[發明專利]語音喚醒方法及裝置、處理器、音箱和電視機

在審

• 申請號: 201811475797.5
• 申請日: 2018-12-04
• 公開（公告）號: CN111354341A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 陳夢喆;薛少飛;雷鳴
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/16;G10L15/22;H04R1/20
• 代理公司: 北京博浩百睿知識產權代理有限責任公司 11134
• 代理人: 褚敏;宋子良

1.一種語音喚醒方法，其特征在于，包括：

采用語音數據集訓練得到聲學模型，其中，所述聲學模型包括：第一組成部分和第二組成部分；

獲取特征提取后的多路音頻信號；

采用所述第一組成部分對所述多路音頻信號進行信號前端處理，得到處理結果；

采用所述第二組成部分對所述處理結果進行識別，以喚醒當前設備。

2.根據權利要求1所述的方法，其特征在于，采用所述語音數據集訓練得到所述聲學模型包括：

采用所述語音數據集分別對所述第一組成部分和所述第二組成部分進行單獨訓練；

采用所述語音數據集對所述第一組成部分和所述第二組成部分進行聯合訓練。

3.根據權利要求2所述的方法，其特征在于，采用所述語音數據集對所述第一組成部分進行單獨訓練包括：

將所述語音數據集中混雜有干擾信號的待識別語音信號設置為所述第一組成部分的輸入層神經元；

通過與所述輸入層聯接的至少一個隱藏層的迭代處理，輸出處理后語音信號；

根據所述處理后語音信號與純凈的待識別語音信號之間的誤差調整網絡參數，并采用調整后的網絡參數重新對混雜有所述干擾信號的待識別語音信號進行訓練，直至誤差滿足第一預設條件，其中，所述網絡參數包括：所述第一組成部分中每相鄰兩層神經元之間聯接的網絡取值，神經元的網絡閾值。

4.根據權利要求2所述的方法，其特征在于，采用所述語音數據集對所述第二組成部分進行單獨訓練包括：

將所述語音數據集中混雜有干擾信號的待識別語音信號設置為所述第二組成部分的輸入層神經元；

通過與所述輸入層聯接的至少一個隱藏層的迭代處理，輸出所述待識別語音信號中每個音素對應的狀態概率；

根據由所述狀態概率確定的發音與發音模板之間的誤差調整網絡參數，并采用調整后的網絡參數重新對混雜有所述干擾信號的待識別語音信號進行訓練，直至誤差滿足第二預設條件，其中，所述網絡參數包括：所述第二組成部分中每相鄰兩層神經元之間聯接的網絡取值，神經元的網絡閾值。

5.根據權利要求2所述的方法，其特征在于，采用所述語音數據集對所述第一組成部分和所述第二組成部分進行聯合訓練包括：

將所述語音數據集中混雜有干擾信號的待識別語音信號設置為所述第一組成部分的輸入層神經元；

通過與所述輸入層聯接的至少一個隱藏層的迭代處理，輸出所述待識別語音信號中每個音素對應的狀態概率；

根據由所述狀態概率確定的發音與發音模板之間的誤差調整網絡參數，并采用調整后的網絡參數重新對混雜有所述干擾信號的待識別語音信號進行訓練，直至所述誤差滿足第二預設條件，其中，所述網絡參數包括：所述第一組成部分中每相鄰兩層神經元之間聯接的網絡取值，神經元的網絡閾值，以及所述第二組成部分中每相鄰兩層神經元之間聯接的網絡取值，神經元的網絡閾值。

6.根據權利要求1所述的方法，其特征在于，所述聲學模型包括：神經網絡模型。

7.一種語音喚醒裝置，其特征在于，包括：

訓練模塊，用于采用語音數據集訓練得到聲學模型，其中，所述聲學模型包括：第一組成部分和第二組成部分；

獲取模塊，用于獲取特征提取后的多路音頻信號；

處理模塊，用于采用所述第一組成部分對所述多路音頻信號進行信號前端處理，得到處理結果；

識別模塊，用于采用所述第二組成部分對所述處理結果進行識別，以喚醒當前設備。

8.根據權利要求7所述的裝置，其特征在于，所述訓練模塊包括：

第一訓練單元，用于采用所述語音數據集分別對所述第一組成部分和所述第二組成部分進行單獨訓練；

第二訓練單元，用于采用所述語音數據集對所述第一組成部分和所述第二組成部分進行聯合訓練。