[發(fā)明專利]一種語(yǔ)音喚醒方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011347052.8
• 申請(qǐng)日: 2020-11-26
• 公開(kāi)（公告）號(hào): CN112509568A
• 公開(kāi)（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 岑吳镕;李驪
• 申請(qǐng)（專利權(quán)）人: 北京華捷艾米科技有限公司
• 主分類號(hào): G10L15/16
• 分類號(hào): G10L15/16;G10L15/02;G10L15/26
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 林哲生

1.一種語(yǔ)音喚醒方法，其特征在于，包括：

在接收到語(yǔ)音信號(hào)的情況下，提取所述語(yǔ)音信號(hào)的FBank特征；

將所述FBank特征輸入預(yù)先訓(xùn)練得到的音素識(shí)別模型，得到所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列，所述音素識(shí)別模型為利用已標(biāo)注音素序列的FBank特征訓(xùn)練樣本對(duì)預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練后得到的；

對(duì)所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列與喚醒詞的音素序列進(jìn)行比較，根據(jù)比較結(jié)果，確定是否進(jìn)行語(yǔ)音喚醒。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取所述語(yǔ)音信號(hào)的FBank特征，包括：

對(duì)所述語(yǔ)音信號(hào)進(jìn)行分幀處理，得到多幀音頻；

對(duì)每一幀音頻進(jìn)行預(yù)加重、添加漢明窗；

通過(guò)快速傅里葉變換，將預(yù)加重和添加漢明窗后的音頻從時(shí)域轉(zhuǎn)換為頻域；

利用三角濾波器對(duì)頻域音頻進(jìn)行處理，得到所述FBank特征。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取多條已標(biāo)注中文文本的音頻信息與發(fā)音詞典，所述已標(biāo)注中文文本的音頻信息包括：包括喚醒詞的音頻信息以及不包括喚醒詞的音頻信息；

根據(jù)所述發(fā)音詞典，將每條所述已標(biāo)注中文文本的音頻信息的對(duì)應(yīng)的中文文本轉(zhuǎn)換為音素序列；

提取每條所述已標(biāo)注音素序列的音頻信息的FBank特征，得到所述喚醒模型的訓(xùn)練樣本；

利用所述訓(xùn)練樣本對(duì)預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述音素識(shí)別模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)模型包括七層，第一層為輸入層，第一層的節(jié)點(diǎn)數(shù)為71，第二層到第七層節(jié)點(diǎn)數(shù)為20，第七層為輸出層，第七層包括對(duì)數(shù)歸一化模塊。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列與喚醒詞的音素序列進(jìn)行比較，根據(jù)比較結(jié)果，確定是否進(jìn)行語(yǔ)音喚醒，包括：

判斷所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列是否包含喚醒詞的音素序列；

若不包含喚醒詞的音素序列，確定所述語(yǔ)音信號(hào)不包含喚醒詞，不進(jìn)行語(yǔ)音喚醒；

若包含喚醒詞的音素序列，判斷所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列中是否包含預(yù)設(shè)幀數(shù)的非喚醒詞音素；

若包含預(yù)設(shè)幀數(shù)的非喚醒詞音素，確定所述語(yǔ)音信號(hào)不包含喚醒詞，不進(jìn)行語(yǔ)音喚醒；

若不包含預(yù)設(shè)幀數(shù)的非喚醒詞音素，確定進(jìn)行語(yǔ)音喚醒。

6.一種語(yǔ)音喚醒裝置，其特征在于，包括：

FBank特征提取單元，用于在接收到語(yǔ)音信號(hào)的情況下，提取所述語(yǔ)音信號(hào)的FBank特征；

音素序列識(shí)別單元，用于將所述FBank特征輸入預(yù)先訓(xùn)練得到的音素識(shí)別模型，得到所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列，所述音素識(shí)別模型為利用已標(biāo)注音素序列的FBank特征訓(xùn)練樣本對(duì)預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練后得到的；

音素序列比較單元，用于對(duì)所述語(yǔ)音信號(hào)對(duì)應(yīng)的音素序列與喚醒詞的音素序列進(jìn)行比較，根據(jù)比較結(jié)果，確定是否進(jìn)行語(yǔ)音喚醒。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述FBank特征提取單元，具體用于：

對(duì)所述語(yǔ)音信號(hào)進(jìn)行分幀處理，得到多幀音頻；

對(duì)每一幀音頻進(jìn)行預(yù)加重、添加漢明窗；

通過(guò)快速傅里葉變換，將預(yù)加重和添加漢明窗后的音頻從時(shí)域轉(zhuǎn)換為頻域；

利用三角濾波器對(duì)頻域音頻進(jìn)行處理，得到所述FBank特征。

8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置還包括音素識(shí)別模型訓(xùn)練單元，具體用于：

獲取多條已標(biāo)注中文文本的音頻信息與發(fā)音詞典，所述已標(biāo)注中文文本的音頻信息包括：包括喚醒詞的音頻信息以及不包括喚醒詞的音頻信息；

根據(jù)所述發(fā)音詞典，將每條所述已標(biāo)注中文文本的音頻信息的對(duì)應(yīng)的中文文本轉(zhuǎn)換為音素序列；

提取每條所述已標(biāo)注音素序列的音頻信息的FBank特征，得到所述喚醒模型的訓(xùn)練樣本；

利用所述訓(xùn)練樣本對(duì)預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述音素識(shí)別模型。