CN111028846B - 免唤醒词注册的方法和装置 - Google Patents
免唤醒词注册的方法和装置 Download PDFInfo
- Publication number
- CN111028846B CN111028846B CN201911355844.7A CN201911355844A CN111028846B CN 111028846 B CN111028846 B CN 111028846B CN 201911355844 A CN201911355844 A CN 201911355844A CN 111028846 B CN111028846 B CN 111028846B
- Authority
- CN
- China
- Prior art keywords
- corpus
- wake
- user dictionary
- free word
- registration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种免唤醒词注册的方法和装置,属于语音识别技术领域。所述方法包括:获取语音数据,识别所述语音数据的声纹标识和语料;更新所述声纹标识对应的用户词典中所述语料的使用次数;如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。采用本申请提供的方法,可以有效提升用户的使用体验。
Description
技术领域
本申请涉及语音识别技术领域,具体涉及一种免唤醒词注册的方法和装置。
背景技术
随着科技的发展,如今用户可以通过语音来对终端(如音箱和手机等)进行控制。控制终端时,一般需要使用固定唤醒词先将终端唤醒,然后,终端才能响应用户的语音控制词语。为了提升用户的使用体验,设计人员一般会在终端注册一些免唤醒词,当用户说出免唤醒词时,终端不需要处于唤醒状态也可以响应免唤醒词对应的控制指令。例如,免唤醒词可以为“打开音乐”,当用户说出“打开音乐”时,终端不需要处于唤醒状态,也可以播放音乐。
相关技术中的免唤醒词都是设计人员预先调研好的,一般是用户使用频率较高的词语,这些词语一经注册就不能进行修改。
在实现本申请的过程中,发明人发现相关技术至少存在以下问题:
相关技术中注册的免唤醒词,对于所有的用户来说都是相同的,免唤醒词不能适应不同用户的语音习惯,这使得用户的使用体验较差。例如,有的用户喜欢说“打开音乐”来控制终端播放音乐,有的用户喜欢说“播放音乐”来控制终端播放音乐,而此时如果注册的免唤醒词为“打开音乐”,则喜欢说“播放音乐”的用户的使用体验较差。
发明内容
本申请实施例提供了一种免唤醒词注册的方法和装置,可以解决相关技术中存在的技术问题。所述免唤醒词注册的方法和装置的技术方案如下:
第一方面,提供了一种免唤醒词注册的方法,所述方法包括:
获取语音数据,识别所述语音数据的声纹标识和语料;
更新所述声纹标识对应的用户词典中所述语料的使用次数;
如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词,包括:
当达到设定的检测周期时,检测所述用户词典中的所述语料的使用频率是否满足注册条件,如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词,包括:
确定所述语料的语义领域;
确定所述用户词典中的所述语料的使用频率;
确定所述语料在所述语义领域中的所有语料的使用频率的排名,如果所述语料的排名满足排名条件,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述如果所述语料的排名满足排名条件,则将所述语料注册为免唤醒词,包括:
如果所述语料的排名满足排名条件,且所述语料的使用频率大于设定阈值,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述更新所述声纹标识对应的用户词典中所述语料的使用次数,包括:
如果所述声纹标识对应的用户词典中已存储有所述语料,则将所述语料的使用次数加一;
如果所述声纹标识对应的用户词典中未存储有所述语料,则将所述语料存储在所述用户词典中,并确定所述语料的使用次数为一。
在一种可能的实现方式中,所述方法还包括:
检测所述声纹标识对应的用户词典中的每个免唤醒词的使用频率;
对于每个免唤醒词,如果所述免唤醒词的使用频率满足删除条件,则将所述免唤醒词删除。
在一种可能的实现方式中,所述用户词典存储在本地或后台服务器中。
第二方面,提供了一种免唤醒词注册的装置,所述装置包括:
识别模块,用于获取语音数据,识别所述语音数据的声纹标识和语料;
更新模块,用于更新所述声纹标识对应的用户词典中所述语料的使用次数;
注册模块,用于如果所述用户词典中的所述用料的使用频率满足注册条件,则将所述用料注册为免唤醒词。
在一种可能的实现方式中,所述注册模块,用于:
当达到设定的检测周期时,检测所述用户词典中的所述语料的使用频率是否满足注册条件,如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述注册模块,用于:
确定所述语料的语义领域;
确定所述用户词典中的所述语料的使用频率;
确定所述语料在所述语义领域中的所有语料的使用频率的排名,如果所述语料的排名满足排名条件,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述注册模块,用于:
如果所述语料的排名满足排名条件,且所述语料的使用频率大于设定阈值,则将所述语料注册为免唤醒词。
在一种可能的实现方式中,所述更新模块,用于:
如果所述声纹标识对应的用户词典中已存储有所述语料,则将所述语料的使用次数加一;
如果所述声纹标识对应的用户词典中未存储有所述语料,则将所述语料存储在所述用户词典中,并确定所述语料的使用次数为一。
在一种可能的实现方式中,所述装置还包括删除模块,用于:
检测所述声纹标识对应的用户词典中的每个免唤醒词的使用频率;
对于每个免唤醒词,如果所述免唤醒词的使用频率满足删除条件,则将所述免唤醒词删除。
在一种可能的实现方式中,所述用户词典存储在本地或后台服务器中。
第三方面,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如第一方面所述的免唤醒词注册的方法。
第四方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如第一方面所述的免唤醒词注册的方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供了一种免唤醒词注册的方法,首先,获取语音数据,并识别语音数据的声纹标识和语料,然后,更新声纹标识对应的用户词典中语料的使用次数,最后,如果用户词典中的语料的使用频率满足注册条件,则将该语料注册为免唤醒词。本申请实施例提供的方法,对于每个用户存储有对应的用户词典,并且基于用户词典中的每条语料的使用频率,确定语料是否注册为免唤醒词。因此,注册的免唤醒词根据用户的不同而不同,可以适应不同用户的语音习惯,提升了用户的使用体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种免唤醒词注册的方法的流程图;
图2是本申请实施例提供的一种免唤醒词注册的装置的结构示意图;
图3是本申请实施例提供的一种终端的结构示意图;
图4是本申请实施例提供的一种服务器的结构示意图;
图5是本申请实施例提供的一种免唤醒注册的方法的流程图;
图6是本申请实施例提供的一种模块交互图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种免唤醒词注册的方法,该方法可以由终端实现,也可以由服务器实现,还可以由服务器和终端一起实现。其中,该终端可以是是手机、平板电脑、笔记本、智能音箱、智能家居、车载设备等移动终端,也可以是台式计算机等固定终端。该服务器可以是单个服务器,也可以是服务器集群。
下面,以本申请实施例提供的方法应用于车载设备为例,对本申请提供的免唤醒注册的方法的处理流程进行简要说明。首先,可以通过车内的麦克风采集语音数据,并通过车载设备识别语音数据的声纹标识和语料。然后,更新声纹标识对应的用户词典中该语料的使用次数。最后,如果用户词典中的语料的使用频率满足注册条件,则将该语料注册为免唤醒词。本申请实施例提供的免唤醒注册的方法,具有动态性和用户指向性,增强了用户的语音交互体验。
如图1所示,免唤醒词注册的方法的处理流程可以包括如下步骤:
在步骤101中,获取语音数据,识别语音数据的声纹标识和语料。
其中,语音数据中包含预先设置的固定唤醒词。
声纹标识用于确定发出语音数据的说话人的身份,不同的人对应有不同的声纹标识。声纹标识也可以称为声纹信息和声纹特征等。
在实施中,可以通过麦克风录入用户的语音数据,并且,还可以对原始的语音数据做一些预处理,如降噪和消除回声等,以提高语音数据的质量,便于后续的语料和声纹标识的确定。
获取语音数据后可以对语音数据进行声纹识别,以得到语音数据的声纹标识,即识别出说话人的身份。其中,声纹识别是生物识别技术的一种,也称为说话人识别,包括说话人辨认和说话人确认。声纹识别就是把声信号转换成电信号,再用计算机进行识别。具体的,可以通过梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征提取算法提取声纹标识。在进行声纹识别时,可以在采集到固定唤醒词时进行声纹识别,也即,通常使用唤醒词进程声纹认证。
获取语音数据后还需要识别出语音数据的语料,具体的,可以通过语音识别引擎识别出用户所说的每条语料。语音数据的语料中包含预先设置的固定唤醒词。
需要说明的是,当步骤101由服务器执行时,获取语音数据即接收终端发送的语音数据,然后,由服务器识别语音数据的声纹标识和语料。当步骤101由终端执行时,获取语音数据即终端通过麦克风录入语音数据,然后,终端识别语音数据的声纹标识和语料。
另外,当步骤101的执行主体为终端时,终端还需要响应语料对应的控制指令。其中,响应语料对应的控制指令,也即执行语料对应的控制指令。例如,识别出语料为“播放歌曲”,则终端会进行歌曲播放。在实施中,可以基于自然语言处理,对用户所说的每条语料做切词处理,识别出所有的控制意图,以触发相应的控制指令。
在步骤102中,更新声纹标识对应的用户词典中语料的使用次数。
其中,用户词典中存储有用户所说的语料,以及语料的使用次数。
在实施中,确定声纹标识之后,可以在终端登录声纹标识对应的用户账号,从而,便于查找用户账号的用户词典。
如果声纹标识对应的用户词典中已存储有该语料,则将该语料的使用次数加一。如果声纹标识对应的用户词典中未存储有该语料,则将该语料存储在用户词典中,并确定该语料的使用次数为一。
用户词典可以存储在本地,也可以存储在后台服务器中。如果用户词典存储在后台服务器,则当更换新的终端时,可以从后台服务器获取用户词典,使得用户的使用体验不变。
需要说明的是,更新语料的使用次数时,是在语料对应的声纹标识对应的用户词典中更新,而不是在所有的用户词典中进行更新。例如,用户A和用户B的用户词典中均具有“给我来一首新歌”这一语料,则当A再次说出“给我来一首新歌”时,只有用户A的用户词典中的“给我来一首新歌”的使用次数加一,而用户B的用户词典中的“给我来一首新歌”的使用次数不变。
另外,更新使用次数的语料,需要是可以解析出明确控制指令的语料。
步骤102可以由终端进行,也可以由服务器进行,本申请对此不做限定。
在步骤103中,如果用户词典中的语料的使用频率满足注册条件,则将语料注册为免唤醒词。
其中,将某语料注册为免唤醒词之后,用户可以直接说出该语料来对终端进行控制,而不必先使用预先设置的固定唤醒词唤醒终端。
注册条件可以是该语料的使用频率大于设定阈值,也可以是该语料在所属语义领域中的所有语料中的使用频率的排名满足排名条件,还可以是上述使用频率和排名条件两者的结合。
在实施中,在检测语料的使用频率是否满足注册条件时,可以是每当接收到语音数据,即进行一次用户词典中语料的使用频率的检测处理。
还可以是每当达到设定的检测周期,检测用户词典中的语料是否满足注册条件。为了合理利用终端的处理资源,该检测周期可以位于终端闲置的时间段内。
当注册条件为该语料在所属语义领域中的所有语料中的使用频率的排名满足排名条件时,相应的处理过程可以如下所述,确定该语料的语义领域。确定用户词典中的该语料的使用频率。确定该语料在该语义领域中的所有语料的使用频率的排名,如果该语料的排名满足排名条件,则将该语料注册为免唤醒词。
其中,语义领域可以为音乐领域、导航领域和天气领域等。
在实施中,可以对识别出的每条语料做切词处理,识别出所有的语义领域。例如,“给我来一首新歌”可以认为属于音乐领域,“回家”可以认为属于“导航领域”,“今天天气怎么样”可以认为属于天气领域。
然后,需要确定用户词典中的语料的使用频率,并且,将该语料所属的语义领域中的所有语料,按照使用频率的大小进行排序。排序时,可以按照使用频率由大到小的顺序进行排序,也可以按照使用频率由小到大的顺序进行排序。
在进行使用频率的确定时,可以使用最近设定时间段内的使用次数,除以最近设定时间段来确定。例如,最近60天使用了120次,则使用频率为2次/天。
或者,也可以对语料的使用次数做归一化处理,得到使用频率。例如,使用sigmoid函数,如下:
最后,判断该语料在所属语义领域中的排名,如果该语料的排名满足排名条件,则将该语料注册为免唤醒词。例如,当按照使用频率由大到小的顺序进行语料的排序,排名条件为排名为前3时,如果在音乐领域中包含四条语料,按照使用频率由高到低分别为“播放歌曲”、“播放新歌”、“给我来一首新歌”和“放歌”,则“播放歌曲”、“播放新歌”和“给我来一首新歌”均需要注册为免唤醒词,“放歌”不会被注册为免唤醒词。
另外,为了避免初始时将使用频率过低的语料注册为免唤醒词,则还可以使注册条件包括语料的使用频率,则此时如果语料的排名满足排名条件,且语料的使用频率大于设定阈值,则将该语料注册为免唤醒词。也即,如果使用频率过低,则即使排名满足排名条件,也不将该语料注册为免唤醒词。
另外,对于某些使用频率较低的免唤醒词还可以做删除处理,则相应的处理过程可以如下所述,检测声纹标识对应的用户词典中的每个免唤醒词的使用频率。对于每个免唤醒词,如果该免唤醒词的使用频率满足删除条件,则将该免唤醒词删除。
其中,删除条件可以是使用频率低于设定最低阈值,该设定最低阈值可以由工作人员基于实际经验来设置。
将免唤醒词删除,也即该语料不再作为免唤醒词。
在实施中,为了合理利用终端的处理资源,可以在终端处于闲置状态时,进行免唤醒词的删除处理。并且,还可以设定检测周期,每当达到设定的检测周期,检测所有的用户词典中的免唤醒词的使用频率。
通过将使用率较低的免唤醒词删除,可以减小误识别率。
需要说明的是,对于同一条语料,对于不同的用户A和B,则对于A来说该语料为免唤醒词,对于B来说该语料可能就不为免唤醒词。也即,同一条语料,由A说出和由B说出达到的效果不同。例如,同样是“播放歌曲”,对于A来说“播放歌曲”为免唤醒词,对于B来说“播放歌曲”不为免唤醒词,则在终端处于未唤醒状态下,由A说出“播放歌曲”则可以直接控制终端播放歌曲,由B说出“播放歌曲”则终端不会响应。
本申请实施例提供了一种免唤醒词注册的方法,首先,获取语音数据,并识别语音数据的声纹标识和语料,然后,更新声纹标识对应的用户词典中语料的使用次数,最后,如果用户词典中的语料的使用频率满足注册条件,则将该语料注册为免唤醒词。本申请实施例提供的方法,对于每个用户存储有对应的用户词典,并且基于用户词典中的每条语料的使用频率,确定语料是否注册为免唤醒词。因此,注册的免唤醒词根据用户的不同而不同,可以适应不同用户的语音习惯,提升了用户的使用体验。
如图5所示,为本申请实施例提供的又一种免唤醒词注册的方法的流程图。
(1)录入音频数据;
(2)确定录入的音频数据的声纹标识对应的用户账户是否已登录;
(3)如果已登录则唤醒语音会话,如果不是已登录则提取音频数据中的声纹标识,识别用户身份,并认证登录,读取用户字典中的配置信息;
(4)识别出音频数据中的语料,如果识别失败则继续录入语音;
(5)识别语料成功后,确定出语料的语义领域和对应的控制指令,如果识别失败,则继续录入语音;
(6)识别语义领域成功后,将用户词典中该语义的使用次数加1;
(7)周期性的检索用户词典中的每个语料;
(8)对于不是免唤醒词的语料,如果语料满足注册条件,则将该语料注册为免唤醒词,如果不满足则忽略该语料;
(9)对于是免唤醒词的语料,如果该语料的使用率低,则向引擎申请删除免唤醒。
本申请实施例提供的免唤醒词注册的方法,通过声纹标识进行分类,确定每个用户习惯性控制语料的使用频率,从而判断该用户使用这些语料的热度,确定其偏好,从而基于用户语料动态的增加免唤醒词。而对于长期不使用的免唤醒词则将其删除,从而减少误识别率。本申请实施例提供的方案可以带来更智能化、更个性化的语音交互体验。
如图6所示,为本申请实施例提供的模块交互示意图。
(1)音频采集器:通过麦克风录入用户的语音数据,还可以对原始语音数据做预处理,比如降噪、消回声等。
(2)声纹特征提取模型:基于声纹识别技术,采集用户所说的唤醒词音频文件,通过音频特征提取(比如MFCC特征提取算法)分类不同用户。通常使用唤醒词进程声纹认证。
(3)用户字典:统计不同用户所说每条语料的次数,以及其所属的语义领域和控制指令。该用户字典可以存储在本地,也可以作为在线服务,存储在服务器。
(4)语音识别引擎:识别出用户所说的每条语料。
(5)语义识别模型:基于自然语言处理,对用户所说的每条语料做切词处理,识别出所有的领域和控制指令。比如,“给我来一首新歌”,领域为音乐,控制指令为播放最近排行榜首歌。
(6)免唤醒词决策模型:基于不同的语义领域分类,统计用户使用每个语料的使用频率,从而动态增加免唤醒词语或删除免唤醒词语。
基于相同的技术构思,本申请实施例还提供了一种免唤醒词注册的装置,该装置可以为上述实施例中的终端,如图2所示,该装置包括:
识别模块201,用于获取语音数据,识别语音数据的声纹标识和语料;
更新模块202,用于更新声纹标识对应的用户词典中语料的使用次数;
注册模块203,用于如果用户词典中的用料的使用频率满足注册条件,则将用料注册为免唤醒词。
在一种可能的实现方式中,注册模块203,用于:
当达到设定的检测周期时,检测用户词典中的语料的使用频率是否满足注册条件,如果用户词典中的语料的使用频率满足注册条件,则将语料注册为免唤醒词。
在一种可能的实现方式中,注册模块203,用于:
确定语料的语义领域;
确定用户词典中的语料的使用频率;
确定语料在语义领域中的所有语料的使用频率的排名,如果语料的排名满足排名条件,则将语料注册为免唤醒词。
在一种可能的实现方式中,注册模块203,用于:
如果语料的排名满足排名条件,且语料的使用频率大于设定阈值,则将语料注册为免唤醒词。
在一种可能的实现方式中,更新模块202,用于:
如果声纹标识对应的用户词典中已存储有语料,则将语料的使用次数加一;
如果声纹标识对应的用户词典中未存储有语料,则将语料存储在用户词典中,并确定语料的使用次数为一。
在一种可能的实现方式中,装置还包括删除模块,用于:
检测声纹标识对应的用户词典中的每个免唤醒词的使用频率;
对于每个免唤醒词,如果免唤醒词的使用频率满足删除条件,则将免唤醒词删除。
在一种可能的实现方式中,用户词典存储在本地或后台服务器中。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是:上述实施例提供的免唤醒词注册的装置在进行免唤醒词的注册时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的免唤醒词注册的装置与免唤醒词注册的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请实施例提供的一种终端的结构框图。该终端300可以是便携式移动终端,比如:智能手机、平板电脑、智能摄像机。终端300还可能被称为用户设备、便携式终端等其他名称。
通常,终端300包括有:处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中提供的免唤醒词注册的方法。
在一些实施例中,终端300还可选包括有:外围设备接口303和至少一个外围设备。具体地,外围设备包括:射频电路304、显示屏305、摄像头组件306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。显示屏305还具有采集在触摸显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。显示屏305用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,设置终端300的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在终端300的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在终端300的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地,摄像头组件306包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能。在一些实施例中,摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路307用于提供用户和终端300之间的音频接口。音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器301进行处理,或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路307还可以包括耳机插孔。
定位组件308用于定位终端300的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于:加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。
加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号,控制显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器312可以检测终端300的机体方向及转动角度,陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D动作。处理器301根据陀螺仪传感器312采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器313可以设置在终端300的侧边框和/或显示屏305的下层。当压力传感器313设置在终端300的侧边框时,可以检测用户对终端300的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器313设置在显示屏305的下层时,可以根据用户对显示屏305的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器314用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器301授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时,指纹传感器314可以与物理按键或厂商Logo集成在一起。
光学传感器315用于采集环境光强度。在一个实施例中,处理器301可以根据光学传感器315采集的环境光强度,控制显示屏305的显示亮度。具体地,当环境光强度较高时,调高显示屏305的显示亮度;当环境光强度较低时,调低显示屏305的显示亮度。在另一个实施例中,处理器301还可以根据光学传感器315采集的环境光强度,动态调整摄像头组件306的拍摄参数。
接近传感器316,也称距离传感器,通常设置在终端300的正面。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中,当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时,由处理器301控制显示屏305从亮屏状态切换为息屏状态;当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时,由处理器301控制显示屏305从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图3中示出的结构并不构成对终端300的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图4是本申请实施例提供的一种服务器的结构示意图,该服务器400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processingunits,CPU)401和一个或一个以上的存储器402,其中,存储器402中存储有至少一条指令,该至少一条指令由处理器401加载并执行以实现上述免唤醒词注册的方法。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述实施例中的免唤醒注册的方法。例如,所述计算机可读存储介质可以是ROM(Read-Only Memory)、随机存取存储器(RandomAccess Memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种免唤醒词注册的方法,其特征在于,所述方法包括:
获取语音数据,识别所述语音数据的声纹标识和语料,其中,所述语音数据中包括预先设置的固定唤醒词;
更新所述声纹标识对应的用户词典中所述语料的使用次数;
如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
2.根据权利要求1所述的方法,其特征在于,所述如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词,包括:
当达到设定的检测周期时,检测所述用户词典中的所述语料的使用频率是否满足注册条件,如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
3.根据权利要求1或2所述的方法,其特征在于,所述如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词,包括:
确定所述语料的语义领域;
确定所述用户词典中的所述语料的使用频率;
确定所述语料在所述语义领域中的所有语料的使用频率的排名,如果所述语料的排名满足排名条件,则将所述语料注册为免唤醒词。
4.根据权利要求3所述的方法,其特征在于,所述如果所述语料的排名满足排名条件,则将所述语料注册为免唤醒词,包括:
如果所述语料的排名满足排名条件,且所述语料的使用频率大于设定阈值,则将所述语料注册为免唤醒词。
5.根据权利要求1所述的方法,其特征在于,所述更新所述声纹标识对应的用户词典中所述语料的使用次数,包括:
如果所述声纹标识对应的用户词典中已存储有所述语料,则将所述语料的使用次数加一;
如果所述声纹标识对应的用户词典中未存储有所述语料,则将所述语料存储在所述用户词典中,并确定所述语料的使用次数为一。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述声纹标识对应的用户词典中的每个免唤醒词的使用频率;
对于每个免唤醒词,如果所述免唤醒词的使用频率满足删除条件,则将所述免唤醒词删除。
7.根据权利要求1所述的方法,其特征在于,所述用户词典存储在本地或后台服务器中。
8.一种免唤醒词注册的装置,其特征在于,所述装置包括:
识别模块,用于获取语音数据,识别所述语音数据的声纹标识和语料,其中,所述语音数据中包括预先设置的固定唤醒词;
更新模块,用于更新所述声纹标识对应的用户词典中所述语料的使用次数;
注册模块,用于如果所述用户词典中的所述语料的使用频率满足注册条件,则将所述语料注册为免唤醒词。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-7任一项所述的免唤醒词注册的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1-7任一项所述的免唤醒词注册的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355844.7A CN111028846B (zh) | 2019-12-25 | 2019-12-25 | 免唤醒词注册的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355844.7A CN111028846B (zh) | 2019-12-25 | 2019-12-25 | 免唤醒词注册的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028846A CN111028846A (zh) | 2020-04-17 |
CN111028846B true CN111028846B (zh) | 2022-08-16 |
Family
ID=70214080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355844.7A Active CN111028846B (zh) | 2019-12-25 | 2019-12-25 | 免唤醒词注册的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690423A (zh) * | 2022-09-05 | 2024-03-12 | 华为技术有限公司 | 人机交互方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520743A (zh) * | 2018-02-02 | 2018-09-11 | 百度在线网络技术(北京)有限公司 | 智能设备的语音控制方法、智能设备及计算机可读介质 |
CN108847226A (zh) * | 2017-04-12 | 2018-11-20 | 声音猎手公司 | 管理人机对话中的代理参与 |
CN109346070A (zh) * | 2018-09-17 | 2019-02-15 | 佛吉亚好帮手电子科技有限公司 | 一种基于车机安卓系统的语音免唤醒方法 |
CN109360567A (zh) * | 2018-12-12 | 2019-02-19 | 苏州思必驰信息科技有限公司 | 可定制唤醒的方法和装置 |
CN109410952A (zh) * | 2018-10-26 | 2019-03-01 | 北京蓦然认知科技有限公司 | 一种语音唤醒方法、装置及系统 |
CN109493849A (zh) * | 2018-12-29 | 2019-03-19 | 联想(北京)有限公司 | 语音唤醒方法、装置及电子设备 |
CN109686372A (zh) * | 2019-01-02 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 资源播放控制方法和装置 |
CN110349579A (zh) * | 2019-07-15 | 2019-10-18 | 北京梧桐车联科技有限责任公司 | 语音唤醒处理方法及装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9117449B2 (en) * | 2012-04-26 | 2015-08-25 | Nuance Communications, Inc. | Embedded system for construction of small footprint speech recognition with user-definable constraints |
US20140122078A1 (en) * | 2012-11-01 | 2014-05-01 | 3iLogic-Designs Private Limited | Low Power Mechanism for Keyword Based Hands-Free Wake Up in Always ON-Domain |
US10978061B2 (en) * | 2018-03-09 | 2021-04-13 | International Business Machines Corporation | Voice command processing without a wake word |
-
2019
- 2019-12-25 CN CN201911355844.7A patent/CN111028846B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847226A (zh) * | 2017-04-12 | 2018-11-20 | 声音猎手公司 | 管理人机对话中的代理参与 |
CN108520743A (zh) * | 2018-02-02 | 2018-09-11 | 百度在线网络技术(北京)有限公司 | 智能设备的语音控制方法、智能设备及计算机可读介质 |
CN109346070A (zh) * | 2018-09-17 | 2019-02-15 | 佛吉亚好帮手电子科技有限公司 | 一种基于车机安卓系统的语音免唤醒方法 |
CN109410952A (zh) * | 2018-10-26 | 2019-03-01 | 北京蓦然认知科技有限公司 | 一种语音唤醒方法、装置及系统 |
CN109360567A (zh) * | 2018-12-12 | 2019-02-19 | 苏州思必驰信息科技有限公司 | 可定制唤醒的方法和装置 |
CN109493849A (zh) * | 2018-12-29 | 2019-03-19 | 联想(北京)有限公司 | 语音唤醒方法、装置及电子设备 |
CN109686372A (zh) * | 2019-01-02 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 资源播放控制方法和装置 |
CN110349579A (zh) * | 2019-07-15 | 2019-10-18 | 北京梧桐车联科技有限责任公司 | 语音唤醒处理方法及装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Speech Processing for Digital Home Assistants: Combining Signal Processing With Deep-Learning Techniques;Reinhold Haeb;《 IEEE Signal Processing Magazine》;20191030;111-124 * |
百度车载中控系统交互设计研究与实践;丁俊兰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180731;C035-93 * |
Also Published As
Publication number | Publication date |
---|---|
CN111028846A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111933112B (zh) | 唤醒语音确定方法、装置、设备及介质 | |
CN110556127B (zh) | 语音识别结果的检测方法、装置、设备及介质 | |
WO2021052306A1 (zh) | 声纹特征注册 | |
CN108320756B (zh) | 一种检测音频是否是纯音乐音频的方法和装置 | |
WO2022057435A1 (zh) | 基于搜索的问答方法及存储介质 | |
CN111105788B (zh) | 敏感词分数检测方法、装置、电子设备及存储介质 | |
CN111681655A (zh) | 语音控制方法、装置、电子设备及存储介质 | |
CN114299933A (zh) | 语音识别模型训练方法、装置、设备、存储介质及产品 | |
CN111613213B (zh) | 音频分类的方法、装置、设备以及存储介质 | |
CN111739517A (zh) | 语音识别方法、装置、计算机设备及介质 | |
CN110660398A (zh) | 声纹特征更新方法、装置、计算机设备及存储介质 | |
CN112667844A (zh) | 检索音频的方法、装置、设备和存储介质 | |
CN111341317B (zh) | 唤醒音频数据的评价方法、装置、电子设备及介质 | |
CN113220590A (zh) | 语音交互应用的自动化测试方法、装置、设备及介质 | |
CN111028846B (zh) | 免唤醒词注册的方法和装置 | |
CN111862972A (zh) | 语音交互服务方法、装置、设备及存储介质 | |
CN108831423B (zh) | 提取音频数据中主旋律音轨的方法、装置、终端及存储介质 | |
CN113744736B (zh) | 命令词识别方法、装置、电子设备及存储介质 | |
CN110837557A (zh) | 摘要生成方法、装置、设备及介质 | |
CN112116908B (zh) | 唤醒音频确定方法、装置、设备及存储介质 | |
CN114333821A (zh) | 电梯控制方法、装置、电子设备、存储介质及产品 | |
CN111681654A (zh) | 语音控制方法、装置、电子设备及存储介质 | |
CN110992954A (zh) | 语音识别的方法、装置、设备及存储介质 | |
CN110989963B (zh) | 唤醒词推荐方法及装置、存储介质 | |
CN113160802B (zh) | 语音处理方法、装置、设备及存储介质 |
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 |