CN110874343B - 基于深度学习芯片进行语音处理的方法和深度学习芯片 - Google Patents
基于深度学习芯片进行语音处理的方法和深度学习芯片 Download PDFInfo
- Publication number
- CN110874343B CN110874343B CN201810911181.1A CN201810911181A CN110874343B CN 110874343 B CN110874343 B CN 110874343B CN 201810911181 A CN201810911181 A CN 201810911181A CN 110874343 B CN110874343 B CN 110874343B
- Authority
- CN
- China
- Prior art keywords
- memory
- xpu
- voice
- input buffer
- cpu
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 67
- 230000015654 memory Effects 0.000 claims abstract description 171
- 239000000872 buffer Substances 0.000 claims abstract description 114
- 230000008569 process Effects 0.000 claims abstract description 32
- 230000001133 acceleration Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 145
- 230000004044 response Effects 0.000 claims description 41
- 238000012805 post-processing Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
- G06F15/7817—Specially adapted for signal processing, e.g. Harvard architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7839—Architectures of general purpose stored program computers comprising a single central processing unit with memory
- G06F15/7864—Architectures of general purpose stored program computers comprising a single central processing unit with memory on more than one IC chip
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephone Function (AREA)
Abstract
本申请实施例公开了基于深度学习芯片进行语音处理的方法和深度学习芯片。深度学习芯片包括:分别连接至复用总线的CPU、XPU云计算加速芯片和存储器,该语音处理的方法的一具体实施方式包括:CPU接收输入的语音,将语音存储至存储器;CPU经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;CPU经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令;XPU从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果;XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU。该实施方式可以提高语音识别的效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及计算机网络技术领域,尤其涉及基于深度学习芯片进行语音处理的方法和深度学习芯片。
背景技术
目前,在语音处理时,通常采用通用芯片(手机应用处理器芯片/平板电脑芯片等)+Codec(编码器)芯片+DSP芯片等组合的方式,由Codec芯片进行模拟信号的数字信号的转换,DSP部分对数字信号进行处理,包括回声消除、噪声抑制、语音降噪/增强等,使语音便于后端的语音识别,再由通用芯片将DSP处理后的数字信号传输到云端,由云端来提供语音处理的计算力支持。
目前用于语音处理的芯片组合,基于人工智能的语音识别是在云端实现。本地通常采用芯片组合或者通用处理器的专利授权组合的方式来处理麦克风阵列前端语音信号和语音唤醒。
发明内容
本申请实施例提供了基于深度学习芯片进行语音处理的方法和深度学习芯片。
第一方面,本申请实施例提供了一种基于深度学习芯片进行语音处理的方法,深度学习芯片包括:分别连接至复用总线的CPU、XPU云计算加速芯片和存储器,方法包括:CPU接收输入的语音,将语音存储至存储器;CPU经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;CPU经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令;XPU从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果;XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU。
在一些实施例中,CPU经由复用总线下载预先存储至存储器中的语音处理指令至XPU的输入缓冲器包括:CPU经由复用总线将存储器中的在先执行的语音处理算法加载至XPU的输入缓冲器;以及CPU响应于从XPU接收在先执行的语音处理算法的运行结果,经由复用总线将存储器中的在后处理的语音处理算法加载至XPU的输入缓冲器。
在一些实施例中,CPU经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令包括:CPU响应于在先执行的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在先执行的语音处理算法的命令;以及CPU响应于在后处理的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在后处理的语音处理算法的命令。
在一些实施例中,XPU从输入缓冲器中调用语音处理指令处理语音,得到语音识别结果包括:XPU响应于写寄存器接收到运行输入缓冲器中的在先执行的语音处理算法的指令,从输入缓冲器调用在先执行的语音处理算法处理语音,得到语音处理结果并存储至存储器,向CPU发送在先执行的语音处理算法的运行结果;以及XPU响应于写寄存器接收到运行输入缓冲器中的在后处理的语音处理算法的命令,采用从输入缓冲器调用的在后处理的语音处理算法处理语音处理结果,得到语音识别结果。
在一些实施例中,在先执行的语音处理算法包括:对应语音的麦克风阵列处理算法;以及在后处理的语音处理算法包括:语音识别算法。
在一些实施例中,语音识别算法支持一下至少一项:用户定制至少一个唤醒词;用户新增唤醒词;用户变更唤醒词;用户删除唤醒词。
在一些实施例中,深度学习芯片还包括闪存,方法还包括:CPU响应于深度学习芯片加载电源,调用闪存中的启动代码以配置线上资源;其中,配置线上资源包括:将存储在闪存中的语音处理指令存储至存储器。
在一些实施例中,配置线上资源还包括:配置以下一项或多项:XPU、除XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
在一些实施例中,存储器包括:片上存储器和片外伪静态随机存储器;存储至存储器包括:响应于存储至存储器的数据的数量大于等于预设数量,将存储至存储器的数据存储至片外伪静态随机存储器;响应于存储至存储器的数据的数量小于预设数量,将存储至存储器的数据存储至片上存储器。
在一些实施例中,XPU所包括的运算核的数量基于所需支持的麦克风的数量确定。
第二方面,本申请实施例提供了一种深度学习芯片,包括:CPU,被配置成:接收输入的语音,将语音存储至存储器;经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令;XPU,被配置成:从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果;将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU;存储器,被配置成:存储语音、语音识别结果;复用总线,被配置成:连接CPU、XPU和存储器。
在一些实施例中,CPU进一步被配置成:经由复用总线将存储器中的在先执行的语音处理算法加载至XPU的输入缓冲器;以及响应于从XPU接收在先执行的语音处理算法的运行结果,经由复用总线将存储器中的在后处理的语音处理算法加载至XPU的输入缓冲器。
在一些实施例中,CPU进一步被配置成:响应于在先执行的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在先执行的语音处理算法的命令;以及响应于在后处理的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在后处理的语音处理算法的命令。
在一些实施例中,XPU进一步被配置成:响应于写寄存器接收到运行输入缓冲器中的在先执行的语音处理算法的指令,从输入缓冲器调用在先执行的语音处理算法处理语音,得到语音处理结果并存储至存储器,向CPU发送在先执行的语音处理算法的运行结果;以及响应于写寄存器接收到运行输入缓冲器中的在后处理的语音处理算法的命令,采用从输入缓冲器调用的在后处理的语音处理算法处理语音处理结果,得到语音识别结果。
在一些实施例中,深度学习芯片中在先执行的语音处理算法包括:对应语音的麦克风阵列处理算法;以及深度学习芯片中在后处理的语音处理算法包括:语音识别算法。
在一些实施例中,深度学习芯片中语音识别算法支持一下至少一项:用户定制至少一个唤醒词;用户新增唤醒词;用户变更唤醒词;用户删除唤醒词。
在一些实施例中,深度学习芯片还包括闪存,CPU进一步被配置成:响应于深度学习芯片加载电源,调用闪存中的启动代码以配置线上资源;其中,配置线上资源包括:将存储在闪存中的语音处理指令存储至存储器。
在一些实施例中,CPU中配置线上资源还包括:配置以下一项或多项:XPU、除XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
在一些实施例中,存储器包括:片上存储器和片外伪静态随机存储器;片上存储器被配置成:存储数据的数量小于预设数量的存储至存储器的数据;片外伪静态随机存储器被配置成:存储数据的数量大于等于预设数量的存储至存储器的数据。
在一些实施例中,XPU进一步被配置成:XPU所包括的运算核的数量基于所需支持的麦克风的数量确定。
第三方面,本申请实施例提供了一种人工智能机器人,包括:如上述实施例中任意一项的深度学习芯片。
第四方面,本申请实施例提供了一种终端,包括:如上述实施例中任一的深度学习芯片。
本申请实施例提供的基于深度学习芯片进行语音处理的方法和深度学习芯片,深度学习芯片包括:分别连接至复用总线的CPU、XPU云计算加速芯片和存储器,方法包括:首先,CPU接收输入的语音,将语音存储至存储器;之后,CPU经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;之后,CPU经由复用总线的从接口向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令;之后,XPU从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果;最后,XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU。在这一过程中,语音处理指令可以在本地XPU运行并确定语音识别结果,提高了语音识别的效率。
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详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的语音处理的方法的一个实施例的流程示意图;
图3是根据本申请实施例的语音处理的方法一个应用场景示意图;
图4a是根据本申请的语音处理的方法的又一个实施例的流程示意图;
图4b是根据本申请的图4a中的深度学习芯片的一个实施例的示例性结构图;
图5是本申请的深度学习芯片的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器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申请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,本申请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申请。
图1示出了可以应用本申请的语音处理的方法或深度学习芯片的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104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110可以使用终端设备101、102、103通过网络104与服务器105、106交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如搜索引擎类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件、视频播放类应用等。
终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105、106可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对终端提交的数据进行分析、存储或计算等处理,并将分析、存储或计算结果推送给终端设备。
需要说明的是,在实践中,本申请实施例所提供的语音处理的方法一般由终端设备101、102、103执行,深度学习芯片也可以设置于终端设备101、102、103中。
应该理解,图1中的终端、网络和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终端、网络和服务器。
继续参考图2,示出了根据本申请的语音处理的方法的一个实施例的流程200。该语音处理的方法包括以下步骤:
步骤201,CPU接收输入的语音,将语音存储至存储器。
在本实施例中,上述语音处理的方法运行于其上的电子设备(例如图1所示的终端)中设置有深度学习芯片,该深度学习芯片包括通过复用总线相连接的CPU、XPU云计算加速芯片和存储器,其中,CPU和XPU分别连接至复用总线的主接口,存储器连接至复用总线的从接口。XPU所包括的运算核的数量,可以基于用户设定确定,或基于所需支持的麦克风的数量确定。XPU是多核可扩展的、基于深度学习的AI加速芯片。XPU的目标是在性能和效率之间实现平衡,并处理多样化的计算任务。
CPU在接收输入的语音后,可将语音存储至存储器。这里的存储器,可以为单个存储器或多个存储器。在一个具体的示例中,存储器可以包括片上存储器和片外伪静态存储器。在将数据存储至存储器时,可以根据被存储的数据的大小来确定存储位置。例如,可以响应于存储至存储器的数据的数量大于等于预设数量,将存储至存储器的数据存储至片外伪静态随机存储器(带宽很低的PSRAM);响应于存储至存储器的数据的数量小于预设数量,将存储至存储的数据存储至片上存储器。在这里,预设数量可以为划分数据存储位置的阈值。
步骤202,CPU经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器。
在本实施例中,CPU可以经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器,以备后续XPU调用语音处理指令。
这里的复用总线,是指BUS Matrix,可以进行多主(Core,DMA等),多从(内部RAM,APB外围总线,外部总线等)的交联和仲裁。复用总线允许多个主设备并行访问多个从设备,它能有效提高总线带宽,并增加系统的灵活性。
这里的语音处理指令,用于在本地处理语音,以确定语音识别结果。在一个具体的示例中,语音处理指令包括了云端预先训练的基于人工智能的语音识别算法。基于XPU对该语音识别算法的执行,可以将现有技术中位于云端的语音识别过程本地化,从而提高语音识别的效率,降低网络通信对语音识别的影响。
应当理解,这里的语音处理指令,可以包括一个或一个以上的语音处理算法。当语音处理指令包括一个以上的语音处理算法时,多个算法具有一定的执行顺序,CPU可以基于该执行顺序,对于执行顺序中在先处理的算法进行加载,并指示XPU执行该在先处理的算法,并响应于接收到在先处理的算法的运行结果,加载执行顺序中在后执行的算法并指示XPU执行该在后处理的算法。
在一些实现方式中,CPU经由复用总线下载预先存储至存储器中的语音处理指令至XPU的输入缓冲器可以包括:CPU经由复用总线将存储器中的在先执行的语音处理算法加载至XPU的输入缓冲器,以备后续指示XPU调用执行;以及CPU响应于从XPU接收在先执行的语音处理算法的运行结果,经由复用总线将存储器中的在后处理的语音处理算法加载至XPU的输入缓冲器,以备后续指示XPU调用执行。
步骤203,CPU经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令。
在本实施例中,CPU可以经由复用总线向XPU的写寄存器发出命令,以便触发XPU的运算核调用语音处理指令处理语音。
在一些实现方式中,语音处理指令包括一个以上的语音处理算法。那么,CPU经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令可以包括:CPU响应于在先执行的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在先执行的语音处理算法的命令;以及CPU响应于在后处理的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在后处理的语音处理算法的命令。
步骤204,XPU从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果。
在本实施例中,XPU响应于写寄存器接收到运行输入缓冲器中的语音处理指令的命令,从输入缓冲器中调用语音处理指令来处理语音,可以得到语音识别结果,从而实现语音识别的本地化。
在一些实现方式中,语音处理指令包括多个算法。那么,XPU从输入缓冲器中调用语音处理指令处理语音,得到语音识别结果可以包括:XPU响应于写寄存器接收到运行输入缓冲器中的在先执行的语音处理算法的指令,从输入缓冲器调用在先执行的语音处理算法处理语音,得到语音处理结果并存储至存储器,向CPU发送在先执行的语音处理算法的运行结果;以及XPU响应于写寄存器接收到运行输入缓冲器中的在后处理的语音处理算法的命令,采用从输入缓冲器调用的在后处理的语音处理算法处理语音处理结果,得到语音识别结果。
步骤205,XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU。
在本实施例中,XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU,以便CPU基于语音识别结果进行下一步操作。例如,若语音识别结果为唤醒词,那么采用该深度学习芯片的装置被唤醒后可以应答用户,并根据用户的后续语音输入,再次执行步骤201至步骤205,确定后续语音输入的语音识别结果,之后再由CPU根据该语音识别结果来确定用户指令,并执行用户指令。
以下结合图3,描述本申请的语音处理的方法的示例性应用场景。
如图3所示,图3示出了根据本申请的语音处理的方法的一个应用场景的示意性流程图。
如图3所示,语音处理的方法300运行于电子设备310中,可以包括:
首先,CPU301接收输入的语音302,将语音存储至存储器303;
之后,CPU301经由复用总线304下载存储器303中的语音处理指令305至XPU306的输入缓冲器;
CPU301经由复用总线304向XPU306的写寄存器发出运行输入缓冲器中的语音处理指令的命令307;
XPU306从输入缓冲器中调用语音处理指令305以处理语音302,得到语音识别结果308;
XPU306将语音识别结果308经由复用总线存储至存储器303,并将包括语音识别结果308的中断信息309经由复用总线返回CPU301。
应当理解,上述图3中所示出的语音处理的方法的应用场景,仅为对于语音处理的方法的示例性描述,并不代表对该方法的限定。例如,上述图3中示出的各个步骤,可以进一步采用更为细节的实现方法。
本申请上述实施例的语音处理的方法,可以基于CPU的调度,在本地XPU上运行语音处理指令,以得到语音识别结果,提高了确定语音识别结果的效率和便利性。
请参考图4a,其示出了根据本申请的语音处理的方法的又一个实施例的流程图。
如图4a所示,本实施例的语音处理的方法的流程400,可以包括以下步骤:
在步骤401中,CPU响应于深度学习芯片加载电源,调用闪存中的启动代码以配置线上资源,配置线上资源包括:将存储在闪存中的对应语音的麦克风阵列处理算法和语音识别算法存储至存储器。
在本实施例中,如图4b所示,深度学习芯片包括:CPU、XPU、片上存储器、片外伪静态随机存储器和闪存。其中,XPU包括多个运算核。运算核的数量根据输入语音的麦克风阵列确定。
返回图4a,当深度学习芯片上电时,可以触发CPU调用闪存中的启动代码并运行,以便根据启动代码来配置深度学习芯片和/或主板上的软硬件资源。在配置软件资源时,可以将存储在闪存中的语音处理指令加载至存储器。
在本实施例的一些可选实现方式中,配置线上资源还包括:配置以下一项或多项:XPU、除XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
在步骤402中,CPU接收输入的语音,并将语音存储至存储器。
在本实施例中,存储器可以为单个存储器或多个存储器。在将语音存储至存储器时,若存储器包括的多个存储器包括片上存储器和片外伪静态随机存储器,可以响应于存储至存储器的数据的数量大于等于预设数量,将存储至存储器的数据存储至片外伪静态随机存储器;响应于存储至存储器的数据的数量小于预设数量,将存储至存储器的数据存储至片上存储器。
在步骤403中,CPU经由复用总线将存储器中对应语音的麦克风阵列处理算法加载至XPU的输入缓冲器。
在本实施例中,基于采集语音的麦克风阵列,可以确定对应语音的麦克风阵列处理算法。在确定该麦克风阵列处理算法之后,可以将该麦克风阵列处理算法加载至XPU的输入缓冲器,以便后续XPU调用。
这里的麦克风阵列处理算法,是同时支持多个麦克风阵列的前端语音信号处理算法,包括回声消除、声源定位、波束形成、VAD(语音活动检测)、单通道后处理、高通滤波、噪声抑制、自适应增益控制,FFT/IFFT(快速傅氏变换/逆向快速傅立叶变换)等。
在步骤404中,CPU响应于麦克风阵列处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的麦克风阵列处理算法的命令。
在本实施例中,CPU响应于麦克风阵列处理算法已加载至XPU的输入缓冲器,发出运行输入缓冲器中的麦克风阵列处理算法的命令,以调度XPU执行麦克风阵列处理算法。
在步骤405中,XPU响应于写寄存器接收到运行输入缓冲器中的麦克风阵列处理算法的命令,从输入缓冲器调用麦克风阵列处理算法处理语音,得到语音处理结果并存储至存储器,向CPU发送麦克风阵列处理算法的运行结果。
在本实施例中,XPU响应于CPU的命令以及麦克风阵列处理算法已加载至输入缓冲器,可以调用麦克风阵列处理算法来处理语音,获取语音处理结果,将该语音处理结果存储至存储器以备后续调用,并进一步向CPU返回调用麦克风阵列处理算法来处理语音所得到的运行结果。
在步骤406中,CPU响应于从XPU接收麦克风阵列处理算法的运行结果,经由复用总线将存储器中的语音识别算法加载至XPU的输入缓冲器。
在本实施例中,CPU响应于语音处理指令中的麦克风阵列处理算法执行完毕,开始加载下一个语音识别算法至XPU的输入缓冲器,以备后续CPU调度XPU执行该语音处理算法。这里的语音识别算法,为可以基于DNN模型确定的人工智能算法,可以输入语音,输出对于语音的识别结果。
在步骤407中,CPU响应于语音识别算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音识别算法的命令。
在本实施例的一些可选实现方式中,语音识别算法支持用户定制至少一个唤醒词。例如,对于同一支持语音唤醒的装置,语音识别算法所支持的唤醒词可以为:DD、小D、胖D等。该语音识别算法还可以支持新增唤醒词、修改唤醒词和删除唤醒词功能。
在步骤408中,XPU响应于写寄存器接收到运行输入缓冲器中的语音识别算法的命令,采用从输入缓冲器调用的语音识别算法处理语音处理结果,得到语音识别结果。
在步骤409中,XPU将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU。
在本实施例中,存储器包括片上存储器和片外伪静态存储器。在将数据存储至存储器时,可以根据被存储的数据的大小来确定存储位置。例如,可以响应于存储至存储器的数据的数量大于等于预设数量,将存储至存储器的数据存储至片外伪静态随机存储器(带宽很低的PSRAM);响应于存储至存储器的数据的数量小于预设数量,将存储至存储的数据存储至片上存储器。在这里,预设数量可以为划分数据存储位置的阈值。
本申请上述实施例的语音处理的方法,基于DNN模型,支持多个麦克风阵列前端信号处理算法的低成本低功耗的适用于语音信号处理的深度学习SOC(系统级)芯片。支持本地唤醒,支持多个唤醒词可变可以基于与输入语音相适应的麦克风阵列处理算法来处理语音信息,并对处理后的语音信息采取语音识别算法进行识别,以实现在本地进行语音识别,提高了语音识别的效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种深度学习芯片的一个实施例,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,本实施例的深度学习芯片500可以包括:CPU510,被配置成:接收输入的语音,将语音存储至存储器;经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;经由复用总线向XPU的写寄存器发出运行输入缓冲器中的语音处理指令的命令;XPU520,被配置成:从输入缓冲器中调用语音处理指令以处理语音,得到语音识别结果;将语音识别结果存储至存储器,并将包括语音识别结果的中断信息返回CPU;存储器530,被配置成:存储语音、语音识别结果;复用总线540,被配置成:连接CPU、XPU和存储器。
在一些实施例中,CPU进一步被配置成:经由复用总线将存储器中的在先执行的语音处理算法加载至XPU的输入缓冲器;以及响应于从XPU接收在先执行的语音处理算法的运行结果,经由复用总线将存储器中的在后处理的语音处理算法加载至XPU的输入缓冲器。
在一些实施例中,CPU进一步被配置成:响应于在先执行的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在先执行的语音处理算法的命令;以及响应于在后处理的语音处理算法已加载至XPU的输入缓冲器,经由复用总线向XPU的写寄存器发出运行输入缓冲器中的在后处理的语音处理算法的命令。
一些实施例中,XPU进一步被配置成:响应于写寄存器接收到运行输入缓冲器中的在先执行的语音处理算法的指令,从输入缓冲器调用在先执行的语音处理算法处理语音,得到语音处理结果并存储至存储器,向CPU发送在先执行的语音处理算法的运行结果;以及响应于写寄存器接收到运行输入缓冲器中的在后处理的语音处理算法的命令,采用从输入缓冲器调用的在后处理的语音处理算法处理语音处理结果,得到语音识别结果。
在一些实施例中,深度学习芯片中在先执行的语音处理算法包括:对应语音的麦克风阵列处理算法;以及深度学习芯片中在后处理的语音处理算法包括:语音识别算法。
在一些实施例中,深度学习芯片中语音识别算法支持一下至少一项:用户定制至少一个唤醒词;用户新增唤醒词;用户变更唤醒词;用户删除唤醒词。
在一些实施例中,深度学习芯片还包括闪存550,CPU进一步被配置成:响应于深度学习芯片加载电源,调用闪存中的启动代码以配置线上资源;其中,配置线上资源包括:将存储在闪存中的语音处理指令存储至存储器。
在一些实施例中,CPU中配置线上资源还包括:配置以下一项或多项:XPU、除XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
在一些实施例中,存储器530包括:片上存储器531和片外伪静态随机存储器532;片上存储器被配置成:存储数据的数量小于预设数量的存储至存储器的数据;片外伪静态随机存储器被配置成:存储数据的数量大于等于预设数量的存储至存储器的数据。
在一些实施例中,XPU进一步被配置成:XPU所包括的运算核的数量基于所需支持的麦克风的数量确定。
应当理解,装置500中记载的诸单元可以与参考图2-图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)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部分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,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请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。在本申请中,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。而在本申请中,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。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。
以上描述仅为本申请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,本申请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上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。例如上述特征与本申请中公开的(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 (22)
1.一种基于深度学习芯片进行语音处理的方法,所述深度学习芯片包括:分别连接至复用总线的CPU、XPU云计算加速芯片和存储器,所述方法包括:
所述CPU接收输入的语音,将所述语音存储至存储器;
所述CPU经由所述复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;
所述CPU经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的语音处理指令的命令;
所述XPU从所述输入缓冲器中调用所述语音处理指令以处理所述语音,得到语音识别结果;
所述XPU将所述语音识别结果存储至存储器,并将包括所述语音识别结果的中断信息返回所述CPU。
2.根据权利要求1所述的方法,其中,所述CPU经由所述复用总线下载预先存储至存储器中的语音处理指令至XPU的输入缓冲器包括:
所述CPU经由所述复用总线将所述存储器中的在先执行的语音处理算法加载至所述XPU的输入缓冲器;以及
所述CPU响应于从所述XPU接收所述在先执行的语音处理算法的运行结果,经由所述复用总线将所述存储器中的在后处理的语音处理算法加载至所述XPU的输入缓冲器。
3.根据权利要求2所述的方法,其中,所述CPU经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的语音处理指令的命令包括:
所述CPU响应于所述在先执行的语音处理算法已加载至XPU的输入缓冲器,经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的在先执行的语音处理算法的命令;以及
所述CPU响应于所述在后处理的语音处理算法已加载至XPU的输入缓冲器,经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的在后处理的语音处理算法的命令。
4.根据权利要求3所述的方法,其中,所述XPU从所述输入缓冲器中调用语音处理指令处理所述语音,得到语音识别结果包括:
所述XPU响应于所述写寄存器接收到运行所述输入缓冲器中的在先执行的语音处理算法的指令,从所述输入缓冲器调用在先执行的语音处理算法处理所述语音,得到语音处理结果并存储至存储器,向所述CPU发送所述在先执行的语音处理算法的运行结果;以及
所述XPU响应于所述写寄存器接收到运行所述输入缓冲器中的在后处理的语音处理算法的命令,采用从所述输入缓冲器调用的在后处理的语音处理算法处理所述语音处理结果,得到语音识别结果。
5.根据权利要求2所述的方法,其中,所述在先执行的语音处理算法包括:对应所述语音的麦克风阵列处理算法;以及
所述在后处理的语音处理算法包括:语音识别算法。
6.根据权利要求5所述的方法,其中,所述语音识别算法支持一下至少一项:
用户定制至少一个唤醒词;
用户新增唤醒词;
用户变更唤醒词;
用户删除唤醒词。
7.根据权利要求1所述的方法,其中,所述深度学习芯片还包括闪存,所述方法还包括:
所述CPU响应于深度学习芯片加载电源,调用所述闪存中的启动代码以配置线上资源;其中,所述配置线上资源包括:将存储在闪存中的语音处理指令存储至存储器。
8.根据权利要求7所述的方法,其中,所述配置线上资源还包括:
配置以下一项或多项:所述XPU、除所述XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
9.根据权利要求1-8任意一项所述的方法,其中,所述存储器包括:片上存储器和片外伪静态随机存储器;
所述存储至存储器包括:响应于存储至存储器的数据的数量大于等于预设数量,将存储至存储器的数据存储至片外伪静态随机存储器;响应于存储至存储器的数据的数量小于预设数量,将存储至存储器的数据存储至所述片上存储器。
10.根据权利要求1所述的方法,其中,所述XPU所包括的运算核的数量基于所需支持的麦克风的数量确定。
11.一种深度学习芯片,包括:
CPU,被配置成:接收输入的语音,将所述语音存储至存储器;经由复用总线下载存储器中的语音处理指令至XPU的输入缓冲器;经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的语音处理指令的命令;
XPU,被配置成:从所述输入缓冲器中调用所述语音处理指令以处理所述语音,得到语音识别结果;将所述语音识别结果存储至存储器,并将包括所述语音识别结果的中断信息返回所述CPU;
存储器,被配置成:存储所述语音、所述语音识别结果;
复用总线,被配置成:连接所述CPU、所述XPU和所述存储器。
12.根据权利要求11所述的深度学习芯片,其中,所述CPU进一步被配置成:
经由所述复用总线将所述存储器中的在先执行的语音处理算法加载至所述XPU的输入缓冲器;以及
响应于从所述XPU接收所述在先执行的语音处理算法的运行结果,经由所述复用总线将所述存储器中的在后处理的语音处理算法加载至所述XPU的输入缓冲器。
13.根据权利要求12所述的深度学习芯片,其中,所述CPU进一步被配置成:
响应于所述在先执行的语音处理算法已加载至XPU的输入缓冲器,经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的在先执行的语音处理算法的命令;以及
响应于所述在后处理的语音处理算法已加载至XPU的输入缓冲器,经由所述复用总线向所述XPU的写寄存器发出运行所述输入缓冲器中的在后处理的语音处理算法的命令。
14.根据权利要求13所述的深度学习芯片,其中,所述XPU进一步被配置成:
响应于所述写寄存器接收到运行所述输入缓冲器中的在先执行的语音处理算法的指令,从所述输入缓冲器调用在先执行的语音处理算法处理所述语音,得到语音处理结果并存储至存储器,向所述CPU发送所述在先执行的语音处理算法的运行结果;以及
响应于所述写寄存器接收到运行所述输入缓冲器中的在后处理的语音处理算法的命令,采用从所述输入缓冲器调用的在后处理的语音处理算法处理所述语音处理结果,得到语音识别结果。
15.根据权利要求12所述的深度学习芯片,其中,所述深度学习芯片中所述在先执行的语音处理算法包括:对应所述语音的麦克风阵列处理算法;以及
所述深度学习芯片中所述在后处理的语音处理算法包括:语音识别算法。
16.根据权利要求15所述的深度学习芯片,其中,所述深度学习芯片中所述语音识别算法支持一下至少一项:
用户定制至少一个唤醒词;
用户新增唤醒词;
用户变更唤醒词;
用户删除唤醒词。
17.根据权利要求11所述的深度学习芯片,其中,所述深度学习芯片还包括闪存,所述CPU进一步被配置成:响应于所述深度学习芯片加载电源,调用所述闪存中的启动代码以配置线上资源;其中,所述配置线上资源包括:将存储在闪存中的语音处理指令存储至存储器。
18.根据权利要求17所述的深度学习芯片,其中,所述CPU中所述配置线上资源还包括:
配置以下一项或多项:所述XPU、除所述XPU之外的其它线上芯片、蓝牙、wifi、片上存储器、片外伪静态随机存储器。
19.根据权利要求11-18任意一项所述的深度学习芯片,其中,所述存储器包括:片上存储器和片外伪静态随机存储器;
所述片上存储器被配置成:存储数据的数量小于预设数量的存储至存储器的数据;
片外伪静态随机存储器被配置成:存储数据的数量大于等于预设数量的存储至存储器的数据。
20.根据权利要求11所述的深度学习芯片,其中,所述XPU进一步被配置成:所述XPU所包括的运算核的数量基于所需支持的麦克风的数量确定。
21.一种人工智能机器人,包括:如上述权利要求11-20中任意一项所述的深度学习芯片。
22.一种终端,包括:如上述权利要求11-20中任意一项所述的深度学习芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911181.1A CN110874343B (zh) | 2018-08-10 | 2018-08-10 | 基于深度学习芯片进行语音处理的方法和深度学习芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911181.1A CN110874343B (zh) | 2018-08-10 | 2018-08-10 | 基于深度学习芯片进行语音处理的方法和深度学习芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874343A CN110874343A (zh) | 2020-03-10 |
CN110874343B true CN110874343B (zh) | 2023-04-21 |
Family
ID=69714193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810911181.1A Active CN110874343B (zh) | 2018-08-10 | 2018-08-10 | 基于深度学习芯片进行语音处理的方法和深度学习芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874343B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700782A (zh) * | 2020-12-25 | 2021-04-23 | 维沃移动通信有限公司 | 语音处理方法和电子设备 |
CN113205818B (zh) * | 2021-05-24 | 2023-04-18 | 网易有道信息技术(北京)有限公司 | 用于优化语音识别过程的方法、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5701343A (en) * | 1994-12-01 | 1997-12-23 | Nippon Telegraph & Telephone Corporation | Method and system for digital information protection |
US7324547B1 (en) * | 2002-12-13 | 2008-01-29 | Nvidia Corporation | Internet protocol (IP) router residing in a processor chipset |
CN105355201A (zh) * | 2015-11-27 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 基于场景的语音服务处理方法、装置和终端设备 |
CN105391873A (zh) * | 2015-11-25 | 2016-03-09 | 上海新储集成电路有限公司 | 一种在移动设备中实现本地语音识别的方法 |
CN107211155A (zh) * | 2015-01-27 | 2017-09-26 | 微软技术许可有限责任公司 | 图内块拷贝预测模式下的合并的色度块的特殊情况处理 |
CN107832844A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002279393A (ja) * | 2001-03-21 | 2002-09-27 | Handotai Rikougaku Kenkyu Center:Kk | 音声認識回路 |
-
2018
- 2018-08-10 CN CN201810911181.1A patent/CN110874343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5701343A (en) * | 1994-12-01 | 1997-12-23 | Nippon Telegraph & Telephone Corporation | Method and system for digital information protection |
US7324547B1 (en) * | 2002-12-13 | 2008-01-29 | Nvidia Corporation | Internet protocol (IP) router residing in a processor chipset |
CN107211155A (zh) * | 2015-01-27 | 2017-09-26 | 微软技术许可有限责任公司 | 图内块拷贝预测模式下的合并的色度块的特殊情况处理 |
CN105391873A (zh) * | 2015-11-25 | 2016-03-09 | 上海新储集成电路有限公司 | 一种在移动设备中实现本地语音识别的方法 |
CN105355201A (zh) * | 2015-11-27 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 基于场景的语音服务处理方法、装置和终端设备 |
CN107832844A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
Non-Patent Citations (2)
Title |
---|
Jeremy Fowers等.A Configurable Cloud-Scale DNN Processor for Real-Time AI .2018 ACM/IEEE 45th Annual International Symposium on Computer Architecture.2018,第1-14页. * |
曹煦 ; .AI芯片爆发式增长",中国芯"迎来新机遇 2018年"AI中国芯"将密集落地.中国经济周刊.2018,(19),第70-72页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110874343A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423364B (zh) | 基于人工智能的回答话术播报方法、装置及存储介质 | |
US11087763B2 (en) | Voice recognition method, apparatus, device and storage medium | |
JP2019128939A (ja) | ジェスチャーによる音声ウェイクアップ方法、装置、設備及びコンピュータ可読媒体 | |
CN111261161B (zh) | 一种语音识别方法、装置及存储介质 | |
CN111833895B (zh) | 音频信号处理方法、装置、计算机设备和介质 | |
WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
CN110874343B (zh) | 基于深度学习芯片进行语音处理的方法和深度学习芯片 | |
US20180336903A1 (en) | Pre-processing partial inputs for accelerating automatic dialog response | |
JP2022028879A (ja) | 音声データの処理方法、装置、機器及び記憶媒体 | |
CN110909527B (zh) | 文本处理模型的运行方法、装置、电子设备、及存储介质 | |
CN109949806B (zh) | 信息交互方法和装置 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN111312243B (zh) | 设备交互方法和装置 | |
CN110288683B (zh) | 用于生成信息的方法和装置 | |
CN110223694B (zh) | 语音处理方法、系统和装置 | |
WO2021068247A1 (zh) | 神经网络调度方法、装置、计算机设备及可读存储介质 | |
CN113919490A (zh) | 推理引擎的适配方法、装置及电子设备 | |
CN111580883A (zh) | 应用程序启动方法、装置、计算机系统和介质 | |
CN111460211A (zh) | 音频信息播放方法、装置和电子设备 | |
CN112307161B (zh) | 用于播放音频的方法和装置 | |
CN115146038A (zh) | 具有封闭域和开放域对话集成的对话式ai平台 | |
CN114461582A (zh) | 文件处理方法、装置、设备及存储介质 | |
CN110619079A (zh) | 用于推送信息的方法和装置 | |
CN109901939A (zh) | 高可用的信源调用方法及系统 | |
CN111145792B (zh) | 音频处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |