CN111276127B - 语音唤醒方法、装置、存储介质及电子设备 - Google Patents
语音唤醒方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111276127B CN111276127B CN202010245632.XA CN202010245632A CN111276127B CN 111276127 B CN111276127 B CN 111276127B CN 202010245632 A CN202010245632 A CN 202010245632A CN 111276127 B CN111276127 B CN 111276127B
- Authority
- CN
- China
- Prior art keywords
- target
- phoneme
- audio frame
- probability
- determining
- 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 59
- 230000004913 activation Effects 0.000 claims abstract description 199
- 230000003213 activating effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012546 transfer 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
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- 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
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
-
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
-
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/225—Feedback of the input speech
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrophonic Musical Instruments (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种语音唤醒方法、装置、存储介质及电子设备,以提升语音唤醒效果。所述方法包括:确定待处理音频中目标音频帧的目标声音特征;根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示目标音素是否被激活;根据所述目标音频帧对所述目标音素的激活结果,确定目标唤醒词是否被唤醒。
Description
技术领域
本公开涉及语音处理领域,具体地,涉及一种语音唤醒方法、装置、存储介质及电子设备。
背景技术
在语音唤醒场景下,通常设置有唤醒词,对任意唤醒词,都可以基于一定数量的音素进行表示(例如,任何一个中文词可以通过102个中文音素进行表示),表示唤醒词的音素的有序排列可以构成该唤醒词对应的音素序列。在实际应用场景中,基于与唤醒词对应的音素序列判断检测到的音频是否能够实现对唤醒词的唤醒。实现语音唤醒的场景一般需要确定音频是否能够依次激活唤醒词对应的音素序列中的音素,若唤醒词对应的音素序列的所有音素都依次完成激活,该唤醒词就能被成功唤醒,并可进行唤醒后的相应后续动作。
现有技术中,若需确定音频能否激活某一音素,一般通过预训练的声学模型确定出音频对应于该音素的概率,若该概率可以达到该音素的激活阈值,就可以确定该音素被激活。但是,在训练上述声学模型时,由于存在常用音素(可获得的训练数据多,例如,可达到679MB)与非常用音素(可获得的训练数据少,例如,仅能得到1.2KB),所能获得的训练数据不平均,导致声学模型输出的概率不够准确,例如,声学模型针对非常用音素输出的概率普遍较低,间接导致非常用音素相比于常用音素更不易被激活,激活识别效果不佳。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种语音唤醒方法,所述方法包括:
确定待处理音频中目标音频帧的目标声音特征;
根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
第二方面,本公开提供一种语音唤醒装置,所述装置包括:
第一确定模块,用于确定待处理音频中目标音频帧的目标声音特征;
第二确定模块,用于根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
第三确定模块,用于根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
第四确定模块,用于根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
第三方面,本公开提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,确定待处理音频中目标音频帧的目标声音特征,根据目标声音特征,确定目标音频帧对应于目标音素的目标后验概率,根据目标后验概率,确定目标音频帧对目标音素的激活结果,根据目标音频帧对目标音素的激活结果,确定目标唤醒词是否被唤醒。其中,若目标音素为非常用音素、且目标音频帧对应于目标音素的初始概率小于预设概率值,则目标后验概率大于目标音频帧对应于目标音素的初始概率。这样,针对初始概率较小的非常用音素,增加了概率增强的处理方式,使得用于非常用音素的激活识别的概率有所增加,防止因非常用音素的前期训练样本不足而导致的音素漏激活情况,提升音素的激活识别效果,进而提升语音唤醒的效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1示出了现有技术中音频对应于音素的一种示例性的激活曲线;
图2是根据本公开的一种实施方式提供的语音唤醒方法的流程图;
图3示出了本公开的提供的语音唤醒方法中,目标音频帧对应于目标音素的一种示例性的激活曲线;
图4是根据本公开的一种实施方式提供的语音唤醒装置的框图;
图5示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在语音唤醒场景下,通常设置有唤醒词,对任意唤醒词,都可以基于一定数量的音素进行表示,例如,任何一个中文词可以通过102个中文音素进行表示。其中,表示唤醒词的音素的有序排列可以构成该唤醒词对应的音素序列。在实际应用场景中,基于与唤醒词对应的音素序列判断检测到的音频是否能够实现对唤醒词的唤醒。一般需要确定音频是否能够依次激活唤醒词对应的音素序列中的音素,若唤醒词对应的音素序列的所有音素都依次完成激活,该唤醒词就能被成功唤醒,并可进行唤醒后的相应后续动作。
现有技术中,若需确定音频能否激活某一音素,一般通过预训练的声学模型确定出音频对应于该音素的概率,若该概率可以达到该音素的激活阈值,就可以确定该音素被激活。但是,在训练上述声学模型时,由于存在常用音素(可获得的训练数据多,例如,可达到679MB)与非常用音素(可获得的训练数据少,例如,仅能得到1.2KB),所能获得的训练数据不平均,导致声学模型输出的概率不够准确,例如,声学模型针对非常用音素输出的概率普遍较低,间接导致非常用音素相比于常用音素更不易被激活,激活识别效果不佳。
其中,唤醒词对应的音素序列的每一音素处于未激活状态、激活中状态、已激活状态这三者之一。若音素处于未激活状态,说明该音素还未被激活。若音素处于已激活状态,说明该音素已完成激活,也就是针对该音素的激活动作已完成,在当前的唤醒识别过程中不会再对该音素进行激活。若音素处于激活中状态,说明该音素已被激活,但还未完成激活。语音处理一般以帧为单位处理,所以音频中的连续几帧一般对应于同一音素,在某一帧音频激活音素、并使该音素处于激活中状态后,在该音素的激活动作完成之前,中间的若干帧音频均使该音素处于激活中状态。
图1展示了现有技术中音频对应于音素的激活曲线,其中,曲线L表示音频(假设是音频A1)对应于音素(假设是音素A2)的概率曲线,横向代表帧数,且横向由左至右表示帧数的由先到后,纵向表示声学模型输出的该音频中各帧对应于音素A2的概率,且纵向由下到上表示概率值的由小到大。T代表音素A2对应的激活阈值,在某帧音频对应于音素A2的概率大于或等于其激活阈值时,音素A2被激活,对于被激活的音素A2,若之后的某帧音频对应于音素A2的概率小于其激活阈值时,音素A2完成激活。如图1可知,在S位置处,音素A2被激活,在E位置处,音素A2完成激活,因而,在该曲线中,在S位置之前,音素A2处于未激活状态,在S位置与E位置中间,音素A2处于激活中状态,在E位置之后,音素A2处于已激活状态。并且,在音素A2完成激活(即,音素A2变更为已激活状态)后,可以继续针对音素A2之后的音素进行激活。
另外,如上所述,一般情况下,在对应于音素的概率降低到该音素对应的激活阈值以下就完成对该音素的激活,也就是图1中所示的E位置。这样,若识别到唤醒词对应的最后一个音素,则最后一个音素被激活之后还需要一段时间才能完成该音素的激活,以及,在最后一个音素完成激活之后唤醒词才有可能被唤醒,这就导致唤醒词的唤醒过程较长,识别具有延时性,特别是在嘈杂环境中,这样的识别延时更加明显。
为了解决现有技术中存在的上述问题,本公开提供一种语音唤醒方法、装置、存储介质及电子设备。
图2是根据本公开的一种实施方式提供的语音唤醒方法的流程图。如图2所示,该方法可以包括以下步骤。
在步骤11中,确定待处理音频中目标音频帧的目标声音特征。
待处理音频可以是设备(执行本公开提供的语音唤醒方法的设备)持续检测到的用户的语音。需要说明的是,目标音频帧是待处理音频中的一帧音频,并且,待处理音频中的每一音频帧均可作为目标音频帧,并执行本公开提供的语音唤醒方法的各个步骤。
其中,目标音频帧的目标声音特征可以是基于目标音频帧获得的频谱特征,例如FBANK特征、FMCC特征等。目标声音特征可以是具有一定维度的特征向量,例如,28维特征、60维特征、80维特征等,具体的维度数量可以视具体的应用场景而定,本公开对此不进行限定。
在步骤12中,根据目标声音特征,确定目标音频帧对应于目标音素的目标后验概率。
其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若目标音素为非常用音素、且目标音频帧对应于目标音素的初始概率小于预设概率值,则目标后验概率大于目标音频帧对应于目标音素的初始概率。在这里,目标音频帧对应于目标音素的初始概率就是背景技术中所述的基于预训练的声学模型得到的概率。
在步骤13中,根据目标后验概率,确定目标音频帧对目标音素的激活结果。
其中,激活结果用于指示目标音素是否被激活。参照前文所述,唤醒词对应的音素序列中各音素处于未激活状态、激活中状态和已激活状态这三者之一,因此,目标音频帧对目标音素的激活结果可以为目标音素处于未激活状态、目标音素处于激活中状态、目标音素处于已激活状态这三者之一。
在步骤14中,根据目标音频帧对目标音素的激活结果,确定目标唤醒词是否被唤醒。
根据目标音频帧对目标音素的激活结果,也就是经过对目标音频帧识别后目标音素所处的状态,就可以确定目标唤醒词是否被唤醒。例如,若目标音素序列中所有音素都处于已激活状态,可以确定目标唤醒词可以被唤醒。再例如,若目标音素序列中并非所有音素都处于已激活状态,则当前还无法实现对目标唤醒词的唤醒,还需要进一步识别。
通过上述技术方案,确定待处理音频中目标音频帧的目标声音特征,根据目标声音特征,确定目标音频帧对应于目标音素的目标后验概率,根据目标后验概率,确定目标音频帧对目标音素的激活结果,根据目标音频帧对目标音素的激活结果,确定目标唤醒词是否被唤醒。其中,若目标音素为非常用音素、且目标音频帧对应于目标音素的初始概率小于预设概率值,则目标后验概率大于目标音频帧对应于目标音素的初始概率。这样,针对初始概率较小的非常用音素,增加了概率增强的处理方式,使得用于非常用音素的激活识别的概率有所增加,防止因非常用音素的前期训练样本不足而导致的音素漏激活情况,提升音素的激活识别效果,进而提升语音唤醒的效果。
为了使本领域技术人员更加理解本发明实施例提供的技术方案,下面对上文中的相应步骤及相关概念进行详细的说明。
首先对步骤11的具体实施方式进行详细说明。
在一种可能的实施方式中,可以首先确定目标音频帧的频谱特征,并将目标音频帧的频谱特征作为目标声音特征。
采用上述方式,能够在获得目标音频帧的同时就确定出目标声音特征,并用于后续的数据处理,实时性强,从而能够提升语音唤醒的实时性。
在另一种可能的实施方式中,除目标音频帧之外,还可以结合待处理音频中的其他音频帧共同确定目标声音特征。在这一实施方式中,步骤11可以包括以下步骤:
在待处理音频中,以目标音频帧为起始音频帧,向前获取M个连续的音频帧,并将这M个音频帧作为第一音频帧;
在待处理音频中,以目标音频帧为起始音频帧,向后获取N个连续的音频帧,并将这N个音频帧作为第二音频帧;
利用第一音频帧和/或第二音频帧,与目标音频帧按照时间顺序进行组合,获得组合音频帧;
将组合音频帧的频谱特征确定为目标声音特征。
其中,M、N均大于0。
如上所述,组合音频帧可以包括第一音频帧和目标音频帧,或者,组合音频帧可以包括目标音频帧和第二音频帧,或者,组合音频帧可以包括第一音频帧、目标音频帧和第二音频帧。
示例地,可以按照目标音频帧过去4帧、目标音频帧、目标音频帧未来3帧的顺序得到组合音频帧,并获得组合音频帧的频谱特征,进而,将获得的频谱特征作为目标声音特征。
采用上述方式,结合目标视频帧前后的音频帧获得目标声音特征,使得目标声音特征更加符合待处理音频本身的语音环境,能够提升后续数据处理的准确性。
下面对本方案中步骤12中确定目标音频帧对应于目标音素的目标后验概率进行详细说明。
在一种可能的实施方式中,目标音频帧对应于目标音素的目标后验概率可以通过如下方式确定:
根据目标声音特征以及预训练的声学模型,确定目标音频帧对应于每一预设音素的初始概率;
若目标音素为非常用音素、且目标音频帧对应于目标音素的初始概率小于预设概率值,则增大目标音频帧对应于目标音素的初始概率,以获得目标后验概率;
若目标音素为常用音素或目标音频帧对应于目标音素的初始概率大于或等于预设概率值,则将目标音频帧对应于目标音素的初始概率确定为目标后验概率。
其中,目标音频帧对应于一预设音素的初始概率用于反映目标音频帧的声音内容为该预设音素的概率。预设音素就是能够表示各唤醒词的音素之一,例如,任何一个中文词可以通过102个中文音素进行表示,则在中文唤醒词的使用场景下,预设音素可以是这102个中文音素,一个预设音素就是这102个中文音素中的一个音素。
此处所使用的预训练的声学模型与前文中给出的现有技术中使用的预训练的声学模型一致,在预训练过程中,以各预设音素的频谱特征为输入数据、并以预设音素为模型训练的输出真实值,通过神经网络模型进行训练,以获得该声学模型。并且,声学模型的输入为音频的频谱特征,输出则是输入音频对应于各个预设音素的概率。
从而,将目标声学特征输入至预训练的声学模型,就可以确定出目标音频帧对应于每一预设音素的初始概率。
若目标音素为非常用音素、且目标音频帧对应于目标音素的初始概率小于预设概率值,说明可能是目标音素的训练样本不足导致目标音频帧对应于目标音素的初始概率过小,需要人为干预来削弱样本不均对上述初始概率的影响,因此,可以增大目标音频帧对应于目标音素的初始概率,以获得目标后验概率。示例地,预设概率值可以为0.1。
示例地,增大目标音频帧对应于目标音素的初始概率,以获得目标后验概率,可以包括以下步骤:
将目标音频帧对应于目标音素的初始概率与预设增强系数的乘积确定为目标后验概率。
其中,预设增强系数大于1。示例地,预设增强系数可以为10。
若目标音素为常用音素或目标音频帧对应于目标音素的初始概率大于或等于预设概率值,说明目标音素受训练样本数量的影响不大,无需对目标音频帧对应于目标音素初始概率进行人为干预,因此,可以直接将目标音频帧对应于目标音素的初始概率确定为目标后验概率。
下面对步骤13中,根据目标后验概率,确定目标音频帧对目标音素的激活结果的步骤进行详细说明。
目标音素为目标音素序列中未处于已激活状态的首个音素。
在一种可能的实施例中,步骤13可以包括以下步骤:
若目标音素处于未激活状态、且目标后验概率大于或等于与目标音素对应的激活阈值,将目标音素由未激活状态更改为激活中状态,并确定目标音频帧对目标音素的激活结果为目标音素处于激活中状态;
若目标音素处于激活中状态、且目标后验概率大于或等于与目标音素对应的激活阈值,确定目标音频帧对目标音素的激活结果为目标音素处于激活中状态;
若目标音素处于未激活状态、且目标后验概率小于与目标音素对应的激活阈值,确定目标音频帧对目标音素的激活结果为目标音素处于未激活状态。
若目标音素处于未激活状态、且目标后验概率大于或等于与目标音素对应的激活阈值,说明目标音频帧对应的目标后验概率达到目标音素的激活阈值,也就是达到目标音素的激活条件,目标音素被激活,且目标音素由处于未激活状态变化为处于激活中状态。相应地,确定目标音频帧对目标音素的激活结果为目标音素处于激活中状态。
若目标音素处于激活中状态、且目标后验概率大于或等于与目标音素对应的激活阈值,说明目标音频帧对应的目标后验概率仍满足目标音素的激活条件,当前音频帧还处于目标音素对应的语音范围内,针对目标音素的激活动作还未完成,因此,目标音素由保持在处于激活中状态。相应地,确定目标音频帧对目标音素的激活结果为目标音素处于激活中状态。
若目标音素处于未激活状态、且目标后验概率小于与目标音素对应的激活阈值,说明目标音频帧对应的目标后验概率未达到目标音素的激活阈值,不满足目标音素的激活条件,目标音频帧无法激活目标音素。相应地,确定目标音频帧对目标音素的激活结果为目标音素处于未激活状态。
基于上述实施例,由于目标音素仍处于未激活状态或激活中状态,说明目标音素序列中仍存在激活动作还未完成的音素,无法直接确定目标唤醒词的唤醒情况(能反映目标唤醒词是否被唤醒)。因此,本公开提供的方法还可以包括以下步骤:
若目标音频帧对目标音素的激活结果为目标音素处于未激活状态或目标音素处于激活中状态,将目标音频帧在所述待处理音频中的下一帧音频帧作为新的目标音频帧,并返回步骤11。
也就是说,若目标音频帧对目标音素的激活结果为目标音素处于未激活状态或目标音素处于激活中状态,则将目标音频帧在所述待处理音频中的下一帧音频帧作为新的目标音频帧,并重新执行步骤11~步骤14,如此循环往复,直至能够确定目标唤醒词的唤醒情况。
在另一种可能的实施例中,步骤13还可以包括以下步骤:
若目标音素处于激活中状态、且目标后验概率小于与目标音素对应的激活阈值,将目标音素由激活中状态更改为已激活状态,并确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态。
若目标音素处于激活中状态、且目标后验概率小于与目标音素对应的激活阈值,说明目标音频帧对应的目标后验概率已经不再满足目标音素的激活条件,针对目标音素的激活动作已完成,因此,目标音素由处于激活中状态变化为处于已激活状态。相应地,确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态。
在一种可能的实施方式中,上述已激活状态的确定可以应用于目标音素序列中的每一音素。
在另一种可能的实施方式中,上述已激活状态的确定仅针对于目标音素序列中除最后一个音素之外的其他音素。因此,若目标音素为目标音素序列中的最后一个音素,步骤13还可以包括以下步骤:
若目标音素处于激活中状态,获取与目标音素对应的第一激活概率以及第一激活概率在待处理音频中对应的第一时间;
若目标后验概率小于第一激活概率、且目标音频帧在待处理音频中对应的第二时间与第一时间之差达到预设时长,将目标音素由激活中状态更改为已激活状态,并确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态;
若目标后验概率小于第一激活概率、且目标音频帧在待处理音频中对应的第二时间与第一时间之差未达到预设时长,确定目标音频帧对目标音素的激活结果为目标音素处于激活中状态。
其中,将使目标音素处于激活中状态的概率中的最大值作为与目标音素对应的第一激活概率,也就是说,每当目标音素被某一视频帧激活,就记录该视频帧激活目标音素的概率(也就是确定目标音素的激活结果时所使用的的、与目标音素对应的激活阈值相比较的概率),并保留这些概率中的最大值,作为与目标音素对应的第一激活概率。
在这一方式中,目标音素序列中最后一个音素的已激活状态的确定,并不依赖于这最后一个音素的激活阈值,而是依赖于激活目标音素的最大概率,这样,能够使目标音素序列中最后一个音素的已激活状态的确定(即,最后一个音素的激活动作的完成)相较于现有技术来说能够更早完成,从而能够更早地确定目标唤醒词的唤醒情况,降低延时性。
具体地,使用目标音频帧在待处理音频中对应的第二时间与第一时间之差与预设时长作比较,若第一时间之后若干视频帧激活目标音素的概率均小于与目标音素对应的第一激活概率,则可认定激活目标音素的最大概率已经出现,目标音素序列中最后一个音素的激活动作可以完成,而不必再识别其后的音频帧。示例地,预设时长可以是若干帧对应的时长,例如3帧对应的时长,若每一帧对应10ms,则预设时长为30ms。
如图3所示,其图形说明可参见图1,在图3中,MAX位置表示与目标音素对应的第一激活概率的位置,现有技术中,是在E位置处确定目标音素序列中最后一个音素的激活动作已完成,在本方法中,则是在MAX位置之后经过预设时长就能够确定目标音素序列中最后一个音素的激活动作已完成,例如,在Y位置处就确定目标音素序列中最后一个音素的激活动作已完成。由此,可以极大缩短目标音素序列中最后一个音素的激活动作完成所需的时间,方便尽快针对目标唤醒词确定其唤醒情况,降低数据处理延时性。
基于上述实施例,若目标音素为目标音素序列中除最后一个音素之外的其他音素,在目标音素的激活动作已完成的情况下,说明目标音素序列中仍存在激活动作还未完成的音素,无法直接确定目标唤醒词的唤醒情况。因此,本公开提供的方法还可以包括以下步骤:
若目标音素的激活结果为目标音素处于已激活状态,将目标音频帧在待处理音频中的下一帧音频帧作为新的目标音频帧,以及,将目标音素在目标音素序列中的下一音素作为新的目标音素,并返回步骤11。
也就是说,若目标音素的激活结果为目标音素处于已激活状态、且目标音素为目标音素序列中除最后一个音素之外的其他音素,说明当前还无法确定目标唤醒词的唤醒情况,因此,将目标音频帧在待处理音频中的下一帧音频帧作为新的目标音频帧,以及,将目标音素在目标音素序列中的下一音素作为新的目标音素,并重新执行步骤11~步骤14,如此循环往复,直至能够确定目标唤醒词的唤醒情况。
基于上述实施例,若目标音素为目标音素序列中的最后一个音素,在确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态的情况下,说明目标音素序列中的最后一个音素的激活动作已完成,即,目标音素序列中各个音素的激活动作均已完成,此时,能够确定目标唤醒词的唤醒情况。因此,可以执行步骤14,即,根据目标音频帧对目标音素的激活结果,确定目标唤醒词是否被唤醒。
在一种可能的实施方式中,在步骤14中,若目标音素为目标音素序列中的最后一个音素,在确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态的情况下,可以直接确定目标唤醒词被唤醒。
在另一种可能的实施方式中,若目标音素为目标音素序列中的最后一个音素,在确定目标音频帧对目标音素的激活结果为目标音素处于已激活状态的情况下,步骤14可以包括以下步骤:
若目标音素的激活结果为目标音素处于已激活状态,确定待处理音频对应于目标唤醒词的目标激活值;
若目标激活值大于与目标唤醒词对应的激活阈值,确定目标唤醒词被唤醒。
其中,目标激活值用于反映待处理音频激活目标唤醒词的概率。
示例地,待处理音频对应于目标唤醒词的目标激活值可以通过如下方式获得:
获取与目标音素序列中各个音素对应的第二激活概率;
将与目标音素序列中各个音素对应的第二激活概率的乘积的K次算术根确定为激活值。
其中,将使音素处于激活中状态的各概率中的最大值作为该音素的第二激活概率,也就是说,每当某一音素被某一音频帧激活,就记录该音频帧激活该音素的概率(也就是确定该音素的激活结果时所使用的、与该音素对应的激活阈值相比较的概率),并保留这些概率中的最大值,作为与该音素对应的第二激活概率。
在获取到与目标音素序列中各个音素对应的第二激活概率后,将这些第二激活概率相乘,并将获得的乘积的K次算术根确定为目标激活值。其中,K为目标音素序列中的音素个数。示例地,可以通过如下公式确定目标激活值score:
其中,K为目标音素序列中的音素个数,pi为与目标音素序列中第i个音素对应的第二激活概率。
若目标激活值大于与目标唤醒词对应的激活阈值,确定目标唤醒词被唤醒。在确定目标唤醒词被唤醒后,就可以执行与目标唤醒词对应的唤醒后动作,例如,输出用于指示目标唤醒词被唤醒的提示信息。
采用上述方式,在目标音素序列中各个音素的激活动作均已完成的情况下,计算待处理音频对应于目标唤醒词的目标激活值,在目标激活值大于与目标唤醒词对应的激活阈值,才确定目标唤醒词被唤醒,能够提升目标唤醒词唤醒的准确性,避免出现误唤醒的情况。
图4是根据本公开的一种实施方式提供的语音唤醒装置的框图。如图4所示,该装置40可以包括:
第一确定模块41,用于确定待处理音频中目标音频帧的目标声音特征;
第二确定模块42,用于根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
第三确定模块43,用于根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
第四确定模块44,用于根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
可选地,所述第一确定模块41包括:
第一获取子模块,用于在所述待处理音频中,以所述目标音频帧为起始音频帧,向前获取M个连续的音频帧,并将这M个音频帧作为第一音频帧;
第二获取子模块,用于在所述待处理音频中,以所述目标音频帧为起始音频帧,向后获取N个连续的音频帧,并将这N个音频帧作为第二音频帧;
组合子模块,用于利用所述第一音频帧和/或所述第二音频帧,与所述目标音频帧按照时间顺序进行组合,获得组合音频帧;
第一确定子模块,用于将所述组合音频帧的频谱特征确定为所述目标声音特征。
可选地,所述第二确定模块42包括:
第二确定子模块,用于根据所述目标声音特征以及预训练的声学模型,确定所述目标音频帧对应于每一预设音素的初始概率,其中,目标音频帧对应于一预设音素的初始概率用于反映目标音频帧的声音内容为该预设音素的概率;
第三确定子模块,用于若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率;
第四确定子模块,用于若所述目标音素为常用音素或所述目标音频帧对应于所述目标音素的初始概率大于或等于所述预设概率值,则将所述目标音频帧对应于所述目标音素的初始概率确定为所述目标后验概率。
可选地,所述第三确定子模块用于将所述目标音频帧对应于所述目标音素的初始概率与预设增强系数的乘积确定为所述目标后验概率,其中,所述预设增强系数大于1。
可选地,所述目标音素序列中每一音素处于未激活状态、激活中状态、已激活状态之一,所述目标音素为所述目标音素序列中未处于所述已激活状态的首个音素;
所述第三确定模块43包括:
第五确定子模块,用于若所述目标音素处于未激活状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,将所述目标音素由所述未激活状态更改为激活中状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
第六确定子模块,用于若所述目标音素处于激活中状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
第七确定子模块,用于若所述目标音素处于未激活状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态。
可选地,所述装置40用于若所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态或所述目标音素处于激活中状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,并返回所述第一确定模块41确定待处理音频中目标音频帧的目标声音特征。
可选地,所述第三确定模块43还包括:
第八确定子模块,用于若所述目标音素处于激活中状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态。
可选地,所述目标音素为所述目标音素序列中除最后一个音素之外的其他音素。
可选地,所述装置40还用于若所述目标音素的激活结果为所述目标音素处于已激活状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,以及,将所述目标音素在所述目标音素序列中的下一音素作为新的所述目标音素,并返回所述第一确定模块41确定待处理音频中目标音频帧的目标声音特征。
可选地,若所述目标音素为所述目标音素序列中的最后一个音素,所述第三确定模块43还包括:
第三获取子模块,用于若所述目标音素处于激活中状态,获取与所述目标音素对应的第一激活概率以及所述第一激活概率在所述待处理音频中对应的第一时间,其中,将使所述目标音素处于激活中状态的概率中的最大值作为与所述目标音素对应的第一激活概率;
第九确定子模块,用于若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差达到预设时长,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态;
第十确定子模块,用于若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差未达到所述预设时长,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态。
可选地,所述第四确定模块44包括:
第十一确定子模块,用于若所述目标音素的激活结果为所述目标音素处于已激活状态,确定所述待处理音频对应于所述目标唤醒词的目标激活值,所述目标激活值用于反映所述待处理音频激活所述目标唤醒词的概率;
第十二确定子模块,用于若所述目标激活值大于与所述目标唤醒词对应的激活阈值,确定所述目标唤醒词被唤醒。
可选地,所述第十一确定子模块包括:
第四获取子模块,用于获取与所述目标音素序列中各个音素对应的第二激活概率,其中,将使音素处于激活中状态的各概率中的最大值作为该音素的第二激活概率;
第十三确定子模块,用于将与所述目标音素序列中各个音素对应的第二激活概率的乘积的K次算术根确定为所述激活值,其中,K为所述目标音素序列中的音素个数。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5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。
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5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。
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,其包括承载在非暂态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,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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。
在一些实施方式中,客户端可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:确定待处理音频中目标音频帧的目标声音特征;根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
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操作的计算机程序代码,上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一确定模块还可以被描述为“确定待处理音频中目标音频帧的目标声音特征的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,所述方法包括:
确定待处理音频中目标音频帧的目标声音特征;
根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述确定待处理音频中目标音频帧的目标声音特征,包括:
在所述待处理音频中,以所述目标音频帧为起始音频帧,向前获取M个连续的音频帧,并将这M个音频帧作为第一音频帧;
在所述待处理音频中,以所述目标音频帧为起始音频帧,向后获取N个连续的音频帧,并将这N个音频帧作为第二音频帧;
利用所述第一音频帧和/或所述第二音频帧,与所述目标音频帧按照时间顺序进行组合,获得组合音频帧;
将所述组合音频帧的频谱特征确定为所述目标声音特征。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,包括:
根据所述目标声音特征以及预训练的声学模型,确定所述目标音频帧对应于每一预设音素的初始概率,其中,目标音频帧对应于一预设音素的初始概率用于反映目标音频帧的声音内容为该预设音素的概率;
若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率;
若所述目标音素为常用音素或所述目标音频帧对应于所述目标音素的初始概率大于或等于所述预设概率值,则将所述目标音频帧对应于所述目标音素的初始概率确定为所述目标后验概率。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率,包括:
将所述目标音频帧对应于所述目标音素的初始概率与预设增强系数的乘积确定为所述目标后验概率,其中,所述预设增强系数大于1。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述目标音素序列中每一音素处于未激活状态、激活中状态、已激活状态之一,所述目标音素为所述目标音素序列中未处于所述已激活状态的首个音素;
所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,包括:
若所述目标音素处于未激活状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,将所述目标音素由所述未激活状态更改为激活中状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
若所述目标音素处于激活中状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
若所述目标音素处于未激活状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述方法还包括:
若所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态或所述目标音素处于激活中状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,并返回所述确定待处理音频中目标音频帧的目标声音特征的步骤。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,还包括:
若所述目标音素处于激活中状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述目标音素为所述目标音素序列中除最后一个音素之外的其他音素。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述方法还包括:
若所述目标音素的激活结果为所述目标音素处于已激活状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,以及,将所述目标音素在所述目标音素序列中的下一音素作为新的所述目标音素,并返回所述确定待处理音频中目标音频帧的目标声音特征的步骤。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,若所述目标音素为所述目标音素序列中的最后一个音素,所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,还包括:
若所述目标音素处于激活中状态,获取与所述目标音素对应的第一激活概率以及所述第一激活概率在所述待处理音频中对应的第一时间,其中,将使所述目标音素处于激活中状态的概率中的最大值作为与所述目标音素对应的第一激活概率;
若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差达到预设时长,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态;
若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差未达到所述预设时长,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒,包括:
若所述目标音素的激活结果为所述目标音素处于已激活状态,确定所述待处理音频对应于所述目标唤醒词的目标激活值,所述目标激活值用于反映所述待处理音频激活所述目标唤醒词的概率;
若所述目标激活值大于与所述目标唤醒词对应的激活阈值,确定所述目标唤醒词被唤醒。
根据本公开的一个或多个实施例,提供了一种语音唤醒方法,其中,所述确定所述待处理音频对应于所述目标唤醒词的目标激活值,包括:
获取与所述目标音素序列中各个音素对应的第二激活概率,其中,将使音素处于激活中状态的各概率中的最大值作为该音素的第二激活概率;
将与所述目标音素序列中各个音素对应的第二激活概率的乘积的K次算术根确定为所述激活值,其中,K为所述目标音素序列中的音素个数。
根据本公开的一个或多个实施例,提供了一种语音唤醒装置,所述装置包括:
第一确定模块,用于确定待处理音频中目标音频帧的目标声音特征;
第二确定模块,用于根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
第三确定模块,用于根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
第四确定模块,用于根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒。
根据本公开的一个或多个实施例,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开任意实施例所述方法的步骤。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开任意实施例所述方法的步骤。
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,本公开中所涉及的公开范围,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公开构思的情况下,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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。
Claims (14)
1.一种语音唤醒方法,其特征在于,所述方法包括:
确定待处理音频中目标音频帧的目标声音特征;
根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒;
其中,所述根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,包括:
根据所述目标声音特征以及预训练的声学模型,确定所述目标音频帧对应于每一预设音素的初始概率,其中,目标音频帧对应于一预设音素的初始概率用于反映目标音频帧的声音内容为该预设音素的概率;
若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率;
若所述目标音素为常用音素或所述目标音频帧对应于所述目标音素的初始概率大于或等于所述预设概率值,则将所述目标音频帧对应于所述目标音素的初始概率确定为所述目标后验概率。
2.根据权利要求1所述的方法,其特征在于,所述确定待处理音频中目标音频帧的目标声音特征,包括:
在所述待处理音频中,以所述目标音频帧为起始音频帧,向前获取M个连续的音频帧,并将这M个音频帧作为第一音频帧;
在所述待处理音频中,以所述目标音频帧为起始音频帧,向后获取N个连续的音频帧,并将这N个音频帧作为第二音频帧;
利用所述第一音频帧和/或所述第二音频帧,与所述目标音频帧按照时间顺序进行组合,获得组合音频帧;
将所述组合音频帧的频谱特征确定为所述目标声音特征。
3.根据权利要求1所述的方法,其特征在于,所述增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率,包括:
将所述目标音频帧对应于所述目标音素的初始概率与预设增强系数的乘积确定为所述目标后验概率,其中,所述预设增强系数大于1。
4.根据权利要求1所述的方法,其特征在于,所述目标音素序列中每一音素处于未激活状态、激活中状态、已激活状态之一,所述目标音素为所述目标音素序列中未处于所述已激活状态的首个音素;
所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,包括:
若所述目标音素处于未激活状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,将所述目标音素由所述未激活状态更改为激活中状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
若所述目标音素处于激活中状态、且所述目标后验概率大于或等于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态;
若所述目标音素处于未激活状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述目标音频帧对所述目标音素的激活结果为所述目标音素处于未激活状态或所述目标音素处于激活中状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,并返回所述确定待处理音频中目标音频帧的目标声音特征的步骤。
6.根据权利要求4所述的方法,其特征在于,所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,还包括:
若所述目标音素处于激活中状态、且所述目标后验概率小于与所述目标音素对应的激活阈值,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态。
7.根据权利要求6所述的方法,其特征在于,所述目标音素为所述目标音素序列中除最后一个音素之外的其他音素。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述目标音素的激活结果为所述目标音素处于已激活状态,将所述目标音频帧在所述待处理音频中的下一帧音频帧作为新的所述目标音频帧,以及,将所述目标音素在所述目标音素序列中的下一音素作为新的所述目标音素,并返回所述确定待处理音频中目标音频帧的目标声音特征的步骤。
9.根据权利要求4或7所述的方法,其特征在于,若所述目标音素为所述目标音素序列中的最后一个音素,所述根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,还包括:
若所述目标音素处于激活中状态,获取与所述目标音素对应的第一激活概率以及所述第一激活概率在所述待处理音频中对应的第一时间,其中,将使所述目标音素处于激活中状态的概率中的最大值作为与所述目标音素对应的第一激活概率;
若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差达到预设时长,将所述目标音素由所述激活中状态更改为已激活状态,并确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于已激活状态;
若所述目标后验概率小于所述第一激活概率、且所述目标音频帧在所述待处理音频中对应的第二时间与所述第一时间之差未达到所述预设时长,确定所述目标音频帧对所述目标音素的激活结果为所述目标音素处于激活中状态。
10.根据权利要求9所述的方法,其特征在于,所述根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒,包括:
若所述目标音素的激活结果为所述目标音素处于已激活状态,确定所述待处理音频对应于所述目标唤醒词的目标激活值,所述目标激活值用于反映所述待处理音频激活所述目标唤醒词的概率;
若所述目标激活值大于与所述目标唤醒词对应的激活阈值,确定所述目标唤醒词被唤醒。
11.根据权利要求10所述的方法,其特征在于,所述确定所述待处理音频对应于所述目标唤醒词的目标激活值,包括:
获取与所述目标音素序列中各个音素对应的第二激活概率,其中,将使音素处于激活中状态的各概率中的最大值作为该音素的第二激活概率;
将与所述目标音素序列中各个音素对应的第二激活概率的乘积的K次算术根确定为所述激活值,其中,K为所述目标音素序列中的音素个数。
12.一种语音唤醒装置,其特征在于,所述装置包括:
第一确定模块,用于确定待处理音频中目标音频帧的目标声音特征;
第二确定模块,用于根据所述目标声音特征,确定所述目标音频帧对应于目标音素的目标后验概率,其中,目标音素为对应于目标唤醒词的目标音素序列内的音素之一,以及,若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则所述目标后验概率大于所述目标音频帧对应于所述目标音素的初始概率;
第三确定模块,用于根据所述目标后验概率,确定所述目标音频帧对所述目标音素的激活结果,所述激活结果用于指示所述目标音素是否被激活;
第四确定模块,用于根据所述目标音频帧对所述目标音素的激活结果,确定所述目标唤醒词是否被唤醒;
其中,所述第二确定模块,包括:
第二确定子模块,用于根据所述目标声音特征以及预训练的声学模型,确定所述目标音频帧对应于每一预设音素的初始概率,其中,目标音频帧对应于一预设音素的初始概率用于反映目标音频帧的声音内容为该预设音素的概率;
第三确定子模块,用于若所述目标音素为非常用音素、且所述目标音频帧对应于所述目标音素的初始概率小于预设概率值,则增大所述目标音频帧对应于所述目标音素的初始概率,以获得所述目标后验概率;
第四确定子模块,用于若所述目标音素为常用音素或所述目标音频帧对应于所述目标音素的初始概率大于或等于所述预设概率值,则将所述目标音频帧对应于所述目标音素的初始概率确定为所述目标后验概率。
13.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-11中任一项所述方法的步骤。
14.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245632.XA CN111276127B (zh) | 2020-03-31 | 2020-03-31 | 语音唤醒方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245632.XA CN111276127B (zh) | 2020-03-31 | 2020-03-31 | 语音唤醒方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111276127A CN111276127A (zh) | 2020-06-12 |
CN111276127B true CN111276127B (zh) | 2023-02-24 |
Family
ID=71002673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245632.XA Active CN111276127B (zh) | 2020-03-31 | 2020-03-31 | 语音唤醒方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111276127B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111883117B (zh) * | 2020-07-03 | 2024-04-16 | 北京声智科技有限公司 | 语音唤醒方法及装置 |
CN112614506B (zh) * | 2020-12-23 | 2022-10-25 | 思必驰科技股份有限公司 | 语音激活检测方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3289670B2 (ja) * | 1998-03-13 | 2002-06-10 | 松下電器産業株式会社 | 音声認識方法および音声認識装置 |
US7725319B2 (en) * | 2003-07-07 | 2010-05-25 | Dialogic Corporation | Phoneme lattice construction and its application to speech recognition and keyword spotting |
EP2048655B1 (en) * | 2007-10-08 | 2014-02-26 | Nuance Communications, Inc. | Context sensitive multi-stage speech recognition |
CN103531197A (zh) * | 2013-10-11 | 2014-01-22 | 安徽科大讯飞信息科技股份有限公司 | 一种对用户语音识别结果反馈的命令词识别自适应优化方法 |
CN106098059B (zh) * | 2016-06-23 | 2019-06-18 | 上海交通大学 | 可定制语音唤醒方法及系统 |
CN106297828B (zh) * | 2016-08-12 | 2020-03-24 | 苏州驰声信息科技有限公司 | 一种基于深度学习的误发音检测的检测方法和装置 |
CN108281137A (zh) * | 2017-01-03 | 2018-07-13 | 中国科学院声学研究所 | 一种全音素框架下的通用语音唤醒识别方法及系统 |
-
2020
- 2020-03-31 CN CN202010245632.XA patent/CN111276127B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111276127A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583903B (zh) | 语音合成方法、声码器训练方法、装置、介质及电子设备 | |
CN111435592B (zh) | 一种语音识别方法、装置及终端设备 | |
CN110570857B (zh) | 语音唤醒方法、装置、电子设备及存储介质 | |
CN109785845B (zh) | 语音处理方法、装置及设备 | |
CN111276127B (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
CN111883117B (zh) | 语音唤醒方法及装置 | |
CN111833895A (zh) | 音频信号处理方法、装置、计算机设备和介质 | |
CN111667810B (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN111508478B (zh) | 语音识别方法和装置 | |
CN112309384B (zh) | 一种语音识别方法、装置、电子设备及介质 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN112259079A (zh) | 语音识别的方法、装置、设备和计算机可读介质 | |
CN111326146A (zh) | 语音唤醒模板的获取方法、装置、电子设备及计算机可读存储介质 | |
CN113470646B (zh) | 一种语音唤醒方法、装置及设备 | |
CN113902838A (zh) | 动画生成方法、装置、存储介质及电子设备 | |
CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
CN115862604B (zh) | 语音唤醒模型训练及语音唤醒方法、装置及计算机设备 | |
CN112634904A (zh) | 热词识别方法、装置、介质和电子设备 | |
CN112242143B (zh) | 一种语音交互方法、装置、终端设备及存储介质 | |
CN110378282B (zh) | 图像处理方法及装置 | |
CN112382266A (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
CN112259076A (zh) | 语音交互方法、装置、电子设备及计算机可读存储介质 | |
CN113488050B (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
CN113593527B (zh) | 一种生成声学特征、语音模型训练、语音识别方法及装置 | |
CN114038465B (zh) | 语音处理方法、装置和电子设备 |
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 |