[發明專利]小尺寸多通道關鍵字定位

在審

• 申請號: 202080093004.2
• 申請日: 2020-01-15
• 公開（公告）號: CN114945980A
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 沃紀龍;黃亦騰
• 申請（專利權）人: 谷歌有限責任公司
• 主分類號: G10L15/16
• 分類號: G10L15/16;G10L15/28
• 代理公司: 上海華誠知識產權代理有限公司 31300
• 代理人: 肖華

1.一種方法(800)，其特征在于，所述方法(800)包括：

在用戶設備(102)的數據處理硬件(103)處接收表征由與所述數據處理硬件(103)進行通信的麥克風(107)陣列所捕獲的流傳輸多通道音頻(118)的輸入幀(210)序列，所述流傳輸多通道音頻(118)的每個通道(119)包括由所述麥克風(107)陣列中的單獨專用麥克風(107)所捕獲的相應音頻特征(510)；

對于每個輸入幀(210)：

由所述數據處理硬件(103)使用記憶神經網絡(300)的三維(3D)奇異值分解過濾器(SVDF)輸入層(302)來并行地處理所述流傳輸多通道音頻(118)的每個通道(119)的所述相應音頻特征(510)；以及

由所述數據處理硬件(103)使用所述記憶神經網絡(300)的中間層(410)，基于所述流傳輸多通道音頻(118)的每個通道(119)的所述相應音頻特征(510)的連接(344)來生成對應的多通道音頻特征表示(420)；

由所述數據處理硬件(103)使用所述記憶神經網絡(300)的順序堆疊的SVDF層(350)，基于每個輸入幀(210)的所述對應的多通道音頻特征表示(420)來生成指示所述流傳輸多通道音頻(118)中熱字的存在的概率分數(360)；

由所述數據處理硬件(103)確定所述概率分數(360)是否滿足熱字檢測閾值；以及

當所述概率分數(360)滿足所述熱字檢測閾值時，由所述數據處理硬件(103)在所述用戶設備(102)上啟動喚醒處理，用于處理所述熱字和/或所述流傳輸多通道音頻(118)中的所述熱字之后的一個或多個其它術語。

2.根據權利要求1所述的方法(800)，其特征在于，所述3D SVDF輸入層(302)包括多個并行的SVDF處理單體(304)，所述多個并行的SVDF處理單體(304)中的每個SVDF處理單體(304)與所述流傳輸多通道音頻(118)的相應通道(119)相關聯，并且被配置為對所述相應通道(119)的所述相應音頻特征(510)進行所述處理。

3.根據權利要求2所述的方法(800)，其特征在于，每個SVDF處理單體(304)包括至少一個神經元(312)，并且每個神經元(312)包括：

相應記憶組件(330)，所述相應記憶組件(330)與所述對應的神經元(312)的相應記憶容量相關聯；

第一級(320)，所述第一級(320)被配置為分別對每個輸入幀(210)的所述相應通道(119)的所述相應音頻特征(510)進行過濾，并且將過濾特征(322)輸出到所述相應記憶組件(330)；以及

第二級(340)，所述第二級(340)被配置為對駐留在所述相應記憶組件(330)中的所有的所述過濾音頻特征(322)進行過濾。

4.根據權利要求2或3所述的方法(800)，其特征在于，每個輸入幀(210)的每個相應通道(119)的所述相應音頻特征(510)包括日志過濾器組。

5.根據權利要求4所述的方法(800)，其特征在于，每個輸入幀(210)包括四十個日志過濾器組。

6.根據權利要求1-5中任一項所述的方法(800)，其特征在于，所述記憶神經網絡(300)的所述順序堆疊的SVDF層(350)包括初始SVDF層(350a)，所述初始SVDF層(350a)被配置為按順序接收每個輸入幀(210)的所述對應的多通道音頻特征表示(420)。