[發(fā)明專(zhuān)利]語(yǔ)音喚醒方法及裝置、處理器、音箱和電視機(jī)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811475797.5
• 申請(qǐng)日: 2018-12-04
• 公開(kāi)（公告）號(hào): CN111354341A
• 公開(kāi)（公告）日: 2020-06-30
• 發(fā)明（設(shè)計(jì)）人: 陳夢(mèng)喆;薛少飛;雷鳴
• 申請(qǐng)（專(zhuān)利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類(lèi)號(hào): G10L15/06
• 分類(lèi)號(hào): G10L15/06;G10L15/16;G10L15/22;H04R1/20
• 代理公司: 北京博浩百睿知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11134
• 代理人: 褚敏;宋子良

本發(fā)明公開(kāi)了一種語(yǔ)音喚醒方法及裝置、處理器、音箱和電視機(jī)。其中，該方法包括：采用語(yǔ)音數(shù)據(jù)集訓(xùn)練得到聲學(xué)模型，其中，所述聲學(xué)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(hào)；采用所述第一組成部分對(duì)所述多路音頻信號(hào)進(jìn)行信號(hào)前端處理，得到處理結(jié)果；采用所述第二組成部分對(duì)所述處理結(jié)果進(jìn)行識(shí)別，以喚醒當(dāng)前設(shè)備。本發(fā)明解決了相關(guān)技術(shù)中信號(hào)處理模型與喚醒模型分別優(yōu)化訓(xùn)練從而導(dǎo)致兩者目標(biāo)準(zhǔn)則不一致的技術(shù)問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)領(lǐng)域，具體而言，涉及一種語(yǔ)音喚醒方法及裝置、處理器、音箱和電視機(jī)。

背景技術(shù)

語(yǔ)音喚醒是指用戶(hù)說(shuō)出特定的語(yǔ)音指令時(shí)，設(shè)備從休眠狀態(tài)切換到工作狀態(tài)，給出指定響應(yīng)。該技術(shù)廣泛地應(yīng)用于各類(lèi)語(yǔ)音控制的產(chǎn)品中，如機(jī)器人、手機(jī)、可穿戴設(shè)備、智能家居、車(chē)載等。由于涉及到的場(chǎng)景常常是遠(yuǎn)場(chǎng)環(huán)境，處理信號(hào)具有信噪比低，有回聲等特點(diǎn)，因此語(yǔ)音喚醒的輸入語(yǔ)音常常會(huì)先經(jīng)過(guò)前端信號(hào)處理，以去除噪聲，回聲等不利于后端解析具體語(yǔ)言?xún)?nèi)容的部分。

為了獲得更魯棒的喚醒性能，相關(guān)技術(shù)中對(duì)于語(yǔ)音喚醒的輸入語(yǔ)音常常會(huì)先經(jīng)過(guò)傳統(tǒng)前端信號(hào)處理，比如回聲消除(Acoustic Echo Canceller，簡(jiǎn)稱(chēng)AEC)，自動(dòng)增益控制(Automatic Gain Control，簡(jiǎn)稱(chēng)為AGC)，波束形成算法(Beam forming algorithm)以及盲源分離等降噪方式，將多通道信號(hào)轉(zhuǎn)換成單通道信號(hào)，再提取特征后輸入喚醒模塊，其目的在于獲得更干凈的語(yǔ)音，以降低喚醒模型對(duì)語(yǔ)音的解析難度。

但是，相關(guān)技術(shù)中的信號(hào)處理與語(yǔ)音喚醒的結(jié)合常常有以下幾方面缺點(diǎn)：1)信號(hào)處理模式一般為在一定準(zhǔn)則指導(dǎo)下，估計(jì)濾波器最優(yōu)參數(shù)，其準(zhǔn)則和優(yōu)化目標(biāo)會(huì)與喚醒模型的目標(biāo)準(zhǔn)則不一致，二者分別優(yōu)化訓(xùn)練，無(wú)法獲得聯(lián)合訓(xùn)練的優(yōu)勢(shì)；2)在數(shù)據(jù)不斷的累積過(guò)程中，信號(hào)處理的模式無(wú)法利用大量數(shù)據(jù)帶來(lái)的紅利；3)信號(hào)處理效果與資源量的需求呈正比，若要獲得較好的效果，其計(jì)算量以及時(shí)延甚至?xí)笥趩拘涯Ｐ停⑶译S著語(yǔ)音通道數(shù)的增加，處理時(shí)長(zhǎng)呈指數(shù)級(jí)上升。信號(hào)處理和語(yǔ)音喚醒一般在設(shè)備端完成，這對(duì)資源的利用要求嚴(yán)苛，尋求盡可能計(jì)算量小和時(shí)延小的方案；4)場(chǎng)景及硬件的適應(yīng)性弱，當(dāng)使用場(chǎng)景變化、硬件發(fā)生變化時(shí)，算法、參數(shù)都需要重新調(diào)整。

針對(duì)相關(guān)技術(shù)中的上述問(wèn)題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種語(yǔ)音喚醒方法及裝置、處理器、音箱和電視機(jī)，以至少解決相關(guān)技術(shù)中信號(hào)處理模型與喚醒模型分別優(yōu)化訓(xùn)練從而導(dǎo)致兩者目標(biāo)準(zhǔn)則不一致的技術(shù)問(wèn)題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種語(yǔ)音喚醒方法，包括：采用語(yǔ)音數(shù)據(jù)集訓(xùn)練得到聲學(xué)模型，其中，所述聲學(xué)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(hào)；采用所述第一組成部分對(duì)所述多路音頻信號(hào)進(jìn)行信號(hào)前端處理，得到處理結(jié)果；采用所述第二組成部分對(duì)所述處理結(jié)果進(jìn)行識(shí)別，以喚醒當(dāng)前設(shè)備。

根據(jù)本發(fā)明實(shí)施例的另一個(gè)方面，提供了一種語(yǔ)音喚醒裝置，包括：訓(xùn)練模塊，用于采用語(yǔ)音數(shù)據(jù)集訓(xùn)練得到聲學(xué)模型，其中，所述聲學(xué)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(hào)；處理模塊，用于采用所述第一組成部分對(duì)所述多路音頻信號(hào)進(jìn)行信號(hào)前端處理，得到處理結(jié)果；識(shí)別模塊，用于采用所述第二組成部分對(duì)所述處理結(jié)果進(jìn)行識(shí)別，以喚醒當(dāng)前設(shè)備。

根據(jù)本發(fā)明實(shí)施例的又一個(gè)方面，一種處理器，所述處理器用于運(yùn)行程序，其中，所述程序運(yùn)行時(shí)執(zhí)行上述的語(yǔ)音喚醒方法。

根據(jù)本發(fā)明實(shí)施例的再一個(gè)方面，提供了一種音箱，包括：采用語(yǔ)音數(shù)據(jù)集訓(xùn)練得到聲學(xué)模型，其中，所述聲學(xué)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(hào)；采用所述第一組成部分對(duì)所述多路音頻信號(hào)進(jìn)行信號(hào)前端處理，得到處理結(jié)果；采用所述第二組成部分對(duì)所述處理結(jié)果進(jìn)行識(shí)別，以喚醒當(dāng)前設(shè)備。