CN112185388A - 语音识别方法、装置、设备及计算机可读存储介质 - Google Patents
语音识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112185388A CN112185388A CN202010962464.6A CN202010962464A CN112185388A CN 112185388 A CN112185388 A CN 112185388A CN 202010962464 A CN202010962464 A CN 202010962464A CN 112185388 A CN112185388 A CN 112185388A
- Authority
- CN
- China
- Prior art keywords
- voice signal
- voice
- processing
- condition
- engine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 62
- 230000008030 elimination Effects 0.000 claims abstract description 19
- 238000003379 elimination reaction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 26
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication 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)
- Telephone Function (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开涉及一种语音识别方法、装置、设备及计算机可读存储介质。方法包括：启动麦克风阵列采集第一语音信号，在确定唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；在所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；对所述去干扰处理后的第一语音信号进行语音识别。由此，可以避免用于响应唤醒词的应答音对用户输入的语音的影响，从而能够准确识别用户输入的语音，进而做出准确应答，提升语音交互的成功率和用户体验。
Description
技术领域
本公开涉及语音识别技术领域，尤其涉及一种语音识别方法、装置、设备及计算机可读存储介质。
背景技术
在语音交互场景(例如，问答场景)中，当用户唤醒语音交互设备(例如，智能手机、智能音箱等)时，用户向语音交互设备输入语音，语音交互设备采集到的语音信号中可能掺杂有用于响应唤醒词的应答音。这样，将无法对用户输入的语音信号进行准确识别，由此可能造成语音交互设备无法做出准确应答，可能出现答非所问的情况，对用户造成困扰，影响用户体验。
发明内容
为克服相关技术中存在的问题，本公开提供一种语音识别方法、装置、设备及计算机可读存储介质。
根据本公开实施例的第一方面，提供一种语音识别方法，包括：
启动麦克风阵列采集第一语音信号，在确定唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
在所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
对所述去干扰处理后的第一语音信号进行语音识别。
可选地，所述判断所述第一语音信号中是否包含用于响应唤醒词的所述应答音，包括：
判断所述麦克风阵列的参考通道中的数据能量是否大于预设能量阈值；
在所述数据能量大于所述预设能量阈值的情况下，确定所述第一语音信号中包含用于响应唤醒词应答音。
可选地，所述对所述第一语音信号进行去干扰处理，包括：
获取所述应答音的数据的采集时段；
对所述第一语音信号中与所述采集时段对应的语音片段进行添加噪声处理或者将所述第一语音信号中与所述采集时段对应的语音片段删除。
可选地，在所述对所述第一语音信号进行去干扰处理之前，所述方法还包括：
对所述第一语音信号进行第一预处理，所述第一预处理包括回声消除操作和波束成形处理；
确定所述第一预处理后的第一语音信号中是否存在残留回声，其中，所述残留回声为未被所述回声消除操作完全消除的应答音；
所述对所述第一语音信号进行去干扰处理，包括：
在所述第一预处理后的第一语音信号中存在残留回声的情况下，对所述第一预处理后的第一语音信号进行去干扰处理。
可选地，所述确定所述第一预处理后的第一语音信号中是否存在残留回声，包括：
确定所述第一预处理后的第一语音信号与所述第一语音信号的相关性；
在所述相关性大于预设相关阈值的情况下，确定所述第一预处理后的第一语音信号中存在残留回声。
可选地，所述确定唤醒引擎处于激活状态，包括：
选取所述麦克风阵列采集的第二语音信号进行第二预处理，其中，所述第二语音信号为所述麦克风阵列在采集所述第一语音信号之前采集到的语音信号；
将所述第二预处理后的第二语音信号输入所述唤醒引擎；
当所述第二预处理后的第二语音信号中包含所述唤醒词时，确定所述唤醒引擎处于激活状态。
根据本公开实施例的第二方面，提供一种语音识别装置，包括：
判断模块，被配置为启动麦克风阵列采集第一语音信号，在唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
处理模块，被配置为在所述判断模块判定所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
识别模块，被配置为对所述处理模块得到的、所述去干扰处理后的第一语音信号进行语音识别。
可选地，所述处理模块，包括：
获取子模块，被配置为获取所述应答音的数据的采集时段；
处理子模块，被配置为对所述第一语音信号中与所述采集时段对应的语音片段进行添加噪声处理或者将所述第一语音信号中与所述采集时段对应的语音片段删除。
根据本公开实施例的第三方面，提供一种语音识别设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
启动麦克风阵列采集第一语音信号，在确定唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
在所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
对所述去干扰处理后的第一语音信号进行语音识别。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面提供的所述语音识别方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：在通过麦克风阵列采集到第一语音信号、且唤醒引擎处于激活状态的情况下，先判断第一语音信号中是否包含用于响应唤醒词的应答音；若第一语音信号中包含该应答音，则对第一语音信号进行去干扰处理；之后，对去干扰处理后的第一语音信号进行语音识别。这样，可以避免用于响应唤醒词的应答音对用户输入的语音的影响，从而能够准确识别用户输入的语音，进而做出准确应答，提升语音交互的成功率和用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种语音识别方法的流程图。
图2是根据另一示例性实施例示出的一种语音识别方法的流程图。
图3是根据另一示例性实施例示出的一种语音识别方法的流程图。
图4是根据一示例性实施例示出的一种语音识别装置的框图。
图5是根据一示例性实施例示出的一种语音识别设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种语音识别方法的流程图。如图1所示，该方法包括S101～S104。
在S101中，启动麦克风阵列采集第一语音信号，确定唤醒引擎是否处于激活状态。
在本公开中，语音识别方法可以应用于语音识别设备或语音交互设备，例如，智能音箱、智能手机、智能机器人等可以进行语音识别或交互的设备，本公开对于语音识别设备或语音交互设备的类型不作限制。该设备包括用于采集用户输入的语音信号的麦克风阵列和用于进行唤醒词检测并切换激活状态的唤醒引擎，其中，麦克风阵列包括参考通道和多个麦克通道。其中，麦克通道可以接收用户输入的语音信号，还可以接收用于响应唤醒词的应答音；参考通道可以接收用于响应唤醒词的应答音。
在通过麦克风阵列采集到第一语音信号后，若唤醒引擎处于激活状态，则执行S102。
其中，可以通过逻辑标识符来表征唤醒引擎是否处于激活状态，例如，当唤醒引擎被激活后，可以将该逻辑标识符设置为1；当唤醒引擎进入休眠状态时，可以将该逻辑标识符设置为0。这样，通过该逻辑标识符即可判断唤醒引擎是否处于激活状态。具体来说，当该逻辑标识符为1时，确定唤醒引擎处于激活状态；当该逻辑标识符为0时，确定唤醒引擎处于休眠状态。
在S102中，判断第一语音信号中是否包含用于响应唤醒词的应答音。
在本公开中，在用户刚唤醒语音交互设备时，语音交互设备在接收用户当前向语音交互设备输入的语音信号的同时，还可能接收到语音交互设备用于响应唤醒词的应答音，即第一语音信号中可能掺杂有用于响应唤醒词的应答音。为此，在通过麦克风阵列采集到第一语音信号后，若唤醒引擎处于激活状态，则需要对第一语音信号中是否包含用于响应唤醒词的应答音进行判断。若第一语音信号中包含用于响应唤醒词的应答音，则执行S103。
在S103中，对第一语音信号进行去干扰处理。
在本实施例中，对第一语音信号进行去干扰处理的目的是为滤除或者覆盖语音设备用于响应唤醒词的应答音，以得到不包含应答音数据的第一语音信号。
在S104中，对去干扰处理后的第一语音信号进行语音识别。
在一种实施方式中，语音交互设备在得到去干扰处理后的第一语音信号后，可以直接对其进行语音识别。这样，语音交互设备后续可根据语音识别结果解析用户的意图，并产生对应的应答信息，之后，依据应答信息中的内容(例如，词汇或字句等)进行语音合成，而产生语音应答。
在另一种实施方式中，语音交互设备在得到去干扰处理后的第一语音信号后，可以将其发送至云端服务器，以由该云端服务器对去干扰处理后的第一语音信号对其进行语音识别，并生成相应的应答信息，并将该应答信息发送至语音交互设备；之后，语音交互设备接收该应答信息，并依据该应答信息中的内容进行语音合成，而产生语音应答。在该种实施方式中，语音识别操作和应答信息生成操作均由云端服务器来完成，可以降低对语音交互设备的处理器和内存的要求，并降低设备功耗。
本公开的实施例提供的技术方案可以包括以下有益效果：在通过麦克风阵列采集到第一语音信号、且唤醒引擎处于激活状态的情况下，先判断第一语音信号中是否包含用于响应唤醒词的应答音；若第一语音信号中包含该应答音，则对第一语音信号进行去干扰处理；之后，对去干扰处理后的第一语音信号进行语音识别。这样，可以避免用于响应唤醒词的应答音对用户输入的语音的影响，从而能够准确识别用户输入的语音，进而做出准确应答，提升语音交互的成功率和用户体验。
下面针对上述S102中的判断第一语音信号中是否包含用于响应唤醒词的应答音的具体实施方式进行详细说明。
首先，判断麦克风阵列的参考通道中的数据能量是否大于预设能量阈值；在该数据能量大于预设能量阈值的情况下，确定第一语音信号中包含用于响应唤醒词的应答音；在该数据能量小于或者等于预设能量阈值的情况下，确定第一语音信号中不包含用于响应唤醒词的应答音。
在本公开中，正如上文论述的那样，语音交互设备中的麦克风阵列的参考通道只接收用于响应唤醒词的应答音。因此，可以通过判断参考通道中的数据能量是否大于预设能量阈值的方式来判断第一语音信号中是否包含用于响应唤醒词的应答音。
图2是根据另一示例性实施例示出的一种语音识别方法的流程图。
下面针对图2中示出的S105及S106进行详细说明。
如图2所示，在一些实施例中，在执行S101时，在通过麦克风阵列采集到第一语音信号后，若唤醒引擎处于休眠状态，则执行S106。在S106中，根据第一语音信号，确定是否激活唤醒引擎。
也就是说，在通过麦克风阵列采集到第一语音信号、且唤醒引擎处于休眠状态时，可以根据第一语音信号，确定是否激活唤醒引擎。具体来说，先将第一语音信号输入唤醒引擎；唤醒引擎接收第一语音信号，并对其进行唤醒词检测，判断是否激活唤醒引擎。若通过唤醒词检测，则激活唤醒引擎，否则不激活唤醒引擎，此时，唤醒引擎继续保持休眠状态。
在一些实施例中，在执行S102时，若第一语音信号中不包含用于响应唤醒词的应答音，则执行S105。在S105中，对第一语音信号进行语音识别。
在一些实施例中，为了提升第一语音信号的清晰度，以提升语音识别的准确度，在执行S105对第一语音信号进行语音识别前，可以对其依次进行回声消除操作、波束成形处理、去混响处理、单通道增强等操作。
下面针对上述S103中的对第一语音信号进行去干扰处理的具体实施进行详细说明。
在一种实施方式中，可以先获取用于响应唤醒词的应答音的采集时段；然后，对第一语音信号中与采集时段对应的语音片段添加噪声，即在第一语音信号中、与采集时段对应的位置添加与应答音相同长度的噪声，以覆盖语音交互设备用于响应唤醒词的应答音，这样，可以使得第一语音信号中的应答音无法识别(即识别不出来)。其中，添加的噪声的类型为固定频率噪声类、高斯白噪声类、非高斯白噪声类、高斯色噪声类中的任一者。
在另一种实施方式中，可以先获取用于响应唤醒词的应答音的采集时段；然后，将第一语音信号中与采集时段对应的语音片段删除，以滤除用于响应唤醒词的应答音。
如图2所示，在S103之前，上述方法还包括S107～S109。
在S107中，对第一语音信号进行第一预处理。
在本公开中，第一预处理包括回声消除操作和波束成形处理，其中，回声消除操作可以从第一语音信号中消除部分或者全部的应答音。
在S108中，确定第一预处理后的第一语音信号中是否存在残留回声。
在本公开中，残留回声为未被回声消除操作完全消除的应答音。在确定第一预处理后的第一语音信号中存在残留回声的情况，则表明回声消除操作已经未完全消除应答音，此时，需要对第一预处理后的第一语音信号进行去干扰处理，即执行S103；在确定第一预处理后的第一语音信号中不存在残留回声的情况下，表明回声消除操作已经完全消除应答音，此时，无需对第一预处理后的第一语音信号进行去干扰处理，可以直接对第一预处理后的第一语音信号进行语音识别，即执行S109。
在S109中，将第一预处理后的第一语音信号进行语音识别。
先对第一语音信号进行第一预处理，可以对第一语音信号中的应答音进行初步消除；之后，确定第一预处理后的第一语音信号中是否存在残留回声；若第一预处理后的第一语音信号中不存在残留回声，则无需对其进行去干扰处理，从而可以尽可能保留原来的真实语音，以保证后续语音识别的准确度。若第一预处理后的第一语音信号中存在残留回声，则对其进行去干扰处理，以滤除或者覆盖残留回声(未被完全消除的应答音)，从而避免应答音对用户输入的语音的影响，进而能够准确识别用户输入的语音，以便于后续做出准确应答，提升语音交互的成功率和用户体验。
下面针对上述S108中的确定第一预处理后的第一语音信号中是否存在残留回声的具体实施方式进行详细说明。具体来说，可以确定第一预处理后的第一语音信号与第一语音信号的相关性；在相关性大于预设相关阈值的情况下，确定第一预处理后的第一语音信号中存在残留回声；在相关性小于或者等于预设相关阈值的情况下，确定第一预处理后的第一语音信号中不存在残留回声。其中，相关性越大，表明残留回声越多。
示例地，可以通过皮尔逊相关系数(PearsonCorrelation Coefficient，PCC)、动态时间规整(Dynamic Time Warping，DTW)等方式来确定第一预处理后的第一语音信号与第一语音信号的相关性。
另外，可以通过以下方式确定唤醒引擎处于激活状态：
首先，选取麦克风阵列采集的第二语音信号进行第二预处理，其中，第二语音信号为麦克风阵列在采集第一语音信号之前采集到的语音信号，第二预处理可以包括回声消除操作、波束成形处理、去混响处理、单通道增强等操作；然后，将第二预处理后的第二语音信号输入唤醒引擎；当第二预处理后的第二语音信号中包含唤醒词时，确定唤醒引擎处于激活状态；当第二预处理后的第二语音信号中不包含唤醒词时，则确定不唤醒引擎处于激活状态，即唤醒引擎继续保持休眠状态。
图3是根据另一示例性实施例示出的一种语音识别方法的流程图。如图3所示，方法包括S301～S310。
在S301中，启动麦克风阵列采集第一语音信号。
在S302中，对第一语音信号进行回声消除操作。
在S303中，对回声消除操作后的第一语音信号进行波束成形处理。
在S304中，确定唤醒引擎是否处于激活状态。
若唤醒引擎处于激活状态，则执行S305；若唤醒引擎处于休眠状态，则执行S310。
在S305中，判断波形处理后的第一语音信号中是否包含用于响应唤醒词的应答音。
若波形处理后的第一语音信号中包含用于响应唤醒词的应答音，则执行S306；若波形处理后的第一语音信号中不包含用于响应唤醒词的应答音，则执行S309。
在S306中，确定波形处理后的第一语音信号中是否存在残留回声。
若波形处理后的第一语音信号中存在残留回声，则执行S307；若波形处理后的第一语音信号中不存在残留回声，则执行S309。
在S307中，对波形处理后的第一语音信号进行去干扰处理。
在S308中，对去干扰处理后的第一语音信号依次进行去混响、单通道增强，并对单通道增强后的第一语音信号进行语音识别。
在本公开中，在对波形处理后的第一语音信号进行去干扰处理后，为了进一步提升该语音信号的清晰度，以提升后续语音识别的准确度，可以对波形处理后的第一语音信号依次进行去混响、单通道增强，之后，再对单通道增强后的第一语音信号进行语音识别。
在S309中，对波形处理后的第一语音信号依次进行去混响、单通道增强，并对单通道增强后的第一语音信号进行语音识别。
在S310中，根据波形处理后的第一语音信号，确定是否激活唤醒引擎。
关于上述S301～S310的具体实施方式已经在上述S101～S109的相关实施方式中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种语音识别装置的框图。参照图4，该装置400包括：判断模块401，被配置为启动麦克风阵列采集第一语音信号，在唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；处理模块402，用于在所述判断模块401判定所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；识别模块403，用于对所述处理模块402得到的、所述去干扰处理后的第一语音信号进行语音识别。
本公开的实施例提供的技术方案可以包括以下有益效果：在通过麦克风阵列采集到第一语音信号、且唤醒引擎处于激活状态的情况下，先判断第一语音信号中是否包含用于响应唤醒词的应答音；若第一语音信号中包含该应答音，则对第一语音信号进行去干扰处理；之后，对去干扰处理后的第一语音信号进行语音识别。这样，可以避免用于响应唤醒词的应答音对用户输入的语音的影响，从而能够准确识别用户输入的语音，进而做出准确应答，提升语音交互的成功率和用户体验。
可选地，所述判断模块401包括：判断子模块，被配置为判断所述麦克风阵列的参考通道中的数据能量是否大于预设能量阈值；第一确定子模块，被配置为在所述数据能量大于所述预设能量阈值的情况下，确定所述第一语音信号中包含用于响应唤醒词应答音。
可选地，所述处理模块402包括：获取子模块，被配置为获取所述应答音的数据的采集时段；处理子模块，被配置为对所述第一语音信号中与所述采集时段对应的语音片段进行添加噪声处理或者将所述第一语音信号中与所述采集时段对应的语音片段删除。
可选地，所述装置400还包括：预处理模块，被配置为在所述处理模块402对所述第一语音信号进行去干扰处理之前，对所述第一语音信号进行第一预处理，所述第一预处理包括回声消除操作和波束成形处理；确定模块，被配置为确定所述第一预处理后的第一语音信号中是否存在残留回声，其中，所述残留回声为未被所述回声消除操作完全消除的应答音；
所述处理模块402，被配置为在所述第一预处理后的第一语音信号中存在残留回声的情况下，对所述第一预处理后的第一语音信号进行去干扰处理。
可选地，所述确定模块包括：相关性确定子模块，被配置为确定所述第一预处理后的第一语音信号与所述第一语音信号的相关性；残留回声确定子模块，被配置为在所述相关性大于预设相关阈值的情况下，确定所述第一预处理后的第一语音信号中存在残留回声。
可选地，所述装置400还包括：唤醒模块；其中，所述唤醒模块包括：预处理子模块，被配置为选取所述麦克风阵列采集的第二语音信号进行第二预处理，其中，所述第二语音信号为所述麦克风阵列在采集所述第一语音信号之前采集到的语音信号；输入子模块，被配置为将所述第二预处理后的第二语音信号输入所述唤醒引擎；第二确定子模块，被配置为当所述第二预处理后的第二语音信号中包含所述唤醒词时，确定所述唤醒引擎处于激活状态。
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。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的语音识别方法的步骤。
图5是根据一示例性实施例示出的一种语音识别设备500的框图。例如，设备500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，设备500可以包括以下一个或多个组件：处理组件502，存储器504，电力组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。
处理组件502通常控制设备500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的语音识别方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在设备500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件506为设备500的各种组件提供电力。电力组件506可以包括电源管理系统，一个或多个电源，及其他与为设备500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述设备500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当设备500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为设备500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为设备500的显示器和小键盘，传感器组件514还可以检测设备500或设备500一个组件的位置改变，用户与设备500接触的存在或不存在，设备500方位或加速/减速和设备500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于设备500和其他设备之间有线或无线方式的通信。设备500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，设备500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的语音识别方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由设备500的处理器520执行以完成上述的语音识别方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的语音识别方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种语音识别方法，其特征在于，包括：
启动麦克风阵列采集第一语音信号，在确定唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
在所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
对所述去干扰处理后的第一语音信号进行语音识别。
2.根据权利要求1所述的方法，其特征在于，所述判断所述第一语音信号中是否包含用于响应唤醒词应答音，包括：
判断所述麦克风阵列的参考通道中的数据能量是否大于预设能量阈值；
在所述数据能量大于所述预设能量阈值的情况下，确定所述第一语音信号中包含用于响应唤醒词的所述应答音。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一语音信号进行去干扰处理，包括：
获取所述应答音的数据的采集时段；
对所述第一语音信号中与所述采集时段对应的语音片段进行添加噪声处理或者将所述第一语音信号中与所述采集时段对应的语音片段删除。
4.根据权利要求1或3所述的方法，其特征在于，在所述对所述第一语音信号进行去干扰处理之前，所述方法还包括：
对所述第一语音信号进行第一预处理，所述第一预处理包括回声消除操作和波束成形处理；
确定所述第一预处理后的第一语音信号中是否存在残留回声，其中，所述残留回声为未被所述回声消除操作完全消除的应答音；
所述对所述第一语音信号进行去干扰处理，包括：
在所述第一预处理后的第一语音信号中存在残留回声的情况下，对所述第一预处理后的第一语音信号进行去干扰处理。
5.根据权利要求4所述的方法，其特征在于，所述确定所述第一预处理后的第一语音信号中是否存在残留回声，包括：
确定所述第一预处理后的第一语音信号与所述第一语音信号的相关性；
在所述相关性大于预设相关阈值的情况下，确定所述第一预处理后的第一语音信号中存在残留回声。
6.根据权利要求1所述的方法，其特征在于，所述确定唤醒引擎处于激活状态，包括：
选取所述麦克风阵列采集的第二语音信号进行第二预处理，其中，所述第二语音信号为所述麦克风阵列在采集所述第一语音信号之前采集到的语音信号；
将所述第二预处理后的第二语音信号输入所述唤醒引擎；
当所述第二预处理后的第二语音信号中包含所述唤醒词时，确定所述唤醒引擎处于激活状态。
7.一种语音识别装置，其特征在于，包括：
判断模块，被配置为启动麦克风阵列采集第一语音信号，在唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
处理模块，被配置为在所述判断模块判定所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
识别模块，被配置为对所述处理模块得到的、所述去干扰处理后的第一语音信号进行语音识别。
8.根据权利要求7所述的装置，其特征在于，所述处理模块包括：
获取子模块，被配置为获取所述应答音的数据的采集时段；
处理子模块，被配置为对所述第一语音信号中与所述采集时段对应的语音片段进行添加噪声处理或者将所述第一语音信号中与所述采集时段对应的语音片段删除。
9.一种语音识别设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
启动麦克风阵列采集第一语音信号，在确定唤醒引擎处于激活状态的情况下，判断所述第一语音信号中是否包含用于响应唤醒词的应答音；
在所述第一语音信号中包含所述应答音的情况下，对所述第一语音信号进行去干扰处理；
对所述去干扰处理后的第一语音信号进行语音识别。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962464.6A CN112185388B (zh) | 2020-09-14 | 2020-09-14 | 语音识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962464.6A CN112185388B (zh) | 2020-09-14 | 2020-09-14 | 语音识别方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112185388A true CN112185388A (zh) | 2021-01-05 |
| CN112185388B CN112185388B (zh) | 2024-04-09 |
Family
ID=73920950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010962464.6A Active CN112185388B (zh) | 2020-09-14 | 2020-09-14 | 语音识别方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112185388B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112882394A (zh) * | 2021-01-12 | 2021-06-01 | 北京小米松果电子有限公司 | 设备控制方法、控制装置及可读存储介质 |
| CN113299319A (zh) * | 2021-05-25 | 2021-08-24 | 华晨鑫源重庆汽车有限公司 | 基于边缘ai芯片的声音识别模块及识别方法 |
| CN115171703A (zh) * | 2022-05-30 | 2022-10-11 | 青岛海尔科技有限公司 | 分布式语音唤醒方法和装置、存储介质及电子装置 |
| CN115171703B (zh) * | 2022-05-30 | 2024-05-24 | 青岛海尔科技有限公司 | 分布式语音唤醒方法和装置、存储介质及电子装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103533193A (zh) * | 2012-07-04 | 2014-01-22 | 中兴通讯股份有限公司 | 残留回波消除方法及装置 |
| US20170213556A1 (en) * | 2014-08-18 | 2017-07-27 | Nuance Communications, Inc. | Methods And Apparatus For Speech Segmentation Using Multiple Metadata |
| CN108538305A (zh) * | 2018-04-20 | 2018-09-14 | 百度在线网络技术（北京）有限公司 | 语音识别方法、装置、设备及计算机可读存储介质 |
| US20190066671A1 (en) * | 2017-08-22 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Far-field speech awaking method, device and terminal device |
| US20190096398A1 (en) * | 2017-09-28 | 2019-03-28 | Sonos, Inc. | Tone Interference Cancellation |
| CN109741746A (zh) * | 2019-01-31 | 2019-05-10 | 上海元趣信息技术有限公司 | 机器人高度拟人化语音交互算法、情感交流算法及机器人 |
| US20200020329A1 (en) * | 2018-07-13 | 2020-01-16 | International Business Machines Corporation | Smart Speaker Device with Cognitive Sound Analysis and Response |
| CN111540357A (zh) * | 2020-04-21 | 2020-08-14 | 海信视像科技股份有限公司 | 语音处理方法、装置、终端、服务器及存储介质 |
-
2020
- 2020-09-14 CN CN202010962464.6A patent/CN112185388B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103533193A (zh) * | 2012-07-04 | 2014-01-22 | 中兴通讯股份有限公司 | 残留回波消除方法及装置 |
| US20170213556A1 (en) * | 2014-08-18 | 2017-07-27 | Nuance Communications, Inc. | Methods And Apparatus For Speech Segmentation Using Multiple Metadata |
| US20190066671A1 (en) * | 2017-08-22 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Far-field speech awaking method, device and terminal device |
| US20190096398A1 (en) * | 2017-09-28 | 2019-03-28 | Sonos, Inc. | Tone Interference Cancellation |
| CN108538305A (zh) * | 2018-04-20 | 2018-09-14 | 百度在线网络技术（北京）有限公司 | 语音识别方法、装置、设备及计算机可读存储介质 |
| US20200020329A1 (en) * | 2018-07-13 | 2020-01-16 | International Business Machines Corporation | Smart Speaker Device with Cognitive Sound Analysis and Response |
| CN109741746A (zh) * | 2019-01-31 | 2019-05-10 | 上海元趣信息技术有限公司 | 机器人高度拟人化语音交互算法、情感交流算法及机器人 |
| CN111540357A (zh) * | 2020-04-21 | 2020-08-14 | 海信视像科技股份有限公司 | 语音处理方法、装置、终端、服务器及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 彭洪松;李洪斌;李莉;税国梅;: "人工智能中远场语音识别技术的研究", 数字通信世界, no. 05 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112882394A (zh) * | 2021-01-12 | 2021-06-01 | 北京小米松果电子有限公司 | 设备控制方法、控制装置及可读存储介质 |
| CN113299319A (zh) * | 2021-05-25 | 2021-08-24 | 华晨鑫源重庆汽车有限公司 | 基于边缘ai芯片的声音识别模块及识别方法 |
| CN115171703A (zh) * | 2022-05-30 | 2022-10-11 | 青岛海尔科技有限公司 | 分布式语音唤醒方法和装置、存储介质及电子装置 |
| CN115171703B (zh) * | 2022-05-30 | 2024-05-24 | 青岛海尔科技有限公司 | 分布式语音唤醒方法和装置、存储介质及电子装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112185388B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619873A (zh) | 音频处理方法、装置及存储介质 | |
| RU2636580C2 (ru) | Способ и устройство для отображения разговорного интерфейса | |
| CN109599104B (zh) | 多波束选取方法及装置 | |
| CN111063354B (zh) | 人机交互方法及装置 | |
| CN109087650B (zh) | 语音唤醒方法及装置 | |
| CN108806714B (zh) | 调节音量的方法和装置 | |
| CN112185388B (zh) | 语音识别方法、装置、设备及计算机可读存储介质 | |
| CN112002320A (zh) | 语音唤醒方法、装置、电子设备和存储介质 | |
| CN112489653B (zh) | 语音识别的方法、装置及存储介质 | |
| CN110634488A (zh) | 信息处理方法、装置和系统以及存储介质 | |
| CN112019948B (zh) | 一种对讲设备通信的方法、对讲设备和存储介质 | |
| CN111857849A (zh) | 唤醒处理方法、装置、电子设备及存储介质 | |
| CN112509596A (zh) | 唤醒控制方法、装置、存储介质及终端 | |
| CN111988704B (zh) | 声音信号处理方法、装置以及存储介质 | |
| CN109274825B (zh) | 一种消息提醒方法及装置 | |
| CN111968680A (zh) | 一种语音处理方法、装置及存储介质 | |
| CN112863511A (zh) | 信号处理方法、装置以及存储介质 | |
| CN113204443A (zh) | 基于联邦学习框架的数据处理方法、设备、介质及产品 | |
| CN112866480A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN112752191A (zh) | 音频采集方法、装置及存储介质 | |
| CN113077807B (zh) | 一种语音数据的处理方法、装置及电子设备 | |
| CN117636893A (zh) | 风噪检测方法、装置、可穿戴设备及可读储存介质 | |
| CN116935843A (zh) | 语音控制方法、装置和远场语音设备 | |
| CN116913273A (zh) | 语音唤醒方法、装置、移动终端、车辆及存储介质 | |
| CN114582327A (zh) | 语音识别模型训练方法、语言识别方法及电子设备 |
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 |