[發(fā)明專利]信號生成的方法、基于人工智能的語音識別方法及裝置

有效

• 申請?zhí)枺?/td>: 201910838669.0
• 申請日: 2019-09-05
• 公開（公告）號: CN110415718B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計）人: 鄭脊萌;劉二男;黎韋偉;陳聯(lián)武
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G10L21/0208
• 分類號: G10L21/0208;G10L21/0216;G10L15/22
• 代理公司: 深圳市深佳知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 吳磊

本申請公開了一信號生成的方法，該方法應(yīng)用于人工智能領(lǐng)域，包括：當(dāng)通過麥克風(fēng)陣列獲取目標(biāo)語音幀對應(yīng)的語音輸入信號時，根據(jù)語音輸入信號獲取待估計角度對應(yīng)的第一信號能量，待估計角度在入射方位角范圍內(nèi)；根據(jù)入射方位角范圍以及波束形成器系數(shù)，確定至少一個固定波束形成器所對應(yīng)的第二信號能量；根據(jù)第一信號能量以及第二信號能量，確定待估計角度對應(yīng)的空間特征；根據(jù)空間特征生成目標(biāo)語音幀對應(yīng)的目標(biāo)控制信號。本申請還公開了一種基于人工智能的語音識別方法及裝置。本申請能夠分別確定來自各個待估計角度方向上的空間特征，基于空間特征生成相應(yīng)的控制信號，提升控制信號的準(zhǔn)確性和魯棒性，提高前處理系統(tǒng)對語音信號增強的性能。

技術(shù)領(lǐng)域

本申請涉及人工智能領(lǐng)域，尤其涉及信號生成的方法、基于人工智能的語音識別方法及裝置。

背景技術(shù)

隨著智能音箱等智能設(shè)備的流行，人機之間的語音交互頻率越來越高，而遠場語音交互作為一個重要的人機交互場景，受到了較大的關(guān)注。相對與近場語音來說，遠場語音主要的技術(shù)難點在于對于多徑反射、混響效應(yīng)及背景噪音干擾的處理。

為了實現(xiàn)更好的遠場語音交互性能，智能設(shè)備往往都裝備有多麥克風(fēng)陣列和前端語音處理系統(tǒng)。前端語音處理系統(tǒng)基于目標(biāo)人聲和干擾噪聲來源方向不同的假設(shè)，往往會采用自適應(yīng)波束形成算法來抑制干擾噪聲，并增強目標(biāo)人聲。而自適應(yīng)波束形成算法的性能又極其依賴外界向其提供的控制信號。目前，控制信號是通過單聲道的話音激活檢測(Voice Activity Detector，VAD)產(chǎn)生，即通過信號能量強弱或與人聲模型的匹配程度區(qū)分輸入信號為人聲或非人聲，如果判斷為人聲則默認為是目標(biāo)人聲。

然而，在智能家居的應(yīng)用場景中往往會出現(xiàn)“雞尾酒會”情形，即有多個人聲或類人聲噪聲(例如電視噪聲)同時出現(xiàn)，在這樣的場景下，導(dǎo)致單聲道VAD產(chǎn)生的控制信號準(zhǔn)確度較低，而控制信號的準(zhǔn)確性將極大影響前處理系統(tǒng)的整體性能，進而影響遠場喚醒和識別性能。

發(fā)明內(nèi)容

本申請實施例提供了一種信號生成的方法、基于人工智能的語音識別方法及裝置，能夠根據(jù)麥克風(fēng)陣列獲取到的語音輸入信號，分別確定來自各個待估計角度方向上的空間特征，基于空間特征生成相應(yīng)的控制信號，可以提升控制信號的準(zhǔn)確性和魯棒性，從而提高前處理系統(tǒng)對語音信號增強的性能。

有鑒于此，本申請第一方面提供一種信號生成的方法，包括：

當(dāng)通過麥克風(fēng)陣列獲取目標(biāo)語音幀對應(yīng)的語音輸入信號時，根據(jù)所述語音輸入信號獲取待估計角度對應(yīng)的第一信號能量，其中，所述麥克風(fēng)陣列包括多個麥克風(fēng)，所述待估計角度在入射方位角范圍內(nèi)；

根據(jù)所述入射方位角范圍以及波束形成器系數(shù)，確定至少一個固定波束形成器所對應(yīng)的第二信號能量，其中，所述至少一個固定波束形成器均指向所述待估計角度，所述入射方位角范圍包括所述待估計角度；

根據(jù)所述第一信號能量以及所述第二信號能量，確定所述待估計角度對應(yīng)的空間特征；

根據(jù)所述空間特征生成所述目標(biāo)語音幀對應(yīng)的目標(biāo)控制信號，其中，所述目標(biāo)控制信號用于估計語音的方向。

本申請第二方面提供一種基于人工智能的語音識別方法，包括：

當(dāng)通過麥克風(fēng)陣列獲取目標(biāo)語音幀對應(yīng)的語音輸入信號時，根據(jù)所述語音輸入信號獲取待估計角度對應(yīng)的第一信號能量，其中，所述麥克風(fēng)陣列包括多個麥克風(fēng)，所述待估計角度在入射方位角范圍內(nèi)；

根據(jù)所述入射方位角范圍以及波束形成器系數(shù)，確定至少一個固定波束形成器所對應(yīng)的第二信號能量，其中，所述至少一個固定波束形成器均指向所述待估計角度，所述入射方位角范圍包括所述待估計角度；

根據(jù)所述第一信號能量以及所述第二信號能量，確定所述待估計角度對應(yīng)的空間特征；

根據(jù)所述空間特征生成所述目標(biāo)語音幀對應(yīng)的目標(biāo)控制信號；