CN115223574A - 语音信息处理方法、模型的训练方法、唤醒方法及装置 - Google Patents

语音信息处理方法、模型的训练方法、唤醒方法及装置 Download PDF

Info

Publication number
CN115223574A
CN115223574A CN202210839668.XA CN202210839668A CN115223574A CN 115223574 A CN115223574 A CN 115223574A CN 202210839668 A CN202210839668 A CN 202210839668A CN 115223574 A CN115223574 A CN 115223574A
Authority
CN
China
Prior art keywords
voice
syllable
sequence
keyword
training
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
Application number
CN202210839668.XA
Other languages
English (en)
Other versions
CN115223574B (zh
Inventor
邹赛赛
贾磊
王海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210839668.XA priority Critical patent/CN115223574B/zh
Publication of CN115223574A publication Critical patent/CN115223574A/zh
Priority to US18/221,593 priority patent/US20230360638A1/en
Application granted granted Critical
Publication of CN115223574B publication Critical patent/CN115223574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G10L15/02—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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • 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
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • 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
    • G10L15/16—Speech classification or search using artificial neural networks
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • 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
    • G10L17/04—Training, enrolment or model building
    • 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
    • G10L17/18—Artificial neural networks; Connectionist approaches
    • 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
    • G10L17/24—Interactive procedures; Man-machine interfaces the user being prompted to utter a password or a predefined phrase
    • 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
    • G10L2015/027—Syllables being the recognition units

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开提供了语音信息处理方法、语音模型的训练方法、语音唤醒方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及人机交互、深度学习、智能语音等技术领域。具体实现方案为：对语音信息进行音节识别，得到语音信息的后验概率序列，语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。

Description

语音信息处理方法、模型的训练方法、唤醒方法及装置
技术领域
本公开涉及人工智能技术领域，尤其涉及人机交互、深度学习、智能语音等技术领域。具体涉及语音信息处理方法、语音模型的训练方法、语音唤醒方法、装置、电子设备、存储介质以及程序产品。
背景技术
语音交互是一种人类自然的交互方式。随着人工智能技术的不断发展，已经实现让机器能够听懂人类发出的语音，理解语音中的内在含义，并作出相应的反馈。在这些操作中，唤醒的响应速度、唤醒的难易程度、语义的准确理解、反馈的迅速程度均成为影响语音交互顺畅的因素。
发明内容
本公开提供了一种语音信息处理方法、语音模型的训练方法、语音唤醒方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种语音信息处理方法，包括：对语音信息进行音节识别，得到上述语音信息的后验概率序列，其中，上述语音信息包括语音帧序列，上述后验概率序列与上述语音帧序列一一对应，上述后验概率序列中的每个后验概率用于表征与上述后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及基于上述后验概率序列，从上述语音帧序列中确定目标尖峰语音帧。
根据本公开的另一方面，提供了一种语音模型的训练方法，包括：利用目标尖峰语音帧和与上述目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，其中，上述目标尖峰语音帧是利用上述的语音信息处理方法处理得到的。
根据本公开的另一方面，提供了一种语音唤醒方法，包括：将待识别语音输入至音节识别模型中，得到音节识别结果；以及根据上述音节识别结果确定上述待识别语音是否为正确唤醒语音，其中，上述音节识别模型是利用上述的语音模型的训练方法得到的。
根据本公开的另一方面，提供了一种语音信息处理装置，包括：概率确定模块，用于对语音信息进行音节识别，得到上述语音信息的后验概率序列，其中，上述语音信息包括语音帧序列，上述后验概率序列与上述语音帧序列一一对应，上述后验概率序列中的每个后验概率用于表征与上述后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及帧确定模块，用于基于上述后验概率序列，从上述语音帧序列中确定目标尖峰语音帧。
根据本公开的另一方面，提供了一种语音模型的训练装置，包括：音节训练模块，用于利用目标尖峰语音帧和与上述目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，其中，上述目标尖峰语音帧是利用上述的语音信息处理装置处理得到的。
根据本公开的另一方面，提供了一种语音唤醒装置，包括：音节识别模块，用于将待识别语音输入至音节识别模型中，得到音节识别结果；以及唤醒确定模块，用于根据上述音节识别结果确定上述待识别语音是否为正确唤醒语音，其中，上述音节识别模型是利用上述的语音模型的训练装置得到的。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如本公开的方法。
根据本公开的另一方面，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，上述计算机指令用于使上述计算机执行如本公开的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如本公开的方法。
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示意性示出了根据本公开实施例的语音信息处理方法及装置的系统架构；
图2示意性示出了根据本公开实施例的语音信息处理方法的流程图；
图3示意性示出了根据本公开实施例的语音模型的训练方法的流程图；
图4示意性示出了根据本公开实施例的关键词识别模型的网络结构图；
图5示意性示出了根据本公开实施例的语音唤醒方法的流程图；
图6A示意性示出了根据本公开另一实施例的第一语音识别模型的网络示意图；
图6B示意性示出了根据本公开另一实施例的第二语音识别模型的网络示意图；
图6C示意性示出了根据本公开另一实施例的第三语音识别模型的网络示意图；
图7示意性示出了根据本公开实施例的语音信息处理装置的框图；
图8示意性示出了根据本公开实施例的语音模型的训练装置的框图；
图9示意性示出了根据本公开实施例的语音唤醒装置的框图；以及
图10示意性示出了根据本公开实施例的适于实现语音信息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。
本公开提供了一种语音信息处理方法、语音模型的训练方法、语音唤醒方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种语音信息处理方法，包括：对语音信息进行音节识别，得到语音信息的后验概率序列，其中，语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
图1示意性示出了根据本发明实施例的可以应用语音信息处理方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本发明实施例的系统架构的示例，以帮助本领域技术人员理解本发明的技术内容，但并不意味着本发明实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用语音信息处理方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本发明实施例提供的语音信息处理方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本发明实施例所提供的语音信息处理方法一般可以由终端设备101、102、或103执行。相应地，本发明实施例所提供的语音信息处理装置也可以设置于终端设备101、102、或103中。
或者，本发明实施例所提供的语音信息处理方法一般也可以由服务器105执行。相应地，本发明实施例所提供的语音信息处理装置一般可以设置于服务器105中。本发明实施例所提供的语音唤醒方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的语音信息处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如，终端设备101、102、103可以获取语音信息，然后将获取的语音信息发送给服务器105，由服务器105对语音信息进行音节识别，得到语音信息的后验概率序列。基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对语音信息进行音节识别，并最终实现从语音帧序列中确定目标尖峰语音帧。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的语音信息处理方法的流程图。
如图2所示，该方法包括操作S210～S220。
在操作S210，对语音信息进行音节识别，得到语音信息的后验概率序列。
根据本公开的实施例，语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度。
在操作S220，基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
根据本公开的实施例，预定音节可以指唤醒音节，例如，与唤醒词相对应的音节。预定音节的数量不做限定。可以为一个音节，也可以为多个音节。可根据唤醒词的字数量来确定预定音节的数量。
根据本公开的实施例，根据后验概率序列，从语音帧序列中确定目标尖峰语音帧，可以指：根据后验概率序列，从语音帧序列中确定与预定音节最相近的语音帧，作为目标尖峰语音帧。
根据本公开的实施例，基于后验概率序列，对语音帧序列进行筛选，将目标尖峰语音帧从语音帧序列中筛选出来，可以将语音帧序列中的噪声语音帧去除，起到降噪的效果。此外，与将语音帧序列作为训练数据相比，将目标尖峰语音帧作为训练数据，能够降低训练数据的冗余度，提高模型的训练效率。
根据本公开的另一实施例，如图2所示的操作S210，对语音信息进行音节识别，得到语音信息的后验概率序列，可以进一步包括：对语音信息进行音节特征提取，得到音节特征矩阵。对音节特征矩阵进行线性变换，得到与语音帧序列一一对应的后验概率序列。
根据本公开的实施例，对语音信息进行音节特征提取，得到音节特征矩阵，可以指：将语音信息输入至音节特征提取模型中，以进行音节特征提取，输出音节特征矩阵。
根据本公开的实施例，音节特征提取模型可以包括CNN(Convolutional NeuralNetworks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、GRU(GateRecurrent Unit，门控循环单元)、LSTM(Long Short-Term Memory，长短期记忆网络)等中的一种或多种组合。
根据本公开的实施例，可以利用全连接层和激活函数对音节特征矩阵进行线性变换，得到后验概率序列。激活函数可以是Softmax激活函数，但是并不局限于此，还可以是Sigmoid激活函数。全连接层的层数不做限定，例如可以是一层，也可以是多层。
根据本公开的实施例，目标尖峰语音帧的数目可以为多个。在存在多个目标尖峰语音帧的情况下，可以利用联合概率数值来确定预定数目个目标后验概率。预定数目可以指2个、3个或者更多。可以根据实际唤醒词中的字数量进行调节。
根据本公开的实施例，例如，唤醒词为2个字节，则与唤醒词相对应的预定音节为两个，则目标尖峰语音帧的数目可以为2个。
根据本公开的另一实施例，如图2所示的操作S220，基于后验概率序列，从语音帧序列中确定目标尖峰语音帧，可以进一步包括：从后验概率序列中确定预定数目个目标后验概率。从语音帧序列中确定与预定数目个目标后验概率相对应的预定数目个目标尖峰语音帧。
根据本公开的实施例，预定数目个目标后验概率可以指联合概率数值最大的预定数目个后验概率。联合概率数值可以指：由预定数目个后验概率相加或者相乘后得到的概率数值。需要说明的是，在后验概率为归一化处理后的数据，即属于0至1范围内的数据的情况下，联合概率数值可以指由预定数目个后验概率相加后得到的概率数值。此外，联合概率数值中还包括有与语音帧相对应的帧位置信息，即按照预定语音帧位置信息，预定数目个后验概率相加或者相乘后得到的概率数值。例如，语音信息“小”、“明”、“你”、“好”中，与“小”音节相对应的语音帧的帧位置要早于与“你”音节相对应的语音帧的帧位置，且两者之间间隔设置有与“明”音节相对应的语音帧的帧位置。
根据本公开的实施例，利用联合概率数值最大的预定数目个后验概率来确定预定数目个目标后验概率，可以在利用后验概率数值来从后验概率序列中筛选目标尖峰语音帧的同时，利用语音帧的帧位置信息进行再次筛选，提高确定目标尖峰语音帧的精准度。
图3示意性示出了根据本公开实施例的语音模型的训练方法的流程图。
如图3所示，该方法包括操作S310～S330。
在操作S310，对语音信息进行音节识别，得到语音信息的后验概率序列。
根据本公开的实施例，语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度。
在操作S320，基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
在操作S330，利用目标尖峰语音帧和与目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型。
根据本公开的实施例，目标尖峰语音帧是利用如图2所示的语音信息处理方法处理得到的。
根据本公开的实施例，利用目标尖峰语音帧和与目标尖峰语音帧相匹配的音节标签来训练音节识别模型，能够避免音节识别模型在训练过程中学习到语音帧序列中的噪声语音帧的特征，进而提高音节识别模型的训练效率和精度。
根据本公开的其他实施例，可以利用初始样本预先对初始模型进行预训练，得到预训练模型，将预训练模型作为音节识别模型。
根据本公开的实施例，初始样本可以包括语音信息例如语音帧序列，和与语音帧序列一一对应的音节标签序列。可以利用强制对齐技术，对语音帧序列中的每个语音帧进行标注，得到与语音帧序列一一对应的音节标签序列。可以利用标注模型来对语音帧序列进行强制对齐，例如将语音帧序列输入至标注模型中，得到音节标签序列。标注模型的网络不做限定，只要是通用的音节标注模型即可。
根据本公开的实施例，将预训练模型作为音节识别模型，可以使得音节识别模型具备一定的识别能力，进而使得利用目标尖峰语音帧和音节标签来优化训练音节识别模型，效率高。
根据本公开的其他实施例，还可以利用音节识别模型来处理语音帧序列，得到如图2所示的目标尖峰语音帧。例如，将语音信息输入至音节识别模型中，得到语音信息的后验概率序列。基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
根据本公开的实施例，音节识别模型包括特征提取编码模块和音节分类模块。
根据本公开的实施例，利用目标尖峰语音帧和与目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，可以进一步包括：将目标尖峰语音帧输入至特征提取编码模块，得到音节特征矩阵。将音节特征矩阵输入至音节分类模块，得到样本音节识别结果。利用样本音节识别结果和音节标签训练音节识别模型，得到经训练的音节识别模型。
根据本公开的实施例，利用样本音节识别结果和音节标签训练音节识别模型，得到经训练的音节识别模型可以包括：将样本音节识别结果和音节标签输入至音节损失函数中，得到音节损失值。基于音节损失值调整音节识别模型的参数，直至满足预定训练要求。预定训练要求可以包括以下至少一项：音节损失值收敛、调参次数达到预定轮次、样本音节识别结果与音节标签趋近一致。
根据本公开的实施例，音节损失函数可以采用交叉熵损失函数来训练，但是并不局限于此，只要是与音节识别模型的网络结构相匹配的损失函数即可。
根据本公开的实施例，利用上述尖峰搜索方式来训练音节识别模型，可以实现对语音信息的关键语音帧的搜索，提高后续音节识别模型的训练效率和精度，避免利用噪声语音帧对音节识别模型的无效训练。
根据本公开的实施例，音节分类模块可以包括全连接层和激活函数。激活函数可以是Softmax激活函数，但是并不局限于此，还可以是Sigmoid激活函数。全连接层的层数不做限定，例如可以是一层，也可以是多层。
根据本公开的实施例，特征提取编码模块可以采用Conformer模型(基于卷积增强的编码器)中的网络结构构建得到，但是并不局限于此，还可以采用Conformer模型中的Conformer模块，还可以是Conformer模型或者Conformer模块经过例如剪枝的轻量化处理后得到的网络结构。
根据本公开的实施例，特征提取编码模块可以依序包括特征提取层、降维层和编码层。
根据本公开的实施例，特征提取层可以包括以下至少一项：至少一个相对正弦位置编码(relative sinusoidal positional encoding)层、至少一个卷积层、至少一个前馈层(Feed Forward Module)。
根据本公开的实施例，编码层可以包括Conformer模块，例如包括以下至少一项：多个前馈层、至少一个多头注意力机制层(Multi-Headed Self-Attention module)、至少一个卷积层。
根据本公开的实施例，降维层可以包括映射函数，但是并不局限于此，还可以包括其他实现例如将高维矩阵进行降维，得到低维矩阵的层结构。
根据本公开的实施例，将目标尖峰语音帧输入至特征提取编码模块，得到音节特征矩阵，可以进一步包括：将待识别语音输入至特征提取层，得到特征矩阵。将特征矩阵输入至降维层，得到降维后的特征矩阵。将降维后的特征矩阵输入至编码层，得到音节特征矩阵。
根据本公开的实施例，利用降维层可以将输入至编码层的数据量减小，进而降低音节识别模型的计算量。此外，还可以降低编码层的堆叠层数，例如，根据轻量化参数量阈值，确定编码层的堆叠层数为1至4中的任一。
根据本公开的实施例，可以通过在语音识别模型中设计降维层以及控制编码层的堆叠层数，实现在保证识别精度的同时，音节识别模型的轻量化、小型化，进而提高识别效率，且将音节识别模型应用于终端设备的情况下，可以降低终端设备的处理器的内耗。
根据本公开的实施例，语音识别模型可以包括音节识别模型，但是并不局限于此，还可以包括关键词识别模型。可以将音节识别模型和关键词识别模型共同进行训练，也可以将音节识别模型和关键词识别模型分别进行训练。
根据本公开的实施例，可以利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型。基于经训练的音节识别模型和经训练的关键词识别模型，得到语音识别模型。
根据本公开的实施例，关键词训练样本包括训练语音和与训练语音相匹配的关键词标签。训练语音可以是包括“小明你好”的一段语音信息。与训练语音相匹配的关键词标签可以是表征训练语音中是否含有正确唤醒词的标签。关键词标签可以用0或1表示。0用于表征训练语音中不含有正确唤醒词的标签。1用于表征训练语音中包含有正确唤醒词的标签。
根据本公开的实施例，利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型，可以包括：将训练语音输入至关键词识别模型中，得到训练语音的关键词置信度序列。从关键词置信度序列中确定目标关键词置信度。利用目标关键词置信度与关键词标签训练关键词识别模型，得到经训练的关键词识别模型。
根据本公开的实施例，关键词置信度序列中的目标关键词置信度，可以指：与目标关键词，即唤醒词，相关的关键词语音帧的置信度。例如，语音信息“小明你好”中的目标关键词可以是例如唤醒词“小明”，关键词语音帧可以包括第20语音帧至第80语音帧之间的多个语音帧。目标关键词置信度可以是与多个关键词语音帧中任意一个关键词语音帧相对应的置信度，例如，是与多个关键词语音帧中的最后一个关键词语音帧相对应的置信度，例如是与第80语音帧相对应的置信度。但是并不局限于此。目标关键词置信度还可以是与多个关键词语音帧一一对应的多个置信度的平均值。只要是与目标关键词相关的关键词语音帧的置信度即可。
根据本公开的实施例，利用目标关键词置信度和关键词标签来训练关键词识别模型，可以指：将目标关键词置信度和关键词标签输入至关键词损失函数中，得到关键词损失值。基于关键词损失值，调整关键词识别模型的参数，直至达到训练要求。训练要求可以包括以下至少一项：达到预定训练轮次、关键词损失值收敛、目标关键词置信度和关键词标签趋近一致。
根据本公开的实施例，关键词损失函数可以为交叉熵损失函数，只要是与关键词识别模型的网络结构相匹配的损失函数即可，在此不做限定。
根据本公开的实施例，利用目标关键词置信度和关键词标签来训练关键词识别模型，可以自动地利用目标关键词置信度来实现对关键词语音帧进行边界划分，无需人工对例如训练语音进行边界标注，提高数据处理效率。由此实现了在线的样本挖掘，降低了训练语音的收集开销。此外，利用目标关键词置信度和关键词标签来训练关键词识别模型，目标关键词置信度用于表征与关键词语音帧相关的置信度，实现min-max-pooling(最小-最大-池化)的训练方式。能够基于目标关键词置信度，将正样本中的最容易唤醒的关键词语音帧从训练语音帧序列中筛选出来，将负样本中的最容易误报的关键词语音帧从训练语音帧序列中筛选出来，以便训练关键词识别模型学习到最容易唤醒的关键词语音特征以及最容易误报的关键词语音特征，以使得经训练的关键词识别模型的精度高且误报率低。
图4示意性示出了根据本公开实施例的关键词识别模型的网络结构图。
如图4所示，关键词识别模型依序包括卷积模块、门控循环单元和关键词分类模块。
如图4所示，将训练语音输入至关键词识别模型中，得到训练语音的关键词置信度序列，可以进一步包括：将训练语音410输入至卷积模块420中，得到第一级特征向量序列。将第一级特征向量序列输入至门控循环单元430，得到第二级特征向量序列。将第二级特征向量序列输入至关键词分类模块440，得到关键词置信度序列450。
根据本公开的实施例，训练语音包括训练语音帧序列，第一级特征向量序列与训练语音帧序列一一对应。
根据本公开的实施例，关键词识别模型中的卷积模块并不局限于一个，可以包括多个堆叠的卷积模块。类似地，关键词识别模型也可以包括多个堆叠的门控循环单元以及关键词分类模块。
根据本公开的实施例，卷积模块可以包括CNN(Convolutional Neural Networks，卷积神经网络)。
根据本公开的实施例，关键词分类模块可以包括全连接层和激活函数。激活函数可以是Softmax激活函数，但是并不局限于此，还可以是Sigmoid激活函数。全连接层的层数不做限定，例如可以是一层，也可以是多层。
根据本公开的实施例，门控循环单元可以指GRU(Gate Recurrent Unit，门控循环单元)，但是并不局限于此，还可以是GRU衍生模块。例如，对GRU进行了轻量化处理后的GRU衍生模块。
根据本公开的实施例，利用GRU衍生模块，也称Projected Light-GRU模块，可以在保证唤醒词检测的实时性的同时，更有利于将关键词识别模型装载于终端设备例如语音交互设备，即终端侧轻量化部署。
根据本公开的另一实施例，将第一级特征向量序列输入至门控循环单元，得到第二级特征向量序列，包括重复执行以下操作：基于上一时刻输出向量和当前时刻输入向量，分别确定当前时刻更新门和当前时刻候选隐藏层信息。当前时刻输入向量为第一级特征向量序列中的当前时刻的第一级特征向量。基于当前时刻候选隐藏层信息、上一时刻隐藏层信息和当前时刻更新门，确定当前时刻隐藏层信息。基于当前时刻隐藏层信息和预定参数，确定当前时刻输出向量。
根据本公开的实施例，当前时刻输出向量为第二级特征向量序列中的当前时刻的第二级特征向量，预定参数，也称映射(Projection)参数，是基于轻量化参数量阈值确定的。
根据本公开的实施例，轻量化参数量阈值可以指参数的设定基准，例如规定参数量阈值，预定参数的大小小于或者等于轻量化参数量闽值，以降低关键词识别模型的数据处理量。
根据本公开的实施例，与标准的GRU相比，本公开实施例提供的Projected Light-GRU模块，移除了重置门，并且引入了预定参数。由此使得关键词识别模型的计算量小。将具有Projected Light-GRU模块的关键词识别模型应用于语音交互设备中，在保证拥有高性能的同时，降低资源开销。以实现装载于语音交互设备中的关键词识别模型全天候处于运行状态，提高语音交互设备的唤醒响应速度。
根据本公开的实施例，Projected Light-GRU模块可以通过如下公式(1)～(4)表示。
zt＝σ(BN(wzxt)+uzot-1)； 公式(1)
Figure BDA0003748968310000131
Figure BDA0003748968310000132
ot＝woht； 公式(4)
其中，zt表示t时刻更新门，范围为(0，1)；δ(·)表示sigmoid函数；g(·)表示高斯误差线性单元激活函数(例如GELU激活函数)；BN(·)表示归一化函数；xt表示t时刻输入向量；ot-1表示t-1时刻输出向量；ot表示t时刻输出数据；wz和uz分别表示与sigmoid函数相关的参数；wh和uh分别表示与GELU激活函数相关的参数；ht-1表示t-1时刻隐藏层信息；ht表示t时刻隐藏层信息；wo表示映射参数；
Figure BDA0003748968310000141
表示t时刻候选隐藏层(candidate hidden layer)信息。
图5示意性示出了根据本公开实施例的语音唤醒方法的流程图。
如图5所示，该方法包括操作S510～S520。
在操作S510，将待识别语音输入至音节识别模型中，得到音节识别结果。
在操作S520，根据音节识别结果确定待识别语音是否为正确唤醒语音。
根据本公开的实施例，音节识别模型是利用本公开实施例提供的语音模型的训练方法得到的，可以利用上述训练方法使得音节识别模型的识别精度高，唤醒误报率低。
根据本公开的实施例，待识别语音可以是用户发出的，在根据音节识别结果，确定待识别语音是正确唤醒语音的情况下，可以对用户给出应答语音，并进行后续的人机交互操作。在根据音节识别结果，确定待识别语音是错误唤醒语音的情况下，可以不做出反应。
根据本公开的另一实施例，音节识别模型的网络结构可以包括降维层，使得输入至编码层的特征矩阵是经过降维后的，使得后续编码层的数据处理量减小。此外，编码层可以包括级联的多个编码层。编码层的层级数量可以为1至4中任一层级数目，以降低音节识别模型的网络结构，实现轻量化处理。
根据本公开的实施例，利用本公开实施例提供的音节识别模型，可以在保证识别精度的同时，实现音节识别模型的轻量化、小型化，进而提高识别效率，且将音节识别模型应用于终端设备的情况下，可以降低终端设备的处理器的内耗。
根据本公开的实施例，还可以利用语音识别模型来执行本公开实施例提供的语音唤醒方法。例如，语音识别模型包括音节识别模型和关键词识别模型。
根据本公开的实施例，语音唤醒方法还可以包括：将待识别语音输入至关键词识别模型中，得到关键词识别结果。
根据本公开的实施例，根据音节识别结果确定待识别语音是否为正确唤醒语音可以进一步包括：根据音节识别结果和关键词识别结果，确定待识别语音是否为正确唤醒语音。
根据本公开的实施例，根据音节识别结果确定待识别语音是否正是确唤醒语音可以指：根据音节识别结果，确定待识别语音中包括含有预定唤醒音节的语音，确定待识别语音是正确唤醒语音；根据音节识别结果，确定待识别语音中不包括含有预定唤醒音节的语音，确定待识别语音是错误唤醒语音。
根据本公开的实施例，根据关键词识别结果确定待识别语音是否是正确唤醒语音可以指：根据关键词识别结果，确定待识别语音中包括含有预定唤醒词的语音，确定待识别语音是正确唤醒语音；根据关键词识别结果，确定待识别语音中不包括含有预定唤醒词的语音，确定待识别语音是错误唤醒语音。
根据本公开的实施例，根据音节识别结果和关键词识别结果，确定待识别语音是否为正确唤醒语音可以指：在根据音节识别结果，确定待识别语音为正确唤醒语音，且根据关键词识别结果，确定待识别语音为正确唤醒语音的情况下，则确定待识别语音为正确唤醒语音。在根据音节识别结果或者感觉关键词识别结果，确定待识别语音为错误唤醒语音的情况下，则确定待识别语音为错误唤醒语音。
根据本公开的实施例，利用关键词识别模型能够对待识别语音进行唤醒词的整词单元识别，与此同时，利用音节识别模型，能够对待识别语音进行唤醒词的字单元识别，使得能够在全局以及局部两方面进行识别，进而实现了提高唤醒精度和降低唤醒误报。
图6A示意性示出了根据本公开另一实施例的第一语音识别模型的网络示意图。
如图6A所示，第一语音识别模型依序包括关键词识别模型620和音节识别模型630。可以将待识别语音610输入至关键词识别模型620中，得到关键词识别结果640。在基于关键词识别结果，确定待识别语音610为正确唤醒语音的情况下，将待识别语音610输入至音节识别模型630中，得到音节识别结果650。在基于音节识别结果，确定待识别语音为正确唤醒语音的情况下，确定待识别语音为正确唤醒语音。语音交互设备被唤醒，可以进行后续人机交互。在基于关键词识别结果，确定待识别语音为错误唤醒语音的情况下，停止操作。在基于音节识别结果，确定待识别语音为错误唤醒语音的情况下，确定待识别语音为错误唤醒语音，语音交互设备不被唤醒。
图6B示意性示出了根据本公开另一实施例的第二语音识别模型的网络示意图。
如图6B所示，第二语音识别模型依序包括音节识别模型630和关键词识别模型620。可以将待识别语音610输入至音节识别模型630中，得到音节识别结果650。在基于音节识别结果650，确定待识别语音610为正确唤醒语音的情况下，将待识别语音610输入至关键词识别模型620中，得到关键词识别结果640。在基于关键词识别结果640，确定待识别语音610为正确唤醒语音的情况下，确定待识别语音610为正确唤醒语音。语音交互设备被唤醒，可以进行后续人机交互。在基于音节识别结果，确定待识别语音为错误唤醒语音的情况下，停止操作。在基于关键词识别结果，确定待识别语音为错误唤醒语音的情况下，确定待识别语音为错误唤醒语音，语音交互设备不被唤醒。
图6C示意性示出了根据本公开另一实施例的第三语音识别模型的网络示意图。
如图6C所示，第三语音识别模型可以包括并列设置的关键词识别模型620和音节识别模型630。可以将待识别语音610输入至关键词识别模型620，得到关键词识别结果640。将待识别语音610输入至音节识别模型620中，得到音节识别结果650。在基于关键词识别结果640，确定待识别语音为正确唤醒语音，且基于音节识别结果650，确定待识别语音为正确唤醒语音的情况下，确定待识别语音610为正确唤醒语音。在基于关键词识别结果，确定待识别语音为错误唤醒语音，或者基于音节识别结果，确定待识别语音为错误唤醒语音的情况下，确定待识别语音610为错误唤醒语音。在基于关键词识别结果，确定待识别语音为错误唤醒语音，且基于音节识别结果，确定待识别语音为错误唤醒语音的情况下，确定待识别语音为错误唤醒语音。
根据本公开的实施例，语音识别模型可以为第一语音识别模型、第二语音识别模型、第三语音识别模型中的任一一项。利用本公开实施例提供的语音识别模型，能够应用于降低唤醒词数目的场景中，在唤醒词为1个字、2个字或者3个字的情况下，能够保证识别精度的同时，降低误报率。
根据本公开的实施例，与第二语音识别模型和第三语音识别模型相比，第一语音识别模型以关键词识别模型的网络结构简单、运算量小的特点，在处于实时激活状态的情况下，能够在基于关键词识别模型输出的关键词识别结果，确定待识别语音为正确唤醒语音的情况下，再调用音节识别模型对待识别语音进行音节识别操作，在基于关键词识别模型输出的关键词识别结果，确定待识别语音为错误唤醒语音的情况下，停止后续操作。由此能够在保证识别精度的同时，降低语音交互设备作为终端设备的内耗。
图7示意性示出了根据本公开实施例的语音信息处理装置的框图。
如图7所示，语音信息处理装置700包括：概率确定模块710以及帧确定模块720。
概率确定模块710，用于对语音信息进行音节识别，得到语音信息的后验概率序列。语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度。
帧确定模块720，用于基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
根据本公开的实施例，帧确定模块包括：第一确定子模块以及第二确定子模块。
第一确定子模块，用于从后验概率序列中确定预定数目个目标后验概率。预定数目个目标后验概率为联合概率数值最大的预定数目个后验概率。
第二确定子模块，用于从语音帧序列中确定与预定数目个目标后验概率相对应的预定数目个目标尖峰语音帧。
根据本公开的实施例，概率确定模块包括：提取子模块以及变换子模块。
提取子模块，用于对语音信息进行音节特征提取，得到音节特征矩阵。
变换子模块，用于对音节特征矩阵进行线性变换，得到与语音帧序列一一对应的后验概率序列。
图8示意性示出了根据本公开实施例的语音模型的训练装置的框图。
如图8所示，语音模型的训练装置800包括：概率确定模块810、帧确定模块820以及音节训练模块830。
概率确定模块810，用于对语音信息进行音节识别，得到语音信息的后验概率序列。语音信息包括语音帧序列，后验概率序列与语音帧序列一一对应，后验概率序列中的每个后验概率用于表征与后验概率相匹配的语音帧中的音节与预定音节之间的相似度。
帧确定模块820，用于基于后验概率序列，从语音帧序列中确定目标尖峰语音帧。
音节训练模块830，用于利用目标尖峰语音帧和与目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型。
根据本公开的实施例，目标尖峰语音帧是利用根据语音信息处理装置处理得到的。
根据本公开的实施例，语音模型的训练装置还包括：词训练模块以及模型确定模块。
词训练模块，用于利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型。关键词训练样本包括训练语音和与训练语音相匹配的关键词标签。
模型确定模块，用于基于经训练的音节识别模型和经训练的关键词识别模型，得到语音识别模型。
根据本公开的实施例，词训练模块包括：第一输入子模块、第三确定子模块以及词训练子模块。
第一输入子模块，用于将训练语音输入至关键词识别模型中，得到训练语音的关键词置信度序列。
第三确定子模块，用于从关键词置信度序列中确定目标关键词置信度。
词训练子模块，用于利用目标关键词置信度与关键词标签训练关键词识别模型，得到经训练的关键词识别模型。
根据本公开的实施例，关键词识别模型依序包括卷积模块、门控循环单元和关键词分类模块。
根据本公开的实施例，输入子模块包括：第一输入单元、第二输入单元以及第三输入单元。
第一输入单元，用于将训练语音输入至卷积模块中，得到第一级特征向量序列。训练语音包括训练语音帧序列，第一级特征向量序列与训练语音帧序列一一对应。
第二输入单元，用于将第一级特征向量序列输入至门控循环单元，得到第二级特征向量序列。
第三输入单元，用于将第二级特征向量序列输入至关键词分类模块，得到关键词置信度序列。
根据本公开的实施例，第二输入单元，包括以下重复子单元。
第一确定子单元，用于基于上一时刻输出向量和当前时刻输入向量，分别确定当前时刻更新门和当前时刻候选隐藏层信息，其中，当前时刻输入向量为第一级特征向量序列中的当前时刻的第一级特征向量。
第二确定子单元，用于基于当前时刻候选隐藏层信息、上一时刻隐藏层信息和当前时刻更新门，确定当前时刻隐藏层信息。
第三确定子单元，用于基于当前时刻隐藏层信息和预定参数，确定当前时刻输出向量，其中，当前时刻输出向量为第二级特征向量序列中的当前时刻的第二级特征向量，预定参数是基于轻量化参数量阈值确定的。
根据本公开的实施例，音节识别模型包括特征提取编码模块和音节分类模块。
根据本公开的实施例，音节训练模块，包括：第二输入子模块、第三输入子模块以及音节训练子模块。
第二输入子模块，用于将目标尖峰语音帧输入至特征提取编码模块，得到音节特征矩阵。
第三输入子模块，用于将音节特征矩阵输入至音节分类模块，得到样本音节识别结果。
音节训练子模块，用于利用样本音节识别结果和音节标签训练音节识别模型，得到经训练的音节识别模型。
根据本公开的实施例，特征提取编码模块依序包括特征提取层、降维层和编码层。
根据本公开的实施例，第二输入子模块包括：第四输入单元、第五输入单元以及第六输入单元。
第四输入单元，用于将目标尖峰语音帧输入至特征提取层，得到特征矩阵。
第五输入单元，用于将特征矩阵输入至降维层，得到降维后的特征矩阵。
第六输入单元，用于将降维后的特征矩阵输入至编码层，得到音节特征矩阵。
图9示意性示出了根据本公开实施例的语音唤醒装置的框图。
如图9所示，语音唤醒装置900包括：音节识别模块910以及唤醒确定模块920。
音节识别模块910，用于将待识别语音输入至音节识别模型中，得到音节识别结果。
唤醒确定模块920，用于根据音节识别结果确定待识别语音是否为正确唤醒语音。
根据本公开的实施例，音节识别模型是利用语音模型的训练装置得到的。
根据本公开的实施例，语音唤醒装置还包括：词识别模块。
词识别模块，用于将待识别语音输入至关键词识别模型中，得到关键词识别结果。
根据本公开的实施例，唤醒确定模块包括：唤醒确定子模块。
唤醒确定子模块，用于根据音节识别结果和关键词识别结果，确定待识别语音是否为正确唤醒语音。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例的方法。
根据本公开的实施例，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，计算机指令用于使计算机执行如本公开实施例的方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例的方法。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如语音信息处理方法、语音模型的训练方法或者语音唤醒方法。例如，在一些实施例中，语音信息处理方法、语音模型的训练方法或者语音唤醒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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的语音信息处理方法、语音模型的训练方法或者语音唤醒方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音信息处理方法、语音模型的训练方法或者语音唤醒方法。
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)、复杂可编程逻辑设备(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，也可以是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，本发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 (27)

1.一种语音信息处理方法，包括：
对语音信息进行音节识别，得到所述语音信息的后验概率序列，其中，所述语音信息包括语音帧序列，所述后验概率序列与所述语音帧序列一一对应，所述后验概率序列中的每个后验概率用于表征与所述后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及
基于所述后验概率序列，从所述语音帧序列中确定目标尖峰语音帧。
2.根据权利要求1所述的方法，其中，所述基于所述后验概率序列，从所述语音帧序列中确定目标尖峰语音帧，包括：
从所述后验概率序列中确定预定数目个目标后验概率，其中，所述预定数目个目标后验概率为联合概率数值最大的预定数目个后验概率；以及
从所述语音帧序列中确定与所述预定数目个目标后验概率相对应的所述预定数目个目标尖峰语音帧。
3.根据权利要求1所述的方法，其中，所述对语音信息进行音节识别，得到所述语音信息的后验概率序列，包括：
对所述语音信息进行音节特征提取，得到音节特征矩阵；以及
对所述音节特征矩阵进行线性变换，得到与所述语音帧序列一一对应的所述后验概率序列。
4.一种语音模型的训练方法，包括：
利用目标尖峰语音帧和与所述目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，
其中，所述目标尖峰语音帧是利用根据权利要求1至3中任一项所述的语音信息处理方法处理得到的。
5.根据权利要求4所述的方法，还包括：
利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型，其中，所述关键词训练样本包括训练语音和与所述训练语音相匹配的关键词标签；以及
基于所述经训练的音节识别模型和所述经训练的关键词识别模型，得到语音识别模型。
6.根据权利要求5所述的方法，其中，所述利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型，包括：
将所述训练语音输入至关键词识别模型中，得到所述训练语音的关键词置信度序列；
从所述关键词置信度序列中确定目标关键词置信度；以及
利用所述目标关键词置信度与所述关键词标签训练所述关键词识别模型，得到所述经训练的关键词识别模型。
7.根据权利要求6所述的方法，其中，所述关键词识别模型依序包括卷积模块、门控循环单元和关键词分类模块；
所述将所述训练语音输入至关键词识别模型中，得到所述训练语音的关键词置信度序列，包括：
将所述训练语音输入至所述卷积模块中，得到第一级特征向量序列，其中，所述训练语音包括训练语音帧序列，所述第一级特征向量序列与所述训练语音帧序列一一对应；
将所述第一级特征向量序列输入至所述门控循环单元，得到第二级特征向量序列；以及
将所述第二级特征向量序列输入至所述关键词分类模块，得到所述关键词置信度序列。
8.根据权利要求7所述的方法，其中，所述将所述第一级特征向量序列输入至所述门控循环单元，得到第二级特征向量序列，包括重复执行以下操作：
基于上一时刻输出向量和当前时刻输入向量，分别确定当前时刻更新门和当前时刻候选隐藏层信息，其中，所述当前时刻输入向量为所述第一级特征向量序列中的当前时刻的第一级特征向量；
基于所述当前时刻候选隐藏层信息、上一时刻隐藏层信息和所述当前时刻更新门，确定当前时刻隐藏层信息；以及
基于所述当前时刻隐藏层信息和预定参数，确定当前时刻输出向量，其中，所述当前时刻输出向量为所述第二级特征向量序列中的当前时刻的第二级特征向量，所述预定参数是基于轻量化参数量阈值确定的。
9.根据权利要求4所述的方法，其中，所述音节识别模型包括特征提取编码模块和音节分类模块；
所述利用目标尖峰语音帧和与所述目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，包括：
将所述目标尖峰语音帧输入至所述特征提取编码模块，得到音节特征矩阵；
将所述音节特征矩阵输入至所述音节分类模块，得到样本音节识别结果；以及
利用所述样本音节识别结果和所述音节标签训练音节识别模型，得到所述经训练的音节识别模型。
10.根据权利要求9所述的方法，其中，所述特征提取编码模块依序包括特征提取层、降维层和编码层；
所述将所述目标尖峰语音帧输入至所述特征提取编码模块，得到音节特征矩阵，包括：
将所述目标尖峰语音帧输入至所述特征提取层，得到特征矩阵；
将所述特征矩阵输入至所述降维层，得到降维后的特征矩阵；以及
将所述降维后的特征矩阵输入至所述编码层，得到所述音节特征矩阵。
11.一种语音唤醒方法，包括：
将待识别语音输入至音节识别模型中，得到音节识别结果；以及
根据所述音节识别结果确定所述待识别语音是否为正确唤醒语音，
其中，所述音节识别模型是利用根据权利要求4至10中任一项所述的语音模型的训练方法得到的。
12.根据权利要求11所述的方法，还包括：
将待识别语音输入至关键词识别模型中，得到关键词识别结果；
其中，所述根据所述音节识别结果确定所述待识别语音是否为正确唤醒语音包括：
根据所述音节识别结果和所述关键词识别结果，确定所述待识别语音是否为正确唤醒语音。
13.一种语音信息处理装置，包括：
概率确定模块，用于对语音信息进行音节识别，得到所述语音信息的后验概率序列，其中，所述语音信息包括语音帧序列，所述后验概率序列与所述语音帧序列一一对应，所述后验概率序列中的每个后验概率用于表征与所述后验概率相匹配的语音帧中的音节与预定音节之间的相似度；以及
帧确定模块，用于基于所述后验概率序列，从所述语音帧序列中确定目标尖峰语音帧。
14.根据权利要求13所述的装置，其中，所述帧确定模块包括：
第一确定子模块，用于从所述后验概率序列中确定预定数目个目标后验概率，其中，所述预定数目个目标后验概率为联合概率数值最大的预定数目个后验概率；以及
第二确定子模块，用于从所述语音帧序列中确定与所述预定数目个目标后验概率相对应的所述预定数目个目标尖峰语音帧。
15.根据权利要求13所述的装置，其中，所述概率确定模块包括：
提取子模块，用于对所述语音信息进行音节特征提取，得到音节特征矩阵；以及
变换子模块，用于对所述音节特征矩阵进行线性变换，得到与所述语音帧序列一一对应的所述后验概率序列。
16.一种语音模型的训练装置，包括：
音节训练模块，用于利用目标尖峰语音帧和与所述目标尖峰语音帧相匹配的音节标签训练音节识别模型，得到经训练的音节识别模型，
其中，所述目标尖峰语音帧是利用根据权利要求13至15中任一项所述的语音信息处理装置处理得到的。
17.根据权利要求16所述的装置，还包括：
词训练模块，用于利用关键词训练样本训练关键词识别模型，得到经训练的关键词识别模型，其中，所述关键词训练样本包括训练语音和与所述训练语音相匹配的关键词标签；以及
模型确定模块，用于基于所述经训练的音节识别模型和所述经训练的关键词识别模型，得到语音识别模型。
18.根据权利要求17所述的装置，其中，所述词训练模块包括：
第一输入子模块，用于将所述训练语音输入至关键词识别模型中，得到所述训练语音的关键词置信度序列；
第三确定子模块，用于从所述关键词置信度序列中确定目标关键词置信度；以及
词训练子模块，用于利用所述目标关键词置信度与所述关键词标签训练所述关键词识别模型，得到所述经训练的关键词识别模型。
19.根据权利要求18所述的装置，其中，所述关键词识别模型依序包括卷积模块、门控循环单元和关键词分类模块；
所述输入子模块包括：
第一输入单元，用于将所述训练语音输入至所述卷积模块中，得到第一级特征向量序列，其中，所述训练语音包括训练语音帧序列，所述第一级特征向量序列与所述训练语音帧序列一一对应；
第二输入单元，用于将所述第一级特征向量序列输入至所述门控循环单元，得到第二级特征向量序列；以及
第三输入单元，用于将所述第二级特征向量序列输入至所述关键词分类模块，得到所述关键词置信度序列。
20.根据权利要求19所述的装置，其中，所述第二输入单元包括以下重复子单元：
第一确定子单元，用于基于上一时刻输出向量和当前时刻输入向量，分别确定当前时刻更新门和当前时刻候选隐藏层信息，其中，所述当前时刻输入向量为所述第一级特征向量序列中的当前时刻的第一级特征向量；
第二确定子单元，用于基于所述当前时刻候选隐藏层信息、上一时刻隐藏层信息和所述当前时刻更新门，确定当前时刻隐藏层信息；以及
第三确定子单元，用于基于所述当前时刻隐藏层信息和预定参数，确定当前时刻输出向量，其中，所述当前时刻输出向量为所述第二级特征向量序列中的当前时刻的第二级特征向量，所述预定参数是基于轻量化参数量阈值确定的。
21.根据权利要求16所述的装置，其中，所述音节识别模型包括特征提取编码模块和音节分类模块；
所述音节训练模块，包括：
第二输入子模块，用于将所述目标尖峰语音帧输入至所述特征提取编码模块，得到音节特征矩阵；
第三输入子模块，用于将所述音节特征矩阵输入至所述音节分类模块，得到样本音节识别结果；以及
音节训练子模块，用于利用所述样本音节识别结果和所述音节标签训练音节识别模型，得到所述经训练的音节识别模型。
22.根据权利要求21所述的装置，其中，所述特征提取编码模块依序包括特征提取层、降维层和编码层；
所述第二输入子模块包括：
第四输入单元，用于将所述目标尖峰语音帧输入至所述特征提取层，得到特征矩阵；
第五输入单元，用于将所述特征矩阵输入至所述降维层，得到降维后的特征矩阵；以及
第六输入单元，用于将所述降维后的特征矩阵输入至所述编码层，得到所述音节特征矩阵。
23.一种语音唤醒装置，包括：
音节识别模块，用于将待识别语音输入至音节识别模型中，得到音节识别结果；以及
唤醒确定模块，用于根据所述音节识别结果确定所述待识别语音是否为正确唤醒语音，
其中，所述音节识别模型是利用根据权利要求16至22中任一项所述的语音模型的训练装置得到的。
24.根据权利要求23所述的装置，还包括：
词识别模块，用于将待识别语音输入至关键词识别模型中，得到关键词识别结果；
其中，所述唤醒确定模块包括：
唤醒确定子模块，用于根据所述音节识别结果和所述关键词识别结果，确定所述待识别语音是否为正确唤醒语音。
25.一种电子设备，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至12中任一项所述的方法。
26.一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至12中任一项所述的方法。
27.一种计算机程序产品，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至12中任一项所述的方法。
CN202210839668.XA 2022-07-15 2022-07-15 语音信息处理方法、模型的训练方法、唤醒方法及装置 Active CN115223574B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210839668.XA CN115223574B (zh) 2022-07-15 2022-07-15 语音信息处理方法、模型的训练方法、唤醒方法及装置
US18/221,593 US20230360638A1 (en) 2022-07-15 2023-07-13 Method of processing speech information, method of training model, and wake-up method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210839668.XA CN115223574B (zh) 2022-07-15 2022-07-15 语音信息处理方法、模型的训练方法、唤醒方法及装置

Publications (2)

Publication Number Publication Date
CN115223574A true CN115223574A (zh) 2022-10-21
CN115223574B CN115223574B (zh) 2023-11-24

Family

ID=83611797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210839668.XA Active CN115223574B (zh) 2022-07-15 2022-07-15 语音信息处理方法、模型的训练方法、唤醒方法及装置

Country Status (2)

Country Link
US (1) US20230360638A1 (zh)
CN (1) CN115223574B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106098059A (zh) * 2016-06-23 2016-11-09 上海交通大学 可定制语音唤醒方法及系统
CN110838289A (zh) * 2019-11-14 2020-02-25 腾讯科技（深圳）有限公司 基于人工智能的唤醒词检测方法、装置、设备及介质
CN111429889A (zh) * 2019-01-08 2020-07-17 百度在线网络技术（北京）有限公司 基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质
CN111883117A (zh) * 2020-07-03 2020-11-03 北京声智科技有限公司 语音唤醒方法及装置
CN112466288A (zh) * 2020-12-18 2021-03-09 北京百度网讯科技有限公司 语音识别方法、装置、电子设备及存储介质
CN114078472A (zh) * 2021-11-08 2022-02-22 北京核芯达科技有限公司 一种低误唤醒率的关键词计算模型的训练方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106098059A (zh) * 2016-06-23 2016-11-09 上海交通大学 可定制语音唤醒方法及系统
CN111429889A (zh) * 2019-01-08 2020-07-17 百度在线网络技术（北京）有限公司 基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质
CN110838289A (zh) * 2019-11-14 2020-02-25 腾讯科技（深圳）有限公司 基于人工智能的唤醒词检测方法、装置、设备及介质
CN111883117A (zh) * 2020-07-03 2020-11-03 北京声智科技有限公司 语音唤醒方法及装置
CN112466288A (zh) * 2020-12-18 2021-03-09 北京百度网讯科技有限公司 语音识别方法、装置、电子设备及存储介质
CN114078472A (zh) * 2021-11-08 2022-02-22 北京核芯达科技有限公司 一种低误唤醒率的关键词计算模型的训练方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUNDONG ZHANG, ETC.: "Hello Edge: Keyword Spotting on Microcontrollers" *
YUNDONG ZHANG, ETC.: "Hello Edge: Keyword Spotting on Microcontrollers", <ARXIV:1711.07128V3 [CS.SD] > *

Also Published As

Publication number Publication date
CN115223574B (zh) 2023-11-24
US20230360638A1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
CN110838289B (zh) 基于人工智能的唤醒词检测方法、装置、设备及介质
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
CN112466288A (zh) 语音识别方法、装置、电子设备及存储介质
CN111833845A (zh) 多语种语音识别模型训练方法、装置、设备及存储介质
US20220358955A1 (en) Method for detecting voice, method for training, and electronic devices
CN115688920A (zh) 知识抽取方法、模型的训练方法、装置、设备和介质
CN114416943A (zh) 对话模型的训练方法、装置、电子设备及存储介质
CN114661910A (zh) 一种意图识别方法、装置、电子设备及存储介质
CN115130581A (zh) 样本生成方法、训练方法、数据处理方法以及电子设备
CN115687934A (zh) 意图识别方法、装置、计算机设备及存储介质
CN115312033A (zh) 基于人工智能的语音情感识别方法、装置、设备及介质
CN113468857B (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN114494747A (zh) 模型的训练方法、图像处理方法、装置、电子设备及介质
CN114037059A (zh) 预训练模型、模型的生成方法、数据处理方法及装置
WO2024011885A1 (zh) 语音唤醒方法、装置、电子设备以及存储介质
CN115223574B (zh) 语音信息处理方法、模型的训练方法、唤醒方法及装置
CN115860003A (zh) 一种语义角色分析方法、装置、电子设备及存储介质
CN113555005B (zh) 模型训练、置信度确定方法及装置、电子设备、存储介质
CN114756691A (zh) 结构图生成方法、模型的训练方法、图谱生成方法及装置
CN114647727A (zh) 应用于实体信息识别的模型训练方法、装置和设备
CN114417891A (zh) 基于粗糙语义的回复语句确定方法、装置及电子设备
CN112966108A (zh) 检测数据和训练分类模型的方法、装置、设备和存储介质
CN114491030A (zh) 技能标签的抽取、候选短语分类模型的训练方法及装置
CN113096649B (zh) 语音预测方法、装置、电子设备和存储介质

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