JP7158217B2

JP7158217B2 - 音声認識方法、装置及びサーバ

Info

Publication number: JP7158217B2
Application number: JP2018167826A
Authority: JP
Inventors: ジージエン・ワーン; ション・チエン
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2018-01-29
Filing date: 2018-09-07
Publication date: 2022-10-21
Anticipated expiration: 2038-09-07
Also published as: JP2019133127A; US11398228B2; US20190237071A1; CN108039175B; CN108039175A

Description

本発明は、音声認識技術分野に関し、特に音声認識方法、装置及びサーバに関する。

電子機器の発展に伴い、電子機器の重要な構成部分である電子機器の制御システム例えば音声制御システムも発展しつつあり、音声認識技術の急速発展に伴い、様々な音声認識ソフトウェアも出現し、それにより人と電子機器とのコミュニケーションが簡単且つ興味深くなる。人と電子機器との音声制御を行う時の誤操作を避けるために、ウェイクアップワードを設定することができ、電子機器が自体にマッチングするウェイクアップワードを受信すると、外部の音声制御情報を受信して、音声制御情報に応じて対応する操作を実行する。

ユーザーが電子機器と音声対話を行うたびに、電子機器がユーザーの音声を受信し、ユーザーの音声をサーバに伝送し、サーバによって音声認識を行い、次に、ユーザーの指示通りに操作する。しかしながら、ユーザーの音声に含まれる情報がより多く、サーバがユーザーの音声を認識する時、音声全体を認識してから、ユーザーの指示に関連する有用な情報を選別し、次に、ユーザーの指示を実行する必要がある。このように、音声認識中のデータ処理量がより大きく、音声認識の効率を低下させてしまう。

背景技術における一つ又は複数の技術的問題を解決又は緩和するために、本発明の実施例は音声認識方法、装置及びサーバを提供し、それにより少なくとも１つの有益な選択肢を提供する。

第一態様において、本発明の実施例は音声認識方法を提供し、
クライアントが送信したユーザーの音声を受信することと、
前記音声の音響特性に基づいて、前記音声におけるウェイクアップワードに対応する発音を認識することと、
前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップすることと、を含む。

第一態様と合わせて、本発明の第一態様の第一実施形態において、
前記音声の音響特性に基づいて、前記音声におけるウェイクアップワードに対応する発音を認識することは、
前記発音を認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部をウェイクアップワードとして認識することを含む。

第一態様と合わせて、本発明の第一態様の第二実施形態において、前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークを表記したウェイクアップワードの発音をスキップすることは、
復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを認識する時、前記ウェイクアップワードの発音が終了するまで、ミュートを維持することを含む。

第一態様と合わせて、本発明の第一態様の第三実施形態において、前記ウェイクアップワードの発音の最初にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップした後、前記方法は、
復号アルゴリズムを用いて前記音声におけるウェイクアップワード以外のほかの音声を認識することを更に含む。

第二態様において、本発明の実施例は音声認識装置を提供し、
クライアントが送信したユーザーの音声を受信するように配置される受信モジュールと、
前記音声の音響特性に基づいて、前記音声におけるウェイクアップワードに対応する発音を認識する第一認識モジュールと、
前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップするように配置されるミュートモジュールと、を備える。

第二態様と合わせて、本発明の第二態様の第一実施形態において、前記第一認識モジュールは、
前記発音を認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部をウェイクアップワードとして認識するように配置されるマッチングサブモジュールを備える。

第二態様と合わせて、本発明の第二態様の第二実施形態において、前記ミュートモジュールは、
復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを認識する時、前記ウェイクアップワードの発音が終了するまで、ミュートを維持するように配置されるミュートサブモジュールを備える。

第二態様と合わせて、本発明の第二態様の第三実施形態において、前記装置は、前記ウェイクアップワードの発音の最初にミュートマークを表記する場合、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップした後、復号アルゴリズムを用いて前記音声におけるウェイクアップワード以外のほかの音声を認識するように配置される第二認識モジュールを更に備える。

第三態様において、前記サーバは、
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記憶装置と、を備え、
前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行される場合、前記１つ又は複数のプロセッサに上記第一態様における音声認識方法を実現させる。

第四態様において、本発明の実施例は、音声認識装置に使用されるコンピュータソフトウェア命令を記憶することに用いられ、前記コンピュータソフトウェア命令が上記第一態様における音声認識方法を実行するための音声認識装置に関するプログラムを含むコンピュータ可読記憶媒体を提供する。

上記技術案のうち一つの技術案は、本発明の実施例における技術案において、ユーザーの音声におけるウェイクアップワードにミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップし、このように、複雑な復号アルゴリズムを用いて音声を認識する時、ユーザーの指示に関連しないウェイクアップワードを認識することを避け、復号アルゴリズムによるデータ処理量を減少させ、音声認識効率を向上させるという利点又は有益な効果を有する。

上記概説は明細書の目的のために説明されたが、何らかの形態で本発明を限定するものではない。上記例示的な態様、実施形態及び特徴に加えて、図面及び以下の詳細な説明を参照することによって、本発明のさらなる態様、実施形態及び特徴は分かりやすくなる。

図面では、特に断りがない限り、複数の図面に亘って同じ符号で同一又は類似する部材又は要素を示す。これらの図面は必ずしも一定の比例に応じて描かれているとは限らない。理解すべきなのは、これらの図面は本発明開示のいくつかの実施形態を描いているためのものであり、本発明の範囲を制限するためのものであると見なされるべきではない。

本発明の実施例１に係る音声認識方法のフローチャートである。本発明の実施例２に係る音声認識方法のフローチャートである。本発明の実施例３に係る音声認識装置の模式図である。本発明の実施例４に係るサーバの模式図である。

以下、ある例示的な実施例を簡単に説明する。当業者が認識できる通り、本発明の趣旨又は範囲を逸脱せずに、種々の異なる態様で説明された実施例を修正することができる。従って、図面及び説明が実質的に例示的なものであって、制限的なものではないと見なされている。

ワンショット（ｏｎｅ－ｓｈｏｔ）は現在流行している音声対話技術である。このような技術は「ウェイクアップワード＋音声語義認識」の一体化方式を用いて、ウェイクアップワードと音声制御とのゼロ間隔、ゼロ遅延、シームレス接続を実現し、従来の一問一答形式を廃止し、ユーザーの音声制御ステップを大幅に簡素化し、情報フィードバックを実現し、簡素化し、操作の容易化を実現する。ｏｎｅ－ｓｈｏｔの特徴は、認識ウェイクアップ及び語義理解を一体化し、音声対話の統一性及び一貫性を確保し、操作を実現することである。簡単な例を挙げれば、過去のスマート音声対話方式は一問一答であり、ユーザーがウェイクアップワード命令を出し、機器が待機情報をフィードバックしてから、対話を開始することができ、例えば、
ユーザー：「こんにちは、度ちゃん」（ユーザーがウェイクアップワードを送信することにより機器をウェイクアップさせる）。
機器：「何にかお手伝いことはございますか？」（電子機器がウェイクアップワードに対してフィードバックし、情報受信状態にあると示される）。
ユーザー：「空港へ行きたいです。」
機器：「空港へナビゲーションしましょう。」
Ｏｎｅ－ｓｈｏｔ技術は一言で完了でき、「ウェイクアップワード＋音声語義認識」の一体化を実現し、例えば、
ユーザー：「今日は、度ちゃん、空港へ行きたいです。」
機器：「空港へナビゲーションしましょう。」という対話を実現する。

従来の音声対話技術に比べて、このような体験がより効率的である。

音声ウェイクアップ及びよく使用される音声認識命令がローカルに記憶され、クライアント（又は電子機器）はユーザーの音声を受信して、ユーザーの音声に正確且つ直ちに応答することができる。同時に、ユーザーの音声をクラウドサーバに送信し、クラウドサーバによって音声認識及び語義理解を処理する。クライアントプラスクラウドサーバのハイブリッドエンジン処理によって、応答速度を確保するだけでなく、対話精度も確保する。しかしながら、従来技術において、クライアントがユーザーの音声をサーバに送信し、サーバがユーザーのすべての音声を認識する必要があり、且つこの音声にはユーザーの指示に関連しない情報が存在する可能性がある。このため、本発明の実施例は音声認識方法を提供し、クラウドサーバが音声認識を行う時、ユーザーの指示に関連しないウェイクアップワードをフィルタリングすることにより、クラウドサーバの音声認識効率を向上させる。

実施例１

本発明の実施例は音声認識方法を提供する。図１は本発明の実施例に係る音声認識方法のフローチャートである。本発明の実施例の音声認識方法は以下のステップを含む。

Ｓ１０１では、クライアントが送信したユーザーの音声を受信する。

以上のように、本発明の実施例の実行主体がクラウドサーバである。

クライアントは音声対話機能を有する電子機器、例えば音響、音声対話機能を有するロボット、車載音声対話システム、音声対話機能を有するクエリアプリケーション及び地図アプリケーション等を含んでもよい。

クライアントがユーザーの音声を検出する場合、クライアントのローカルに記憶される音声ウェイクアップ及びよく使用される音声認識命令に基づいてウェイクアップワードが存在すると決定することができ、この時、クライアントがウェイクアップされる。次に、クライアントがユーザーの音声をクラウドサーバに送信する。

Ｓ１０２では、前記音声の音響特性に基づいて、前記音声におけるウェイクアップワードに対応する発音を認識する。

音響特性の抽出及び選択が音声認識の重要な段階の１つである。音響特性の抽出が情報の大幅圧縮過程であるだけでなく、信号デコンボリューション過程でもある。例えば、基音検出及び線形予測分析方法を用いて音響特性を抽出することができる。

Ｓ１０３では、前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表されたウェイクアップワードの発音をスキップする。

一実施形態において、音声対話中に、ミュートマークを符号＜ｓ＞で示し、その意味はｓｉｌｅｎｃｅである。認識中にこの符号が存在する場合、結果が出現せず、又は空の結果が出現すると表す。

例えば、「ｘｉａｏｄｕｘｉａｏｄｕ」のウェイクアップワードの前に＜ｓ＞を追加し、その認識過程は以下のとおりである。

＜ｓ＞（０１）Ｄ＄［ｗｂ］ｘ＿Ｔ０ｉａｏ＿Ｔ３ｄ＿Ｔ０ｕ＿Ｔ４ｘ＿Ｔ０ｉａｏ＿Ｔ３ｄ＿Ｔ０ｕ＿Ｔ４［ｗｂ］

真のミュート認識過程は以下のとおりである。

＜ｓ＞（０２）Ｄ＄［ｗｂ］

２つの出力結果が同様であり、つまりいずれもミュートである。

本発明の実施例における技術案において、ユーザーの音声におけるウェイクアップワードにミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップし、このように、複雑な復号アルゴリズムを用いて音声を認識する時、ユーザーの指示に関連しないウェイクアップワードを認識することを避け、復号アルゴリズムによるデータ処理量を減少させ、音声認識効率を向上させる。

実施例２

実施例１を基に、本発明の実施例は音声認識方法を提供する。図２は本発明の実施例に係る音声認識方法のフローチャートである。本発明の実施例の音声認識方法は以下のステップを含む。

Ｓ２０１では、クライアントが送信したユーザーの音声を受信する。

Ｓ２０２では、前記発音を認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部をウェイクアップワードとして認識する。

具体的に、クラウドサーバはウェイクアップワードに対応する音声を予め記憶し、次に、音声認識ルールに従って、受信された音声を予め記憶されるウェイクアップワードに対応する音声にマッチングすることができ、音声の一部がウェイクアップワードにマッチングする場合、該ウェイクアップワードの前にミュート符号＜ｓ＞を表記することができ、この符号の意味はミュート（ｓｉｌｅｎｃｅ）である。ウェイクアップワードの発音は一般的に差異のより大きな２つの字の重字発音であり、このような発音が通常の音声に出現する頻度は少ないため、一般的に通常の認識結果に影響を与えることがない。

このステップは実施例１におけるステップＳ１０２に対応する。

Ｓ２０３では、復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを認識する時、前記ウェイクアップワードの発音が終了するまで、ミュートを維持する。

ここで、音声認識過程は、音響特性を与えた場合で、対応する可能性の最も高い連語を検索する過程である。例えば、機械学習アルゴリズムに基づいて音響モデルを予め構築し、抽出された音響特性を音響モデルに送信して処理し、次に、音響モデルから認識された音声に対応する符号列を出力する。

このステップは実施例１におけるステップＳ１０３に対応する。

Ｓ２０４では、復号アルゴリズムを用いて前記音声におけるウェイクアップワード以外のほかの音声を認識する。

一般的に、復号アルゴリズムを用いて音声認識を行うことは音声対話技術のコア技術の１つである。そのタスクは入力された音声に対して、音響学、言語モデル及び辞書に基づいて、該音声を出力できる確率の最も高い単語列を検索することである。

本発明の実施例において、ウェイクアップワードのフィルタリングを完了した後、復号アルゴリズムに基づいてウェイクアップワードの後のほかの音声を認識し続けることができ、例えば、ユーザーが「度ちゃん、度ちゃん、空港へ行きたいです」の指示を送信する場合、「度ちゃん、度ちゃん」をフィルタリングし、「空港へ行きたいです」を認識し始める。

本発明の実施例のさらなる効果は、中国語には音が同じであるが字が異なる場合があるため、ウェイクアップ時に誤操作しやすく、例えば、ウェイクアップワードが「度ちゃん、度ちゃん」である場合、正確なマッチングを行う時、「杜ちゃん、杜ちゃん」と認識されるおそれがあり、ファジーマッチングを行う時、認識時に個別の字に対する認識が忘れられた場合、強制的にフィルタリングすると、通常の結果における上位複数の字も処理され、このため、フィルタリングに失敗してしまい、本発明の実施例において、ウェイクアップワードをフィルタリングし、且つ認識せず、それによりこれらの問題を避けることができる。

実施例３

本発明の実施例は音声認識装置を提供する。図３は本発明の実施例に係る音声認識装置の模式図である。本発明の実施例の音声認識装置は、
クライアントが送信したユーザーの音声を受信するように配置される受信モジュール３１と、
前記音声の音響特性に基づいて、前記音声におけるウェイクアップワードに対応する発音を認識する第一認識モジュール３２と、
前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップするように配置されるミュートモジュール３３と、を備える。

具体的に、前記第一認識モジュール３２は、
前記発音を認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部をウェイクアップワードとして認識するように配置されるマッチングサブモジュール３２１を備える。

具体的に、前記ミュートモジュール３３は、
復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを認識する時、前記ウェイクアップワードの発音が終了するまで、ミュートを維持するように配置されるミュートサブモジュール３３１を備える。

更に、前記装置は、
前記ウェイクアップワードの発音の最初にミュートマークを表記する場合、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップした後、復号アルゴリズムを用いて前記音声におけるウェイクアップワード以外のほかの音声を認識するように配置される第二認識モジュール３４を更に備える。

本発明の実施例における技術案は、ユーザーの指示に関係しないウェイクアップワードを認識することを避けることができ、復号アルゴリズムによるデータ処理量を減少させ、音声認識効率を向上させ、有益な効果は実施例１と同様であり、詳細な説明は省略する。

実施例４

本発明の実施例４は情報分類設備を提供し、図４に示すように、該設備はメモリ４１及びプロセッサ４２を備え、メモリ４１にプロセッサ４２で実行できるコンピュータプログラムが記憶される。プロセッサ４２が前記コンピュータプログラムを実行する時、上記実施例における情報分類方法を実現する。メモリ４１及びプロセッサ４２の数が１つ又は複数であってもよい。

該設備は、
メモリ４１及びプロセッサ４２を外部設備と通信させるための通信インターフェース４３を更に備える。

メモリ４１は高速ＲＡＭメモリを含んでもよいし、不揮発性メモリ（ｎｏｎ－ｖｏｌａｔｉｌｅｍｅｍｏｒｙ）、例えば少なくとも１つの磁気ディスク記憶装置を更に含んでもよい。

メモリ４１、プロセッサ４２及び通信インターフェース４３が独立して実現される場合、メモリ４１、プロセッサ４２及び通信インターフェース４３がバスを介して互いに接続されて相互間の通信を実現することができる。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、ＩｎｄｕｓｔｒｙＳｔａｎｄａｒｄＡｒｃｈｉｔｅｃｔｕｒｅ）バス、ペリフェラル・コンポーネント・インターコネクト（ＰＣＩ、ＰｅｒｉｐｈｅｒａｌＣｏｍｐｏｎｅｎｔＩｎｔｅｒｃｏｎｎｅｃｔ）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、ＥｘｔｅｎｄｅｄＩｎｄｕｓｔｒｙＳｔａｎｄａｒｄＡｒｃｈｉｔｅｃｔｕｒｅ）バス等であってもよい。前記バスをアドレスバス、データバス、制御バス等に分けてもよい。容易に示すために、図４に一本のみの太線で示すが、一本のみのバス又は１つのみのタイプのバスがあると示すことではない。

好ましくは、具体的に実現する時、メモリ４１、プロセッサ４２及び通信インターフェース４３が一枚のチップに統合される場合、メモリ４１、プロセッサ４４及び通信インターフェース４３が内部インターフェースを介して相互間の通信を実現することができる。

実施例５

コンピュータプログラムが記憶されるコンピュータ可読記憶媒体であって、
該プログラムがプロセッサにより実行される場合、図１～図２におけるいずれかの実施例に示す方法を実現する。

本明細書の説明において、参照用語「一実施例」、「いくつかの実施例」、「例」、「具体例」、又は「いくつかの例」等の説明とは該実施例又は例を参照しながら説明された具体的な特徴、構造、材料又は特徴が本発明の少なくとも１つの実施例又は例に含まれることを意味する。且つ、説明された具体的な特徴、構造、材料又は特徴はいずれか１つ又は複数の実施例又は例で適切な態様で結合してもよい。また、矛盾しない限り、当業者は本明細書に説明された異なる実施例又は例及び異なる実施例又は例の特徴を結合及び組み合わせすることができる。

また、用語「第１」、「第２」は説明目的でのみ使用されており、相対重要性を指示又は示唆したり、指示した技術的特徴の数を黙示的に指示したりするものではない。従って、「第１」、「第２」を付けて定義された特徴は少なくとも１つの該特徴を明示的又は黙示的に含むと理解できる。本発明の説明において、「複数」は、特に断らない限り、２つ又は２つ以上を意味する。

当業者は、フローチャート又はここでほかの態様で説明された任意の過程又は方法についての説明が、特定の論理機能又は過程を実現するための１つ又はそれ以上のステップを含む実行可能命令コードのモジュール、セグメント又は一部を示すと理解されてもよく、且つ本発明の好適な実施形態の範囲はほかの実現を含み、図示又は検討された順序ではなく、関わる機能に応じて基本同時の態様又は逆順序で機能を実行してもよいことを理解すべきである。

フローチャートに示し又はここでほかの態様で説明された論理及び／又はステップは、例えば、論理機能を実現するための実行可能命令の順番付けリストであると見なされてもよく、具体的に任意のコンピュータ可読媒体で命令実行システム、装置又は設備（例えばコンピュータに基づくシステム、プロセッサを備えるシステム又は命令実行システム、装置又は設備から命令を取得して命令を実行することができるほかのシステム）に使用されてもよく、又はこれらの命令実行システム、装置又は設備と合わせて使用されてもよい。本明細書は、「コンピュータ可読媒体」がプログラムを包含、記憶、通信、伝播又は伝送することにより命令を実行するためのシステム、装置又は設備又はこれらの命令実行システム、装置又は設備を合わせて使用する任意の装置であってもよい。

本発明の実施例に記載のコンピュータ可読媒体はコンピュータ可読信号媒体又はコンピュータ可読記憶媒体又は上記２つの組み合わせであってもよい。コンピュータ可読記憶媒体のさらなる具体例は少なくとも（非網羅的リスト）１つ又は複数の配線を有する電気接続部（電子装置）、ポータブルコンピュータケース（磁気装置）、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバー装置、及びポータブルリードオンリメモリ（ＣＤＲＯＭ）を含む。また、例えば用紙又はほかの媒体を光学的に走査し、次に編集、解釈し又は必要な時にほかの適切な態様で処理して電子態様で前記プログラムを取得し、次にそれをコンピュータメモリに記憶することができるため、コンピュータ可読記憶媒体は更にその上に前記プログラムを印刷できる用紙又はほかの適切な媒体であってもよい。

本発明の実施例において、コンピュータ可読プログラムコードを運ぶコンピュータ可読信号媒体はベースバンド又は搬送波の一部として伝播するデータ信号に含まれてもよい。このような伝播するデータ信号は様々な形態を用いてもよく、電磁信号、光信号又は上記任意の適切な組み合わせを含むが、それらに限らない。コンピュータ可読信号媒体は更にコンピュータ可読記憶媒体以外の任意のコンピュータ可読媒体であってもよく、該コンピュータ可読媒体は命令実行システム、入力法又はデバイスに使用され又はそれと合わせて使用されるためのプログラムを送信、伝播又は伝送することができる。コンピュータ可読媒体に含まれるプログラムコードは任意の適切な媒体で伝送されてもよく、上記媒体は無線、電線、光ケーブル、無線周波数（ＲａｄｉｏＦｒｅｑｕｅｎｃｙ、ＲＦ）等、又は上記任意の適切な組み合わせを含むが、それらに限らない。

理解すべきなのは、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それらの組み合わせで実現されてもよい。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て適切な命令実行システムで実行するソフトウェア又はファームウェアにより実現されてもよい。例えば、ハードウェアにより実現される場合は、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ための論理ゲート回路を有する離散論理回路、適切な組み合わせ論理ゲート回路を有する特定用途向け統合回路、プログラマブルゲートアレイ（ＰＧＡ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）等の本分野で公知の技術のいずれか一項又はそれらの組み合わせにより実現されてもよい。

当業者は、上記実施例方法におけるステップの全部又は一部を実現するために、プログラムによって関連するハードウェアを命令することにより完了することができ、前記プログラムが一種のコンピュータ可読記憶媒体に記憶されてもよく、該プログラムが実行時に方法実施例における１つのステップ又はその組み合わせを含むと理解される。

また、本発明の各実施例における各機能ユニットが１つの処理モジュールに統合されてもよく、各ユニットが独立して物理的に存在してもよく、２つ又は２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。上記統合されたモジュールはハードウェアの形で実現されてもよいし、ソフトウェア機能モジュールの形で実現されてもよい。前記統合されたモジュールはソフトウェア機能モジュールの形で実現されて独立した製品として販売又は使用される時、１つのコンピュータ可読記憶媒体に記憶されてもよい。前記記憶媒体はリードオンリメモリ、磁気ディスク又は光ディスク等であってもよい。

以上の説明は本発明の具体的な実施形態であって、本発明の保護範囲はこれに限らず、当業者が本発明に開示された技術的範囲内に、容易に想到し得る種々の変更又は置換は、いずれも本発明の保護範囲内に含まれるべきである。従って、本発明の保護範囲は前記特許請求の保護範囲に準じる。

３１受信モジュール
３２第一認識モジュール
３２１マッチングサブモジュール
３３ミュートモジュール
３３１ミュートサブモジュール
３４第二認識モジュール
４１メモリ
４２プロセッサ
４３通信インターフェース

Claims

音声認識方法であって、
クライアントがユーザーの音声を検出し、前記クライアントのローカルに記憶されたウェイクアップワードに基づいて、前記ユーザーの音声にウェイクアップワードが含まれることを決定する場合、前記クライアントがローカルにてウェイクアップされ、前記ユーザーの音声をクラウドサーバに送信することと、
前記クラウドサーバが前記クライアントの送信した前記ユーザーの音声を受信することと、
前記クラウドサーバが受信された前記ユーザーの音声の音響特性に基づいて、前記ユーザーの音声におけるウェイクアップワードに対応する発音を認識することと、
前記クラウドサーバが識別された前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップすることと、を含むことを特徴とする音声認識方法。
前記クラウドサーバが受信された前記ユーザーの音声の音響特性に基づいて、前記ユーザーの音声におけるウェイクアップワードに対応する発音を認識することは、
前記クラウドサーバが前記発音を認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部をウェイクアップワードとして認識することを含むことを特徴とする請求項１に記載の方法。
識別された前記ウェイクアップワードの発音にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップすることは、
復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを認識する場合、前記ウェイクアップワードの発音が終了するまで、ミュートを維持することを含むことを特徴とする請求項１に記載の方法。
前記ウェイクアップワードの発音の最初にミュートマークを表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音をスキップした後、前記方法は、
復号アルゴリズムを用いて前記ユーザーの音声におけるウェイクアップワード以外のほかの音声を認識することを更に含むことを特徴とする請求項１に記載の方法。
音声認識装置であって、
クライアントがユーザーの音声を検出し、前記クライアントのローカルに記憶されるウェイクアップワードに基づいて、前記ユーザーの音声にウェイクアップワードが含まれることを決定する場合、前記クライアントをローカルにてウェイクアップし、前記ユーザーの音声をクラウドサーバに送信するように配置されるウェイクアップ・送信モジュールと、
前記クライアントが送信した前記ユーザーの音声を、前記クラウドサーバが受信するように配置される受信モジュールと、
前記音声の音響特性に基づいて、前記ユーザーの音声における前記ウェイクアップワードに対応する発音を、前記クラウドサーバが認識するように配置される第一認識モジュールと、
前記ウェイクアップワードの発音にミュートマークを、前記クラウドサーバが表記することにより、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音を、前記クラウドサーバがスキップするように配置されるミュートモジュールと、を備えることを特徴とする音声認識装置。
前記第一認識モジュールは、
前記発音を、前記クラウドサーバが認識経路に予め記憶されるウェイクアップマッチングワードにマッチングし、前記発音における音声の一部が前記認識経路に予め記憶されるウェイクアップマッチングワードにマッチングする場合、前記音声の一部を、前記クラウドサーバが前記ウェイクアップワードとして認識するように配置されるマッチングサブモジュールを備えることを特徴とする請求項５に記載の装置。
前記ミュートモジュールは、
復号アルゴリズムを用いて前記ミュートマークが表記されたウェイクアップワードを、前記クラウドサーバが認識する時、前記ウェイクアップワードの発音が終了するまで、ミュートを、前記クラウドサーバが維持するように配置されるミュートサブモジュールを備えることを特徴とする請求項５に記載の装置。
前記装置は、前記ウェイクアップワードの発音の最初にミュートマークを表記する場合、音声を認識する時にミュートマークが表記されたウェイクアップワードの発音を、前記クラウドサーバがスキップした後、復号アルゴリズムを用いて前記ユーザーの音声におけるウェイクアップワード以外のほかの音声を、前記クラウドサーバが認識するように配置される第二認識モジュールを更に備えることを特徴とする請求項５に記載の装置。
サーバであって、
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記憶装置と、を備え、
前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行される場合、前記１つ又は複数のプロセッサに請求項１～４のいずれか一項に記載の方法を実現させることを特徴とするサーバ。
コンピュータプログラムが記憶されるコンピュータ可読記憶媒体であって、
該プログラムがプロセッサにより実行される場合、請求項１～４のいずれか一項に記載の方法を実現することを特徴とするコンピュータ可読記憶媒体。
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１～４のいずれか一項に記載の方法を実現することを特徴とするプログラム。