CN113327611B - 语音唤醒方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种语音唤醒方法、装置、存储介质及电子设备，以减少误唤醒和系统运行开销。该语音唤醒方法包括：获取多路语音信号；将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

Description

语音唤醒方法、装置、存储介质及电子设备

技术领域

本公开涉及语音技术领域，具体地，涉及一种语音唤醒方法、装置、存储介质及电子设备。

背景技术

语音唤醒技术通过在电子设备或软件中预置唤醒词，当用户发出唤醒词对应的语音指令时，电子设备可以从休眠状态中被唤醒并作出指定响应。

相关技术中，电子设备内部可能设置多个语音采集部件，因此可以采集到多路语音信号，并且会对多路语音信号进行信号增强，然后将增强后的多路语音信号送入唤醒引擎。按照此种方式，每一路语音信号都可能触发唤醒操作。但是，多路语音信号含有大量冗余的信息会增大误唤醒的可能性，并且运行多路唤醒引擎，会增大系统的开销，在低功耗场景或电子设备上可能难以使用。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音唤醒方法，所述方法包括：

获取多路语音信号；

将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

第二方面，本公开提供一种语音唤醒装置，所述装置包括：

获取单元，用于获取多路语音信号；

唤醒单元，用于将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

第三方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。

通过上述技术方案，语音唤醒模型可以根据多路语音信号对应的信号权重值将多路语音信号融合成目标语音信号，然后根据目标语音信号确定多路语音信号对应的语音唤醒结果，比如将目标语音信号送入唤醒引擎。由此，可以减少多路语音信号中冗余信息对语音唤醒的影响，从而减少误唤醒。并且通过融合的方式可以减少语音信号的支路数量，从而可以减少唤醒引擎的运行链路，降低系统开销，使得语音唤醒方法可以适应于低功耗场景或设备。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开一示例性实施例示出的一种语音唤醒方法的流程图；

图2是根据本公开一示例性实施例示出的一种语音唤醒方法中语音唤醒模型的示意图；

图3是根据本公开一示例性实施例示出的一种语音唤醒装置的框图；

图4是根据本公开一示例性实施例示出的一种电子设备的框图。

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。另外需要注意，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。

正如背景技术所言，相关技术中会将多路语音信号送入唤醒引擎，因此每一路语音信号都可能触发唤醒操作。但是，多路语音信号含有大量冗余的信息会增大误唤醒的可能性，并且运行多路唤醒引擎，会增大系统的开销，在低功耗场景或电子设备上可能难以使用。

有鉴于此，本公开提供一种语音唤醒方法，以将按照信号权重值将多路语音信号融合成目标语音信号后送入唤醒引擎，从而减少误唤醒和唤醒引擎的功耗。

图1是根据本公开一示例性实施例示出的一种语音唤醒方法的流程图。参照图1，该语音唤醒方法包括：

步骤101，获取多路语音信号。

示例地，多路语音信号可以是电子设备内部设置的多个语音采集部件采集到的，比如电子设备内部设置多个麦克风用于采集多路语音信号，本公开实施例对此不作限定。

步骤102，将多路语音信号输入语音唤醒模型，以得到多路语音信号对应的语音唤醒结果，其中语音唤醒模型用于确定多路语音信号对应的信号权重值，根据多路语音信号对应的信号权重值对多路语音信号进行融合处理，得到目标语音信号，并根据目标语音信号确定多路语音信号对应的语音唤醒结果。

本公开实施例中，语音唤醒模型可以根据多路语音信号对应的信号权重值将多路语音信号融合成目标语音信号，然后根据目标语音信号确定多路语音信号对应的语音唤醒结果，比如将目标语音信号送入唤醒引擎。由此，可以减少多路语音信号中冗余信息对语音唤醒的影响，从而减少误唤醒。并且通过融合的方式可以减少语音信号的支路数量，从而可以减少唤醒引擎的运行链路，降低系统开销，使得语音唤醒方法可以适应于低功耗场景或设备。

为了使得本领域技术人员更加理解本公开提供的语音唤醒方法，下面对上述各步骤进行详细举例说明。

在可能的方式中，语音唤醒模块可以包括前端增强模块、通道融合模块、特征提取模块和唤醒模块。其中，前端增强模块可以用于对多路语音信号进行信号增强处理，以得到多路增强语音信号。通道融合模块可以用于确定多路增强语音信号对应的信号权重值，并根据多路增强语音信号对应的信号权重值对多路增强语音信号进行融合处理，得到目标语音信号。特征提取模块用于从目标语音信号提取目标语音特征。唤醒模块用于根据目标语音特征确定对应的语音唤醒文本，并将语音唤醒文本发送给语音唤醒引擎解码。

例如，参照图2，本公开实施例中的语音唤醒模型可以包括前端增强模块、通道融合模块、特征提取模块和唤醒模块。通过多个麦克风采集到的多路语音信号输入语音唤醒模型后，首先经过前端增强模块。该前端增强模块可以对该多路语音信号进行信号增强处理。比如输入两路语音信号，该前端增强模块可以提取出波速不同的四路语音信号或更多路语音信号。然后，前端增强模块可以对该提取到的更多路语音信号进行信号增强处理，得到多路增强语音信号。

相关技术中，针对前端增强模块输出的多路增强语音信号(比如图2所示的多路语音信号BF1、BF2、……、BFN)，分别经过特征提取和唤醒模块后送入唤醒引擎进行语音唤醒，从而可能由于该多路增强语音信号中大量冗余的信息增加误唤醒的可能性。本公开实施例中，参照图2，前端增强模块输出的多路增强语音信号可以进一步输入通道融合模块进行融合处理，得到一路目标语音信号。之后，该路目标语音信号可以输入目标语音信号提取目标语音特征。接着，该目标语音特征可以输入唤醒模块，唤醒模块可以是比如端到端语音识别模型RNN-T模型等声学模型，本公开实施例对此不作限定。由此，可以通过唤醒模块确定目标语音特征对应的语音唤醒文本。

也即是说，本公开实施例中，语音唤醒模型输入是多路语音信号，输出是该多路语音信号对应的语音唤醒文本。之后，语音唤醒模型输出的语音唤醒文本可以送入语音唤醒引擎，语音唤醒引擎可以根据该语音唤醒文本与预存的语音唤醒词进行比对，从而确定是否进行设备唤醒操作。

通过上述方式，相较于现有的语音唤醒模型，增加了通道融合模块，从而可以将多路语音信号融合成目标语音信号进行语音唤醒，减少多路语音信号中冗余信息对语音唤醒的影响，从而减少误唤醒。并且通过融合的方式可以减少语音信号的支路数量，从而可以减少唤醒引擎的运行链路，降低系统开销，使得语音唤醒方法可以适应于低功耗场景或设备。

在可能的方式中，语音唤醒模型可以是通过如下方式训练得到的：先根据第二样本语音和第二样本语音对应的、进行信号增强处理后的样本增强语音训练前端增强模块和通道融合模块，并在训练前端增强模块和通道融合模块后，根据第三样本语音和第三样本语音对应的样本唤醒文本，对语音唤醒模型进行端到端的训练。

示例地，可以通过处理效果较好的样本信号增强模型对第二样本语音进行信号增强处理，得到第二样本语音对应的样本增强语音，以保证样本增强语音的质量。第二样本语音和第三样本语音可以来自相同的样本数据集，也可以来自不同的样本数据集，本公开实施例对此不作限定。

应当理解的是，相关技术中，语音唤醒模型的训练通常是将前端信号处理模块和唤醒模块分别优化训练，这种方案难以使训练后的语音唤醒模型达到最优的唤醒性能。而本公开实施例可以先训练语音唤醒模型中的前端信号处理部分(即前端增强模块和通道融合模块)，然后再对语音唤醒模型进行端到端的训练。由此，通过前端信号部分的单独训练，可以保证前端信号处理部分的训练优化效果，而通过后续的端到端训练，可以将前端信号处理部分和唤醒模块进行整体训练，使得模型中所有参数均可以从整体角度进行优化调整，可以减少人为参数设计，并保证语音唤醒模型的整体唤醒性能，进而减少误唤醒，提升语音唤醒的准确性。

在可能的方式中，根据第二样本语音和第二样本语音对应的、进行信号增强处理后的样本增强语音训练前端增强模块和通道融合模块可以是：通过样本信号增强模块对第二样本语音进行信号增强处理，得到第二样本语音对应的样本增强语音，通过前端增强模块对第二样本语音进行信号增强处理，并将前端增强模块输出的结果输入通道融合模块，得到第二样本语音信号对应的实际增强语音，根据样本增强语音和实际增强语音计算第一损失函数，并根据第一损失函数的计算结果，调整前端增强模块和通道融合模块的参数。相应地，根据第三样本语音和第三样本语音对应的语音唤醒文本，对语音唤醒模型进行端到端的训练可以是：将第三样本语音输入语音唤醒模型，得到第三样本语音对应的实际唤醒文本，根据实际唤醒文本和第三样本语音对应的样本唤醒文本计算第二损失函数，并根据第二损失函数的计算结果，调整语音唤醒模型的参数。

例如，可以将第二样本语音中的多路语音信号输入图2所示的语音唤醒模型。首先，前端增强模块可以对该多路第二样本语音进行信号增强处理，然后经过前端增强模块处理后的数据可以输入通道融合模块，由通道融合模块融合成一路数据，即通道融合模块输出的数据为第二样本语音信号对应的实际增强语音。然后，可以根据该实际增强语音和第二样本语音对应的样本增强语音计算第一损失函数，并通过该第一损失函数的计算结果调整前端增强模块和通道融合模块的参数，实现对前端增强模块和通道融合模块的单独训练。应当理解的是，在该过程中，第二样本语音对应的样本增强语音可以是先通过样本信号增强模型对第二样本语音进行信号增强处理后再进行融合处理而得到的，该融合处理可以通过相关技术中处理效果较好的信号融合处理模型来执行，本公开实施例对此不作限定。

在训练前端增强模块和通道融合模块之后，考虑到语音唤醒模型的整体唤醒性能，可以对语音唤醒模型进行端到端的训练。示例地，先将第三样本语音输入语音唤醒模型，得到第三样本语音对应的实际唤醒文本，然后根据实际唤醒文本和第三样本语音对应的样本唤醒文本计算第二损失函数，最后根据第二损失函数的计算结果，调整语音唤醒模型的参数。

通过上述方式，可以先根据第一损失函数的计算结果，调整语音唤醒模型中前端信号处理部分的参数，然后再根据第二损失函数的计算结果从模型的整体角度调整语音唤醒模型的参数。由此，可以实现对语音唤醒模型的端到端训练，并且既可以保证前端信号处理部分的训练优化效果，还可以将前端信号处理部分和唤醒模块进行整体训练，从而保证语音唤醒模型的整体唤醒性能，进而减少误唤醒，提升语音唤醒的准确性。

在可能的方式中，在根据第二样本语音和第二样本语音对应的、进行增强处理后的样本增强语音训练前端增强模块和通道融合模块之前，还可以先根据第四样本语音和第四样本语音对应的文本训练所述唤醒模块，然后在训练唤醒模块后，保持唤醒模块的参数不变，根据第五样本语音和第五样本语音对应的语音特征训练特征提取模块，并在训练特征提取模块后，保持唤醒模块和特征提取模块的参数不变。

也即是说，可以对语音唤醒模型采用级联式的训练方案，先单独训练唤醒模块，然后固定唤醒模块，训练特征提取模块，接着固定唤醒模块和特征提取模块，训练前端增强模块和通道融合模块，最后对语音唤醒模型进行端到端的训练。由此，可以先对语音唤醒模型中的各模块进行单独训练，保证各模块的训练参数，然后再对语音唤醒模型进行端到端的训练，微调语音唤醒模型的各模型参数，以提升语音唤醒模型的整体唤醒性能。

在通过上述任一方式训练语音唤醒模型后，可以通过该语音唤醒模型对多路语音信号进行融合处理，得到目标语音信号进行语音唤醒。示例地，语音唤醒模型可以先确定多路语音信号对应的信号权重值，然后根据多路语音信号对应的信号权重值对多路语音信号进行融合处理，得到目标语音信号进行语音唤醒。

在可能的方式中，语音唤醒模型可以通过如下方式确定多路语音信号对应的信号权重值：根据第一样本语音和第一样本语音对应的语音唤醒结果训练语音唤醒模型，以确定语音唤醒模型中用于融合语音信号的模型参数，并根据模型参数计算多路语音信号对应的目标信号权重值。

在本公开实施例中，语音唤醒模型可以通过预先设定的固定权重值对多路语音信号进行融合处理。或者，语音唤醒模型可以通过训练得到的模型参数，基于输入的语音信号动态确定权重值后进行融合处理。

对于前一种方式，由于权重值是预先设定好的，语音唤醒模型通过数据获取方式则可以得到信号权重值进行融合处理，因此可以减少语音唤醒模型的运行开销，提升语音唤醒模型的处理效率。但是，信号权重值预先设置为固定值，无法根据场景进行动态变化，因此灵活性有一定欠缺。对此，本公开实施例提出后一种方式，可以基于通过训练得到的模型参数，基于输入的语音信号动态确定权重值后进行融合处理，使得权重值可以根据场景进行灵活变化，得到更符合实际场景的权重值进行融合处理，进而提高语音唤醒的准确性。

在可能的方式中，根据模型参数计算多路语音信号对应的信号权重值可以是：针对多路语音信号中的每一路语音信号，根据语音信号和模型参数计算该路语音信号对应的信号权重值；或者，针对多路语音信号中的每一路语音信号，根据语音信号、上一时刻输出的历史信号权重值和模型参数计算该路语音信号对应的信号权重值。

例如，语音唤醒模型中通道融合模块可以采用注意力(attention)机制融合多路语音信号，那么针对多路语音信号中的每一路语音信号，可以按照如下公式根据语音信号和模型参数计算该路语音信号对应的信号权重值：

其中，表示t时刻第i路语音信号对应的信号权重值，v和W分别表示语音唤醒模型中训练得到的、用于融合语音信号的模型参数，/>表示t时刻的第i路语音信号，b1表示通过模型训练得到的模型参数。

应当理解的是，本公开实施例中用于融合语音信号的模型参数，通过上述方式训练通道融合模块后，则可以确定该模型参数的具体数值。因此，通过上述公式可以计算得到每一路语音信号对应的信号权重值。

又例如，语音唤醒模型中通道融合模块可以采用长短期记忆网络(LSTM，LongShort-Term Memory)融合多路语音信号，那么针对多路语音信号中的每一路语音信号，可以按照如下公式根据语音信号、上一时刻输出的历史信号权重值和模型参数计算该路语音信号对应的信号权重值：

其中，表示t时刻第i路语音信号对应的信号权重值，b2表示通过模型训练得到的模型参数，/>表示通过LSTM网络对1至t时刻的第i路语音信号进行处理，n表示LSTM网络的层数。

应当理解的是，LSTM网络可以针对每一时刻的第i路语音信号，结合上一时刻输出的历史信号权重值和当前时刻的第i路语音信号进行处理，直到处理完所有时刻的第i路语音信号，得到第i路语音信号对应的信号权重值。

在实际应用中，各路语音信号对应的信号权重值之和应当为1，因此在通过上述任一方式确定每一路语音信号对应的信号权重值后，还可以对该信号权重值进行归一化处理，使得各信号权重值为1。比如，可以按照如下公式进行归一化处理：

其中，表示对信号权重值/>进行归一化处理后的权重值，n表示多路语音信号的支路数量，即表示有n路语音信号。

在对多路语音信号进行融合处理后，可以得到一路目标语音信号，从而通过该路目标语音信号进行语音唤醒，可以对应运行一路语音唤醒引擎，减少了语音唤醒引擎的运行链路，从而减少系统开销，使得语音唤醒可以广泛应用于低功耗场景或设备。并且，通过融合多路语音信号后进行语音唤醒，可以减少多路语音信号中冗余信息对语音唤醒的影响，从而减少误唤醒，提升语音唤醒的准确性。

基于同一发明构思，本公开实施例还提供一种语音唤醒装置，该装置可以通过软件、硬件或两者结合的方式成为电子设备的部分或全部。参照图3，该语音唤醒装置300可以包括：

获取单元301，用于获取多路语音信号；

唤醒单元302，用于将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

可选地，所述装置300还包括：

处理单元，用于根据第一样本语音和所述第一样本语音对应的语音唤醒结果训练所述语音唤醒模型，以确定所述语音唤醒模型中用于融合语音信号的模型参数，并根据所述模型参数计算所述多路语音信号对应的目标信号权重值。

可选地，所述处理单元用于：

针对所述多路语音信号中的每一路语音信号，根据所述语音信号和所述模型参数计算该路语音信号对应的信号权重值；或者

针对所述多路语音信号中的每一路语音信号，根据所述语音信号、上一时刻输出的历史信号权重值和所述模型参数计算该路语音信号对应的信号权重值。

可选地，所述语音唤醒模块包括前端增强模块、通道融合模块、特征提取模块和唤醒模块；

所述前端增强模块用于对所述多路语音信号进行信号增强处理，以得到多路增强语音信号；

所述通道融合模块用于确定所述多路增强语音信号对应的信号权重值，并根据所述多路增强语音信号对应的所述信号权重值对所述多路增强语音信号进行融合处理，得到目标语音信号；

所述特征提取模块用于从所述目标语音信号提取目标语音特征；

所述唤醒模块用于根据所述目标语音特征确定对应的语音唤醒文本，并将所述语音唤醒文本发送给语音唤醒引擎解码。

可选地，所述装置300还包括如下用于训练所述语音唤醒模型的单元：

第一训练单元，用于根据第二样本语音和所述第二样本语音对应的、进行信号增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块；

第二训练单元，用于在训练所述前端增强模块和所述通道融合模块后，根据第三样本语音和所述第三样本语音对应的样本唤醒文本，对所述语音唤醒模型进行端到端的训练。

可选地，所述第一训练单元用于：

通过样本信号增强模型对第二样本语音进行信号增强处理，得到所述第二样本语音对应的样本增强语音，通过所述前端增强模块对所述第二样本语音进行信号增强处理，并将所述前端增强模块输出的结果输入所述通道融合模块，得到所述第二样本语音信号对应的实际增强语音，根据所述样本增强语音和所述实际增强语音计算第一损失函数，并根据所述第一损失函数的计算结果，调整所述前端增强模块和所述通道融合模块的参数；

所述第二训练单元用于：

将第三样本语音输入所述语音唤醒模型，得到所述第三样本语音对应的实际唤醒文本，根据所述实际唤醒文本和所述第三样本语音对应的样本唤醒文本计算第二损失函数，并根据所述第二损失函数的计算结果，调整所述语音唤醒模型的参数。

可选地，所述装置300还包括：

第三训练单元，用于在根据第二样本语音和所述第二样本语音对应的、进行增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块之前，根据第四样本语音和所述第四样本语音对应的文本训练所述唤醒模块；

第四训练单元，用于在训练所述唤醒模块后，保持所述唤醒模块的参数不变，根据第五样本语音和所述第五样本语音对应的语音特征训练所述特征提取模块，并在训练所述特征提取模块后，保持所述唤醒模块和所述特征提取模块的参数不变。

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。

基于同一发明构思，本公开实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一语音唤醒方法的步骤。

基于同一发明构思，本公开实施例还提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一语音唤醒方法的步骤。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备400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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取多路语音信号；将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种语音唤醒方法，包括：

获取多路语音信号；

将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述语音唤醒模型用于通过如下方式确定所述多路语音信号对应的信号权重值：

根据第一样本语音和所述第一样本语音对应的语音唤醒结果训练所述语音唤醒模型，以确定所述语音唤醒模型中用于融合语音信号的模型参数，并根据所述模型参数计算所述多路语音信号对应的目标信号权重值。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述模型参数计算所述多路语音信号对应的信号权重值，包括：

针对所述多路语音信号中的每一路语音信号，根据所述语音信号和所述模型参数计算该路语音信号对应的信号权重值；或者

针对所述多路语音信号中的每一路语音信号，根据所述语音信号、上一时刻输出的历史信号权重值和所述模型参数计算该路语音信号对应的信号权重值。

根据本公开的一个或多个实施例，示例4提供了示例1-3任一项的方法，所述语音唤醒模块包括前端增强模块、通道融合模块、特征提取模块和唤醒模块；

所述前端增强模块用于对所述多路语音信号进行信号增强处理，以得到多路增强语音信号；

所述通道融合模块用于确定所述多路增强语音信号对应的信号权重值，并根据所述多路增强语音信号对应的所述信号权重值对所述多路增强语音信号进行融合处理，得到目标语音信号；

所述特征提取模块用于从所述目标语音信号提取目标语音特征；

所述唤醒模块用于根据所述目标语音特征确定对应的语音唤醒文本，并将所述语音唤醒文本发送给语音唤醒引擎解码。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述语音唤醒模型是通过如下方式训练得到的：

根据第二样本语音和所述第二样本语音对应的、进行信号增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块；

在训练所述前端增强模块和所述通道融合模块后，根据第三样本语音和所述第三样本语音对应的样本唤醒文本，对所述语音唤醒模型进行端到端的训练。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述训练所述前端增强模块和所述通道融合模块，包括：

通过样本信号增强模型对第二样本语音进行信号增强处理，得到所述第二样本语音对应的样本增强语音，通过所述前端增强模块对所述第二样本语音进行信号增强处理，并将所述前端增强模块输出的结果输入所述通道融合模块，得到所述第二样本语音信号对应的实际增强语音，根据所述样本增强语音和所述实际增强语音计算第一损失函数，并根据所述第一损失函数的计算结果，调整所述前端增强模块和所述通道融合模块的参数；

所述对所述语音唤醒模型进行端到端的训练，包括：

将第三样本语音输入所述语音唤醒模型，得到所述第三样本语音对应的实际唤醒文本，根据所述实际唤醒文本和所述第三样本语音对应的样本唤醒文本计算第二损失函数，并根据所述第二损失函数的计算结果，调整所述语音唤醒模型的参数。

根据本公开的一个或多个实施例，示例7提供了示例5的方法，在根据第二样本语音和所述第二样本语音对应的、进行增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块之前，所述方法还包括：

根据第四样本语音和所述第四样本语音对应的文本训练所述唤醒模块；

在训练所述唤醒模块后，保持所述唤醒模块的参数不变，根据第五样本语音和所述第五样本语音对应的语音特征训练所述特征提取模块，并在训练所述特征提取模块后，保持所述唤醒模块和所述特征提取模块的参数不变。

根据本公开的一个或多个实施例，示例8提供了一种语音唤醒装置，所述装置包括：

获取单元，用于获取多路语音信号；

唤醒单元，用于将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果。

根据本公开的一个或多个实施例，示例9提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (9)

1.一种语音唤醒方法，其特征在于，所述方法包括：

获取多路语音信号；

将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果；

其中，所述语音唤醒模型用于通过如下方式确定所述多路语音信号对应的信号权重值：

根据第一样本语音和所述第一样本语音对应的语音唤醒结果训练所述语音唤醒模型，以确定所述语音唤醒模型中用于融合语音信号的模型参数，并根据所述模型参数计算所述多路语音信号对应的目标信号权重值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述模型参数计算所述多路语音信号对应的信号权重值，包括：

针对所述多路语音信号中的每一路语音信号，根据所述语音信号和所述模型参数计算该路语音信号对应的信号权重值；或者

针对所述多路语音信号中的每一路语音信号，根据所述语音信号、上一时刻输出的历史信号权重值和所述模型参数计算该路语音信号对应的信号权重值。

3.根据权利要求1或2所述的方法，其特征在于，所述语音唤醒模块包括前端增强模块、通道融合模块、特征提取模块和唤醒模块；

所述前端增强模块用于对所述多路语音信号进行信号增强处理，以得到多路增强语音信号；

所述通道融合模块用于确定所述多路增强语音信号对应的信号权重值，并根据所述多路增强语音信号对应的所述信号权重值对所述多路增强语音信号进行融合处理，得到目标语音信号；

所述特征提取模块用于从所述目标语音信号提取目标语音特征；

所述唤醒模块用于根据所述目标语音特征确定对应的语音唤醒文本，并将所述语音唤醒文本发送给语音唤醒引擎解码。

4.根据权利要求3所述的方法，其特征在于，所述语音唤醒模型是通过如下方式训练得到的：

根据第二样本语音和所述第二样本语音对应的、进行信号增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块；

在训练所述前端增强模块和所述通道融合模块后，根据第三样本语音和所述第三样本语音对应的样本唤醒文本，对所述语音唤醒模型进行端到端的训练。

5.根据权利要求4所述的方法，其特征在于，所述训练所述前端增强模块和所述通道融合模块，包括：

通过样本信号增强模型对第二样本语音进行信号增强处理，得到所述第二样本语音对应的样本增强语音，通过所述前端增强模块对所述第二样本语音进行信号增强处理，并将所述前端增强模块输出的结果输入所述通道融合模块，得到所述第二样本语音信号对应的实际增强语音，根据所述样本增强语音和所述实际增强语音计算第一损失函数，并根据所述第一损失函数的计算结果，调整所述前端增强模块和所述通道融合模块的参数；

所述对所述语音唤醒模型进行端到端的训练，包括：

将第三样本语音输入所述语音唤醒模型，得到所述第三样本语音对应的实际唤醒文本，根据所述实际唤醒文本和所述第三样本语音对应的样本唤醒文本计算第二损失函数，并根据所述第二损失函数的计算结果，调整所述语音唤醒模型的参数。

6.根据权利要求4所述的方法，其特征在于，在根据第二样本语音和所述第二样本语音对应的、进行增强处理后的样本增强语音训练所述前端增强模块和所述通道融合模块之前，所述方法还包括：

根据第四样本语音和所述第四样本语音对应的文本训练所述唤醒模块；

在训练所述唤醒模块后，保持所述唤醒模块的参数不变，根据第五样本语音和所述第五样本语音对应的语音特征训练所述特征提取模块，并在训练所述特征提取模块后，保持所述唤醒模块和所述特征提取模块的参数不变。

7.一种语音唤醒装置，其特征在于，所述装置包括：

获取单元，用于获取多路语音信号；

唤醒单元，用于将所述多路语音信号输入语音唤醒模型，以得到所述多路语音信号对应的语音唤醒结果，其中所述语音唤醒模型用于确定所述多路语音信号对应的信号权重值，根据所述多路语音信号对应的所述信号权重值对所述多路语音信号进行融合处理，得到目标语音信号，并根据所述目标语音信号确定所述多路语音信号对应的语音唤醒结果；

所述装置还包括：

处理单元，用于根据第一样本语音和所述第一样本语音对应的语音唤醒结果训练所述语音唤醒模型，以确定所述语音唤醒模型中用于融合语音信号的模型参数，并根据所述模型参数计算所述多路语音信号对应的目标信号权重。

8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。

9.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。