CN116030804A - 一种语音唤醒方法、语音唤醒装置及存储介质 - Google Patents

Abstract

本公开是关于一种语音唤醒方法、语音唤醒装置及存储介质。语音唤醒方法包括：监测语音数据，并对监测到的语音数据进行目标关键词检测；响应于检测到目标关键词，对所述语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对所述语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗；基于所述第二语音识别结果，唤醒设备。通过本公开可以降低设备执行唤醒语音功能所产生的功耗。

Description

一种语音唤醒方法、语音唤醒装置及存储介质

技术领域

本公开涉及人机交互技术领域，尤其涉及一种语音唤醒方法、语音唤醒装置及存储介质。

背景技术

随着智能语音技术的发展，语音唤醒成为了设备与用户交互的入口。相关技术中，设备会在非唤醒状态下，实时监听当前所处场景的语音数据，并通过语音数据进行语音唤醒指令的检测。进一步的，设备可以在通过所获取的语音数据，确定接收到语音唤醒指令的情况下，将自身调整为可以接收交互指令的唤醒状态，以此开启语音交互的第一步。

相关技术中，设备在监听语音数据，以及通过语音数据进行语音唤醒指令识别的过程中，存在功耗较高的问题。

发明内容

为克服相关技术中存在的问题，本公开提供一种语音唤醒方法、语音唤醒装置及存储介质。

根据本公开实施例的第一方面，提供一种语音唤醒方法，应用于具有语音唤醒功能的设备，包括：

监测语音数据，并对监测到的语音数据进行目标关键词检测；响应于检测到目标关键词，对所述语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对所述语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗；基于所述第二语音识别结果，唤醒设备。

一种实施方式中，对监测到的语音数据进行目标关键词检测，包括：在数据处理层，基于第一处理模式，对监测到的语音数据进行目标关键词检测；对所述语音数据进行第一语音识别，包括：在数据处理层，开启第二处理模式，并基于所述第二处理模式，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别；所述第二处理模式的功耗高于所述第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于所述第一处理模式进行目标关键词检测的精度。

一种实施方式中，所述在数据处理层，开启第二处理模式，包括：将数据处理层中的目标关键词标识传输至硬件抽象层HAL，通过所述硬件抽象层触发所述数据处理层开启所述第二处理模式；所述目标关键词标识用于标识已检测到目标关键词。

一种实施方式中，对所述语音数据进行第二语音识别，包括：在应用层，开启进行语音识别的应用，并通过所述应用对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

一种实施方式中，所述基于所述第二语音识别结果，唤醒设备，包括：若所述第二语音识别结果为所述目标结果，将所述语音数据发送至云端，由所述云端对所述语音数据进行第三语音识别；接收所述云端发送的第三语音识别结果，基于所述第三语音识别结果，唤醒设备。

一种实施方式中，由所述云端对所述语音数据进行第三语音识别，包括：基于所述云端，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

根据本公开实施例的第二方面，提供一种语音唤醒装置，应用于具有语音唤醒功能的设备，包括：

监测单元，用于监测语音数据，并对监测到的语音数据进行目标关键词检测；识别单元，响应于检测到目标关键词，对所述语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对所述语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗；处理单元，用于基于所述第二语音识别结果，唤醒设备。

一种实施方式中，所述监测单元采用如下方式对监测到的语音数据进行目标关键词检测：在数据处理层，基于第一处理模式，对监测到的语音数据进行目标关键词检测；所述识别单元采用如下方式对所述语音数据进行第一语音识别，包括：在数据处理层，开启第二处理模式，并基于所述第二处理模式，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别；所述第二处理模式的功耗高于所述第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于所述第一处理模式进行目标关键词检测的精度。

一种实施方式中，所述识别单元采用如下方式在数据处理层，开启第二处理模式，包括：将数据处理层中的目标关键词标识传输至硬件抽象层HAL，通过所述硬件抽象层触发所述数据处理层开启所述第二处理模式；所述目标关键词标识用于标识已检测到目标关键词。

一种实施方式中，所述识别单元采用如下方式对所述语音数据进行第二语音识别：在应用层，开启进行语音识别的应用，并通过所述应用对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

一种实施方式中，所述处理单元采用如下方式基于所述第二语音识别结果，唤醒设备，包括：若所述第二语音识别结果为所述目标结果，将所述语音数据发送至云端，由所述云端对所述语音数据进行第三语音识别；接收所述云端发送的第三语音识别结果，基于所述第三语音识别结果，唤醒设备。

一种实施方式中，所述识别单元采用如下方式由所述云端对所述语音数据进行第三语音识别：基于所述云端，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

根据本公开实施例第三方面，提供一种语音唤醒装置，包括：

处理器；用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行第一方面或者第一方面任意一种实施方式中所述的语音唤醒方法。

根据本公开实施例第四方面，提供一种存储介质，所述存储介质中存储有指令，当所述存储介质中的指令由处理器执行时，使得处理器能够执行第一方面或者第一方面任意一种实施方式中所述的语音唤醒方法。

本公开的实施例提供的技术方案可以包括以下有益效果：监测语音数据，并对监测到的语音数据进行目标关键词检测。在检测到目标关键词的情况下，对语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗。进一步的，可以通过第二语音识别结果，唤醒设备。由于该方法可以将第二语音识别侧原本的工作量部分转移至功耗较低的第一语音识别侧，因此，可以减少设备监测语音数据以及进行语音识别过程中所产生的功耗。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是相关技术中的一种语音唤醒方法的流程示意图。

图2是相关技术中的另一种语音唤醒方法的流程示意图。

图3是根据一示例性实施例示出的一种语音唤醒方法的流程图。

图4是根据一示例性实施例示出的一种设备通过目标关键词检测、第一语音识别以及第二语音识别的方式执行语音唤醒功能的流程示意图。

图5是根据一示例性实施例示出的另一种语音唤醒方法的流程图。

图6是根据一示例性实施例示出的又一种语音唤醒方法的流程图。

图7是根据一示例性实施例示出的再一种语音唤醒方法的流程图。

图8是根据一示例性实施例示出的另一种语音唤醒方法的流程图。

图9是根据一示例性实施例示出的一种设备通过目标关键词检测、第一语音识别、第二语音识别以及第三语音识别的方式执行语音唤醒功能的流程示意图。

图10是根据一示例性实施例示出的一种通过语音指令唤醒设备的流程示意图。

图11是根据一示例性实施例示出的一种语音唤醒装置框图。

图12是根据一示例性实施例示出的一种用于语音唤醒的装置的框图。

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。

在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本公开一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。下面结合附图对本公开的实施例进行详细说明。

语音唤醒技术，作为智能语音设备与用户交互的入口，具有广泛的应用前景。通过语音唤醒技术，可以使具有语音唤醒功能的设备在处于例如休眠、锁屏等状态下，检测到特定的语音指令，以使设备进入等待指令的状态，并以此开启语音交互的第一步。且由于语音唤醒只需发出语音指令，而无需手动操作，因此，可以大大提升人机交互的效率。

语音唤醒技术按识别对象的不同，可分为关键词检测技术和声纹识别技术。其中，关键词检测技术，是指在连续的语音流中，识别出特定语音指令(即关键词，又称唤醒词)的技术。声纹识别(又称用户识别)技术，是指提取用户声音特征，核验用户身份的技术，该技术常常应用于身份验证，可以保障个人信息安全，提高用户体验。

通常的，设备执行语音唤醒所需的内存大小、语音识别精度以及所产生的功耗，都会影响语音唤醒的实际效果。因此，通常需要语音唤醒技术同时满足高精度、低功耗、小内存占用和低计算量等条件，来提高用户的使用体验。

相关技术中的一种语音唤醒方法中，如图1所示，可以设置一具有高精度及高功耗的高级语音识别模块。在此基础上，设备能够保持麦克风开启，并通过麦克风采集场景中的语音数据。若用户对麦克风发出语音指令，麦克风可以将语音转化为语音数据，并通过该高级语音识别模块对该语音数据进行关键词检测及声纹识别。若检测到关键词且识别到用户的声纹，则可以唤醒设备，开启人机语音交互。由于实现语音唤醒，需保持语音识别模块处于常开启状态，因此，该方法存在设备功耗过高的问题。

相关技术中的另一种语音唤醒方法中，如图2所示，能够设置针对语音数据的二级识别，即在如图1所示的高级语音识别模块之前，增设一具有低功耗及低精度的低级语音识别。在此基础上，设备可以保持麦克风开启，并通过麦克风采集场景中的语音数据。若用户对麦克风发出语音指令，麦克风可以将语音转化为语音数据，进而先通过该低级语音识别模块对语音数据进行关键词检测，再在低级语音识别模块识别到关键词的基础上，通过高级语音识别模块进行关键词检测及声纹识别。在此基础上，只有在低级语音识别模块识别到关键词的情况下，功耗较高的高级语音识别模块才会被唤醒，该方法通过减少高级语音识别模块开启时间的方式，减少了设备的功耗。但是，由于低级语音识别模块通常与高级语音识别模块的识别精度差距较大，因此，常常会出现表征非关键词的语音数据被传输至高级语音识别模块进行语音识别的情况，这使得高级语音识别模块的误唤醒率较高。进一步的，设备产生的功耗仍较高。

本公开实施例提供了一种语音唤醒方法，可以在低级语音识别与高级语音识别之间，增设中间层级的语音识别。在此基础上，只有在中间层级的语音识别结果为目标结果的情况下，才会进行高级语音识别，该方法通过降低高级语音识别侧误唤醒率的方式，减小了设备的功耗。

本公开以下为便于描述，将在检测到目标关键词的情况下所进行的语音识别称为第一语音识别，将在确定第一语音识别结果为目标结果的情况下，所进行的语音识别称为第二语音识别。

图3是根据一示例性实施例示出的一种语音唤醒方法的流程图，如图3所示，语音唤醒方法应用于具有语音唤醒功能的设备中，包括以下步骤。

在步骤S11中，监测语音数据，并对监测到的语音数据进行目标关键词检测。

示例的，所监测的语音数据，可以是通过设备的麦克风等硬件，对设备当前所处场景实时采集得到的。当然，还可以是通过移动网络通信等方式实时传输至设备的。

在步骤S12中，在检测到目标关键词的情况下，对语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对语音数据进行第二语音识别。

其中，可以理解的是，第一语音识别可以是单一层级的语音识别，即通过一次语音识别得到第一语音识别结果。当然，也可以是多层级的语音识别，即通过多次语音识别得到第一语音识别结果，本公开对第一语音识别的实现不做具体限制。

本公开实施例中，进行第一语音识别的功耗低于进行第二语音识别的功耗。其中，目标关键词可以理解为用于唤醒设备的关键词。示例的，可以将目标关键词预先存储于本地或云端，已备进行关键词检测时调用。

在步骤S13中，基于第二语音识别结果，唤醒设备。

本公开实施例提供的语音唤醒方法，如图4所示，可以在用户发出语音指令的情况下，通过设备的麦克风采集相应的语音数据。该情况下，可以对所获取的语音数据进行目标关键词检测。进一步的，只有在检测到目标关键词的情况下才会进行第一语音识别，且只有在第一语音识别结果为目标结果的情况下，才会进行第二语音识别，该方法降低了第二语音识别侧的误唤醒率，以功耗较低的方式实现了设备的语音唤醒功能。

本公开实施例提供的屏幕唤醒方法可以应用于具有语音唤醒功能的设备。其中，具有语音唤醒功能的设备，例如可以包括语音助手、服务类机器人、智能家居设备以及车载语音系统。

示例的，本公开实施例提供的屏幕唤醒方法可以应用于以下场景：

场景一：用户对语音助手或服务类智能机器人说出唤醒语句，设备在检测到用户语音，且通过语音确定用户说出关键词的情况下，及时响应用户指令。

场景二：针对智能家居设备，增设语音唤醒功能。进一步的，智能家居设备对周围声音进行实时监测，并在检测到用户说出关键词的情况下，进入工作状态。

场景三：针对车载语音系统，司机可以在驾驶过程中说出关键词唤醒车载助手，并通过语音下达例如播放音乐、开关空调或开关车窗等指令，避免开车过程中分散注意力，提高安全性。

本公开实施例中，第一语音识别可以包括目标关键词检测和/或声纹识别，第二语音识别也可以包括目标关键词检测和/或声纹识别。由于第一语音识别用于对初始步骤的目标关键词检测结果进行验证，因此，第一语音识别过程中进行的目标关键词检测，精度更高。同样的，由于第二语音识别相当于对第一语音识别结果进行验证，因此，第二语音识别进行目标关键词检测的精度高于第一语音识别进行目标关键词检测的精度，且第二语音识别进行声纹识别的精度高于第一语音识别进行声纹识别的精度。

示例的，可以通过第一处理模式进行初始步骤的关键词检测，以及通过第二处理模式进行第一语音识别。其中，第二处理模式的功耗高于第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于第一处理模式进行目标关键词检测的精度。此外，示例的，可以通过能够进行语音识别的应用，对语音数据进行第二语音识别。

一实施方式中，若在语音识别过程中，同时进行关键词检测及声纹识别，则可以将检测到目标关键词且识别到目标声纹的语音识别结果确定为符合需求的目标结果。本公开以下针对同时进行关键词检测及声纹识别的应用场景，对唤醒设备的流程进行描述。其中，本公开实施例为便于描述，将用于进行初始步骤的目标关键词检测的处理模式称为第一处理模式，将用于进行第一语音识别的处理模式称为第二处理模式。

图5是根据一示例性实施例示出的另一种语音唤醒方法的流程图，如图5所示，包括以下步骤。

在步骤S21中，监测语音数据，并在数据处理层，以第一处理模式对监测到的语音数据进行目标关键词检测。

示例的，可以将语音数据传输至第一处理模式的缓存(buffer)，以使第一处理模式对语音数据进行目标关键词检测。

在步骤S22中，在检测到目标关键词的情况下，在数据处理层，开启第二处理模式，并基于第二处理模式，对语音数据进行目标关键词检测，以及对语音数据进行声纹识别。

示例的，可以在开启第二处理模式之前，关闭第一处理模式。由于语音数据当前存储与第一处理模式的缓存内，因此，一实施方式中，可以将存储于第一处理模式的缓存中的语音数据拷贝至设备内存。该情况下，若关闭第一处理模式以及开启第二处理模式，则第二处理模式可以将存储于设备的语音数据拷贝至第二处理模式的缓存，以使第二处理模式可以对语音数据进行目标关键词检测以及声纹识别。

本公开实施例中，相较于S21步骤中的目标关键词检测，S22步骤中的目标关键词检测的精度更高，可以实现对S21步骤中目标关键词检测结果的进一步验证。

在步骤S23中，在以第二处理模式对语音数据进行目标关键词检测的检测结果为检测到目标关键词，且以第二处理模式对语音数据进行声纹识别的识别结果为识别到目标声纹的情况下，在应用层，开启进行语音识别的应用，并通过应用对语音数据进行目标关键词检测，以及对语音数据进行声纹识别。

示例的，可以将第二处理模式的缓存中所存储的语音数据传输至进行语音识别的应用，以使该应用对语音数据进行目标关键词检测以及声纹识别。当然，应用也可以直接在设备内存中读取语音数据，本公开对此不作具体限定。

在步骤S24中，在通过应用对语音数据进行目标关键词检测的检测结果为检测到目标关键词，且通过应用对语音数据进行声纹识别的识别结果为识别到目标声纹的情况下，唤醒设备。

本公开实施例中，可以将目标关键词的检测结果设置为开启第二处理模式的触发条件。示例的，可以设置用于标识已检测到目标关键词的目标关键词标识，并通过该标识，实现硬件抽象层(HardwareAbstractionLayer，HAL)与数据处理层之间的交互，进而实现开启第二处理模式。

图6是根据一示例性实施例示出的又一种语音唤醒方法的流程图，如图6所示，本公开实施例中的步骤S31、步骤S33和步骤S34与图5中的步骤S21、步骤S23和步骤S24的执行方法相似，在此不做赘述。

在步骤S32中，在检测到目标关键词的情况下，将数据处理层中的目标关键词标识传输至硬件抽象HAL层，通过HAL层触发数据处理层开启第二处理模式，并基于第二处理模式，对语音数据进行目标关键词检测，以及对语音数据进行声纹识别。

一实施方式中，可以通过数字信号处理(DigitalSignalProcessing，DSP)模块对语音数据进行目标关键词检测和/或声纹识别。示例的，针对以DSP模块进行语音识别的场景，第一处理模式可以为DSP模块的低功耗空闲模式(LowPowerIdle，LPI)，第二处理模式可以为DSP模块的高功耗处理模式。进一步的，可以通过DSP模块的LPI模式对所获取的语音数据进行初始步骤的目标关键词检测，进而在检测到目标关键词的情况下，通过DSP模块的高功耗处理模式，对语音数据进行第一语音识别，例如，对语音数据进行目标关键词检测以及声纹识别。

图7是根据一示例性实施例示出的再一种语音唤醒方法的流程图，如图7所示，包括以下步骤。

在步骤S41中，监测语音数据，并通过DSP模块的LPI模式对监测到的语音数据进行目标关键词检测。

在步骤S42中，在检测到目标关键词的情况下，将DSP模块切换至高功耗处理模式，并通过高功耗处理模式，对语音数据进行目标关键词检测，以及对语音数据进行声纹识别。

示例的，DSP模块由LPI模式切换至高功耗处理模式的方式，可以与步骤S32中开启第二处理模式的方式相同。即，在LPI模式检测到目标关键词的情况下，设置目标关键词标识，并将目标关键词标识传输至HAL层，以使HAL层下发返回参数，触发开启DSP模块的高功耗处理模式。

在步骤S43中，在以高功耗处理模式对语音数据进行目标关键词检测的检测结果为检测到目标关键词，且以高功耗处理模式对语音数据进行声纹识别的识别结果为识别到目标声纹的情况下，开启进行语音识别的应用，并通过应用对语音数据进行目标关键词检测，以及对语音数据进行声纹识别。

一示例中，在通过DSP模块的LPI模式进行目标关键词检测，以及通过DSP模块的高功耗处理模式进行目标关键词检测和/或声纹识别的过程中，具有语音唤醒功能的设备可以处于灭屏状态或待机状态。进一步的，在高功耗处理模式的目标关键词检测结果和/或声纹识别结果符合目标结果的情况下，可以将设备切换为亮屏状态，并通过开启语音识别应用的方式，对语音数据进行进一步检测。

在步骤S44中，在通过应用对语音数据进行目标关键词检测的检测结果为检测到目标关键词，且通过应用对语音数据进行声纹识别的识别结果为识别到目标声纹的情况下，唤醒设备。

本公开实施例提供的语音唤醒方法，只有在通过LPI模式检测到目标关键词的情况下，才会开启DSP模块的高功耗处理模式，并以高功耗处理模式进行第一语音识别。只有在通过高功耗处理模式检测到目标关键词和/或识别到目标声纹的情况下，才会唤醒进行语音识别的应用，该方法可以减小应用侧的误唤醒率，并通过该方式减小设备执行语音唤醒功能所产生的功耗。

通常的，由于设备的内存限制，设备端只能够使用规模较小的语音识别模型，此类语音识别模型精度受限。一示例中，可以在云端设置规模较大且精度较高的语音识别模型，进而通过在设备语音唤醒流程中增设云端处理的方式，提高设备针对语音数据的识别精度，以此减小设备的误唤醒率。

图8是根据一示例性实施例示出的另一种语音唤醒方法的流程图，如图8所示，本公开实施例中的步骤S51和步骤S51与图3中的步骤S11和步骤S12相似，在此不做赘述。

在步骤S53中，若第二语音识别结果为目标结果，则将语音数据发送至云端，由云端对语音数据进行第三语音识别。

在步骤S54中，接收云端发送的第三语音识别结果，基于第三语音识别结果，唤醒设备。

其中，由云端对语音数据进行第三语音识别，可以是通过云端，对语音数据进行目标关键词检测和/或对语音数据进行声纹识别。且由于可以在云端设置精度更高的语音识别模型，因此，相较于第二语音识别，云端进行目标关键词检测和/或声纹识别的精度更高。换言之，以云端侧的语音识别结果(即第三语音识别结果)作为最终的语音识别结果，可以进一步减小设备的误唤醒率。

图9是根据一示例性实施例示出的一种设备通过目标关键词检测、第一语音识别、第二语音识别以及第三语音识别的方式执行语音唤醒功能的流程示意图。

示例的，如图9所示，用户对设备发出语音指令，设备通过麦克风获取语音数据，并对所获取的语音数据进行目标关键词检测。进一步的，只有可以同时通过第一语音识别、第二语音识别以及第三语音识别的语音数据，才能唤醒设备。由于相较于第二语音识别，第三语音识别具有更高的精度，因此，可以进一步减小具有语音唤醒功能的设备的误唤醒率。

本公开实施例中，可以针对设备当前的网络数据传输质量，选择是否在第二语音识别结果为目标结果的情况下，通过第三语音识别对语音数据进行进一步检测。例如，针对未与云端建立网络通信或网络质量较差的设备，可以直接在第二语音识别结果为目标结果的情况下，唤醒终端。又例如，针对与云端建立网络通信且网络质量较优的设备，可以在第二语音识别结果为目标结果的情况下，将语音数据传输至云端，并通过云端对语音数据进行第三语音识别。

示例的，除通过“目标关键词检测→第一语音识别→第二语音识别→第三语音识别”的语音识别方式外，还可以采用其他语音识别方式。例如，若针对不考虑设备功耗的场景，则可以采用“目标关键词检测→第二语音识别→第三语音识别”，以及采用“第二语音识别→第三语音识别”的语音识别方式。又例如，还可以通过直接将语音数据传输至云端的方式，实现以高效准确的语音识别方式实现设备的语音唤醒。

图10是根据一示例性实施例示出的一种通过语音指令唤醒设备的流程示意图。

示例的，如图10所示，在设备监测语音数据的过程中，用户可以对设备发出语音指令。设备以帧间隔(例如2s)，将所获取语音数据打包并发送至LPI模式的缓存。若以LPI模式对语音数据进行检测，且检测结果为未检测到目标关键词，则删除缓存中的语音数据，结束语音识别流程。若以LPI模式对语音数据进行检测，且检测结果为检测到目标关键词，则将语音数据保存至设备内存，并将DSP模块由LPI模式切换至高功耗处理模式，并将保存在设备内存的语音数据传输至高功耗处理模式的缓存，以通过高功耗处理模式对语音数据进行目标关键词检测以及声纹识别(即，第一语音识别)。该情况下，若高功耗处理模式未检测到目标关键词或未识别到目标声纹，则可以结束语音识别流程，并关闭高功耗处理模式。若高功耗处理模式检测到目标关键词且识别到目标声纹，则可以通过语音识别应用对语音数据进行进一步的语音识别。

其中，开启或关闭高功耗处理模式，可以通过向HAL层发送事件的方式。例如，若需开启高功耗处理模式，则可以将检测到目标关键词的检测结果设置为目标关键词标识，并将该标识发送至HAL层，以使HAL层返回参数，开启高功耗处理模式。又例如，若需关闭高功耗处理模式，则可以将未检测到目标关键词的检测结果和/或未识别到目标声纹的识别结果设置为用于关闭高功耗处理模式的标识，将标识发送至HAL层，可以使HAL层返回参数，并关闭高功耗处理模式。该情况下，麦克风继续保持开启状态，获取语音数据。

示例的，在开启进行语音识别的应用的情况下，可以通过该应用进行目标关键词检测以及声纹识别(即，第二语音识别)。若应用未检测到目标关键词和/或未识别到目标声纹，则可以关闭高功耗处理模式，结束语音识别流程。若应用检测到目标关键词其识别到目标声纹，则可以通过设备将语音数据传输至云端，以使云端对语音数据进行进一步的语音识别(即，第三语音识别)。进一步的，若云端未检测到目标关键词和/或未识别到目标声纹，则可以关闭高功耗处理模式，结束语音识别流程。若云端检测到目标关键词且识别到目标声纹，则可以唤醒设备，以使设备可以执行语音交互功能。

本公开实施例提供的语音唤醒方法，针对设备进行语音识别的流程，可以在检测到目标关键词，且第一语音识别结果、第二语音识别结果以及第三语音识别结果都为目标结果的情况下，唤醒设备。通过本公开可以在保证设备以较低功耗执行语音唤醒功能的情况下，降低设备的误唤醒率，进而提高了用户使用体验。

基于相同的构思，本公开实施例还提供一种语音唤醒装置。

可以理解的是，本公开实施例提供的语音唤醒装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。

图11是根据一示例性实施例示出的一种语音唤醒装置框图。参照图11，该装置100包括监测单元101、识别单元102和处理单元103。

监测单元101，用于监测语音数据，并对监测到的语音数据进行目标关键词检测。识别单元102，响应于检测到目标关键词，对语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗。处理单元103，用于基于第二语音识别结果，唤醒设备。

一种实施方式中，监测单元101采用如下方式对监测到的语音数据进行目标关键词检测：在数据处理层，基于第一处理模式，对监测到的语音数据进行目标关键词检测。识别单元102采用如下方式对语音数据进行第一语音识别，包括：在数据处理层，开启第二处理模式，并基于第二处理模式，对语音数据进行目标关键词检测和/或对语音数据进行声纹识别。第二处理模式的功耗高于第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于第一处理模式进行目标关键词检测的精度。

一种实施方式中，识别单元102采用如下方式在数据处理层，开启第二处理模式，包括：将数据处理层中的目标关键词标识传输至硬件抽象层HAL，通过硬件抽象层触发数据处理层开启第二处理模式。目标关键词标识用于标识已检测到目标关键词。

一种实施方式中，识别单元102采用如下方式对语音数据进行第二语音识别：在应用层，开启进行语音识别的应用，并通过应用对语音数据进行目标关键词检测和/或对语音数据进行声纹识别。

一种实施方式中，处理单元103采用如下方式基于第二语音识别结果，唤醒设备，包括：若第二语音识别结果为目标结果，将语音数据发送至云端，由云端对语音数据进行第三语音识别。接收云端发送的第三语音识别结果，基于第三语音识别结果，唤醒设备。

一种实施方式中，识别单元102采用如下方式由云端对语音数据进行第三语音识别：基于云端，对语音数据进行目标关键词检测和/或对语音数据进行声纹识别。

本公开实施例提供的语音唤醒装置，针对设备进行语音识别的流程，可以在检测到目标关键词，且第一语音识别结果、第二语音识别结果以及第三语音识别结果都为目标结果的情况下，唤醒设备。通过本公开可以在保证设备以较低功耗执行语音唤醒功能的情况下，降低设备的误唤醒率，进而提高了用户使用体验。

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。

图12是根据一示例性实施例示出的一种用于语音唤醒的装置200的框图。例如，装置200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图12，装置200可以包括以下一个或多个组件：处理组件202，存储器204，电力组件206，多媒体组件208，音频组件210，输入/输出(I/O)接口212，传感器组件214，以及通信组件216。

处理组件202通常控制装置200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202可以包括一个或多个处理器220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件202可以包括一个或多个模块，便于处理组件202和其他组件之间的交互。例如，处理组件202可以包括多媒体模块，以方便多媒体组件208和处理组件202之间的交互。

存储器204被配置为存储各种类型的数据以支持在装置200的操作。这些数据的示例包括用于在装置200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204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件206为装置200的各种组件提供电力。电力组件206可以包括电源管理系统，一个或多个电源，及其他与为装置200生成、管理和分配电力相关联的组件。

多媒体组件208包括在所述装置200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208包括一个前置摄像头和/或后置摄像头。当装置200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210被配置为输出和/或输入音频信号。例如，音频组件210包括一个麦克风(MIC)，当装置200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204或经由通信组件216发送。在一些实施例中，音频组件210还包括一个扬声器，用于输出音频信号。

I/O接口212为处理组件202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214包括一个或多个传感器，用于为装置200提供各个方面的状态评估。例如，传感器组件214可以检测到装置200的打开/关闭状态，组件的相对定位，例如所述组件为装置200的显示器和小键盘，传感器组件214还可以检测装置200或装置200一个组件的位置改变，用户与装置200接触的存在或不存在，装置200方位或加速/减速和装置200的温度变化。传感器组件214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214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214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216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络，如WiFi，4G或5G，或它们的组合。在一个示例性实施例中，通信组件216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216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，装置200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204，上述指令可由装置200的处理器220执行以完成上述方法。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。

可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。

进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。

进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。

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。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利范围指出。

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范围来限制。

Claims (14)

1.一种语音唤醒方法，其特征在于，应用于具有语音唤醒功能的设备，所述语音唤醒方法包括：

监测语音数据，并对监测到的语音数据进行目标关键词检测；

响应于检测到目标关键词，对所述语音数据进行第一语音识别，并在确定所述第一语音识别结果为目标结果的情况下，对所述语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗；

基于所述第二语音识别结果，唤醒设备。

2.根据权利要求1所述的语音唤醒方法，其特征在于，对监测到的语音数据进行目标关键词检测，包括：

在数据处理层，基于第一处理模式，对监测到的语音数据进行目标关键词检测；

对所述语音数据进行第一语音识别，包括：

在数据处理层，开启第二处理模式，并基于所述第二处理模式，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别；

所述第二处理模式的功耗高于所述第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于所述第一处理模式进行目标关键词检测的精度。

3.根据权利要求2所述的语音唤醒方法，其特征在于，所述在数据处理层，开启第二处理模式，包括：

将数据处理层中的目标关键词标识传输至硬件抽象层HAL，通过所述硬件抽象层触发所述数据处理层开启所述第二处理模式；

所述目标关键词标识用于标识已检测到目标关键词。

4.根据权利要求2或3所述的语音唤醒方法，其特征在于，对所述语音数据进行第二语音识别，包括：

在应用层，开启进行语音识别的应用，并通过所述应用对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

5.根据权利要求1所述的语音唤醒方法，其特征在于，所述基于所述第二语音识别结果，唤醒设备，包括：

若所述第二语音识别结果为所述目标结果，将所述语音数据发送至云端，由所述云端对所述语音数据进行第三语音识别；

接收所述云端发送的第三语音识别结果，基于所述第三语音识别结果，唤醒设备。

6.根据权利要求5所述的语音唤醒方法，其特征在于，由所述云端对所述语音数据进行第三语音识别，包括：

基于所述云端，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

7.一种语音唤醒装置，其特征在于，应用于具有语音唤醒功能的设备，所述语音唤醒装置包括：

监测单元，用于监测语音数据，并对监测到的语音数据进行目标关键词检测；

识别单元，响应于检测到目标关键词，对所述语音数据进行第一语音识别，并在确定第一语音识别结果为目标结果的情况下，对所述语音数据进行第二语音识别，进行第一语音识别的功耗低于进行第二语音识别的功耗；

处理单元，用于基于所述第二语音识别结果，唤醒设备。

8.根据权利要求7所述的语音唤醒装置，其特征在于，所述监测单元采用如下方式对监测到的语音数据进行目标关键词检测：

在数据处理层，基于第一处理模式，对监测到的语音数据进行目标关键词检测；

所述识别单元采用如下方式对所述语音数据进行第一语音识别，包括：

在数据处理层，开启第二处理模式，并基于所述第二处理模式，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别；

所述第二处理模式的功耗高于所述第一处理模式的功耗，且第二处理模式进行目标关键词检测的精度高于所述第一处理模式进行目标关键词检测的精度。

9.根据权利要求8所述的语音唤醒装置，其特征在于，所述识别单元采用如下方式在数据处理层，开启第二处理模式，包括：

将数据处理层中的目标关键词标识传输至硬件抽象层HAL，通过所述硬件抽象层触发所述数据处理层开启所述第二处理模式；

所述目标关键词标识用于标识已检测到目标关键词。

10.根据权利要求8或9所述的语音唤醒装置，其特征在于，所述识别单元采用如下方式对所述语音数据进行第二语音识别：

在应用层，开启进行语音识别的应用，并通过所述应用对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

11.根据权利要求7所述的语音唤醒装置，其特征在于，所述处理单元采用如下方式基于所述第二语音识别结果，唤醒设备，包括：

若所述第二语音识别结果为所述目标结果，将所述语音数据发送至云端，由所述云端对所述语音数据进行第三语音识别；

接收所述云端发送的第三语音识别结果，基于所述第三语音识别结果，唤醒设备。

12.根据权利要求11所述的语音唤醒装置，其特征在于，所述识别单元采用如下方式由所述云端对所述语音数据进行第三语音识别：

基于所述云端，对所述语音数据进行目标关键词检测和/或对所述语音数据进行声纹识别。

13.一种语音唤醒装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的语音唤醒方法。

14.一种存储介质，其特征在于，所述存储介质中存储有指令，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1至6中任意一项所述的语音唤醒方法。

Images