[發(fā)明專利]端到端語音喚醒方法、裝置及計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201810763704.2
• 申請(qǐng)日: 2018-07-12
• 公開（公告）號(hào): CN110782898A
• 公開（公告）日: 2020-02-11
• 發(fā)明（設(shè)計(jì)）人: 姚光超
• 申請(qǐng)（專利權(quán)）人: 北京搜狗科技發(fā)展有限公司;搜狗(杭州)智能科技有限公司
• 主分類號(hào): G10L15/26
• 分類號(hào): G10L15/26;G10L15/22;G10L15/06;G10L17/00
• 代理公司: 11510 北京華圣典睿知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 趙景平

1.一種端到端語音喚醒方法，其特征在于，所述方法包括：

接收待檢測(cè)語音；

依次提取每個(gè)語音幀的聲學(xué)特征；

將提取的聲學(xué)特征輸入聲學(xué)模型，得到所述聲學(xué)模型輸出的每個(gè)語音幀中各目標(biāo)發(fā)音單元的概率；

逐幀計(jì)算各目標(biāo)發(fā)音單元的累積概率，并確定各目標(biāo)發(fā)音單元的起始位置和結(jié)束位置；

根據(jù)所述累積概率及起始位置和結(jié)束位置計(jì)算各目標(biāo)發(fā)音單元的長度及平均概率；

根據(jù)各目標(biāo)發(fā)音單元的長度和/或平均概率進(jìn)行喚醒操作。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述聲學(xué)模型為基于喚醒詞中各目標(biāo)發(fā)音單元的端到端聲學(xué)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述喚醒詞的前后各添加一個(gè)靜音輸出。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述逐幀計(jì)算各目標(biāo)發(fā)音單元的累積概率包括：

對(duì)于每個(gè)目標(biāo)發(fā)音單元，將上一幀該目標(biāo)發(fā)音單元的累積概率和當(dāng)前幀前一目標(biāo)發(fā)音單元的累積概率這兩者中的最大值，加上當(dāng)前幀該目標(biāo)發(fā)音單元的概率，作為當(dāng)前幀該目標(biāo)發(fā)音單元的累積概率。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述累積概率及起始位置和結(jié)束位置計(jì)算各目標(biāo)發(fā)音單元的長度及平均概率包括：

將所述目標(biāo)發(fā)音單元的結(jié)束位置與起始位置相減得到所述目標(biāo)發(fā)音單元的長度；

將對(duì)應(yīng)所述結(jié)束位置的累積概率與對(duì)應(yīng)所述起始位置的累積概率相減，然后除以所述目標(biāo)發(fā)音單元的長度，得到所述目標(biāo)發(fā)音單元的平均概率。

6.根據(jù)權(quán)利要求1至5任一項(xiàng)所述的方法，其特征在于，所述根據(jù)各目標(biāo)發(fā)音單元的長度和/或平均概率進(jìn)行喚醒操作包括：

如果在設(shè)定區(qū)間內(nèi)各目標(biāo)發(fā)音單元的長度均大于設(shè)定的長度閾值，則進(jìn)行喚醒操作；或者

如果在設(shè)定區(qū)間內(nèi)各目標(biāo)發(fā)音單元的平均概率均大于設(shè)定的第一閾值，則進(jìn)行喚醒操作。

7.根據(jù)權(quán)利要求1至5任一項(xiàng)所述的方法，其特征在于，所述方法還包括：

確定在設(shè)定區(qū)間內(nèi)各目標(biāo)發(fā)音單元的最大概率，并根據(jù)所述最大概率計(jì)算所有目標(biāo)發(fā)音單元的最大概率平均值；

所述根據(jù)各目標(biāo)發(fā)音單元的長度和/或平均概率進(jìn)行喚醒操作包括：

根據(jù)各目標(biāo)發(fā)音單元的長度、設(shè)定區(qū)間內(nèi)各目標(biāo)發(fā)音單元的最大概率、最大概率平均值、平均概率這四者中的任意兩個(gè)或多個(gè)參數(shù)進(jìn)行喚醒操作。

8.一種端到端語音喚醒裝置，其特征在于，所述裝置包括：

接收模塊，用于接收待檢測(cè)語音；

特征提取模塊，用于依次提取每個(gè)語音幀的聲學(xué)特征；

聲學(xué)檢測(cè)模塊，用于將提取的聲學(xué)特征輸入聲學(xué)模型，得到所述聲學(xué)模型輸出的每個(gè)語音幀中各目標(biāo)發(fā)音單元的概率；

第一計(jì)算模塊，用于逐幀計(jì)算各目標(biāo)發(fā)音單元的累積概率，并確定各目標(biāo)發(fā)音單元的起始位置和結(jié)束位置；

第二計(jì)算模塊，用于根據(jù)所述累積概率及起始位置和結(jié)束位置計(jì)算各目標(biāo)發(fā)音單元的長度及平均概率；

喚醒處理模塊，用于根據(jù)各目標(biāo)發(fā)音單元的長度和/或平均概率進(jìn)行喚醒操作。

9.一種計(jì)算機(jī)設(shè)備，其特征在于，包括：一個(gè)或多個(gè)處理器、存儲(chǔ)器；

所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令，所述處理器用于執(zhí)行所述計(jì)算機(jī)可執(zhí)行指令，以實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的方法。

10.一種可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有指令，所述指令被執(zhí)行以實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的方法。