CN111354343A - 语音唤醒模型的生成方法、装置和电子设备 - Google Patents

语音唤醒模型的生成方法、装置和电子设备 Download PDF

Info

Publication number
CN111354343A
CN111354343A CN202010156335.8A CN202010156335A CN111354343A CN 111354343 A CN111354343 A CN 111354343A CN 202010156335 A CN202010156335 A CN 202010156335A CN 111354343 A CN111354343 A CN 111354343A
Authority
CN
China
Prior art keywords
voice
language
model
generating
data
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.)
Granted
Application number
CN202010156335.8A
Other languages
English (en)
Other versions
CN111354343B (zh
Inventor
杨晓帆
冯大航
靳源
常乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing SoundAI Technology Co Ltd
Original Assignee
Beijing SoundAI Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing SoundAI Technology Co Ltd filed Critical Beijing SoundAI Technology Co Ltd
Priority to CN202010156335.8A priority Critical patent/CN111354343B/zh
Publication of CN111354343A publication Critical patent/CN111354343A/zh
Application granted granted Critical
Publication of CN111354343B publication Critical patent/CN111354343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G10L13/10—Prosody rules derived from text; Stress or intonation
    • 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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/065—Adaptation
    • G10L15/07—Adaptation to the speaker
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)

Abstract

本公开实施例公开了一种语音唤醒模型的生成方法、装置、电子设备和计算机可读存储介质。其中该语音唤醒模型的生成方法包括：生成通用语音唤醒模型；生成弱势语言的语音数据；通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。上述方法通过生成弱势语言的语音数据，并通过弱势语言的语音数据调整通用语音唤醒模型，解决了现有技术中语言唤醒模型语言识别单一的技术问题。

Description

语音唤醒模型的生成方法、装置和电子设备
技术领域
本公开涉及语音识别领域，尤其涉及一种语音唤醒模型的生成方法、装置、电子设备及计算机可读存储介质。
背景技术
作为一种人机交互的手段，语音识别的获取技术在解放人类双手方面意义重大。随着各种智能音箱的出现，语音交互成为了互联网入口的新价值所在，越来越多的智能设备加入了语音唤醒的潮流，成为人与设备沟通的桥梁，因此语音唤醒(keyword spotting，KWS)技术愈发显得重要。
目前越来越多的手机、平板电脑上装有手机助手，比如苹果手机，直接喊“hey！siri”就可以直接将手机助手唤醒，然后进行查询等，非常方便。目前，大部分人工智能唤醒的主流语言或通用语言更加强势，如英语以及汉语的普通话，同时也使得弱势语言的交际功能不断衰弱。目前世界上的语言大约有6000—10000多种，因此，弱势语言比如方言的唤醒优化还有比较大的需求。
目前的语音识别模型只能针对一种通用语言或者一种弱势语言进行唤醒识别；并且目前对于弱势语言唤醒的情况，采用的都是人工采集录音数据去训练声学模型，这种获取训练数据的方式效率低、成本高。
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，本公开实施例提供一种语音唤醒模型的生成方法，包括：
生成通用语音唤醒模型；
生成弱势语言的语音数据；
通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
进一步的，所述生成通用语音唤醒模型，包括：
获取通用语言的语音数据集；
初始化所述通用语音唤醒模型的参数；
使用所述通用语言的语音数据集训练所述通用语音唤醒模型直至所述通用唤醒模型的唤醒率达到预定的第一唤醒阈值。
进一步的，所述生成弱势语言的语音数据，包括：
获取通用语言的文本数据；
将所述通用语言的文本数据转换为弱势语言的声学特征；
根据所述声学特征生成所述弱势语言的语音数据。
进一步的，所述根据所述声学特征生成所述弱势语言的语音数据，包括：
根据所述声学特征生成弱势语言的语音的音频；
对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据，包括：
将所述音频分为音素或字的区段；
对所述区段进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述根据所述声学特征生成所述弱势语言的语音数据，包括：
根据所述声学特征生成弱势语言的音频；
将所述音频混合环境数据得到所述弱势语言的语音数据。
进一步的，所述环境数据包括远场数据和/或噪音数据。
进一步的，所述生成弱势语言的语音数据，包括：
获取通用语言的语音数据；
将所述通用语言的语音数据划分为通用音素片段；
从所述通用音素片段中选取与所述弱势语言的音素一致的音素片段作为弱势语言的语音数据。
进一步的，所述通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型，包括：
将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型；
根据所述通用语音唤醒模型的输出结果调整所述通用语音唤醒模型的参数以得到所述语音唤醒模型。
第二方面，本公开实施例提供一种语音唤醒模型的生成装置，包括：
通用模型生成模块，用于生成通用语音唤醒模型；
弱势语音生成模块，用于生成弱势语言的语音数据；
通用模型调整模块，用于通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
进一步的，所述通用模型生成模块，还用于：
获取通用语言的语音数据集；
初始化所述通用语音唤醒模型的参数；
使用所述通用语言的语音数据集训练所述通用语音唤醒模型直至所述通用唤醒模型的唤醒率达到预定的第一唤醒阈值。
进一步的，所述弱势语音生成模块，还用于：
获取通用语言的文本数据；
将所述通用语言的文本数据转换为弱势语言的声学特征；
根据所述声学特征生成所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块，还用于：
根据所述声学特征生成弱势语言的语音的音频；
对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块，还用于：
将所述音频分为音素或字的区段；
对所述区段进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块，还用于：
根据所述声学特征生成弱势语言的音频；
将所述音频混合环境数据得到所述弱势语言的语音数据。
进一步的，所述环境数据包括远场数据和/或噪音数据。
进一步的额，所述弱势语音生成模块，还用于：
获取通用语言的语音数据；
将所述通用语言的语音数据划分为通用音素片段；
从所述通用音素片段中选取与所述弱势语言的音素一致的音素片段作为弱势语言的语音数据。
进一步的，所述通用模型调整模块，还用于：
将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型；
根据所述通用语音唤醒模型的输出结果调整所述通用语音唤醒模型的参数以得到所述语音唤醒模型。
第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面中的任一所述方法。
第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述方法。
本公开实施例公开了一种语音唤醒模型的生成方法、装置、电子设备和计算机可读存储介质。其中该语音唤醒模型的生成方法包括：生成通用语音唤醒模型；生成弱势语言的语音数据；通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。上述方法通过生成弱势语言的语音数据，并通过弱势语言的语音数据调整通用语音唤醒模型，解决了现有技术中语言唤醒模型语言识别单一的技术问题。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
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。
图1为本公开实施例的应用场景示意图；
图2为本公开实施例提供的语音唤醒模型的生成方法的流程示意图；
图3为本公开实施例提供的语音唤醒模型的生成方法步骤S202的具体实现方式的示意图；
图4为本公开实施例提供的语音唤醒模型的生成装置的实施例的结构示意图
图5为根据本公开实施例提供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。
图1为本公开实施例的应用场景示意图。如图1所示，用户101向终端设备102输入语音，终端设备102可以为智能手机、智能音箱、智能家电等任何可以接收所述自然语言输入的终端设备，终端设备102与语音识别设备103通过网络连接，其中，语音识别设备103可以是计算设备式计算机或者智能终端等等；其中，终端设备102与语音识别设备103进行通信所依赖的网络可以是无线网络，例如5G网络和wifi网络等，还可以是有线网络，例如光纤网络。在该应用场景下，用户101说出语音，终端设备102采集语音并将语音发送至语音识别设备103，如果语音识别设备103分割识别出目标语音(即，唤醒语音)，则终端设备102执行所述目标语音所对应的功能。
可以理解的，上述语音识别设备103和所述终端设备102可以设置在一起，即终端设备102可以集成语音识别功能，这样用户的语音输入可以直接在终端设备102中识别。当语音被识别出来之后，根据所述语音，所述终端设备102可以执行与所述语音相关的功能。
图2为本公开实施例提供的语音唤醒模型的生成方法实施例的流程图，本实施例提供的该语音唤醒模型的生成方法可以由一语音唤醒模型的生成装置来执行，该语音唤醒模型的生成装置可以实现为软件，或者实现为软件和硬件的组合，该语音唤醒模型的生成装置可以集成设置在语音唤醒模型的生成系统中的某设备中，比如语音唤醒模型的生成服务器或者语音唤醒模型的生成终端设备中。如图2所示，该方法包括如下步骤：
步骤S201，生成通用语音唤醒模型；
在本公开中，所述通用语音唤醒模型可以是以任何声学模型为基础训练得到的模型。
可选的，所述步骤S201包括：
获取通用语言的语音数据集；
初始化所述通用语音唤醒模型的参数；
使用所述通用语言的语音数据集训练所述通用语音唤醒模型直至所述通用唤醒模型的唤醒率达到预定的第一唤醒阈值。
示例性的，所述通用语言的语音数据集可以是汉语普通话的语音数据集，如THCHS30、ST-CMDS等等,其中THCHS30是由清华大学语音与语言技术中心出版的开放式中文语音数据集，内容以文章诗句为主，全部为女声；ST-CMDS是由一个AI数据公司发布的中文语音数据集，数据内容以平时的网上语音聊天和智能语音控制语句为主，855个不同说话者，同时有男声和女声，适合多种场景下使用。进一步的，对所述通用语言的语音数据集进行标注，以将唤醒词标注出来形成标注数据集。初始化所述通用语音唤醒模型的参数，其中所述参数根据所使用的模型的不同而不同，示例性的，所述通用语音唤醒模型为卷积神经网络，则其参数为所述卷积神经网络中每一层的权重系数等。使用上述经过标注的通用语言的语音数据集训练所述通用语音唤醒模型，将所述通用语言的语音数据集中的数据输入所述通用语音唤醒模型，得到唤醒词的预测值，之后将预测值与其标注计算误差，之后根据该误差调整所述通用语音唤醒模型的参数，直到所训练的通用语音唤醒模型的唤醒率达到预定的第一唤醒阈值，如唤醒率到到98％，则通用语音唤醒模型训练完毕，得到一个针对通用语言的通用语音唤醒模型。这个通用语言唤醒模型可以识别某一唤醒词，如“小智同学(xiao zhi tong xue)”，但是无法识别使用弱势语言(如方言)说出的唤醒词，如“小字同肖(xiao zi tong xiao)”。并且由于弱势语言没有足够的训练样本，所以无法直接训练出能够识别弱势语言发出的唤醒词。因此，本公开在得到通用的语音唤醒模型之后，进一步对所述通用语音唤醒模型进行优化。
步骤S202，生成弱势语言的语音数据；
在该步骤中，由于弱势语言的语音数据不足，因此通过语音合成的方式生成所述弱势语言的语音数据。
可选的，所述步骤S202包括：
步骤S301，获取通用语言的文本数据；
步骤S302，将所述通用语言的文本数据转换为弱势语言的声学特征；
步骤S303，根据所述声学特征生成所述弱势语言的语音数据。
在步骤S301中，示例性的，可以使用预先训练好的语言识别模型将所述通用语音的语音数据集中的语音转化为对应的通用语言的文本数据。
在步骤S302中，一般还可以包括两个步骤：首先是文本分析，其将文本数据转换为对应的语言学特征，通常可以包括：文本正则化、分词、多音字消歧、韵律预测等步骤。示例性的，对于汉语来说，文本正则化是将文本数据中出现的一些非汉字成分，例如数字、英文缩写、币值等转换成汉字成分；分词是利用分词方法对文本进行分词分析，以将一系列的字符串转换为词串的组合，如“我昨天坐公交车去上班”这句话，经过分词处理后就变成了“我/昨天/坐/公交车/去/上班”；一般来说，多音字的个数是固定的，读音也不会发生较大的变化，因此只需要将多音字的词条的发音存入词典中，直接检索就可以得到词条的正确读音；韵律预测主要为韵律边界预测，示例性的，本公开选取前一个语法词、当前语法词和后一个语法词的词长、词性，以及均匀分布模型产生的韵律词预分类信息作为韵律边界预测的输入特征；定义多条韵律规则模板，利用贪婪搜索算法对样本的输入特征及样本上下文的输入特征进行搜索，将搜索到的实例特征填入相应的模板规则中。在遍历完模板中的所有模版规则后，就得到了该样本的实例化规则。针对文本中的每一个样本重复以上的搜索过程后，就得到所有样本的完整实例化规则集。
经过上述文本分析得到通用语言的语言学特征，之后第二步，该语言学特征可以通过预定的规则、统计参数建模、单元挑选与波形拼接等方式转换成对应的弱势语言的声学特征，其中通过预定的规则为预先设计从通用语言到弱势语言的转换规则，将通用的语言学特征转换为弱势语言的语言学特征，之后转换为弱势语言的声学特征，如在文本分析中得到通用语言的拼音的声母和韵母，通过转换规则将其转换为弱势语言的声母和韵母；统计参数建模示例性的为基于隐马尔科夫模型的统计参数模型，其需要语料库对模型进行训练，得到统计参数模型，其可以将经过文本分析的文本转换为对应的声学特征，如基频和共振峰频率等。
经过上述不同的方法可以得到不同的声学特征，典型的如梅尔倒谱系数、基频、频谱包络、费周期信号参数等等，在步骤S303中，利用与这些声学特征对应的声码器，将声学特征转换成对应的弱势语言的语音数据，示例性的，所述声码器可以包括相位恢复算法Griffin Lim，传统声码器WORLD和STRAIGHT，神经网络声码器WAVENET，WAVERNN，SAMPLERNN和WAVEGLOW。
在一个实施例中，由于上述通过声码器生成的弱势语音数据缺乏多样性，比如声码器生成的语音数据语速完全一样，不带有自然语音的特点，这样的语音数据与自然语音数据有较大的差距，如果将其作为训练数据，可能会导致训练结果不好。因此，进一步的，所述步骤S303,还包括：
根据所述声学特征生成弱势语言的语音的音频；
对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据。
在上述步骤中，首先根据声学特征生成弱势语言的语音的音频，在该音频的基础上，对音频记性变调和/或变速处理得到对应的弱势语言的语音数据，以模拟自然语音中不同的人的语速语调的不同。
进一步的，由于多数人的语速语调并不是整体变化的，比如只会在某些字或者某些音上有变化，因此所述对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据，包括：
将所述音频分为音素或字的区段；
对所述区段进行变调和/或变速处理得到所述弱势语言的语音数据。
在上述步骤中，现将音频按照音素或者字划分为多个区段，对每个区段使用不同的变调和/或变速的策略，得到同一音频的多种发音方式。示例性的，所示变调和/或变速的策略包括：变速不变调、变速变调、变调不变速。
另外，自然语音还有一个特点是会受到环境的影响，如距离的远近以及环境中的噪音等，如果训练数据中不包括这些环境影响，则会影响该语音唤醒模型的识别能力。因此，进一步的，所述步骤S303,还包括：
根据所述声学特征生成弱势语言的音频；
将所述音频混合环境数据得到所述弱势语言的语音数据。
其中所述环境数据包括远场数据和/或噪音数据。
示例性的，所述远场数据为模拟远场数据，所述将所述音频混合环境数据得到所述弱势语言的语音数据包括：根据环境生成对应位置的冲激响应，将所述音频的数据与冲激响应做卷积计算得到混合后的弱势语言的语音数据。如环境为一个3*4*5大小的房间，计算声源位置为(1,2,1)、发声位置为(2,2,1)的冲激响应，并将该冲激响应与所述音频的数据做卷积计算，以模拟所述弱势语言的远场语音数据，所得到的弱势语言的语音数据为带有远场效果的语音数据；所述噪音数据为模拟噪音数据，根据环境以及设置噪声源的位置生成对应位置的噪声数据。如环境为一个3*4*5大小的房间，计算声源位置(1,2,1)、发声位置(2,3,0.5)的冲激响应与设置的噪声数据做卷积，以模拟远场不同方向收到的噪声数据，最后将弱势语言的音频的数据与噪数据相加得到最终带有远场和噪声效果的弱势语言的语音数据。
可以理解的，上述对音频的变速、变调、模拟远场数据、模拟噪音数据可以任意组合，以增强弱势语言的语音数据的多样性。上述的例子仅为示例，不构成对本公开的限制。
步骤S203，通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
可选的，所述步骤S203包括：
将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型；
根据所述通用语音唤醒模型的输出结果调整所述通用语音唤醒模型的参数以得到所述语音唤醒模型。
在上述步骤中，将弱势语言的语音数据作为训练数据，其需要在弱势语言中进行标注，示例性的，所述弱势语言的语音数据为通用语言的语音数据转换来的，因此其标注可以共享，即标注为唤醒词的通用语音数据，其转换为弱势语言语音数据之后的标注仍然可以使用。
基于在步骤S201中训练好的通用语音唤醒模型，将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型，通过所述通用语音唤醒模型的输出结果与标注数据计算误差来调整所述通用语音唤醒模型的参数，之后继续将弱势语言的语音数据输入更新了参数后的通用语音唤醒模型，继续迭代上述过程，直至迭代次数达到预设值或者所述误差小于误差阈值，得到所述语音唤醒模型。此时的语音唤醒模型由通用语言训练得到，并经过弱势语言的语音数据的优化，因此可以同时识别通用语言和弱势语言的唤醒词。其并不需要人工采集大量的弱势语言的语音数据，也无需对弱势语言单独训练语音唤醒模型。
在一个实施例中，所述步骤S202包括：
获取通用语言的语音数据；
将所述通用语言的语音数据划分为通用音素片段；
从所述通用音素片段中选取与所述弱势语言的音素一致的音素片段作为弱势语言的语音数据。
上述实施例提供了生成弱势语言的语音数据的另一种方式，由于通用语音的语音数据是通过各种各样的渠道采集到的，因此其中本身就会包括一些并不是唤醒词的偏弱势语言的语音数据，此时可以将通用语言的语音数据划分为多个通用音素片段，之后根据预先设置的规则，从中选取与弱势语言的音素一致素片段作为弱势语言的语音数据，例如“小智同学”的方言版本“小字同肖”，在通用语言的语音数据里，可能会有方言发音的“小”、“字”、“同”、“肖”，此时可以通过提取不同片段中与弱势语言的发音一直的音素来组成“小字同肖”这样的弱势语言的语音数据。之后还可以对该弱势语言的语音数据做与步骤S202中同样的处理以增加弱势语言的语音数据的多样性，在此不再赘述。
本公开实施例公开了一种语音唤醒模型的生成方法、装置、电子设备和计算机可读存储介质。其中该语音唤醒模型的生成方法包括：生成通用语音唤醒模型；生成弱势语言的语音数据；通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。上述方法通过生成弱势语言的语音数据，并通过弱势语言的语音数据调整通用语音唤醒模型，解决了现有技术中语言唤醒模型语言识别单一的技术问题；通过生成弱势语言的语音数据，可以解决弱势语言数据的采集效率低的技术问题。
在上文中，虽然按照上述的顺序描述了上述方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
图4为本公开实施例提供的语音唤醒模型的生成装置实施例的结构示意图，如图4所示，该装置400包括：通用模型生成模块401、弱势语音生成模块402和通用模型调整模块403。其中，
通用模型生成模块401，用于生成通用语音唤醒模型；
弱势语音生成模块402，用于生成弱势语言的语音数据；
通用模型调整模块403，用于通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
进一步的，所述通用模型生成模块401，还用于：
获取通用语言的语音数据集；
初始化所述通用语音唤醒模型的参数；
使用所述通用语言的语音数据集训练所述通用语音唤醒模型直至所述通用唤醒模型的唤醒率达到预定的第一唤醒阈值。
进一步的，所述弱势语音生成模块402，还用于：
获取通用语言的文本数据；
将所述通用语言的文本数据转换为弱势语言的声学特征；
根据所述声学特征生成所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块402，还用于：
根据所述声学特征生成弱势语言的语音的音频；
对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块402，还用于：
将所述音频分为音素或字的区段；
对所述区段进行变调和/或变速处理得到所述弱势语言的语音数据。
进一步的，所述弱势语音生成模块402，还用于：
根据所述声学特征生成弱势语言的音频；
将所述音频混合环境数据得到所述弱势语言的语音数据。
进一步的，所述环境数据包括远场数据和/或噪音数据。
进一步的额，所述弱势语音生成模块402，还用于：
获取通用语言的语音数据；
将所述通用语言的语音数据划分为通用音素片段；
从所述通用音素片段中选取与所述弱势语言的音素一致的音素片段作为弱势语言的语音数据。
进一步的，所述通用模型调整模块403，还用于：
将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型；
根据所述通用语音唤醒模型的输出结果调整所述通用语音唤醒模型的参数以得到所述语音唤醒模型。
图4所示装置可以执行图1-图3所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图3所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图3所示实施例中的描述，在此不再赘述。
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500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500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500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500，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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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、服务器可以利用诸如HTTP(HyperText TransferProtocol，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：生成通用语音唤醒模型；生成弱势语言的语音数据；通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
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。
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。

Claims (12)

1.一种语音唤醒模型的生成方法，其特征在于，包括：
生成通用语音唤醒模型；
生成弱势语言的语音数据；
通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
2.如权利要求1所述的语音唤醒模型的生成方法，其中，所述生成通用语音唤醒模型，包括：
获取通用语言的语音数据集；
初始化所述通用语音唤醒模型的参数；
使用所述通用语言的语音数据集训练所述通用语音唤醒模型直至所述通用唤醒模型的唤醒率达到预定的第一唤醒阈值。
3.如权利要求1所述的语音唤醒模型的生成方法，其中，所述生成弱势语言的语音数据，包括：
获取通用语言的文本数据；
将所述通用语言的文本数据转换为弱势语言的声学特征；
根据所述声学特征生成所述弱势语言的语音数据。
4.如权利要求3所述的语音唤醒模型的生成方法，其中，所述根据所述声学特征生成所述弱势语言的语音数据，包括：
根据所述声学特征生成弱势语言的语音的音频；
对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据。
5.如权利要求4所述的语音唤醒模型的生成方法，其中，所述对所述音频进行变调和/或变速处理得到所述弱势语言的语音数据，包括：
将所述音频分为音素或字的区段；
对所述区段进行变调和/或变速处理得到所述弱势语言的语音数据。
6.如权利要求3所述的语音唤醒模型的生成方法，其中，所述根据所述声学特征生成所述弱势语言的语音数据，包括：
根据所述声学特征生成弱势语言的音频；
将所述音频混合环境数据得到所述弱势语言的语音数据。
7.如权利要求6所述的语音唤醒模型的生成方法，其中，所述环境数据包括远场数据和/或噪音数据。
8.如权利要求1所述的语音唤醒模型的生成方法，其中，所述生成弱势语言的语音数据，包括：
获取通用语言的语音数据；
将所述通用语言的语音数据划分为通用音素片段；
从所述通用音素片段中选取与所述弱势语言的音素一致的音素片段作为弱势语言的语音数据。
9.如权利要求1所述的语音唤醒模型的生成方法，其中，所述通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型，包括：
将所述弱势语言的语音数据作为训练数据输入所述通用语音唤醒模型；
根据所述通用语音唤醒模型的输出结果调整所述通用语音唤醒模型的参数以得到所述语音唤醒模型。
10.一种语音唤醒模型的生成装置，包括：
通用模型生成模块，用于生成通用语音唤醒模型；
弱势语音生成模块，用于生成弱势语言的语音数据；
通用模型调整模块，用于通过所述弱势语言的语音数据调整所述通用语音唤醒模型以得到所述语音唤醒模型。
11.一种电子设备，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现根据权利要求1-9中任意一项所述的方法。
12.一种非暂态计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-9中任意一项所述的方法。
CN202010156335.8A 2020-03-09 2020-03-09 语音唤醒模型的生成方法、装置和电子设备 Active CN111354343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010156335.8A CN111354343B (zh) 2020-03-09 2020-03-09 语音唤醒模型的生成方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010156335.8A CN111354343B (zh) 2020-03-09 2020-03-09 语音唤醒模型的生成方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111354343A true CN111354343A (zh) 2020-06-30
CN111354343B CN111354343B (zh) 2024-03-05

Family

ID=71194400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010156335.8A Active CN111354343B (zh) 2020-03-09 2020-03-09 语音唤醒模型的生成方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111354343B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933124A (zh) * 2020-09-18 2020-11-13 电子科技大学 一种可支持自定唤醒词的关键词检测方法
CN112735381A (zh) * 2020-12-29 2021-04-30 四川虹微技术有限公司 一种模型更新方法及装置
CN113724710A (zh) * 2021-10-19 2021-11-30 广东优碧胜科技有限公司 语音识别方法及装置、电子设备、计算机可读存储介质
WO2023207149A1 (zh) * 2022-04-29 2023-11-02 荣耀终端有限公司 一种语音识别方法和电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145707A1 (en) * 2008-12-04 2010-06-10 At&T Intellectual Property I, L.P. System and method for pronunciation modeling
CN106598982A (zh) * 2015-10-15 2017-04-26 比亚迪股份有限公司 建立语言数据库的方法和装置以及语言翻译方法和装置
CN107016993A (zh) * 2017-05-15 2017-08-04 成都铅笔科技有限公司 一种智能家居的语音交互系统及方法
CN109448699A (zh) * 2018-12-15 2019-03-08 深圳壹账通智能科技有限公司 语音转换文本方法、装置、计算机设备及存储介质
CN109859737A (zh) * 2019-03-28 2019-06-07 深圳市升弘创新科技有限公司 通讯加密方法、系统及计算机可读存储介质
CN110265019A (zh) * 2019-07-03 2019-09-20 中通智新(武汉)技术研发有限公司 一种语音识别的方法及语音机器人系统
CN110706695A (zh) * 2019-10-17 2020-01-17 北京声智科技有限公司 一种数据标注方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145707A1 (en) * 2008-12-04 2010-06-10 At&T Intellectual Property I, L.P. System and method for pronunciation modeling
CN106598982A (zh) * 2015-10-15 2017-04-26 比亚迪股份有限公司 建立语言数据库的方法和装置以及语言翻译方法和装置
CN107016993A (zh) * 2017-05-15 2017-08-04 成都铅笔科技有限公司 一种智能家居的语音交互系统及方法
CN109448699A (zh) * 2018-12-15 2019-03-08 深圳壹账通智能科技有限公司 语音转换文本方法、装置、计算机设备及存储介质
CN109859737A (zh) * 2019-03-28 2019-06-07 深圳市升弘创新科技有限公司 通讯加密方法、系统及计算机可读存储介质
CN110265019A (zh) * 2019-07-03 2019-09-20 中通智新(武汉)技术研发有限公司 一种语音识别的方法及语音机器人系统
CN110706695A (zh) * 2019-10-17 2020-01-17 北京声智科技有限公司 一种数据标注方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933124A (zh) * 2020-09-18 2020-11-13 电子科技大学 一种可支持自定唤醒词的关键词检测方法
CN112735381A (zh) * 2020-12-29 2021-04-30 四川虹微技术有限公司 一种模型更新方法及装置
CN113724710A (zh) * 2021-10-19 2021-11-30 广东优碧胜科技有限公司 语音识别方法及装置、电子设备、计算机可读存储介质
WO2023207149A1 (zh) * 2022-04-29 2023-11-02 荣耀终端有限公司 一种语音识别方法和电子设备
CN117012189A (zh) * 2022-04-29 2023-11-07 荣耀终端有限公司 一种语音识别方法和电子设备

Also Published As

Publication number Publication date
CN111354343B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN111583900B (zh) 歌曲合成方法、装置、可读介质及电子设备
JP7066349B2 (ja) 翻訳方法、翻訳装置及びコンピュータプログラム
CN111354343B (zh) 语音唤醒模型的生成方法、装置和电子设备
CN112786006B (zh) 语音合成方法、合成模型训练方法、装置、介质及设备
CN110782870A (zh) 语音合成方法、装置、电子设备及存储介质
CN112786007B (zh) 语音合成方法、装置、可读介质及电子设备
US11282498B2 (en) Speech synthesis method and speech synthesis apparatus
CN111402861B (zh) 一种语音识别方法、装置、设备及存储介质
CN112489621B (zh) 语音合成方法、装置、可读介质及电子设备
CN111369971A (zh) 语音合成方法、装置、存储介质和电子设备
CN111489735B (zh) 语音识别模型训练方法及装置
CN111563390B (zh) 文本生成方法、装置和电子设备
CN112927674B (zh) 语音风格的迁移方法、装置、可读介质和电子设备
CN113808571B (zh) 语音合成方法、装置、电子设备以及存储介质
CN112259089A (zh) 语音识别方法及装置
CN113327580A (zh) 语音合成方法、装置、可读介质及电子设备
CN112309367B (zh) 语音合成方法、装置、存储介质及电子设备
CN112786013A (zh) 基于唱本的语音合成方法、装置、可读介质和电子设备
CN112489606A (zh) 旋律生成方法、装置、可读介质及电子设备
CN111681661B (zh) 语音识别的方法、装置、电子设备和计算机可读介质
CN114495902A (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN111883121A (zh) 唤醒方法、装置及电子设备
CN111933119B (zh) 用于生成语音识别网络的方法、装置、电子设备和介质
WO2023179506A1 (zh) 韵律预测方法、装置、可读介质及电子设备
CN114242035A (zh) 语音合成方法、装置、介质以及电子设备

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