[發(fā)明專利]端到端語音喚醒方法、裝置及計算機設(shè)備

在審

• 申請?zhí)枺?/td>: 201810763704.2
• 申請日: 2018-07-12
• 公開（公告）號: CN110782898A
• 公開（公告）日: 2020-02-11
• 發(fā)明（設(shè)計）人: 姚光超
• 申請（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: G10L15/26
• 分類號: G10L15/26;G10L15/22;G10L15/06;G10L17/00
• 代理公司: 11510 北京華圣典睿知識產(chǎn)權(quán)代理有限公司
• 代理人: 趙景平

本發(fā)明公開了一種端到端語音喚醒方法、裝置及計算機設(shè)備，該方法包括：接收待檢測語音；依次提取每個語音幀的聲學(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)模型輸出的每個語音幀中各目標(biāo)發(fā)音單元的概率；逐幀計算各目標(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/或平均概率進行喚醒操作。利用本發(fā)明，可以降低誤喚醒率，提高喚醒效果。

技術(shù)領(lǐng)域

本發(fā)明涉及語音喚醒技術(shù)領(lǐng)域，具體涉及一種端到端語音喚醒方法、裝置及計算機設(shè)備。

背景技術(shù)

語音喚醒是指在連續(xù)語流中實時檢測出說話人特定片段，其目的就是將設(shè)備從休眠狀態(tài)激活至運行狀態(tài)。語音喚醒的應(yīng)用領(lǐng)域非常廣泛，比如機器人、音箱、汽車等。評價語音喚醒效果的主要指標(biāo)有喚醒率、誤喚醒率，語音識別過程中解碼器性能的優(yōu)劣對其起著關(guān)鍵性作用。

對于端到端的語音喚醒，解碼器中的每一個聲學(xué)模型對應(yīng)一個發(fā)音單元，所述發(fā)音單元可以是詞、字、或者音節(jié)。聲學(xué)模型主要用于計算語音特征和每個發(fā)音模板之間的似然度，其輸入為語音特征，輸出為目標(biāo)發(fā)音單元的概率。比如，輸入一段語音，其中包含喚醒詞“你好搜狗”，基于字的端到端聲學(xué)模型輸出為：“你”，“好”，“搜”，“狗”，“silence”和“other”六個輸出的概率，其中“silence”表示靜音輸出，“other”表示非“你好搜狗”的語音和噪音輸出。

針對上述聲學(xué)模型的輸出，現(xiàn)有技術(shù)提出了一種語音喚醒方法：采用滑動窗的方式，首先確定滑動窗口內(nèi)每個目標(biāo)發(fā)音單元對應(yīng)的聲學(xué)模型輸出的最大值，然后將這這些最大值相加取平均值，如果該平均值大于設(shè)定的閾值，則進行喚醒操作。但這種方法會導(dǎo)致誤喚醒，比如對于用戶說“狗你搜好”這樣的詞時也會喚醒。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種端到端語音喚醒方法及裝置，以降低誤喚醒率。

為此，本發(fā)明提供如下技術(shù)方案：

一種端到端語音喚醒方法，所述方法包括：

接收待檢測語音；

依次提取每個語音幀的聲學(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)模型輸出的每個語音幀中各目標(biāo)發(fā)音單元的概率；

逐幀計算各目標(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/或平均概率進行喚醒操作。

可選地，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。

可選地，在所述喚醒詞的前后各添加一個靜音輸出。

可選地，所述目標(biāo)發(fā)音單元為音節(jié)、或字、或詞。

可選地，所述逐幀計算各目標(biāo)發(fā)音單元的累積概率包括：

對于每個目標(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。

可選地，所述根據(jù)所述累積概率及起始位置和結(jié)束位置計算各目標(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；

將對應(yīng)所述結(jié)束位置的累積概率與對應(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。

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