CN111883117B - 语音唤醒方法及装置 - Google Patents
语音唤醒方法及装置 Download PDFInfo
- Publication number
- CN111883117B CN111883117B CN202010634922.3A CN202010634922A CN111883117B CN 111883117 B CN111883117 B CN 111883117B CN 202010634922 A CN202010634922 A CN 202010634922A CN 111883117 B CN111883117 B CN 111883117B
- Authority
- CN
- China
- Prior art keywords
- voice
- wake
- posterior probability
- awakening
- model
- 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 38
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002618 waking effect Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
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)
- User Interface Of Digital Computer (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了一种语音唤醒方法、装置、电子设备和计算机可读存储介质。其中方法包括：获取语音信号；将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。本公开实施例通过二次唤醒确认，可以减少误唤醒率，提高唤醒准确率。
Description
技术领域
本公开涉及人工智能技术领域，特别是涉及一种语音唤醒方法、装置和计算机可读存储介质。
背景技术
随着人工智能的快速发展，智能设备在大众中的普及度越来越高，关于各家厂商智能设备(例如智能音箱)的评测也越来越多，智能设备的初级体验已经不足以满足广大用户，这也就带来了智能设备优化的需求。
在现有技术中，通常通过语音方式实现交互，例如智能音箱、手机、平板等，但在用户的对其进行唤醒的过程中，经常会出现误唤醒率较高的问题。
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。
本公开解决的技术问题是提供一种语音唤醒方法，以至少部分地解决现有技术中误唤醒率较高的技术问题。此外，还提供一种语音唤醒装置、语音唤醒硬件装置、计算机可读存储介质和语音唤醒终端。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种语音唤醒方法，包括：
获取语音信号；
将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；
将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；
将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；
若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
进一步的，所述将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段，包括：
若所述第一后验概率满足第一唤醒条件，则记录唤醒时间点；
确定所述语音信号中唤醒词的起始时间点；
根据所述唤醒时间点和所述起始时间点确定唤醒长度，并确定唤醒语音段。
进一步的，所述确定所述语音信号中唤醒词的起始时间点，包括：
确定所述唤醒词的第一个字的各个音素在所述唤醒语音段的每一帧中的后验概率；
将所述第一个字的各个音素的后验概率相加，得到所述第一个字的各个音素在每一帧中的概率和；
将所述概率和最大值对应的第一帧数对应的时间点作为起始时间点。
进一步的，所述方法还包括：
计算所述唤醒语音段每个时间点的频谱能量密度；
对所有的频谱能量密度进行归一化处理，得到所述唤醒语音段的语谱图。
进一步的，所述方法还包括：
将大量已知唤醒语音段的语谱图和后验概率图作为训练数据，训练得到图片识别模型，将所述图片识别模型作为第二模型；其中，已知唤醒语音段的后验概率图与语谱图一一对应。
进一步的，所述第一模型为声学模型。
一种语音唤醒装置，包括：
语音获取模块，用于获取语音信号；
第一后验概率确定模块，用于将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；
唤醒语音段确定模块，用于将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；
第二后验概率确定模块，用于将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；
唤醒模块，用于若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
进一步的，所述唤醒语音段确定模块具体用于：若所述第一后验概率满足第一唤醒条件，则记录唤醒时间点；确定所述语音信号中唤醒词的起始时间点；根据所述唤醒时间点和所述起始时间点确定唤醒长度，并确定唤醒语音段。
进一步的，所述唤醒语音段确定模块具体用于：确定所述唤醒词的第一个字的各个音素在所述唤醒语音段的每一帧中的后验概率；将所述第一个字的各个音素的后验概率相加，得到所述第一个字的各个音素在每一帧中的概率和；将所述概率和最大值对应的第一帧数对应的时间点作为起始时间点。
进一步的，所述装置还包括：
语谱图确定模块，用于计算所述唤醒语音段每个时间点的频谱能量密度；对所有的频谱能量密度进行归一化处理，得到所述唤醒语音段的语谱图。
进一步的，所述装置还包括：
模型训练模块，用于将大量已知唤醒语音段的语谱图和后验概率图作为训练数据，训练得到图片识别模型，将所述图片识别模型作为第二模型；其中，已知唤醒语音段的后验概率图与语谱图一一对应。
进一步的，所述第一模型为声学模型。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任一项所述的语音唤醒方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任一项所述的语音唤醒方法。
为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：
一种语音唤醒终端，包括上述任一语音唤醒装置。
本公开实施例通过将语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率，将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段，将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率，若所述第二后验概率满足第二唤醒条件，则进行唤醒操作，本实施例通过二次唤醒确认，可以减少误唤醒率，提高唤醒准确率。
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为根据本公开一个实施例的语音唤醒方法的流程示意图；
图2为根据本公开一个实施例的语音唤醒装置的结构示意图；
图3为根据本公开一个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。
实施例一
为了解决现有技术中误唤醒率较高的技术问题，本公开实施例提供一种语音唤醒方法。如图1所示，该语音唤醒方法主要包括如下步骤S11至步骤S15。
步骤S11：获取语音信号。
其中，所述语音信号中包含唤醒词。例如，唤醒词可以为小腾您好！
具体的，所述语音信号可以通过智能设备获取，例如智能手机、平板电脑或台式电脑；所述语音信号来自于用户。
步骤S12：将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率。
其中，第一模型可以为声学模型。
具体的，可以获取批量的语音信号，并对该批量的语音信号进行标注，例如，若语音信号中包含预设关键词(例如，设备编号或名称)，则为唤醒数据，即该语音信号可以唤醒智能设备，则将该语音信号标注为可唤醒语音信号；若语音信号不包含预设关键词，则为非唤醒数据，即该语音信号不能唤醒智能设备，则将该语音信号标注为不可唤醒语音信号，将上述批量的标注语音信号作为训练数据，训练得到第一模型。其中，第一模型可以为深度学习网络模型。该第一模型可以输出语音信号中每一帧音素的后验概率。
其中，对于语音信号，需要找到一个文字序列(由字或者词组成)与该语音信号匹配，这个匹配程度即为第一后验概率。例如，用X表示预设关键词音素序列，用W表示音素，则要解的问题为条件概率：W*＝argmaxWP(W|X)，其中，argmax表示寻找具有最大概率的音素序列。
对于上面的条件概率公式想要已知结果求该条件下发生概率，则采用贝叶斯公式：W*＝argmaxWP(X|W)P(W),其中，需要优化公式中的W，P(X)为常数。
其中，音素为最小的语音单位，语音信号中包括多个音素，例如“大”音为da，包括d和a两个音素。每一帧语音数据输入第一模型后，输出每个音素的后验概率值。
步骤S13：将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段。
其中，第一唤醒条件可以由用户自定义设置。例如，可以为后验概率大于预设阈值。即如果第一后验概率大于预设阈值，则第一后验概率满足第一唤醒条件，则将对应的语音信号作为唤醒语音段。
步骤S14：将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率。
其中，语谱图为语音频谱图，通过处理时域的语音信号得到频谱图也即频谱分析视图。语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音信号能量。
其中，所述唤醒语音段为包括完整唤醒词的语音段。在确定唤醒语音段后，后续可以将所述语音信号中唤醒语音段之外的语音数据剔除，以所述唤醒语音段为基础进行进一步的判断。
其中，第二模型可以为图片识别模型。具体的，预先获取批量已知唤醒语音段的语谱图和后验概率图和/或已知非唤醒语音段的语谱图和后验概率图作为训练样本，基于现有的机器学习模型、或神经网络模型、或深度学习神经网络模型训练得到该第二模型。该第二模型对唤醒语音段的语谱图和后验概率图进行识别，即可得到所述唤醒语音段中每一帧音素的第二后验概率。
具体的，在第一模型训练完成后，将另外一批语音数据输入该第一模型，可得到每一帧音素的后验概率的信息，将得到的这些信息整理并画图即可得到后验概率图。在本实施例中，该另外一批语音数据为新采集的一批语音数据，即并非训练所述第一模型时使用的那批语音数据。
步骤S15：若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
其中，第二唤醒条件为第二后验概率大于预设阈值。若第二后验概率大于预设阈值，则唤醒智能设备。
本实施例通过将语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率，将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段，将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率，若所述第二后验概率满足第二唤醒条件，则进行唤醒操作，本实施例通过二次唤醒确认，可以减少误唤醒率，提高唤醒准确率。
在一个可选的实施例中，步骤S13具体包括：
步骤S131：若所述第一后验概率满足第一唤醒条件，则记录唤醒时间点。
例如，唤醒语音段中包括的唤醒词为“小腾你好”，当得到最后一个字“好”的音素后，经过判断为已经唤醒，则将判断唤醒的时刻记录为唤醒时间点。
步骤S132：确定所述语音信号中唤醒词的起始时间点。
其中，唤醒词的起始时间点为开始接收唤醒词第一个字的第一个音素的时间点。
步骤S133：根据所述唤醒时间点和所述起始时间点确定唤醒长度，并确定唤醒语音段。
具体的，将所述唤醒时间点减去所述起始时间点即可确定唤醒长度，并确定唤醒语音段。
在一个可选的实施例中，步骤S132具体包括：
步骤S1321：确定所述唤醒词的第一个字的各个音素在所述唤醒语音段的每一帧中的后验概率。
步骤S1322：将所述第一个字的各个音素的后验概率相加，得到所述第一个字的各个音素在每一帧中的概率和。
例如，唤醒词为“小腾你好”，第一个字为“小”，可以分为“x”、“i”和“ao”三个音素，第二个字为“腾”，可以分为“t”和“ai”两个音素，第三个字“你”，可以分为“n”和“i”两个音素，第四个字“好”，可以分为“h”和“ao”两个音素，则“小腾你好”共9个音素。可以将所述唤醒语音段的语音帧输入预先训练的第二模型中，该第二模型输出所有音素的后验概率。
步骤S1323：将所述概率和最大值对应的第一帧数对应的时间点作为起始时间点。
在一个可选的实施例中，所述方法还包括：
步骤S16：计算所述唤醒语音段每个时间点的频谱能量密度。
具体的，本步骤及步骤S17均在步骤S14之前执行，其目的是获取所述唤醒语音段的语谱图。
步骤S17：对所有的频谱能量密度进行归一化处理，得到所述唤醒语音段的语谱图。
在一个可选的实施例中，所述方法还包括：
将大量已知唤醒语音段的语谱图和后验概率图作为训练数据，训练得到图片识别模型，将所述图片识别模型作为第二模型；其中，已知唤醒语音段的后验概率图与语谱图一一对应。
本领域技术人员应能理解，在上述各个实施例的基础上，还可以进行明显变型(例如，对所列举的模式进行组合)或等同替换。
在上文中，虽然按照上述的顺序描述了语音唤醒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。
下面为本公开装置实施例，本公开装置实施例可用于执行本公开方法实施例实现的步骤，为了便于说明，仅示出了与本公开实施例相关的部分，具体技术细节未揭示的，请参照本公开方法实施例。
实施例二
为了解决现有技术中误唤醒率较高的技术问题，本公开实施例提供一种语音唤醒装置。该装置可以执行上述实施例一所述的语音唤醒方法实施例中的步骤。如图2所示，该装置主要包括：语音获取模块21、第一后验概率确定模块22、唤醒语音段确定模块23、第二后验概率确定模块24和唤醒模块25；其中，
语音获取模块21用于获取语音信号；
第一后验概率确定模块22用于将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；
唤醒语音段确定模块23用于将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；
第二后验概率确定模块24用于将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；
唤醒模块25用于若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
进一步的，所述唤醒语音段确定模块23具体用于：若所述第一后验概率满足第一唤醒条件，则记录唤醒时间点；确定所述语音信号中唤醒词的起始时间点；根据所述唤醒时间点和所述起始时间点确定唤醒长度，并确定唤醒语音段。
进一步的，所述唤醒语音段确定模块23具体用于：确定所述唤醒词的第一个字的各个音素在所述唤醒语音段的每一帧中的后验概率；将所述第一个字的各个音素的后验概率相加，得到所述第一个字的各个音素在每一帧中的概率和；将所述概率和最大值对应的第一帧数对应的时间点作为起始时间点。
进一步的，所述装置还包括：语谱图确定模块26；其中，
语谱图确定模块26用于计算所述唤醒语音段每个时间点的频谱能量密度；对所有的频谱能量密度进行归一化处理，得到所述唤醒语音段的语谱图。
进一步的，所述装置还包括：模型训练模块27；其中，
模型训练模块27用于将大量已知唤醒语音段的语谱图和后验概率图作为训练数据，训练得到图片识别模型，将所述图片识别模型作为第二模型；其中，已知唤醒语音段的后验概率图与语谱图一一对应。
进一步的，所述第一模型为声学模型。
有关语音唤醒装置实施例的工作原理、实现的技术效果等详细说明可以参考前述语音唤醒方法实施例中的相关说明，在此不再赘述。
实施例三
下面参考图3，其示出了适于用来实现本公开实施例的电子设备300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3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3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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：获取语音信号；将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
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，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
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。
Claims (9)
1.一种语音唤醒方法，其特征在于，包括：
获取语音信号；
将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；
将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；
将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；
若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
2.根据权利要求1所述的语音唤醒方法，其特征在于，所述将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段，包括：
若所述第一后验概率满足第一唤醒条件，则记录唤醒时间点；
确定所述语音信号中唤醒词的起始时间点；
根据所述唤醒时间点和所述起始时间点确定唤醒长度，并确定唤醒语音段。
3.根据权利要求2所述的语音唤醒方法，其特征在于，所述确定所述语音信号中唤醒词的起始时间点，包括：
确定所述唤醒词的第一个字的各个音素在所述唤醒语音段的每一帧中的后验概率；
将所述第一个字的各个音素的后验概率相加，得到所述第一个字的各个音素在每一帧中的概率和；
将所述概率和最大值对应的第一帧数对应的时间点作为起始时间点。
4.根据权利要求1所述的语音唤醒方法，其特征在于，所述方法还包括：
计算所述唤醒语音段每个时间点的频谱能量密度；
对所有的频谱能量密度进行归一化处理，得到所述唤醒语音段的语谱图。
5.根据权利要求1-4任一项所述的语音唤醒方法，其特征在于，所述方法还包括：
将大量已知唤醒语音段的语谱图和后验概率图作为训练数据，训练得到图片识别模型，将所述图片识别模型作为第二模型；其中，已知唤醒语音段的后验概率图与语谱图一一对应。
6.根据权利要求1-4任一项所述的语音唤醒方法，其特征在于，所述第一模型为声学模型。
7.一种语音唤醒装置，其特征在于，包括：
语音获取模块，用于获取语音信号；
第一后验概率确定模块，用于将所述语音信号输入第一模型，通过所述第一模型输出所述语音信号中每一帧音素的第一后验概率；
唤醒语音段确定模块，用于将所述第一后验概率满足第一唤醒条件的音素对应的语音信号作为唤醒语音段；
第二后验概率确定模块，用于将所述唤醒语音段的语谱图和后验概率图输入第二模型，通过所述第二模型输出所述唤醒语音段中每一帧音素的第二后验概率；
唤醒模块，用于若所述第二后验概率满足第二唤醒条件，则进行唤醒操作。
8.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求1-6任一项所述的语音唤醒方法。
9.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性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1-6任一项所述的语音唤醒方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010634922.3A CN111883117B (zh) | 2020-07-03 | 2020-07-03 | 语音唤醒方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010634922.3A CN111883117B (zh) | 2020-07-03 | 2020-07-03 | 语音唤醒方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111883117A CN111883117A (zh) | 2020-11-03 |
| CN111883117B true CN111883117B (zh) | 2024-04-16 |
Family
ID=73151321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010634922.3A Active CN111883117B (zh) | 2020-07-03 | 2020-07-03 | 语音唤醒方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111883117B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669818B (zh) * | 2020-12-08 | 2022-12-02 | 北京地平线机器人技术研发有限公司 | 语音唤醒方法及装置、可读存储介质、电子设备 |
| CN113053377B (zh) * | 2021-03-23 | 2024-09-03 | 南京地平线机器人技术有限公司 | 语音唤醒方法和装置、计算机可读存储介质、电子设备 |
| CN114913853A (zh) * | 2022-06-21 | 2022-08-16 | 北京有竹居网络技术有限公司 | 语音唤醒方法、装置、存储介质和电子设备 |
| CN115223574B (zh) * | 2022-07-15 | 2023-11-24 | 北京百度网讯科技有限公司 | 语音信息处理方法、模型的训练方法、唤醒方法及装置 |
| CN115223573A (zh) * | 2022-07-15 | 2022-10-21 | 北京百度网讯科技有限公司 | 语音唤醒方法、装置、电子设备以及存储介质 |
| US20240339123A1 (en) * | 2023-04-06 | 2024-10-10 | Samsung Electronics Co., Ltd. | System and method for keyword spotting in noisy environments |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004279454A (ja) * | 2003-03-12 | 2004-10-07 | Nippon Telegr & Teleph Corp <Ntt> | 音声生成モデル話者適応化方法、その装置、そのプログラム及びその記録媒体 |
| JP2019020685A (ja) * | 2017-07-21 | 2019-02-07 | 株式会社デンソーアイティーラボラトリ | 音声区間検出装置、音声区間検出方法、およびプログラム |
| CN110415699A (zh) * | 2019-08-30 | 2019-11-05 | 北京声智科技有限公司 | 一种语音唤醒的判断方法、装置及电子设备 |
| CN110428810A (zh) * | 2019-08-30 | 2019-11-08 | 北京声智科技有限公司 | 一种语音唤醒的识别方法、装置及电子设备 |
| CN110931027A (zh) * | 2018-09-18 | 2020-03-27 | 北京三星通信技术研究有限公司 | 音频处理方法、装置、电子设备及计算机可读存储介质 |
| CN111063342A (zh) * | 2020-01-02 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
| CN111276127A (zh) * | 2020-03-31 | 2020-06-12 | 北京字节跳动网络技术有限公司 | 语音唤醒方法、装置、存储介质及电子设备 |
| CN111326146A (zh) * | 2020-02-25 | 2020-06-23 | 北京声智科技有限公司 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6350536B2 (ja) * | 2013-10-22 | 2018-07-04 | 日本電気株式会社 | 音声検出装置、音声検出方法及びプログラム |
-
2020
- 2020-07-03 CN CN202010634922.3A patent/CN111883117B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004279454A (ja) * | 2003-03-12 | 2004-10-07 | Nippon Telegr & Teleph Corp <Ntt> | 音声生成モデル話者適応化方法、その装置、そのプログラム及びその記録媒体 |
| JP2019020685A (ja) * | 2017-07-21 | 2019-02-07 | 株式会社デンソーアイティーラボラトリ | 音声区間検出装置、音声区間検出方法、およびプログラム |
| CN110931027A (zh) * | 2018-09-18 | 2020-03-27 | 北京三星通信技术研究有限公司 | 音频处理方法、装置、电子设备及计算机可读存储介质 |
| CN110415699A (zh) * | 2019-08-30 | 2019-11-05 | 北京声智科技有限公司 | 一种语音唤醒的判断方法、装置及电子设备 |
| CN110428810A (zh) * | 2019-08-30 | 2019-11-08 | 北京声智科技有限公司 | 一种语音唤醒的识别方法、装置及电子设备 |
| CN111063342A (zh) * | 2020-01-02 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
| CN111326146A (zh) * | 2020-02-25 | 2020-06-23 | 北京声智科技有限公司 | 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 |
| CN111276127A (zh) * | 2020-03-31 | 2020-06-12 | 北京字节跳动网络技术有限公司 | 语音唤醒方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111883117A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111883117B (zh) | 语音唤醒方法及装置 | |
| CN110971969B (zh) | 视频配乐方法、装置、电子设备及计算机可读存储介质 | |
| CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
| CN112153460B (zh) | 一种视频的配乐方法、装置、电子设备和存储介质 | |
| US11783808B2 (en) | Audio content recognition method and apparatus, and device and computer-readable medium | |
| CN113488050B (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
| CN112259089A (zh) | 语音识别方法及装置 | |
| CN111597825B (zh) | 语音翻译方法、装置、可读介质及电子设备 | |
| CN111898753B (zh) | 音乐转录模型的训练方法、音乐转录方法以及对应的装置 | |
| CN117319705A (zh) | 视频生成方法、装置、介质及电子设备 | |
| 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 | |
| CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
| CN112017685B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN112382266B (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
| CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
| CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
| CN111312224B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
| CN112259076A (zh) | 语音交互方法、装置、电子设备及计算机可读存储介质 | |
| CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
| CN115129877B (zh) | 标点符号预测模型的生成方法、装置和电子设备 | |
| CN110750994A (zh) | 一种实体关系抽取方法、装置、电子设备及存储介质 | |
| CN110852043B (zh) | 一种文本转写方法、装置、设备及存储介质 | |
| CN111626044B (zh) | 文本生成方法、装置、电子设备及计算机可读存储介质 |
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 |