4.根据权利要求1所述的方法，其中，所述方法还包括：

在将所述第二段语音与本地预设的指令集进行第二次匹配的同时，将所述第二段语音发送至语音识别服务器进行识别语音；

若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令；

向所述语音识别服务器发送取消对所述第二段语音进行识别语音的指令。

5.根据权利要求1所述的方法，其中，所述将所述第二段语音与本地预设的指令集进行第二次匹配，包括：

提取所述第二段语音的声学特征；

将所述第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；

若匹配成功，则将匹配的指令的声学特征解码成指令。

6.一种用于识别语音的装置，包括：

唤醒匹配单元，被配置成响应于接收到第一段语音，将所述第一段语音与本地预设的唤醒词进行第一次匹配；

语音输入单元，被配置成若第一次匹配成功，接收输入的第二段语音；

指令匹配单元，被配置成将所述第二段语音与本地预设的指令集进行第二次匹配；

执行单元，被配置成若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令。

7.根据权利要求6所述的装置，其中，所述装置还包括。

识别语音单元，被配置成若第二次匹配失败，将所述第二段语音发送至语音识别服务器进行识别语音；

结果输出单元，被配置成接收所述语音识别服务器返回的识别结果，以及输出所述识别结果。

8.根据权利要求6所述的装置，其中，所述装置还包括语义理解单元，被配置成：

将所述识别结果发送到语义理解服务器，其中，所述语义理解服务器用于分析接收到的所述识别结果得到指令；

接收所述语义理解服务器返回的指令，以及执行所述指令。

9.根据权利要求6所述的装置，其中，所述指令匹配单元进一步被配置成：

在将所述第二段语音与本地预设的指令集进行第二次匹配的同时，将所述第二段语音发送至语音识别服务器进行识别语音；

若第二次匹配成功，输出与本地预设的指令集匹配得到的指令，以及执行所述指令；

向所述语音识别服务器发送取消对所述第二段语音进行识别语音的指令。

10.根据权利要求6所述的装置，其中，所述指令匹配单元进一步被配置成：

提取所述第二段语音的声学特征；

将所述第二段语音的声学特征与本地预设的指令集的声学特征进行匹配；

若匹配成功，则将匹配的指令的声学特征解码成指令。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。