[發明專利]熱詞感知語音合成

在審

• 申請號: 201880035906.3
• 申請日: 2018-06-25
• 公開（公告）號: CN110896664A
• 公開（公告）日: 2020-03-20
• 發明（設計）人: A.克拉庫恩;M.沙里菲
• 申請（專利權）人: 谷歌有限責任公司
• 主分類號: G10L13/08
• 分類號: G10L13/08;G10L13/02
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 金玉潔

一種方法(400)，包括：接收用于轉換成合成語音(160)的文本輸入數據(302)，并且使用被訓練成檢測分配給用戶設備(110)的熱詞(130)的存在的熱詞感知模型(320)來確定文本輸入數據的發音是否包括熱詞。熱詞被配置為在用戶設備上發起用于處理音頻輸入數據中的熱詞和/或熱詞之后的一個或多個其他術語的喚醒過程。當文本輸入數據的發音包括熱詞時，該方法還包括從文本輸入數據生成音頻輸出信號(304)，并將音頻輸出信號提供給音頻輸出設備(118)以輸出音頻輸出信號。音頻輸出信號當被用戶設備的音頻捕獲設備捕獲時，被配置為阻止在用戶設備上發起喚醒過程。

技術領域

本公開涉及熱詞感知語音合成。

背景技術

使能語音的環境(例如，家、工作場所、學校、汽車等)允許用戶向基于計算機的系統大聲說出查詢或命令，該系統字段化并回答查詢和/或基于命令而執行功能。使能語音的環境可以使用分布在環境的不同房間或區域中的聯網麥克風設備的網絡來實施。這些設備可以使用熱詞來幫助辨別給定話語何時指向該系統，這與指向環境中存在的另一個體的話語相反。因此，設備可以在睡眠狀態或休眠狀態下操作，并且僅當檢測到的話語包括熱詞時才喚醒。一旦設備被檢測到的話語內的熱詞喚醒，設備就對熱詞和/或熱詞之后的一個或多個術語(term)執行進一步的處理。換句話說，熱詞和/或一個或多個術語形成將由設備執行的查詢或話音命令。隨著語音合成器在使能語音的環境內變得更加普遍，包含熱詞或包括聽起來像熱詞的其他詞/子詞的合成話語可以使得設備從睡眠/休眠狀態喚醒并開始處理合成話語，即使合成話語沒有指向該設備。換句話說，合成語音會無意中激活設備，這常常令語音合成器的用戶感到沮喪。因此，在環境內接收話語的系統必須具有某種方式來辨別指向該系統的人類語音的話語和從鄰近設備輸出的非指向該系統的合成語音的話語。

發明內容

一種用于阻止在用戶設備上發起喚醒過程的方法。該方法包括：在語音合成設備的數據處理硬件處接收用于轉換成合成語音的文本輸入數據；以及通過數據處理硬件并使用被訓練成檢測分配給用戶設備的至少一個熱詞的存在的熱詞感知模型來確定文本輸入數據的發音是否包括熱詞，該熱詞當被包括在由用戶設備接收的音頻輸入數據中時，被配置為在用戶設備上發起用于處理音頻輸入數據中的熱詞和/或熱詞之后的一個或多個其他術語的喚醒過程。當文本輸入數據的發音包括熱詞時，該方法還包括從文本輸入數據生成音頻輸出信號，以及由數據處理硬件將音頻輸出信號提供給音頻輸出設備以輸出音頻輸出信號。音頻輸出信號當被用戶設備的音頻捕獲設備捕獲時，被配置為阻止在用戶設備上發起喚醒過程。

本公開的實施方式可以包括一個或多個以下可選特征。在一些實施方式中，確定文本輸入數據的發音是否包括熱詞包括確定文本輸入數據的詞、子詞或文本到語音序列中的至少一個的發音與熱詞相關聯。熱詞感知模型可以在分配給用戶設備的熱詞的文本到語音序列或音頻表示上被訓練。此外，文本輸入數據可以包括第一語言，并且音頻輸出信號可以包括不同語言的文本輸入數據的翻譯。

在一些示例中，該方法還包括由數據處理硬件檢測語音合成設備的操作環境內用戶設備的存在；以及由數據處理硬件查詢用戶設備以獲得分配給用戶設備的用于訓練熱詞感知模型的熱詞。附加地或替代地，該方法可以包括查詢遠程熱詞儲存庫，以至少獲得分配給用戶設備的用于訓練熱詞感知模型的熱詞。

在一些實施方式中，從文本輸入數據生成音頻輸出信號包括向音頻輸出信號插入水印，該水印表示音頻輸出信號對應于合成語音，并指示用戶設備的熱詞檢測器忽略對合成語音中的熱詞的檢測。在其他實施方式中，生成音頻數據包括確定表示對于文本輸入數據的文本到語音輸出的語音波形，并通過移除或改變與熱詞相關聯的任何聲音來改變語音波形，以規避由用戶設備的熱詞檢測器對熱詞的檢測。在又一實施方式中，生成音頻數據包括確定表示文本輸入數據的語音波形，并對音頻波形濾波以規避由用戶設備的熱詞檢測器對熱詞的檢測。