CN112530424A - 语音处理方法及装置、电子设备、存储介质 - Google Patents
语音处理方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112530424A CN112530424A CN202011324752.5A CN202011324752A CN112530424A CN 112530424 A CN112530424 A CN 112530424A CN 202011324752 A CN202011324752 A CN 202011324752A CN 112530424 A CN112530424 A CN 112530424A
- Authority
- CN
- China
- Prior art keywords
- frame segment
- voice
- voice frame
- recognition result
- phoneme
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000000295 complement effect Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012634 fragment Substances 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
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002618 waking 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
-
- 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
- G10L15/04—Segmentation; Word boundary detection
-
- 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
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- 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
- G10L15/04—Segmentation; Word boundary detection
- G10L15/05—Word boundary detection
-
- 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
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
-
- 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
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Telephone Function (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开是关于一种语音处理方法及装置、电子设备及存储介质，所述方法包括：对采集的语音信号进行信号处理，获取第一语音帧片段；对所述第一语音帧片段进行语音识别，得到第一识别结果；响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；对所述第二语音帧片段进行语音识别，得到第二识别结果，所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。本公开减少了语音解码识别过程中的干扰信号，提升了语音中唤醒关键词检测的准确性。
Description
技术领域
本公开涉及语音处理技术，尤其涉及一种语音处理方法及装置、电子设备、存储介质。
背景技术
随着智能电子设备的不断普及，对电子设备的声音控制的应用越来越多，如智能音箱、语音机器人、手机、可穿戴设备、智能家居、车载导航仪等，语音交互技术的采用大大方便了用户对电子设备的使用，可以不必再通过针对电子设备的实际操作而实现对其的控制。例如，目前对电子设备的语音唤醒应用中，通过输入唤醒关键词可以实现对电子设备的唤醒，以便进行语音控制指令的输入，这样，电子设备不必时时处于开机状态进行语音指令的接收，使电子设备省电。在唤醒应用中，用户语音交互的成功率，即唤醒率，是影响用户体验的一大重要指标。
发明内容
针对相关技术中存在的问题，本公开提供一种语音处理方法及装置、电子设备、存储介质。
根据本公开实施例的第一方面，提供一种语音处理方法，所述方法包括：
对采集的语音信号进行信号处理，获取第一语音帧片段；
对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的令牌信息token满足预设条件，对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
对所述第二语音帧片段进行语音识别，得到第二识别结果，所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
可选的，所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；或
所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过预设数量。
可选的，所述对所述第一语音帧片段进行补偿，得到第二语音帧片段，包括：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取与所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
可选的，所述对所述第一语音帧片段进行补偿，得到第二语音帧片段，包括：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定帧长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
可选的，所述对所述第一语音帧片段进行语音识别，包括：
检测单元，用于从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，跳过所述音素对所述第一语音帧片段进行语音识别。
可选的，所述token的单元包括以下至少之一：
字、声韵母、单音素、三音素。
根据本公开实施例的第二方面，提供一种语音处理装置，所述装置包括：
获取单元，用于对采集的语音信号进行信号处理，获取第一语音帧片段；
第一识别单元，用于对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应单元，用于响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，触发补偿单元；
补偿单元，用于对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
第二识别单元，用于对所述第二语音帧片段进行语音识别，得到第二识别结果；所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
可选的，所述第一识别结果中的token满足预设条件，包括：
所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；或
所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过预设数量。
可选的，所述补偿单元，还用于：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
可选的，所述补偿单元，还用于：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
可选的，所述装置还包括：
检测单元，用于检测单元，用于从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，触发所述第一识别单元跳过所述音素对所述第一语音帧片段进行语音识别。
可选的，所述token的单元包括以下至少之一：
字、声韵母、单音素、三音素。
根据本公开实施例的第三方面，提供一种电子设备，所述电子设备包括：处理器和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在调用存储器中的可执行指令时，能够执行所述的语音处理方法的步骤。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行所述的语音处理方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的实施例通过对采集的语音信号进行信号处理和识别，当识别结果与目标内容不匹配时，且识别结果中的令牌信息满足预设条件时，对待识别的语音帧片段进行帧补偿后再次识别。本公开通过对语音帧片段进行帧补偿，能避免因语音帧被截断导致的关键词识别错误，提升了语音中关键词检测的准确率。
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为本公开实施例示出的一种语音处理方法的流程示意图；
图2为本公开实施例示出的第一语音帧片段识别过程示意图；
图3为本公开实施例示出的第一语音帧片段识别起始位置示意图；
图4为本公开实施例示出的语音处理装置的组成结构示意图。
图5为本公开实施例示出的电子设备的框图。
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为本公开实施例示出的一种语音处理方法的流程示意图，如图1所示，本公开实施例的语音处理方法包括以下处理步骤：
S11、对采集的语音信号进行信号处理，获取第一语音帧片段。
本公开实施例的语音处理方法，适用于语音识别领域中，特别适用于语音唤醒的应用领域，适用的电子设备包括智能音箱、机器人、手机、可穿戴设备、智能家居、车载导航设备等。支持语音功能的电子设备均需语音唤醒技术作为人和机器互动的开始或入口。用户针对电子设备可以设置不同的唤醒词，当用户需要唤醒电子设备时，只要说出特定的唤醒词即可实现对电子设备的唤醒。本公开实施例中，唤醒词可以是三到四个音节，音节覆盖多，音节差异大的唤醒词，唤醒效果较好。
本公开实施例中，可以通过电子设备自带的麦克风等对环境中的语音信号进行采集，并对所采集的语音信号进行信号处理，例如语音活性检测(Voice ActivityDetection，VAD)处理，即将所采集的语音进行边界检测，目的是从声音信号流中准确定位出语音的开始和结束点，这样可以将语音中含有的静音和实际语音分离开来，生成第一语音帧片段。这里，第一语音帧片段中包括多个令牌信息token，token是指语音帧片段切分成语音字符串序列，该语音字符串序列中的元素称为token，或者称为词语。本公开实施例中，语音字符串序列中的元素是具有一定的意义音素，作为一种实现方式，token的单元可以是字(word)、声韵母(Phone)、单音素(mono-phone)、三音素(tri-phone)等。
S12、对所述第一语音帧片段进行语音识别，得到第一识别结果。
在本公开实施例中，当对所采集的语音信号进行VAD处理后，即可以开启对其的语音识别，以得到相应的识别结果。
S13、响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，对所述第一语音帧片段进行帧补偿，得到第二语音帧片段。
在本公开实施例中，当对第一语音帧片段识别后，需要确定所识别结果是否与目标内容匹配，即识别第一语音帧片段中是否包含相关语音指令，如是否包含唤醒关键词等，以使电子设备基于唤醒关键词进行唤醒，以便进一步接收用户输入的语音或操作指令。
如当唤醒词设置为“今天天气不错”时，如果经前端语音信号处理后给出的vad语音帧片段中只包含了“今天天气”，在进行语音识别过程中，识别结果“今天天气”为唤醒词的一部分，这样将导致针对电子设备的唤醒失败。
如图2所示，当对VAD语音帧片段的识别结束时，发现识别结果与唤醒关键词不匹配，没有唤醒关键词，也就是说filler路径中出错，只能丢弃识别结果，等待下次的语音识别。而本公开实施例中，针对这种情况，当确定所述第一识别结果与目标内容不匹配，进一步确定所述第一识别结果中的token是否满足预设条件，若满足预设条件，则对所述第一语音帧片段进行补偿，得到第二语音帧片段，再次对第二语音帧片段进行语音识别，以确定是否对第二语音帧片段识别的结果中是否包含唤醒关键词。
本公开实施例中，第一识别结果中的token满足预设条件，包括：
所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；如图2所示，当语音帧片段中仅包含“今天天气”时，进一步判断语音帧片段中的token的匹配概率是否存在较高的情形，若其中token的匹配概率超出第一设定阈值如75％等，则认为当前的语音帧片段可能存在VAD处理截断情况，需要对语音帧片段进行补偿，然后再次进行识别。
或者，第一识别结果中的token满足预设条件，包括：所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过第三设定阈值。如图2所示，当语音帧片段中仅包含“今天天气”时，进一步判断语音帧片段中的token的匹配概率是否存在较高的情形，若其中token的匹配概率超出第二设定阈值如50％等，且概率超出第二设定阈值的token的数量达到2个或2个以上，或概率超出第二设定阈值的token的数量超过唤醒关键词数量的一半以上，则认为当前的语音帧片段可能存在VAD处理截断情况，需要对语音帧片段进行补偿，然后再次进行识别。
本公开实施例中所述token的单元可以包括以下至少之一：字、声韵母、单音素、三音素。
本公开实施例中，对所述第一语音帧片段进行补偿，得到第二语音帧片段，包括：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取与所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
作为一种实现方式，可以对之前所设置的唤醒关键词的总长度及其对应的语音帧片段的长度进行统计，以确定当前的识别语音帧片段的长度是否小于历史唤醒关键词的平均长度，小于时以所统计的历史唤醒关键词的平均长度对当前识别的唤醒关键词进行补偿，或者，仅根据电子设备中当前存储的唤醒关键词的语音帧片段的平均长度确定是否对当前识别的语音帧片段进行补偿，以及补偿的语音帧片段长度等。确定需要对当前识别的语音帧片段进行补偿以及补偿长度均确定后，在所采集的语音信号中查找出经VAD处理后的与当前识别的语音帧片段相邻的下一语音帧片段，按所确定的补偿长度从下一语音帧片段的起始位置截取相应补偿长度的语音帧片段，也可以以语音帧片段中的token的单元为准进行补偿，即以补偿长度为准，取下一语音帧片段中的与补偿长度对应的包含完整的token的单元的音素的长度，并接续至当前识别的语音帧片段之后，构成新的语音帧片段，对补偿后的语音帧片段进行识别，以确定是否包含唤醒关键词。
本公开实施例中，对所述第一语音帧片段进行补偿，得到第二语音帧片段，还可以包括：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定帧长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
作为一种实现方式，对于唤醒关键词，所设置的长度是基本差不多的，即当唤醒关键词设置的过长时，存在多处截断的可能，也不利于语音识别的快捷性，而设置的过短，会导致较多的误唤醒，因此，唤醒关键词一般设置2至6个字，例如设置4个，因此，本公开实施例中，当确定第一语音帧片段未识别为唤醒关键字时，可以按照所设置的4个字的一般语音帧片段长度对第一语音帧片段进行补偿等，或者，根据经验，直接为第一语音帧片段设置补偿的长度，在第一语音帧片段识别为唤醒关键词错误时，直接按设定的补偿长度对其进行语音补偿。在所采集的语音信号中查找出经VAD处理后的与当前识别的语音帧片段相邻的下一语音帧片段，按所确定的补偿长度或预设补偿长度从下一语音帧片段的起始位置截取相应补偿长度的语音帧片段，并接续至当前识别的语音帧片段之后，构成新的语音帧片段，对补偿后的语音帧片段进行识别，以确定是否包含唤醒关键词。这里，从下一语音帧片段的起始位置截取相应补偿长度的语音帧片段，可以以语音帧片段中的token的单元为准的长度，即以所确定的补偿长度为准，取下一语音帧片段中的与补偿长度对应的包含完整的token的单元的音素的长度，以保证第二语音帧片段包含有完整的唤醒关键词，避免补偿语音帧片段不足。
本公开实施例通过对语音识别失败的第一语音帧片段进行补偿，可以避免因用户语音输入中断或VAD处理导致的采集语音信号中的关键词被漏识别，提升了唤醒关键词的检出准确率，提升用户使用电子设备的使用体验。
S14、对所述第二语音帧片段进行语音识别，得到第二识别结果。
其中，所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
本公开实施例中，目标内容可以是用户输入至电子设备中的标准唤醒关键词，如设置于电子设备中的“今天天气不错”的标准唤醒关键词，目标内容可以是语音内容本身，或者也可以是语音识别后的唤醒关键词对应的文字内容等，当待识别的语音信号中存在与目标内容匹配的唤醒关键词后，电子设备将响应唤醒关键词对应的唤醒指令，电子设备由休眠状态更新为唤醒状态，以接收用户的其他指令或操作输入等。
对补偿后的第二语音帧片段继续进行语音识别，确定第二语音帧片段中是否包含唤醒关键词，如图2所示，经过对第一语音帧片段的补偿后，若识别出唤醒关键词如“今天天气不错”，则启动对电子设备的唤醒操作，以进一步接收用户的相关操作进行运作。若经过补偿后对第二语音帧片段的识别仍失败即未识别出唤醒关键词，则结束当前处理，电子设备仍保持当前状态如休眠等状态。
本公开实施例中，不仅对待识别的语音帧片段进行补偿，还包括对语音帧片段中的噪音进行规避，即需要为待识别的语音帧片段确定合适的识别位置，从非噪音或非静默位置处进行语音识别，以尽量避免对噪音进行识别，或将大量的噪音作为唤醒关键词的待识别语音。本公开实施例中，在对所述第一语音帧片段进行识别之前，还可以包括：检测单元，用于从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，跳过所述音素对所述第一语音帧片段进行语音识别，即直接跳过补白音素和/或静默音素，再对所述第一语音帧片段进行识别。
图3为本公开实施例示出的第一语音帧片段识别起始位置示意图，如图3所示，本公开实施例中，对于第一语音帧片段而言，并非是从起始位置进行语音识别，需要从所述第一语音帧片段的首个音素开始，进行前向预测，检测音素是否为补白音素和/或静默音素，预测出来的音素概率中，如果silience或留白(filler)的概率远远大于其他音素的概率，则可以判定当前给出的第一语音帧片段的开头部分包含了非人声段，可能是由其他噪声引入导致的噪声。本公开实施例中，需要跳过这些语音段，不在词图上进行token传递。具体地，针对语音信号处理模块给出的VAD进行音素的预测，并设定进行token通过(tokenpassing)的条件，如语音帧片段中的音素大于filler和silence的概率达到某一个设定值后，才开始进行解码，否则一直继续后续的音素的预测。如前述“今天天气不错”的唤醒关键词的示例中，设定word(jin，今)的概率大于filler和silence 10％时，才作为识别音素的有效音素，才进行解码识别。通过对第一语音帧片段中的filler和silence的进一步识别，避免了对所采集语音帧片段中噪音的关键词识别，提升了语音识别的效率。
本公开实施例通过对解码识别失败的语音帧片段进行有效的音素补偿，从而大大提升了语音中唤醒关键词检测的准确性，提升了语音唤醒的用户体验；并且，本公开实施例有效解决了VAD给出的唤醒词前面有其他噪声的情况，减少解码识别过程中的干扰，提高了电子设备的整体唤醒率。
图4为本公开实施例示出的语音处理装置的组成结构示意图，如图4所示，本公开实施例示出的语音处理装置包括：
获取单元40，用于对采集的语音信号进行信号处理，获取第一语音帧片段；
第一识别单元41，用于对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应单元42，用于响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，触发补偿单元；
补偿单元43，用于对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
第二识别单元44，用于对所述第二语音帧片段进行语音识别，得到第二识别结果；所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
可选的，所述第一识别结果中的token满足预设条件，包括：
所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；或
所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过预设数量。
可选的，所述补偿单元43，还用于：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
可选的，所述补偿单元43，还用于：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
在图4所示的语音处理装置的基础上，本公开实施例的语音处理装置还包括：
检测单元(图4中未示出)，用于检测单元，用于从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，触发所述第一识别单元41跳过所述音素对所述第一语音帧片段进行语音识别。
可选的，所述token的单元包括以下至少之一：
字、声韵母、单音素、三音素。
在示例性实施例中，获取单元40、第一识别单元41、响应单元42、补偿单元43、第二识别单元44和检测单元等可以被一个或多个中央处理器(CPU，Central ProcessingUnit)、图形处理器(GPU，Graphics Processing Unit)、基带处理器(BP，Base Processor)、应用专用集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理(Digital Signal Processing，DSP)、可编程逻辑器件(PLD，Programmable LogicDevice)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，也可以结合一个或多个射频(RF，Radio Frequency)天线实现，用于执行前述语音处理方法及其数据交互等。
在本公开实施例中，图4示出的语音处理装置中各个模块及单元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。
图5为根据一示例性实施例示出的一种电子设备800的框图，如图5所示，电子设备800支持多屏输出，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820来执行指令，以完成上述实施例的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800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804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。
电源组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816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816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，电子设备800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，用于执行上述实施例的语音处理方法。
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804，上述指令可由电子设备800的处理器820执行以完成上述实施例的方法。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。
本公开实施例还记载了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的语音处理方法，所述方法包括：
对采集的语音信号进行信号处理，获取第一语音帧片段；
对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
对所述第二语音帧片段进行语音识别，得到第二识别结果，所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开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 (14)
1.一种语音处理方法，其特征在于，所述方法包括：
对采集的语音信号进行信号处理，获取第一语音帧片段；
对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的令牌信息token满足预设条件，对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
对所述第二语音帧片段进行语音识别，得到第二识别结果，所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
2.根据权利要求1所述的方法，其特征在于，所述第一识别结果中的token满足预设条件，包括：
所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；或
所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过预设数量。
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帧片段进行帧补偿，得到第二语音帧片段，包括：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取与所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
4.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帧片段进行帧补偿，得到第二语音帧片段，包括：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定帧长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
5.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帧片段进行语音识别，包括：
从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，跳过所述音素对所述第一语音帧片段进行语音识别。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述token的单元包括以下至少之一：
字、声韵母、单音素、三音素。
7.一种语音处理装置，其特征在于，所述装置包括：
获取单元，用于对采集的语音信号进行信号处理，获取第一语音帧片段；
第一识别单元，用于对所述第一语音帧片段进行语音识别，得到第一识别结果；
响应单元，用于响应于所述第一识别结果与目标内容不匹配，且所述第一识别结果中的token满足预设条件，触发补偿单元；
补偿单元，用于对所述第一语音帧片段进行帧补偿，得到第二语音帧片段；
第二识别单元，用于对所述第二语音帧片段进行语音识别，得到第二识别结果；所述第二识别结果与所述目标内容的匹配程度高于所述第一识别结果。
8.根据权利要求7所述的装置，其特征在于，所述第一识别结果中的token满足预设条件，包括：
所述第一识别结果中具有匹配概率大于第一设定阈值的至少一个token；或
所述第一识别结果与所述目标内容中匹配概率大于第二设定阈值的token的数量超过预设数量。
9.根据权利要求7所述的装置，其特征在于，所述补偿单元，还用于：
根据统计的历史目标内容的长度，估算为所述第一语音帧片段补偿的帧长度；
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取所述帧长度对应的第三语音帧片段，将所述第三语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
10.根据权利要求7所述的装置，其特征在于，所述补偿单元，还用于：
确定所采集的语音信号中与所述第一语音帧片段相邻的下一语音帧片段，从所述下一语音帧片段起始位置获取设定长度对应的第四语音帧片段，将所述第四语音帧片段接续于所述第一语音帧片段之后，形成所述第二语音帧片段。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：
检测单元，用于从所述第一语音帧片段的首个音素开始，检测所述音素是否为补白音素和/或静默音素，当确定所述音素为补白音素和/或静默音素的概率大于其他音素的概率时，触发所述第一识别单元跳过所述音素对所述第一语音帧片段进行语音识别。
12.根据权利要求7至11任一项所述的装置，其特征在于，所述token的单元包括以下至少之一：
字、声韵母、单音素、三音素。
13.一种电子设备，所述电子设备包括：处理器和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在调用存储器中的可执行指令时，能够执行如权利要求1至6中任一项所述的语音处理方法的步骤。
14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至6中任一项所述的语音处理方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324752.5A CN112530424A (zh) | 2020-11-23 | 2020-11-23 | 语音处理方法及装置、电子设备、存储介质 |
| US17/322,238 US12014730B2 (en) | 2020-11-23 | 2021-05-17 | Voice processing method, electronic device, and storage medium |
| EP21175838.8A EP4002355A1 (en) | 2020-11-23 | 2021-05-26 | Voice processing method and apparatus, electronic device, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324752.5A CN112530424A (zh) | 2020-11-23 | 2020-11-23 | 语音处理方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112530424A true CN112530424A (zh) | 2021-03-19 |
Family
ID=74992892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324752.5A Pending CN112530424A (zh) | 2020-11-23 | 2020-11-23 | 语音处理方法及装置、电子设备、存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US12014730B2 (zh) |
| EP (1) | EP4002355A1 (zh) |
| CN (1) | CN112530424A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920988A (zh) * | 2021-12-03 | 2022-01-11 | 深圳比特微电子科技有限公司 | 语音唤醒方法、装置及可读存储介质 |
| CN115132197A (zh) * | 2022-05-27 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
| CN115132198A (zh) * | 2022-05-27 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9437186B1 (en) * | 2013-06-19 | 2016-09-06 | Amazon Technologies, Inc. | Enhanced endpoint detection for speech recognition |
| US20160379632A1 (en) * | 2015-06-29 | 2016-12-29 | Amazon Technologies, Inc. | Language model speech endpointing |
| US20170069309A1 (en) * | 2015-09-03 | 2017-03-09 | Google Inc. | Enhanced speech endpointing |
| CN107731223A (zh) * | 2017-11-22 | 2018-02-23 | 腾讯科技（深圳）有限公司 | 语音活性检测方法、相关装置和设备 |
| CN108735209A (zh) * | 2018-04-28 | 2018-11-02 | 广东美的制冷设备有限公司 | 唤醒词绑定方法、智能设备及存储介质 |
| CN108766418A (zh) * | 2018-05-24 | 2018-11-06 | 百度在线网络技术（北京）有限公司 | 语音端点识别方法、装置及设备 |
| CN108833722A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
| CN109102806A (zh) * | 2018-09-29 | 2018-12-28 | 百度在线网络技术（北京）有限公司 | 用于语音交互的方法、装置、设备和计算机可读存储介质 |
| CN109473106A (zh) * | 2018-11-12 | 2019-03-15 | 平安科技（深圳）有限公司 | 声纹样本采集方法、装置、计算机设备及存储介质 |
| CN110111794A (zh) * | 2019-04-16 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 应用程序的启动方法、装置、计算机设备及存储介质 |
| CN110246500A (zh) * | 2019-07-12 | 2019-09-17 | 携程旅游信息技术（上海）有限公司 | 基于录音文件的语音识别方法及系统 |
| US20190318759A1 (en) * | 2018-04-12 | 2019-10-17 | Qualcomm Incorporated | Context-based detection of end-point of utterance |
| CN110795175A (zh) * | 2018-08-02 | 2020-02-14 | Tcl集团股份有限公司 | 模拟控制智能终端的方法、装置及智能终端 |
| CN110910884A (zh) * | 2019-12-04 | 2020-03-24 | 北京搜狗科技发展有限公司 | 一种唤醒检测方法、装置和介质 |
| CN111402866A (zh) * | 2020-03-23 | 2020-07-10 | 北京声智科技有限公司 | 语义识别方法、装置及电子设备 |
| US10714122B2 (en) * | 2018-06-06 | 2020-07-14 | Intel Corporation | Speech classification of audio for wake on voice |
| CN111862963A (zh) * | 2019-04-12 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 语音唤醒方法、装置和设备 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3782943B2 (ja) * | 2001-02-20 | 2006-06-07 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 音声認識装置、コンピュータ・システム、音声認識方法、プログラムおよび記録媒体 |
| US20110082687A1 (en) | 2009-10-05 | 2011-04-07 | Marcelo Pham | Method and system for taking actions based on analysis of enterprise communication messages |
| US9607613B2 (en) * | 2014-04-23 | 2017-03-28 | Google Inc. | Speech endpointing based on word comparisons |
| US10186254B2 (en) * | 2015-06-07 | 2019-01-22 | Apple Inc. | Context-based endpoint detection |
| KR101942521B1 (ko) * | 2015-10-19 | 2019-01-28 | 구글 엘엘씨 | 음성 엔드포인팅 |
| US10854192B1 (en) * | 2016-03-30 | 2020-12-01 | Amazon Technologies, Inc. | Domain specific endpointing |
| US10929754B2 (en) * | 2017-06-06 | 2021-02-23 | Google Llc | Unified endpointer using multitask and multidomain learning |
| CN107919130B (zh) * | 2017-11-06 | 2021-12-17 | 百度在线网络技术（北京）有限公司 | 基于云端的语音处理方法和装置 |
| US10657952B2 (en) * | 2018-02-09 | 2020-05-19 | Intel IP Corporation | Score trend analysis for reduced latency automatic speech recognition |
| US11056098B1 (en) * | 2018-11-28 | 2021-07-06 | Amazon Technologies, Inc. | Silent phonemes for tracking end of speech |
| RU2761940C1 (ru) * | 2018-12-18 | 2021-12-14 | Общество С Ограниченной Ответственностью "Яндекс" | Способы и электронные устройства для идентификации пользовательского высказывания по цифровому аудиосигналу |
| EP3948854B1 (en) * | 2019-04-16 | 2024-01-31 | Google LLC | Joint endpointing and automatic speech recognition |
-
2020
- 2020-11-23 CN CN202011324752.5A patent/CN112530424A/zh active Pending
-
2021
- 2021-05-17 US US17/322,238 patent/US12014730B2/en active Active
- 2021-05-26 EP EP21175838.8A patent/EP4002355A1/en active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9437186B1 (en) * | 2013-06-19 | 2016-09-06 | Amazon Technologies, Inc. | Enhanced endpoint detection for speech recognition |
| US20160379632A1 (en) * | 2015-06-29 | 2016-12-29 | Amazon Technologies, Inc. | Language model speech endpointing |
| US20170069309A1 (en) * | 2015-09-03 | 2017-03-09 | Google Inc. | Enhanced speech endpointing |
| CN107731223A (zh) * | 2017-11-22 | 2018-02-23 | 腾讯科技（深圳）有限公司 | 语音活性检测方法、相关装置和设备 |
| US20190318759A1 (en) * | 2018-04-12 | 2019-10-17 | Qualcomm Incorporated | Context-based detection of end-point of utterance |
| CN108735209A (zh) * | 2018-04-28 | 2018-11-02 | 广东美的制冷设备有限公司 | 唤醒词绑定方法、智能设备及存储介质 |
| CN108766418A (zh) * | 2018-05-24 | 2018-11-06 | 百度在线网络技术（北京）有限公司 | 语音端点识别方法、装置及设备 |
| CN108833722A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
| US10714122B2 (en) * | 2018-06-06 | 2020-07-14 | Intel Corporation | Speech classification of audio for wake on voice |
| CN110795175A (zh) * | 2018-08-02 | 2020-02-14 | Tcl集团股份有限公司 | 模拟控制智能终端的方法、装置及智能终端 |
| CN109102806A (zh) * | 2018-09-29 | 2018-12-28 | 百度在线网络技术（北京）有限公司 | 用于语音交互的方法、装置、设备和计算机可读存储介质 |
| CN109473106A (zh) * | 2018-11-12 | 2019-03-15 | 平安科技（深圳）有限公司 | 声纹样本采集方法、装置、计算机设备及存储介质 |
| CN111862963A (zh) * | 2019-04-12 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 语音唤醒方法、装置和设备 |
| CN110111794A (zh) * | 2019-04-16 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 应用程序的启动方法、装置、计算机设备及存储介质 |
| CN110246500A (zh) * | 2019-07-12 | 2019-09-17 | 携程旅游信息技术（上海）有限公司 | 基于录音文件的语音识别方法及系统 |
| CN110910884A (zh) * | 2019-12-04 | 2020-03-24 | 北京搜狗科技发展有限公司 | 一种唤醒检测方法、装置和介质 |
| CN111402866A (zh) * | 2020-03-23 | 2020-07-10 | 北京声智科技有限公司 | 语义识别方法、装置及电子设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920988A (zh) * | 2021-12-03 | 2022-01-11 | 深圳比特微电子科技有限公司 | 语音唤醒方法、装置及可读存储介质 |
| WO2023098459A1 (zh) * | 2021-12-03 | 2023-06-08 | 深圳比特微电子科技有限公司 | 语音唤醒方法、装置、电子设备及可读存储介质 |
| CN115132197A (zh) * | 2022-05-27 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
| CN115132198A (zh) * | 2022-05-27 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
| CN115132198B (zh) * | 2022-05-27 | 2024-03-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
| CN115132197B (zh) * | 2022-05-27 | 2024-04-09 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、程序产品及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220165258A1 (en) | 2022-05-26 |
| US12014730B2 (en) | 2024-06-18 |
| EP4002355A1 (en) | 2022-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112530424A (zh) | 语音处理方法及装置、电子设备、存储介质 | |
| US11455491B2 (en) | Method and device for training image recognition model, and storage medium | |
| CN111968635B (zh) | 语音识别的方法、装置及存储介质 | |
| CN109599104B (zh) | 多波束选取方法及装置 | |
| CN111063354B (zh) | 人机交互方法及装置 | |
| EP4184506A1 (en) | Audio processing | |
| CN106409317B (zh) | 梦话提取方法、装置及用于提取梦话的装置 | |
| JP7116088B2 (ja) | 音声情報処理方法、装置、プログラム及び記録媒体 | |
| CN111833868A (zh) | 语音助手控制方法、装置及计算机可读存储介质 | |
| CN112133302B (zh) | 预唤醒终端的方法、装置及存储介质 | |
| CN108628819B (zh) | 处理方法和装置、用于处理的装置 | |
| CN110910884B (zh) | 一种唤醒检测方法、装置和介质 | |
| CN112489653B (zh) | 语音识别的方法、装置及存储介质 | |
| CN105913841B (zh) | 语音识别方法、装置及终端 | |
| CN115039169A (zh) | 一种语音指令识别方法、电子设备以及非瞬态计算机可读存储介质 | |
| CN115083396A (zh) | 音频尾端检测的语音处理方法、装置、电子设备及介质 | |
| CN112863499B (zh) | 语音识别方法及装置、存储介质 | |
| CN111667829B (zh) | 信息处理方法及装置、存储介质 | |
| CN110782898B (zh) | 端到端语音唤醒方法、装置及计算机设备 | |
| CN111554271A (zh) | 端到端唤醒词检测方法及装置 | |
| CN111538470B (zh) | 信息输入方法、装置及终端设备 | |
| CN112668340B (zh) | 一种信息处理方法及装置 | |
| CN116705015A (zh) | 设备唤醒方法、装置及计算机可读存储介质 | |
| CN109145309B (zh) | 一种实时语音翻译的方法、及用于实时语音翻译的装置 | |
| CN110334338B (zh) | 分词方法、装置及设备 |
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 |