JP6857699B2 - 音声対話設備のウェイクアップ方法、装置、設備、記憶媒体、及びプログラム - Google Patents

Description

本発明は、音声対話の技術分野に関し、特に、音声対話設備のウェイクアップ方法、装置、設備、記憶媒体、及びプログラムに関する。

従来の音声対話設備は、誤ってウェイクアップされる場合があり、例えば、テレビやラジオなどの設備で再生される音声信号によって誤ってウェイクアップされる場合やユーザーの音声コンテンツにウェイクアップワードが含まれていなくてもこの音声コンテンツからウェイクアップワードと誤認識されることにより誤ってウェイクアップされる場合がある。これらの誤ったウェイクアップ状況は、ユーザーエクスペリエンスに影響を与える。

本発明は、少なくとも従来技術における上記技術的課題を解決するために、音声対話設備のウェイクアップ方法、装置、設備、記憶媒体、及びプログラムを提供する。

本発明の第１態様は、音声対話設備のウェイクアップ方法を提供する。当該方法は、音声信号を収集することと、前記音声信号の第１声紋特徴を抽出することと、前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と前記予め記憶された基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定することと、ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、前記ウェイクアップワードが含まれている場合、前記音声対話設備をウェイクアップすることと、を含む。

１つの実施形態において、複数の基準声紋特徴が予め記憶されており、前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と前記予め記憶された基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定することは、前記第１声紋特徴と前記予め記憶された各基準声紋特徴との間の類似度を得、前記第１声紋特徴と前記複数の基準声紋特徴のうちの１つとの間の類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定する。

１つの実施形態において、ユーザーの音声信号を収集し、前記ユーザーの音声信号の第２声紋特徴を抽出し、前記第２声紋特徴を前記基準声紋特徴として確定することをさらに含む。

１つの実施形態において、前記基準声紋特徴に対応するウェイクアップワード認識モデルを予め構築することをさらに含み、前記ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断することは、前記第１声紋特徴と一致する基準声紋特徴を特定することと、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得することと、取得されたウェイクアップワード認識モデルを用いて前記音声信号を判断することとを含む。

１つの実施形態において、前記基準声紋特徴に対応するウェイクアップワード認識モデルを予め構築することは、前記基準声紋特徴を有する正サンプル及び負サンプルを用いて前記ウェイクアップワード認識モデルをトレーニングすることを含み、前記正サンプルが前記ウェイクアップワードを含み前記音声対話設備をウェイクアップできる音声信号であり、前記負サンプルが前記ウェイクアップワードを含まず前記音声対話設備をウェイクアップできる音声信号である。

本発明の第２態様は、音声対話設備のウェイクアップ装置をさらに提供する。当該装置は、
音声信号を収集する収集モジュールと、前記音声信号の第１声紋特徴を抽出する抽出モジュールと、前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と前記予め記憶された基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定する比較モジュールと、ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、前記ウェイクアップワードが含まれている場合、前記音声対話設備をウェイクアップする判断・ウェイクアップモジュールと、を備える。

１つの実施形態において、複数の基準声紋特徴を記憶する声紋記憶モジュールをさらに備え、前記比較モジュールは、前記第１声紋特徴と予め記憶された各基準声紋特徴との間の類似度を得、前記第１声紋特徴と前記複数の基準声紋特徴のうちの１つとの間の類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定する。

１つの実施形態において、ユーザーの音声信号を収集し、前記ユーザーの音声信号の第２声紋特徴を抽出し、前記第２声紋特徴を前記基準声紋特徴として確定する声紋確定モジュールをさらに備える。

１つの実施形態において、前記基準声紋特徴に対応するウェイクアップワード認識モデルを構築するモデル構築モジュールをさらに備え、前記判断・ウェイクアップモジュールは、前記第１声紋特徴と一致する基準声紋特徴を特定し、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得し、取得されたウェイクアップワード認識モデルを用いて前記音声信号を判断する。

１つの実施形態において、前記モデル構築モジュールは、前記基準声紋特徴を有する正サンプル及び負サンプルを用いて前記ウェイクアップワード認識モデルをトレーニングし、前記正サンプルはウェイクアップワードを含み前記音声対話設備をウェイクアップできる音声信号であり、前記負サンプルは前記ウェイクアップワードを含まず前記音声対話設備をウェイクアップできる音声信号である。

本発明の第３態様は、音声対話設備のウェイクアップ設備を提供し、前記設備の機能は、ハードウェアによって実現されてもよく、ハードウェアが対応するソフトウェアを実行することによって実現されてもよい。前記ハードウェア又はソフトウェアは、上記機能に対応する１つ又は複数のモジュールを含む。

１つの可能な実施形態において、前記設備にはプロセッサとメモリとが備えられている。前記メモリには、前記設備が上記音声対話設備のウェイクアップ方法を実行することをサポートするためのプログラムが記憶されており、前記プロセッサは、前記メモリに記憶されたプログラムを実行するように構成される。前記設備は、ほかの設備又は通信ネットワークと通信するための通信インターフェースをさらに備える。

本発明の第４態様は、コンピュータ可読媒体を提供する。当該コンピュータ可読媒体は、音声対話設備のウェイクアップ設備に用いられ、前記音声対話設備のウェイクアップ方法を実行するプログラムを含むコンピュータソフトウェアコマンドを記憶するために用いられる。

上記技術案のうちのいずれか１つの技術案は、以下の利点又は有益な効果を有する。

本発明は、音声信号が収集された後、音声信号の声紋特徴と予め記憶された基準声紋特徴とが一致しているかどうかを判断し、一致している場合、ウェイクアップワード認識モデルを用いて、音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、ウェイクアップワードが含まれる場合、音声対話設備をウェイクアップする。このような段階的な検出により、音声対話設備のウェイクアップ誤り率を低減させることができる。

上記の略述は、単に説明のために過ぎず、いかなる限定をも目的としない。上記に記載されている例示的な様態、実施形態、及び特徴以外に、図面及び下記の詳細説明を参照することによって、本発明のさらなる様態、実施形態、及び特徴の理解を促す。

本発明の実施形態に係る音声対話設備のウェイクアップ方法のフローチャートである。 本発明の実施形態に係る音声対話設備のウェイクアップ装置の概略構造図である。 本発明の他の実施形態に係る音声対話設備のウェイクアップ装置の概略構造図である。 本発明の実施形態に係る音声対話設備のウェイクアップ設備の概略構造図である。

図面において特に規定されない限り、複数の図面において同様の図面符号は、同様又は類似的な部材又はエレメントを示す。これらの図面は必ずしも実際の比例に従って製図されたものではない。これらの図面は本発明に基づいて開示された幾つかの実施形態を描いたものに過ぎず、本発明の範囲に対する制限としてはならないことを理解すべきである。

下記において、幾つかの例示的実施形態を簡単に説明する。当業者が把握出来るよう、本発明の主旨又は範囲を逸脱しない限り、様々な方式により説明された実施形態に変更可能である。従って、図面と説明は制限を加えるものでなく、本質的には例示的なものである。

本発明は、主に、音声対話設備のウェイクアップ方法及び装置を提供する。以下、下記の実施形態を参照しながら技術案を詳細に説明する。

図１は、本発明の実施形態に係る音声対話設備のウェイクアップ方法のフローチャートである。図１に示すように、当該音声対話設備のウェイクアップ方法は、以下のステップＳ１１〜Ｓ１４を含む。

ステップＳ１１は、音声信号を収集する。

ステップＳ１２は、音声信号の第１声紋特徴を抽出する。

ステップＳ１３は、前記第１声紋特徴と予め記憶された基準声紋特徴とを比較し、前記第１声紋特徴と前記基準声紋特徴が一致している場合、ステップＳ１４を実行する。

ステップＳ１４は、ウェイクアップワード認識モデルを用いて、音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、ウェイクアップワードが含まれる場合、音声対話設備をウェイクアップする。

１つの可能な実施形態において、前述のステップＳ１１にて音声信号を収集する方法として、オーディオ信号を受信し、前記オーディオ信号から音声信号を抽出することを含むことができる。ここで、オーディオ信号は、音声、音楽、効果音を有する規則正しい音波の周波数と振幅が変化する情報キャリアである。音波の特性を利用することにより、オーディオ信号から音声信号を抽出できる。

１つの可能な実施形態において、前述のステップＳ１２において、声紋認識技術を使用することにより、音声信号の第１声紋特徴を抽出することができる。声紋（ｖｏｉｃｅｐｒｉｎｔ）は、電気音響機器によって表示される、言語情報を携える音響スペクトルである。いかなる２人の声紋特徴は異なるものであり、人々の声紋特徴は相対的な安定性を有している。声紋認識は、テキスト関連（Ｔｅｘｔ−Ｄｅｐｅｎｄｅｎｔ）の声紋認識、テキスト非関連（Ｔｅｘｔ−Ｉｎｄｅｐｅｎｄｅｎｔ）の声紋認識の２種類ある。テキスト関連の声紋認識システムでは、ユーザーは所定のコンテンツに従って発音する必要があるため、人ごとに声紋モデルを正確に構築しており、認識する時にも所定のコンテンツに従って発音しなければならない。テキスト非関連の声紋認識システムでは、ユーザーは所定のコンテンツに従って発音する必要がない。本発明の実施形態では、テキスト非関連の声紋認識方式を利用することができる。声紋特徴を抽出して声紋特徴を比較するとき、ユーザーは所定のコンテンツに従って発音するのでなく、任意のコンテンツである音声信号を用いることができる。

１つの可能な実施形態において、少なくとも１つの基準声紋特徴が予め記憶されていてもよい。例えば、１つの音声対話設備は、音声対話設備の「マスター」と見なされる複数のユーザーを有してもよい。本発明の実施形態では、各ユーザーの声紋特徴をそれぞれ１つの基準声紋特徴とし、各基準声紋特徴を記憶することができる。具体的には、前記少なくとも１つの基準声紋特徴は次のように確定してもよい。すなわち、少なくとも１つのユーザーの音声信号を収集し、各ユーザーの音声信号の第２声紋特徴を抽出し、前記それぞれの第２声紋特徴をそれぞれ１つの基準声紋特徴として確定する。基準声紋特徴を確定するため、各ユーザーの音声信号を収集する時、ユーザーの許可の下で録音設備をオンにし、ユーザーの生活中のさまざまな場面における音声信号を録音することができる。

１つの可能な実施形態において、ステップＳ１３では、前記第１声紋特徴と予め記憶された各基準声紋特徴を比較し、第１声紋特徴と基準声紋特徴のうちの１つが一致している場合、前記第１声紋特徴と前記基準声紋特徴は一致していると判定する。

例えば、Ｎ（Ｎは正の整数）個の基準声紋特徴を予め記憶する。比較の過程において、第１声紋特徴をＮ個の基準声紋特徴と順次に比較し、第１声紋特徴がある基準声紋特徴と一致していることが判明した場合、比較結果は一致していると判定し、その後、他の基準声紋特徴との比較は行わない。第１声紋特徴が基準声紋特徴のいずれとも一致しないことが判明した場合、比較結果は不一致であると判定する。あるいは、第１声紋特徴をそれぞれ、Ｎ個の基準声紋特徴と比較し、第１声紋特徴と対応する基準声紋特徴との間の類似度を示すＮ個の比較結果を得、類似度が最大である比較結果を取得し、当該最大類似度がプリセットされた閾値を超える場合、第１声紋特徴と対応する基準声紋特徴との比較結果は一致していると判定し、当該最大類似度がプリセットされた閾値以下である場合、第１声紋特徴は基準声紋特徴のいずれとも不一致であると判定することができる。

１つの可能な実施形態において、各基準声紋特徴に対応するウェイクアップワード認識モデルが予め構築されてもよい。例えば、音声対話設備のＮ人のユーザーに対し、Ｎ人のユーザーの声紋特徴をＮ個の基準声紋特徴として予め抽出し、Ｎ個の基準声紋特徴に対し、対応するウェイクアップワード認識モデルをそれぞれ構築することができる。ユーザーと、基準声紋特徴、及びウェイクアップワード認識モデルとの対応関係は、以下の表１に示すとおりである。

ウェイクアップワード認識モデルが構築される時、対応の基準声紋特徴を有する正サンプル及び負サンプルを用いて、ウェイクアップワード認識モデルをトレーニングすることができる。ここで、正サンプルは、ウェイクアップワードを含み、前記音声対話設備をウェイクアップできる音声信号であり、負サンプルは、ウェイクアップワードを含まず、音声対話設備をウェイクアップできない音声信号である。

ウェイクアップワードは負サンプルに含まれていないが、ユーザーのアクセントなどの問題により、音声対話設備が負サンプルからウェイクアップワードを認識しまう可能性がある。このような状況は、誤ったウェイクアップに属する。

例えば、「度ちゃん、度ちゃん」を音声対話設備のウェイクアップワードとする。

ユーザーが「度ちゃん、度ちゃん」と音声信号を送信すると、音声対話設備は当該音声信号のコンテンツをテキスト情報に変換する。当該テキスト情報のコンテンツが「度ちゃん、度ちゃん」である場合、該音声対話設備はウェイクアップされることができる。ユーザーの送信した「度ちゃん、度ちゃん」という音声信号は、正サンプルである。

ユーザーが「兔ちゃん、兔ちゃん」と音声信号を送信すると、音声対話設備は当該音声信号のコンテンツをテキスト情報に変換する。ユーザーのアクセント問題により音声対話設備により変換されて得たテキスト情報のコンテンツが「度ちゃん、度ちゃん」になってしまった場合、音声対話設備をウェイクアップすることもできる。ユーザーの送信した音声信号にウェイクアップワードは含まれていないので、音声対話設備をウェイクアップすることは意図されていない。従って、このような状況は、誤ったウェイクアップに属する。ユーザーの送信した「兔ちゃん、兔ちゃん」という音声信号は、負サンプルである。

本発明の実施形態において、正サンプルと負サンプルとを用いてウェイクアップワード認識モデルをトレーニングすることで、ウェイクアップ音声信号を正しく認識させ、音声対話設備が誤ってウェイクアップされる可能性を低減させることができる。

１つの可能な実施形態において、ウェイクアップワード認識モデルによる判断がより正確になるように、ユーザーが音声対話設備を使用する過程において、負サンプルを記録して追加し、正サンプルと追加された負サンプルとを用いてウェイクアップワード認識モデルをさらにトレーニングしてもよい。

ステップＳ１４では、ウェイクアップワード認識モデルを用いて、音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断することは、第１声紋特徴と一致する基準声紋特徴を特定することと、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得することと、取得されたウェイクアップワード認識モデルを用いて前記音声信号を判断することと、を含んでもよい。

例えば、１つの実施形態において、収集された音声信号の第１声紋特徴と表１における基準声紋特徴２が一致していると、基準声紋特徴２に対応するウェイクアップワード認識モデル２を取得し、ウェイクアップワード認識モデル２を用いて、当該音声信号にウェイクアップワードが含まれるかどうかを判断する。

１つの可能な実施形態において、前述の比較及び判断過程はクラウドにおいて実行されてもよい。あるいは、基準声紋特徴とウェイクアップワード認識モデルとを音声対話設備に送信し、音声対話設備に上記の比較及び判断過程を実行させることにより、ウェイクアップの効率を改善させることができる。

本発明の実施形態において、音声対話機能付き設備に適用することができる。前記音声対話機能付き設備は、スマートスピーカー、スクリーン付きスマートスピーカー、音声対話機能付きテレビ、スマートウォッチ、及び車載スマート音声設備を含むが、これらに限られない。安全性の要求が高くない場合、エラー拒否率及びエラー受入率に対する制御可能な調整をサポートすることにより、上記の比較及び判断のエラー拒否率を適切に減らし、ウェイクアップワードを含むユーザーの音声信号に応答しないことを回避できる。

例えば、上記のステップＳ１３について、初期状態では、第１声紋特徴と基準声紋特徴との比較結果が一致である基準は、第１声紋特徴と基準声紋特徴との類似度が９０％を超えると、第１声紋特徴と基準声紋特徴は一致であると判定するようにすることができる。音声対話設備の使用過程において、ユーザーから送信された音声信号に応答しないことが頻繁に発生する場合、上記の基準を適切に低下させてもよい。例えば、比較結果が一致である基準は、第１声紋特徴と基準声紋特徴との類似度が８０％を超える場合、第１声紋特徴と基準声紋特徴は一致であると判定するように調整される。一方、音声対話設備の使用過程において、非ユーザーから送信された音声信号によって誤ってウェイクアップされることが頻繁に発生する場合、上記の基準を適切に高めてもよい。例えば、比較結果が一致である基準は、第１声紋特徴と基準声紋特徴との類似度が９５％を超える場合、第１声紋特徴と基準声紋特徴は一致であると判定するように調整される。

別の例では、音声信号がウェイクアップワード認識モデルに入力されると、ウェイクアップワード認識モデルは、音声信号のコンテンツにウェイクアップワードが含まれる可能性を示す確率値を出力することができる。当該確率値が大きいほど、音声信号のコンテンツにウェイクアップワードが含まれるとウェイクアップワード認識モデルから予測される可能性が高くなる。該確率値がプリセットされた閾値を超えると、ウェイクアップワード認識モデルは、音声信号のコンテンツにウェイクアップワードが含まれると判断する。上記のステップＳ１４について、音声対話装置の使用過程において、ユーザーから送信された、ウェイクアップワードを含む音声信号に応答しないことが頻繁に発生する場合、上記の閾値を適切に低下させてもよい。一方、誤ってウェイクアップされることが頻繁に発生する場合、上記の閾値を適切に高めてもよい。

本発明は、音声対話設備のウェイクアップ装置をさらに提供する。図２は、本発明の実施形態に係る音声対話設備のウェイクアップ装置の概略構造図である。図２に示すように、当該音声対話設備のウェイクアップ装置は、音声信号を収集するための収集モジュール２０１と、前記音声信号の第１声紋特徴を抽出するための抽出モジュール２０２と、前記第１声紋特徴を予め記憶された基準声紋特徴と比較するための比較モジュール２０３と、前記第１声紋特徴と前記基準声紋特徴とが一致している場合、ウェイクアップワード認識モデルにより、音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、音声信号のコンテンツにウェイクアップワードが含まれる場合、前記音声対話設備をウェイクアップするための判断・ウェイクアップモジュール２０４と、を備える。

図３は、本発明の別の実施形態に係る音声対話設備のウェイクアップ装置の概略構造図である。図３に示すように、当該音声対話設備のウェイクアップ装置は、収集モジュール２０１と、抽出モジュール２０２と、比較モジュール２０３と、判断・ウェイクアップモジュール２０４と、を備える。上記の４つのモジュールは、前述実施形態において対応するモジュールと同じであるため、ここで再度説明しない。

当該装置は、複数の基準声紋特徴を記憶するための声紋記憶モジュール２０５をさらに備える。

前記比較モジュール２０３は、前記第１声紋特徴を予め記憶された各基準声紋特徴と比較し、前記第１声紋特徴が前記基準声紋特徴のうちの１つと一致している場合、前記第１声紋特徴は前記基準声紋特徴と一致していると判定するために用いられる。

１つの可能な実施形態において、当該装置は、少なくとも１つのユーザーの音声信号を収集し、各ユーザーの音声信号の第２声紋特徴を抽出し、前記それぞれの第２声紋特徴を基準声紋特徴の１つとして確定するための声紋確定モジュール２０６とをさらに備える。

１つの可能な実施形態では、当該装置は、基準声紋特徴のそれぞれに対応するウェイクアップワード認識モデルを構築するためのモデル構築モジュール２０７をさらに備える。

前記判断・ウェイクアップモジュール２０４は、前記第１声紋特徴と一致する基準声紋特徴を特定し、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得し、取得されたウェイクアップワード認識を用いて前記音声信号を判断するために用いられる。

１つの可能な実施形態において、前記モデル構築モジュール２０７は、各基準声紋特徴に対して、前記基準声紋特徴を有する正サンプル及び負サンプルを用いて、前記ウェイクアップワード認識モデルをトレーニングするために用いられる。ここで、正サンプルは、ウェイクアップワードを含んで音声対話設備をウェイクアップできる音声信号であり、負サンプルは、ウェイクアップワードを含まず、音声対話設備をウェイクアップできる音声信号である。

本発明の実施形態における各装置内の各モジュールの機能は、上記の方法に対応する記載を参照することができるため、ここでは省略する。

本発明は、音声対話設備のウェイクアップ設備をさらに提供する。図４は、本発明の実施形態に係る音声対話設備のウェイクアップ設備の概略構造図である。図４に示すように、当該ウェイクアップ設備は、メモリ１１とプロセッサ１２とを備える。メモリ１１には、プロセッサ１２で実行可能なコンピュータプログラムが記憶され、プロセッサ１２は、前記コンピュータプログラムを実行するとき、上記実施形態に係る音声対話設備のウェイクアップ方法を実現させる。メモリ１１とプロセッサ１２の数は、１つであってもよく、又は複数であってもよい。

前記ウェイクアップ設備は、周辺機器と通信し、データを交換・転送するための通信インターフェース１３をさらに備える。

メモリ１１は、高速ＲＡＭメモリを含む可能性もあり、不揮発性メモリ（ｎｏｎ−ｖｏｌａｔｉｌｅ ｍｅｍｏｒｙ）、例えば、少なくとも１つの磁気ディスクメモリをさらに含む可能性もある。

メモリ１１、プロセッサ１２及び通信インターフェース１３が個別に実現される場合、メモリ１１、プロセッサ１２及び通信インターフェース１３は、バスによって相互接続して相互通信を行うことができる。前記バスは、インダストリスタンダードアーキテクチャ（ＩＳＡ、Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ）バス、外部デバイス相互接続（ＰＣＩ、Ｐｅｒｉｐｈｅｒａｌ ＣｏｍｐｏｎｅｎｔＩｎｔｅｒｃｏｎｎｅｃｔ）バス、又は拡張インダストリスタンダードアーキテクチャ（ＥＩＳＡ、Ｅｘｔｅｎｄｅｄ Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ｃｏｍｐｏｎｅｎｔ）バス等であってもよい。前記バスは、アドレスバス、データバス、制御バス等として分けられることが可能である。表示の便宜上、図４に１本の太線のみで表示するが、バスが１つ又は１種類のみであることを意味しない。

任意選択で、具体的に実現する時、メモリ１１、プロセッサ１２及び通信インターフェース１３が１枚のチップに統合される場合、メモリ１１、プロセッサ１２及び通信インターフェース１３は、内部インターフェースによって、相互通信を実現することができる。

本明細書において、「１つの実施形態」、「幾つかの実施形態」、「例」、「具体例」或いは「一部の例」などの用語とは、当該実施形態或いは例で説明された具体的特徴、構成、材料或いは特点を結合して、本発明の少なくとも１つの実施形態或いは実施例に含まれることを意味する。また、説明された具体的特徴、構成、材料或いは特点は、いずれか１つ或いは複数の実施形態または例において適切に結合することが可能である。また、矛盾しない限り、当業者は、本明細書の異なる実施形態または例、および、異なる実施形態または例における特徴を結合したり、組み合わせたりすることができる。

また、用語「第１」、「第２」とは比較的重要性を示している又は暗示しているわけではなく、単に説明のためのものであり、示される技術的特徴の数を暗示するわけでもない。そのため、「第１」、「第２」で限定される特徴は、少なくとも１つの当該特徴を明示又は暗示的に含むことが可能である。本出願の記載の中において、「複数」の意味とは、明確的に限定される以外に、２つ又は２つ以上を意味する。

フローチャート又はその他の方式で説明された、いかなるプロセス又は方法に対する説明は、特定な論理的機能又はプロセスのステップを実現するためのコマンドのコードを実行可能な１つ又はそれ以上のモジュール、断片若しくはセグメントとして理解することが可能であり、さらに、本発明の好ましい実施形態の範囲はその他の実現を含み、示された、又は、記載の順番に従うことなく、係る機能に基づいてほぼ同時にまたは逆の順序に従って機能を実行することを含み、これは当業者が理解すべきことである。

フローチャートに示された、又はその他の方式で説明された論理及び／又はステップは、例えば、論理機能を実現させるための実行可能なコマンドのシーケンスリストとして見なされることが可能であり、コマンド実行システム、装置、又はデバイス（プロセッサのシステム、又はコマンド実行システム、装置、デバイスからコマンドを取得して実行することが可能なその他のシステムを含むコンピュータによるシステム）が使用できるように提供し、又はこれらのコマンドを組み合わせて使用するコマンド実行システム、装置、又はデバイスに使用されるために、いかなるコンピュータ読取可能媒体にも具体的に実現されることが可能である。本明細書において、「コンピュータ読取可能媒体」は、コマンド実行システム、装置、デバイス、又はこれらのコマンドを組み合わせて実行するシステム、装置又はデバイスが使用できるように提供するため、プログラムを格納、記憶、通信、伝搬又は伝送する装置であってもよい。コンピュータ読み取り可能媒体のより具体的例（非網羅的なリスト）として、１つ又は複数の布配線を含む電気接続部（電子装置）、ポータブルコンピュータディスク（磁気装置）、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリー・メモリ（ＲＯＭ）、消去書き込み可能リード・オンリー・メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバー装置、及びポータブル読み取り専用メモリ（ＣＤＲＯＭ）を少なくとも含む。また、コンピュータ読み取り可能媒体は、そのうえで前記プログラムを印字できる紙又はその他の適切な媒体であってもよく、例えば紙又はその他の媒体に対して光学的スキャンを行い、そして編集、解釈又は必要に応じてその他の適切の方式で処理して電子的方式で前記プログラムを得、その後コンピュータメモリに記憶することができるためである。

なお、本発明の各部分は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせによって実現されることができる。上記実施形態において、複数のステップ又は方法は、メモリに記憶された、適当なコマンド実行システムによって実行されるソフトウェア又はファームウェアによって実施されることができる。例えば、ハードウェアによって実現するとした場合、別の実施形態と同様に、データ信号に対して論理機能を実現する論理ゲート回路を有する離散論理回路、適切な混合論理ゲート回路を有する特定用途向け集積回路、プログラマブルゲートアレイ（ＧＰＡ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などといった本技術分野において公知である技術のうちのいずれか１つ又はそれらの組み合わせによって実現される。

当業者は、上記の実施形態における方法に含まれるステップの全部又は一部を実現するのは、プログラムによって対応するハードウェアを指示することによって可能であることを理解することができる。前記プログラムは、コンピュータ読取可能な媒体に記憶されてもよく、当該プログラムが実行されるとき、方法の実施形態に係るステップのうちの１つ又はそれらの組み合わせを含むことができる。

また、本発明の各実施形態における各機能ユニットは、１つの処理モジュールに統合されてよく、別個の物理的な個体であってもよく、２つ又は３つ以上のユニットが１つのモジュールに統合されてもよい。上記の統合モジュールは、ハードウェアで実現されてもよく、ソフトウェア機能モジュールで実現されてもよい。上記の統合モジュールが、ソフトウェア機能モジュールで実現され、しかも独立した製品として販売又は使用される場合、コンピュータ読取可能な記憶媒体に記憶されてもよい。前記記憶媒体は読取専用メモリ、磁気ディスク又は光ディスク等であってもよい。

要約すると、本発明の実施形態に係る音声対話設備のウェイクアップ方法及び装置は、音声信号が収集された後、まず音声信号の声紋特徴と予め記憶された基準声紋特徴との間の類似度が、プリセットされた閾値を超えるかどうかを判断する。プリセットされた閾値を超えた場合、音声信号の声紋特徴は予め記憶された対応の基準声紋特徴と一致していると判定され、対応するウェイクアップワード認識モデルを用いて、音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、ウェイクアップワードが含まれる場合、音声対話設備をウェイクアップする。このような段階的な検出により、音声対話設備の誤ったウェイクアップレートを低減させることができる。

上記の記載は、単なる本発明の具体的な実施形態に過ぎず、本発明の保護範囲はそれに限定されることなく、当業者が本発明に開示されている範囲内において、容易に想到し得る変形又は置換は、全て本発明の範囲内に含まれるべきである。そのため、本発明の範囲は、記載されている特許請求の範囲に準じるべきである。

２０１ 収集モジュール
２０２ 抽出モジュール
２０３ 比較モジュール
２０４ 判断・ウェイクアップモジュール

Claims (13)

1. 音声信号を収集することと、
   前記音声信号の第１声紋特徴を抽出することと、
   前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と予め記憶された前記基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定することと、
   ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、前記ウェイクアップワードが含まれている場合、音声対話設備をウェイクアップすることと、を含み、
   ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断することは、前記第１声紋特徴と一致する前記基準声紋特徴を特定することと、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得することと、取得されたウェイクアップワード認識モデルを用いて前記音声信号を判断することとを含むことを特徴とする音声対話設備のウェイクアップ方法。
2. 複数の基準声紋特徴が予め記憶されており、
   前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と予め記憶された前記基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定することは、前記第１声紋特徴と前記予め記憶された各基準声紋特徴との間の類似度を得、前記第１声紋特徴と前記複数の基準声紋特徴のうちの１つとの間の類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定する請求項１に記載の音声対話設備のウェイクアップ方法。
3. ユーザーの音声信号を収集し、前記ユーザーの音声信号の第２声紋特徴を抽出し、前記第２声紋特徴を前記基準声紋特徴として確定することをさらに含む請求項１に記載の音声対話設備のウェイクアップ方法。
4. 前記基準声紋特徴に対応する前記ウェイクアップワード認識モデルを予め構築することをさらに含む請求項１に記載の音声対話設備のウェイクアップ方法。
5. 前記基準声紋特徴に対応するウェイクアップワード認識モデルを予め構築することは、前記基準声紋特徴を有する正サンプル及び負サンプルを用いて前記ウェイクアップワード認識モデルをトレーニングすることを含み、前記正サンプルが前記ウェイクアップワードを含み前記音声対話設備をウェイクアップできる音声信号であり、前記負サンプルが前記ウェイクアップワードを含まず前記音声対話設備をウェイクアップできる音声信号である請求項４に記載の音声対話設備のウェイクアップ方法。
6. 音声信号を収集する収集モジュールと、
   前記音声信号の第１声紋特徴を抽出する抽出モジュールと、
   前記第１声紋特徴と予め記憶された基準声紋特徴とを比較して前記第１声紋特徴と予め記憶された前記基準声紋特徴との間の類似度を得、前記類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定する比較モジュールと、
   ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断し、前記ウェイクアップワードが含まれている場合、音声対話設備をウェイクアップする判断・ウェイクアップモジュールと、を備え、
   ウェイクアップワード認識モデルを用いて、前記音声信号のコンテンツにウェイクアップワードが含まれるかどうかを判断することは、前記第１声紋特徴と一致する前記基準声紋特徴を特定することと、特定された基準声紋特徴に対応するウェイクアップワード認識モデルを取得することと、取得されたウェイクアップワード認識モデルを用いて前記音声信号を判断することとを含むことを特徴とする音声対話設備のウェイクアップ装置。
7. 複数の基準声紋特徴を記憶する声紋記憶モジュールをさらに備え、
   前記比較モジュールは、前記第１声紋特徴と前記予め記憶された各基準声紋特徴との間の類似度を得、前記第１声紋特徴と前記複数の基準声紋特徴のうちの１つとの間の類似度がプリセットされた閾値を超える場合、前記第１声紋特徴と前記基準声紋特徴が一致していると判定するために用いられる請求項６に記載の音声対話設備のウェイクアップ装置。
8. ユーザーの音声信号を収集し、前記ユーザーの音声信号の第２声紋特徴を抽出し、前記第２声紋特徴を前記基準声紋特徴として確定する声紋確定モジュールをさらに備える請求項６に記載の音声対話設備のウェイクアップ装置。
9. 前記基準声紋特徴に対応する前記ウェイクアップワード認識モデルを構築するモデル構築モジュールをさらに備える請求項６に記載の音声対話設備のウェイクアップ装置。
10. 前記モデル構築モジュールは、前記基準声紋特徴を有する正サンプル及び負サンプルを用いて前記ウェイクアップワード認識モデルをトレーニングし、前記正サンプルが、ウェイクアップワードを含み前記音声対話設備をウェイクアップできる音声信号であり、前記負サンプルが前記ウェイクアップワードを含まず前記音声対話設備をウェイクアップできる音声信号である請求項９に記載の音声対話設備のウェイクアップ装置。
11. １つ又は複数のプロセッサと、
    １つ又は複数のプログラムを記憶するためのメモリと、を備え、
    前記１つ又は複数のプロセッサは、前記１つ又は複数のプログラムを実行すると、請求項１〜請求項５のいずれか１項に記載の音声対話設備のウェイクアップ方法を実行させることを特徴とする音声対話設備のウェイクアップ設備。
12. コンピュータプログラムが記憶されているコンピュータ可読記憶媒体であって、
    当該コンピュータプログラムがプロセッサにより実行されると、請求項１〜請求項５のいずれか１項に記載の音声対話設備のウェイクアップ方法を実行させることを特徴とするコンピュータ可読記憶媒体。
13. コンピュータにおいて、プロセッサにより実行される場合、請求項１〜請求項５のいずれか１項に記載の音声対話設備のウェイクアップ方法を実現することを特徴とするプログラム。
    

Images