[發(fā)明專(zhuān)利]語(yǔ)音激活狀態(tài)檢測(cè)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010885673.5
• 申請(qǐng)日: 2020-08-28
• 公開(kāi)（公告）號(hào): CN111899723A
• 公開(kāi)（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 王子揚(yáng);宮一塵
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京地平線(xiàn)機(jī)器人技術(shù)研發(fā)有限公司
• 主分類(lèi)號(hào): G10L15/00
• 分類(lèi)號(hào): G10L15/00;G10L15/02;G10L15/08;G10L15/22
• 代理公司: 北京布瑞知識(shí)產(chǎn)權(quán)代理有限公司 11505
• 代理人: 李浩

本發(fā)明實(shí)施例提供了一種語(yǔ)音激活狀態(tài)檢測(cè)方法和裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備，解決了現(xiàn)有語(yǔ)音激活狀態(tài)檢測(cè)方法的精度差的問(wèn)題。該語(yǔ)音激活狀態(tài)檢測(cè)方法包括：基于當(dāng)前圖像幀的信息以及當(dāng)前圖像幀之前預(yù)設(shè)幀數(shù)的歷史圖像幀的信息，得到圖像特征序列；基于當(dāng)前音頻幀的信息以及當(dāng)前音頻幀之前的與所述預(yù)設(shè)幀數(shù)同步對(duì)應(yīng)的預(yù)設(shè)時(shí)段的歷史音頻幀的信息，得到音頻特征序列；以及基于所述圖像特征序列和所述音頻特征序列，獲取語(yǔ)音激活狀態(tài)檢測(cè)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及語(yǔ)音技術(shù)領(lǐng)域，具體涉及一種語(yǔ)音激活狀態(tài)檢測(cè)方法和裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備。

背景技術(shù)

隨著人工智能技術(shù)的不斷發(fā)展，智能語(yǔ)音交互技術(shù)被應(yīng)用在了越來(lái)越多的應(yīng)用場(chǎng)景中，并發(fā)揮了重要作用。在實(shí)際的人機(jī)交互場(chǎng)景中，機(jī)器所采集到的音頻文件并非僅僅包括用戶(hù)發(fā)出的語(yǔ)音內(nèi)容，還可能包括了沒(méi)有實(shí)際語(yǔ)音內(nèi)容的段落。因此，為了提高人機(jī)之間智能語(yǔ)音交互的準(zhǔn)確率和效率，就有必要從采集到的音頻文件中檢測(cè)出對(duì)應(yīng)語(yǔ)音激活狀態(tài)的音頻段落作為語(yǔ)音段落，并僅利用語(yǔ)音段落作為樣本進(jìn)行智能語(yǔ)音交互模型的訓(xùn)練，或僅利用語(yǔ)音段落進(jìn)行語(yǔ)義分析。

現(xiàn)有的語(yǔ)音激活狀態(tài)檢測(cè)方法是依賴(lài)音頻文件進(jìn)行的，通過(guò)提取音頻文件的特征信息，并基于指定的或自適應(yīng)的特征閾值判斷音頻文件中的哪些音頻段落是語(yǔ)音激活狀態(tài)，對(duì)應(yīng)語(yǔ)音激活狀態(tài)的音頻段落則為語(yǔ)音段落。然而當(dāng)音頻文件采集自高噪聲的復(fù)雜場(chǎng)景時(shí)，音頻文件本身的信噪比較低，采用現(xiàn)有的語(yǔ)音激活狀態(tài)檢測(cè)方法難以區(qū)分噪音內(nèi)容和語(yǔ)音內(nèi)容，從而導(dǎo)致對(duì)于語(yǔ)音激活狀態(tài)的檢測(cè)精度較差。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種語(yǔ)音激活狀態(tài)檢測(cè)方法和裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備，解決了現(xiàn)有語(yǔ)音激活狀態(tài)檢測(cè)方法的精度差的問(wèn)題。

根據(jù)本申請(qǐng)的一方面，本申請(qǐng)一實(shí)施例提供的一種語(yǔ)音激活狀態(tài)檢測(cè)方法包括：基于當(dāng)前圖像幀的信息以及當(dāng)前圖像幀之前預(yù)設(shè)幀數(shù)的歷史圖像幀的信息，得到圖像特征序列；基于當(dāng)前音頻幀的信息以及當(dāng)前音頻幀之前的與所述預(yù)設(shè)幀數(shù)同步對(duì)應(yīng)的預(yù)設(shè)時(shí)段的歷史音頻幀的信息，得到音頻特征序列；以及基于所述圖像特征序列和所述音頻特征序列，獲取語(yǔ)音激活狀態(tài)檢測(cè)結(jié)果。

根據(jù)本申請(qǐng)的另一方面，本申請(qǐng)一實(shí)施例提供的一種語(yǔ)音激活狀態(tài)檢測(cè)裝置包括：圖像特征序列獲取模塊，配置為基于當(dāng)前圖像幀的信息以及當(dāng)前圖像幀之前預(yù)設(shè)幀數(shù)的歷史圖像幀的信息，得到圖像特征序列；音頻特征序列獲取模塊，配置為基于當(dāng)前音頻幀的信息以及當(dāng)前音頻幀之前的與所述預(yù)設(shè)幀數(shù)同步對(duì)應(yīng)的預(yù)設(shè)時(shí)段的歷史音頻幀的信息，得到音頻特征序列音頻幀；以及檢測(cè)模塊，配置為基于所述圖像特征序列和所述音頻特征序列，獲取語(yǔ)音激活狀態(tài)檢測(cè)結(jié)果。

根據(jù)本申請(qǐng)的另一方面，本申請(qǐng)一實(shí)施例提供的一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于執(zhí)行如前任一所述的語(yǔ)音激活狀態(tài)檢測(cè)方法。

根據(jù)本申請(qǐng)的另一方面，本申請(qǐng)一實(shí)施例提供的一種電子設(shè)備，包括：處理器；用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器；所述處理器，用于執(zhí)行如前任一所述的語(yǔ)音激活狀態(tài)檢測(cè)方法。

本發(fā)明實(shí)施例提供的一種語(yǔ)音激活狀態(tài)檢測(cè)方法和裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備，除了要基于音頻文件的預(yù)設(shè)時(shí)段的音頻幀的信息得到音頻特征序列外，還要基于與預(yù)設(shè)時(shí)段對(duì)應(yīng)的預(yù)設(shè)幀數(shù)的圖像幀的信息獲得圖像特征序列，并綜合利用音頻特征序列和音頻特征序列實(shí)現(xiàn)語(yǔ)音激活狀態(tài)檢測(cè)。這樣即使音頻文件本身采集于高噪聲的復(fù)雜場(chǎng)景，由于圖像幀的信息內(nèi)容是并不會(huì)因?yàn)樵肼暤拇嬖诙a(chǎn)生額外變化的，圖像幀的信息內(nèi)容包括了用戶(hù)在圖像層面上呈現(xiàn)出的與說(shuō)話(huà)狀態(tài)相關(guān)的動(dòng)作影像，因此通過(guò)參考圖像特征序列可排除掉僅對(duì)應(yīng)噪音的非語(yǔ)音段落，避免了現(xiàn)有語(yǔ)音激活狀態(tài)檢測(cè)方式僅依賴(lài)音頻文件進(jìn)行語(yǔ)音激活狀態(tài)檢測(cè)的局限性，從而顯著提高了對(duì)于語(yǔ)音段落的檢測(cè)精度。

附圖說(shuō)明

圖1所示為本申請(qǐng)一實(shí)施例提供的一種語(yǔ)音激活狀態(tài)檢測(cè)方法的流程示意圖。