CN114120983A - 音频数据处理方法及装置、设备、存储介质 - Google Patents
音频数据处理方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN114120983A CN114120983A CN202111497387.2A CN202111497387A CN114120983A CN 114120983 A CN114120983 A CN 114120983A CN 202111497387 A CN202111497387 A CN 202111497387A CN 114120983 A CN114120983 A CN 114120983A
- Authority
- CN
- China
- Prior art keywords
- target
- sound zone
- audio data
- range
- keywords
- 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 14
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000001755 vocal effect Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006855 networking Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000035 biogenic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G10L15/08—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
- 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
- G10L15/26—Speech to text systems
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
Abstract
本公开提供了一种基于车载设备的音频数据处理方法、装置、设备及存储介质,涉及数据处理领域,尤其涉及智能座舱和车联网领域。具体实现方案为:检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。如此,增加了体验感,同时,也提升了科技感,进一步丰富了用户体验。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及智能座舱和车联网领域。
背景技术
随着车载智能技术的发展,现阶段,各大车厂推出的新车几乎均会搭载智能终端,并内置语音助手,以期望提升科技感。
发明内容
本公开提供了一种基于车载设备的音频数据处理方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种基于车载设备的音频数据处理方法,包括:
检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;
确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;
至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
根据本公开的另一方面,提供了一种基于车载设备的音频数据处理装置,包括:
检测单元,用于检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;
音区确定单元,用于确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;
回复音频确定单元,用于至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
根据本公开的再一方面,提供了一种电子设备,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,
所述存储器存储有可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以上所述的方法。
根据本公开的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行以上所述的方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据以上所述的方法。
根据本公开的再一方面,提供了一种车载设备,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,
所述存储器存储有可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以上所述的方法。
这样,本申请方案能够基于声源所在目标音区来个性化生成回复音频数据,如此,增加了体验感,同时,也提升了科技感,进一步丰富了用户体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例基于车载设备的音频数据处理方法的实现流程示意图;
图2是根据本公开实施例在一具体示例中的分区结果示意图;
图3是根据本公开实施例在一具体示例中的场景示意图一;
图4是根据本公开实施例在一具体示例中的场景示意图二;
图5是根据本公开实施例在一具体示例中的场景示意图三;
图6是根据本公开实施例基于车载设备的音频数据处理方法在一具体示例中的处理流程示意图;
图7是根据本公开实施例基于车载设备的音频数据处理装置的结构示意图;
图8是用来实现本公开实施例基于车载设备的音频数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请方案提供了一种基于车载设备的音频数据处理方法;这里,本申请方案所述的方法可以具体应用于设置于车辆中的车载设备;或者,具体应用于能够与车载设备进行信息交互的服务器或服务器集群。或者,部分功能应用于车载设备,另外部分功能应用于服务器或服务器集群,本申请方案对此不作限制。
另外,需要明确的是,本申请方案所述的车载设备可以基于实际需求集成功能组件,比如,集成音频处理组件(如麦克风阵列和扬声器阵列),集成触控屏,等等;同时,还可以集成具有数据处理功能的软件系统和/或硬件等,本申请方案对此不作限制。
本申请方案所述的车载设备可以理解为一个广义概念,如设置于车辆中的设备均可称之为本申请方案所述的车载设备。
具体地,如图1所示,所述方法包括:
步骤S101:检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区。
本申请方案中,所述目标关键词可以具体为针对车载设备的唤醒词,如此,来唤醒所述车载设备,以进行语音识别得到用户意图并进行后续控制。
步骤S102:确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区。
步骤S103:至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
本申请方案中,为了区分声源的位置,可以将特定物理空间划分划分为不同的音区;举例来说,如图2所示,将预设空间划分为四个音区,分别为音区1,音区2,音区3以及音区4;此时,目标体,比如用户位于所述音区1,此时,当所述目标体输出目标音频数据后,该目标体(也即声源)所在的音区1即为目标音区。
这样,本申请方案能够基于声源所在目标音区个性化生成回复音频数据,如此,增加了体验感,同时,也提升了科技感,进一步丰富了用户体验。
在本申请方案的一具体示例中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。也就是说,所述回复音频数据所包含的音区关键词能够体现目标音区的音区特征,如此,来进一步提升科技感。
这里,本申请方案所述音区特征可以具体表征对应音区在目标车辆的内部空间所处的具体位置,如此,基于位置来实现个性化的应答。
在本申请方案的一具体示例中,所述目标车辆的内部空间划分有第一音区和第二音区,所述第一音区与表征所述第一音区的音区特征的第一音区关键词相匹配,所述第二音区与表征第二音区的音区特征的第二音区关键词相匹配,所述第一音区关键词不同于所述第二音区关键词。
举例来说,如图3所示,将目标车辆中的前排作为第一音区,将目标车辆的第二排作为第二音区;可以基于该目标车辆使用情况,默认第一排,也即前排为车辆主人所在区域,此时,所述第一音区关键词即可具体为“主人”;当检测目标音频数据中包含有目标关键词,如“小度小度”以期唤醒所述车载设备之后,确定声源所在音区,即第一音区,进而基于声源所在第一音区的第一音区关键词,也即“主人”,得到至少表征有第一音区关键词的回复音频数据,即“在呢,主人”。
同理,如图4所示,可以基于该目标车辆使用情况,默认第二排为乘客区域,此时,所述第二音区关键词即可具体为“乘客”;当检测目标音频数据中包含有目标关键词,如“小度小度”以期唤醒所述车载设备之后,确定声源所在音区,即第二音区,进而基于声源所在第二音区的第二音区关键词,也即“乘客”,得到至少表征有第一音区关键词的回复音频数据,即“在呢,乘客”。
这样,本申请方案中不同音区所对应的音区关键词不同,如此,来差异化回应自于不同音区的音频数据,极大提升了用户体验。
在本申请方案的一具体示例中,可以基于目标车辆中座位的数量情况,来进一步划分细化音区,如此,来进一步细化用户体验,进而进一步丰富和提升用户体验;具体地,所述目标车辆的内部空间至少划分有四个音区,分别为:主驾驶音区、副驾驶音区、主驾驶后侧音区、副驾驶后侧音区;
所述主驾驶音区与表征所述主驾驶音区的音区特征的第三音区关键词相匹配,所述副驾驶音区与表征所述副驾驶音区的音区特征的第四音区关键词相匹配,所述主驾驶后侧音区与表征所述主驾驶后侧音区的音区特征的第五音区关键词相匹配,所述副驾驶后侧音区与表征所述副驾驶后侧音区的音区特征的第六音区关键词相匹配;
其中,所述第三音区关键词、所述第四音区关键词、所述第五音区关键词以及所述第六音区关键词互不相同,也就是说,四个音区的音区关键词均不相同。
举例来说,如图5所示,将目标车辆的内部空间划分为四个音区,分别为主驾驶音区、副驾驶音区、主驾驶后侧音区、副驾驶后侧音区;此时,可以基于四个音区所在的物理位置,为不同的音区设置不同的音区关键词,比如,将副驾驶音区的音区关键词设置为“副驾”;当检测目标音频数据中包含有目标关键词,如“小度小度”以期唤醒所述车载设备之后,确定声源所在音区,即副驾驶音区,进而基于声源所在副驾驶音区的音区关键词,也即“副驾”,得到至少表征有副驾驶音区的音区关键词的回复音频数据,即“在呢,副驾乘客”。
或者,为了进一步区分主驾与其他乘客,可以将主驾驶音区的第三音区关键词,不同于其他三个音区的音区关键词,而该其他三个音区的音区关键词的音区关键词是否相同,可以不作限制,即可以相同,也可以不同相同,或者部分相同另外部分不相同等等。如此,来进一步突出主驾,细化用户体验。即所述第三音区关键词不同于所述第四音区关键词、所述第五音区关键词及所述第六音区关键词,所述第四音区关键词、所述第五音区关键词及所述第六音区关键词相同或不相同。
需要说明的是,基于以上具体示例可知,回复音频数据中不仅表征有音区的音区特征,还包含有其他问候语,该问候语可以基于实际需求而设置,本申请方案对此不作限制。
在本申请方案的一具体示例中,以上所述的至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据,包括:至少基于所述目标音频数据对应声源所在目标音区,确定出与所述目标音区的音区特征相匹配的音区关键词;确定用于响应所述目标关键词的回复音频数据,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。比如,可以预先设置有映射表,该映射表中记录有音区与音区关键词之间的映射关系,进而,在确定出目标音频数据对应声源所在目标音区后,基于该映射表即可得到该目标音区所对应的音区关键词。该方式简单高效。
在本申请方案的一具体示例中,为了进一步细化用户体验,以及丰富和提升用户体验,提供更个性化、差异化的服务,本申请方案还可以基于声纹特征来确定回复音频数据。具体地,获取所述目标音频数据的声纹特征;进而以上所述的至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据,可以包括:基于所述目标音频数据对应声源所在目标音区,以及所述目标音频数据的声纹特征,确定用于响应所述目标关键词的回复音频数据。也就是说,在确定回复音频数据的过程中,不仅要考虑音区的维度,还需要考虑声纹特征的维度,如此,来提供更加个性化、差异化的服务,进一步提升了用户体验以及科技感。
需要说明的是,用户可以基于实际需求来选择是否进行声纹识别,或者,声纹识别和音区识别均为车载设备所具有的功能,但是,是否需要,具体需要哪个功能,用户可基于个人喜好而定。又或者,无需用户手动设备,在设备出厂之前即设置有声纹识别和音区识别功能等,本申请方案对此不作限制,可以基于最终产品的实际需求而定。
在本申请方案的一具体示例中,所述回复音频数据至少表征有与所述目标音区的音区特征以及与所述目标音频数据的声纹特征均匹配的融合关键词。也就是说,基于融合关键词来兼顾目标音区的音区特征以及目标音频数据的声纹特征,如此,提升本申请方案的可行性。
在本申请方案的一具体示例中,所述融合关键词包含有与所述目标音区的音区特征相匹配的音区关键词,以及与所述目标音频数据的声纹特征相匹配的类型关键词。换言之,该融合关键词中包含两类关键词,一类为表征音区特征的音区关键词,另一类为表征声纹特征的类型关键词。这里,对于表征音区特征的音区关键词可以参考上述描述,此处不作赘述。对于类型关键词而言,可以为具体对应性别、年龄等。也就是说,本申请方案是基于声纹特征对声源进行简单分类,比如,分成男生、女生、成人或儿童等。
举例来说,当基于声纹特征分析得到目标音频数据对应女生,此时,该类型关键词可以具体为“女神”;又比如,基于声纹特征分析得到目标音频数据对应儿童,此时,该类型关键词可以具体为“小朋友”。相应地,结合上述音区关键词,该融合关键词可以具体为“主驾女神”,此时,回复音频数据可以具体为“在呢,主驾女神”。或者,该融合关键词可以具体为“小朋友乘客”,此时,回复音频数据可以具体为“在呢,小朋友乘客”。如此,来进一步提供更加拟人化的服务,提升用户体验。
需要说明的是,实际应用中,相同音区但不同声纹特征(对应不同类时)所对应的融合关键词不同;相同声纹特征(也即对应同一类,比如,均为女生)但不同音区所对应的融合关键词不同;而相同音区且相同声纹特征(对应同类时)所对应的融合关键词相同。
这样,通过融合关键词来体现音区特征以及声纹特征,进一步提升了用户体验;而且,该方案简单可行,为工程化推广和应用奠定了基础。
在本申请方案的一具体示例中,考虑到实际场景中可能会存在多个音频,此时,为了贴合场景需求,以上所述的检测到目标音频数据中包含有目标关键词,可以具体包括:获取来自所述目标车辆的内部空间的多个音频数据;比如,目标车辆中存在多人说话,此时,可以从所述多个音频数据中识别出包含有所述目标关键词的目标音频数据。换言之,识别多个音频数据中是否包含有用于唤醒所述车载设备的目标关键词,若存在,识别出该目标关键词对应的目标音频数据;如此,来贴合实际需求,进一步提升用户体验,同时,也提升了处理精度。
在本申请方案的一具体示例中,在确定出回复音频数据后,还可以输出所述回复音频数据,如此,播放所述回复音频数据,以提示用户所述车载设备进入语音识别状态,可以进行后续的控制,比如,在车载设备进入语音识别状态后,用户可以通过语音输入来控制播放歌曲、打开地图并在车载显示屏(也即车辆的中控屏)中显示,或者启动座椅加热功能等等。如此,满足了用户对智能化的需求,同时,还提升了用户体验。
在另一具体示例中,输出所述回复音频数据还可以具体为将所述回复音频数据进行展示,换言之,该回复音频数据既可以以音频播放的形式输出,又可以以屏幕显示(如展示在车载显示屏上等)的形式输出,或者,两者择其一,如此,来满足用户的不同需求。
这样,本申请方案能够基于声源所在目标音区个性化生成回复音频数据,或者,还可以基于声源的声纹特征来个性化生成回复音频数据,如此,增加了体验感,同时,也提升了科技感,进一步丰富了用户体验,而且满足了用户对智能化的需求。
以下结合具体示例,对本申请方案做进一步详细说明,具体地,本示例旨在基于车载设备,比如车载语音设备提出一种更拟人化的语音助手唤醒应答语方案,比如,唤醒车载之后,车载语音设备能够根据唤醒的生源所在音区,进行拟人化回应,例如“在呢,主驾”、“在呢,后排乘客”等等。或者,还可以根据生源的声纹特性,将所在音区与声纹特征进行结合后,提供拟人化回应,例如“在呢,主驾女神”、“在呢,后排小朋友”等等。如此,相比于现有默认或随机回应方式而言,本申请方案交互体验感更强,更能提供科技感,满足了用户的个性化需求。
具体地,如图6所示,获取到包含唤醒词的目标音频数据后,对车载设备进行唤醒,此时,该车载设备的唤醒引擎反馈目标音频数据所在音区,或者反馈音区和声纹特征,这里,可以基于用户所选择的功能具体而定。并将处理结果(如目标音频数据所在音区,或者音区和声纹特征)发送至该车载设备的逻辑处理模块,以得到欢迎语,比如“你好,主驾”或“你好,主驾女神”等,进而通过该车载设备的逻辑处理模板发送至该车载设备的播报引擎,以通过所述播报引擎播放进行播放;以及发送至该车载设备的UI(User Interface)展示模板进行展示。
实际应用中,声纹识别和音区识别两功能,可以配置为用户可选的功能,进而基于用户选择结果来确定执行哪种功能。同理,播放和屏幕展示两功能,也可以配置为用户可选的功能,本示例对此不作限制。
这样,本申请方案能够基于声源所在目标音区个性化生成回复音频数据,或者,还可以基于声源的声纹特征来个性化生成回复音频数据,如此,增加了体验感,同时,也提升了科技感,进一步丰富了用户体验,而且满足了用户对智能化的需求。
本申请方案还提供一种基于车载设备的音频数据处理装置;需要说明的是,本申请方案所述装置可以具体集成到车载设备中,或者,集成到与车载设备进行通信的服务器或服务器集群上,或者,部分功能在车载设备中,另外部分功能在服务器或服务器集群上,本申请方案对此不作限制。
具体地,如图7所示,包括:
检测单元701,用于检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;
音区确定单元702,用于确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;
回复音频确定单元703,用于至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
在本申请方案的一具体示例中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
在本申请方案的一具体示例中,所述目标车辆的内部空间划分有第一音区和第二音区,所述第一音区与表征所述第一音区的音区特征的第一音区关键词相匹配,所述第二音区与表征第二音区的音区特征的第二音区关键词相匹配,所述第一音区关键词不同于所述第二音区关键词。
在本申请方案的一具体示例中,所述目标车辆的内部空间至少划分有四个音区,分别为:主驾驶音区、副驾驶音区、主驾驶后侧音区、副驾驶后侧音区;
所述主驾驶音区与表征所述主驾驶音区的音区特征的第三音区关键词相匹配,所述副驾驶音区与表征所述副驾驶音区的音区特征的第四音区关键词相匹配,所述主驾驶后侧音区与表征所述主驾驶后侧音区的音区特征的第五音区关键词相匹配,所述副驾驶后侧音区与表征所述副驾驶后侧音区的音区特征的第六音区关键词相匹配;
其中,所述第三音区关键词、所述第四音区关键词、所述第五音区关键词以及所述第六音区关键词互不相同;或者,
所述第三音区关键词不同于所述第四音区关键词、所述第五音区关键词及所述第六音区关键词,所述第四音区关键词、所述第五音区关键词及所述第六音区关键词相同或不相同。
在本申请方案的一具体示例中,所述回复音频确定单元,具体用于至少基于所述目标音频数据对应声源所在目标音区,确定出与所述目标音区的音区特征相匹配的音区关键词;确定用于响应所述目标关键词的回复音频数据,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
在本申请方案的一具体示例中,还包括:声纹检测单元;其中,
所述声纹检测单元,用于获取所述目标音频数据的声纹特征;
所述回复音频确定单元,具体用于基于所述目标音频数据对应声源所在目标音区,以及所述目标音频数据的声纹特征,确定用于响应所述目标关键词的回复音频数据。
在本申请方案的一具体示例中,所述回复音频数据至少表征有与所述目标音区的音区特征以及与所述目标音频数据的声纹特征均匹配的融合关键词。
在本申请方案的一具体示例中,所述融合关键词包含与所述目标音区的音区特征相匹配的音区关键词,以及与所述目标音频数据的声纹特征相匹配的类型关键词。
在本申请方案的一具体示例中,所述检测单元,具体用于获取来自所述目标车辆的内部空间的多个音频数据;从所述多个音频数据中识别出包含有所述目标关键词的目标音频数据。
在本申请方案的一具体示例中,还包括:
输出单元,用于输出所述回复音频数据,以提示用户所述车载设备进入语音识别状态。
上述装置中各单元具体功能可参照上述方法描述,这里不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种车载设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
需要说明的是,车载设备的具体结构可参照于以下所述的电子设备,这里,不再赘述。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如基于车载设备的音频数据处理方法。例如,在一些实施例中,基于车载设备的音频数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的基于车载设备的音频数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于车载设备的音频数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (24)
1.一种基于车载设备的音频数据处理方法,包括:
检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;
确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;
至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
2.根据权利要求1所述的方法,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
3.根据权利要求2所述的方法,其中,所述目标车辆的内部空间划分有第一音区和第二音区,所述第一音区与表征所述第一音区的音区特征的第一音区关键词相匹配,所述第二音区与表征第二音区的音区特征的第二音区关键词相匹配,所述第一音区关键词不同于所述第二音区关键词。
4.根据权利要求2所述的方法,其中,所述目标车辆的内部空间至少划分有四个音区,分别为:主驾驶音区、副驾驶音区、主驾驶后侧音区、副驾驶后侧音区;
所述主驾驶音区与表征所述主驾驶音区的音区特征的第三音区关键词相匹配,所述副驾驶音区与表征所述副驾驶音区的音区特征的第四音区关键词相匹配,所述主驾驶后侧音区与表征所述主驾驶后侧音区的音区特征的第五音区关键词相匹配,所述副驾驶后侧音区与表征所述副驾驶后侧音区的音区特征的第六音区关键词相匹配;
其中,所述第三音区关键词、所述第四音区关键词、所述第五音区关键词以及所述第六音区关键词互不相同;或者,
所述第三音区关键词不同于所述第四音区关键词、所述第五音区关键词及所述第六音区关键词,所述第四音区关键词、所述第五音区关键词及所述第六音区关键词相同或不相同。
5.根据权利要求2或3或4所述的方法,其中,所述至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据,包括:
至少基于所述目标音频数据对应声源所在目标音区,确定出与所述目标音区的音区特征相匹配的音区关键词;
确定用于响应所述目标关键词的回复音频数据,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
6.根据权利要求1所述的方法,还包括:
获取所述目标音频数据的声纹特征;
其中,所述至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据,包括:
基于所述目标音频数据对应声源所在目标音区,以及所述目标音频数据的声纹特征,确定用于响应所述目标关键词的回复音频数据。
7.根据权利要求6所述的方法,其中,所述回复音频数据至少表征有与所述目标音区的音区特征以及与所述目标音频数据的声纹特征均匹配的融合关键词。
8.根据权利要求7所述的方法,其中,所述融合关键词包含有与所述目标音区的音区特征相匹配的音区关键词,以及与所述目标音频数据的声纹特征相匹配的类型关键词。
9.根据权利要求1或2或6或7或8所述的方法,其中,所述检测到目标音频数据中包含有目标关键词,包括:
获取来自所述目标车辆的内部空间的多个音频数据;
从所述多个音频数据中识别出包含有所述目标关键词的目标音频数据。
10.根据权利要求1或2或6或7或8所述的方法,还包括:
输出所述回复音频数据,以提示用户所述车载设备进入语音识别状态。
11.一种基于车载设备的音频数据处理装置,包括:
检测单元,用于检测到目标音频数据中包含有目标关键词,其中,所述目标关键词用于触发所述车载设备进入语音识别状态,所述车载设备所在目标车辆的内部空间中划分有至少两个音区;
音区确定单元,用于确定所述目标音频数据对应声源在所述目标车辆中所处的目标音区;
回复音频确定单元,用于至少基于所述目标音频数据对应声源所在目标音区,确定用于响应所述目标关键词的回复音频数据。
12.根据权利要求11所述的装置,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
13.根据权利要求12所述的装置,其中,所述目标车辆的内部空间划分有第一音区和第二音区,所述第一音区与表征所述第一音区的音区特征的第一音区关键词相匹配,所述第二音区与表征第二音区的音区特征的第二音区关键词相匹配,所述第一音区关键词不同于所述第二音区关键词。
14.根据权利要求12所述的装置,其中,所述目标车辆的内部空间至少划分有四个音区,分别为:主驾驶音区、副驾驶音区、主驾驶后侧音区、副驾驶后侧音区;
所述主驾驶音区与表征所述主驾驶音区的音区特征的第三音区关键词相匹配,所述副驾驶音区与表征所述副驾驶音区的音区特征的第四音区关键词相匹配,所述主驾驶后侧音区与表征所述主驾驶后侧音区的音区特征的第五音区关键词相匹配,所述副驾驶后侧音区与表征所述副驾驶后侧音区的音区特征的第六音区关键词相匹配;
其中,所述第三音区关键词、所述第四音区关键词、所述第五音区关键词以及所述第六音区关键词互不相同;或者,
所述第三音区关键词不同于所述第四音区关键词、所述第五音区关键词及所述第六音区关键词,所述第四音区关键词、所述第五音区关键词及所述第六音区关键词相同或不相同。
15.根据权利要求12或13或14所述的装置,其中,所述回复音频确定单元,具体用于至少基于所述目标音频数据对应声源所在目标音区,确定出与所述目标音区的音区特征相匹配的音区关键词;确定用于响应所述目标关键词的回复音频数据,其中,所述回复音频数据至少表征有与所述目标音区的音区特征相匹配的音区关键词。
16.根据权利要求11所述的装置,还包括:声纹检测单元;其中,
所述声纹检测单元,用于获取所述目标音频数据的声纹特征;
所述回复音频确定单元,具体用于基于所述目标音频数据对应声源所在目标音区,以及所述目标音频数据的声纹特征,确定用于响应所述目标关键词的回复音频数据。
17.根据权利要求16所述的装置,其中,所述回复音频数据至少表征有与所述目标音区的音区特征以及与所述目标音频数据的声纹特征均匹配的融合关键词。
18.根据权利要求17所述的装置,其中,所述融合关键词包含与所述目标音区的音区特征相匹配的音区关键词,以及与所述目标音频数据的声纹特征相匹配的类型关键词。
19.根据权利要求11或12或16或17或18所述的装置,其中,所述检测单元,具体用于获取来自所述目标车辆的内部空间的多个音频数据;从所述多个音频数据中识别出包含有所述目标关键词的目标音频数据。
20.根据权利要求11或12或16或17或18所述的装置,还包括:
输出单元,用于输出所述回复音频数据,以提示用户所述车载设备进入语音识别状态。
21.一种电子设备,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,
所述存储器存储有可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权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
24.一种车载设备,其特征在于,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,
所述存储器存储有可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权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497387.2A CN114120983A (zh) | 2021-12-09 | 2021-12-09 | 音频数据处理方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497387.2A CN114120983A (zh) | 2021-12-09 | 2021-12-09 | 音频数据处理方法及装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120983A true CN114120983A (zh) | 2022-03-01 |
Family
ID=80364423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111497387.2A Pending CN114120983A (zh) | 2021-12-09 | 2021-12-09 | 音频数据处理方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120983A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278462A (zh) * | 2022-07-30 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种车内音频处理方法、系统、电子设备及存储介质 |
-
2021
- 2021-12-09 CN CN202111497387.2A patent/CN114120983A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278462A (zh) * | 2022-07-30 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种车内音频处理方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10481858B2 (en) | Generating personalized audio content based on mood | |
CN109243432B (zh) | 话音处理方法以及支持该话音处理方法的电子设备 | |
EP3923272A1 (en) | Method and apparatus for adapting a wake-up model | |
CN111694433B (zh) | 语音交互的方法、装置、电子设备及存储介质 | |
CN113655938B (zh) | 一种用于智能座舱的交互方法、装置、设备和介质 | |
EP3831636B1 (en) | Method for regulating user emotion, device, and readable storage medium | |
KR102170088B1 (ko) | 인공지능 기반 자동 응답 방법 및 시스템 | |
CN111968642A (zh) | 语音数据处理方法、装置及智能车辆 | |
CN112614491B (zh) | 一种车载语音交互方法、装置、车辆、可读介质 | |
CN108882202A (zh) | 一种基于智能手机的车载交互方法及装置 | |
CN114724566A (zh) | 语音处理方法、装置、存储介质及电子设备 | |
Hofmann et al. | Speech Interaction with the Internet--A User Study | |
CN114120983A (zh) | 音频数据处理方法及装置、设备、存储介质 | |
CN110111782B (zh) | 语音交互方法及设备 | |
CN114879923A (zh) | 一种多屏幕控制方法、装置、电子设备和存储介质 | |
CN110737422B (zh) | 一种声音信号采集方法及装置 | |
EP4123477A1 (en) | Recommending multimedia information | |
CN116259320A (zh) | 基于语音的车辆控制方法及装置、存储介质、电子装置 | |
CN116353522A (zh) | 用于车辆的服务管理系统及服务管理方法 | |
CN114035878A (zh) | 信息显示方法、装置、电子设备以及存储介质 | |
Nallapaneni | Identifying the influence of emotional voice style in proactive automobile voice interfaces | |
CN111312254A (zh) | 语音对话方法和装置 | |
CN205376126U (zh) | 汽车用语音记录本系统 | |
CN114092669A (zh) | 信息显示方法、装置、设备、介质及产品 | |
CN117435704A (zh) | 车载对话系统回复语生成方法、装置、车辆及存储介质 |
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 |