[發明專利]用于識別對話語音的方法、裝置以及可拆卸的拾音設備

在審

• 申請號: 202111505670.5
• 申請日: 2021-12-10
• 公開（公告）號: CN114203181A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 楊松;孟憲海;王福到;陳杰;李鑫;王凱
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L25/51;G10L17/00;G01S5/20;G06N20/00
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本公開提供了用于識別對話語音的方法、裝置以及可拆卸的拾音設備，涉及計算機技術領域，尤其涉及語音技術和機器學習技術領域。具體實現方案為：從預設的麥克風陣列獲取至少兩個說話人的對話語音；對該對話語音進行方位判決處理，生成目標數目個說話人角色；將該對話語音中與說話人角色對應的語音分別輸入至預先訓練的該目標數目個語音解碼器，生成語音識別文字。

技術領域

本公開涉及計算機技術領域，特別涉及語音技術和機器學習技術，尤 其涉及用于識別對話語音的方法、裝置以及可拆卸的拾音設備。

背景技術

隨著互聯網技術的發展，語音交互的應用也愈加廣泛。

現有技術中，往往是由一名用戶喚醒語音交互設備，而后進行用戶與 語音交互設備的單輪或多輪對話交互。

發明內容

提供了一種用于識別對話語音的方法、裝置以及可拆卸的拾音設備。

根據第一方面，提供了一種用于識別對話語音的方法，該方法包括： 從預設的麥克風陣列獲取至少兩個說話人的對話語音；對該對話語音進行 方位判決處理，生成目標數目個說話人角色；將該對話語音中與說話人角 色對應的語音分別輸入至預先訓練的該目標數目個語音解碼器，生成語音 識別文字。

根據第二方面，提供了一種用于識別對話語音的裝置，該裝置包括： 獲取單元，被配置成從預設的麥克風陣列獲取至少兩個說話人的對話語音； 生成單元，被配置成對所該對話語音進行方位判決處理，生成目標數目個 說話人角色；識別單元，被配置成將該對話語音中與說話人角色對應的語 音分別輸入至預先訓練的該目標數目個語音解碼器，生成語音識別文字。

根據第三方面，提供了一種用于識別對話語音的方法，包括：對目標 客戶端發送的處理后對話語音進行方位判決處理，生成目標數目個說話人 角色，其中，處理后對話語音基于客戶端對原始對話語音的預處理而得到， 原始對話語音利用根據預設的通道數和采樣率適配成功的麥克風陣列獲 ??；將對話語音中與說話人角色對應的語音分別輸入至預先訓練的目標數 目個語音解碼器，生成語音識別文字；將語音識別文字發送至目標客戶端。

根據第四方面，提供了一種用于識別對話語音的裝置，包括：角色生 成單元，被配置成對目標客戶端發送的處理后對話語音進行方位判決處理， 生成目標數目個說話人角色，其中，處理后對話語音基于客戶端對原始對 話語音的預處理而得到，原始對話語音利用根據預設的通道數和采樣率適 配成功的麥克風陣列獲?。徽Z音識別單元，被配置成將對話語音中與說話 人角色對應的語音分別輸入至預先訓練的目標數目個語音解碼器，生成語 音識別文字；文字發送單元，被配置成將語音識別文字發送至目標客戶端。

根據第五方面，提供了一種電子設備，該電子設備包括：至少一個處 理器；以及與上述至少一個處理器通信連接的存儲器；其中，存儲器存儲 有可被上述至少一個處理器執行的指令，上述指令被至少一個處理器執行， 以使上述至少一個處理器能夠執行如第一方面或第三方面中任一實現方 式所描述的方法。

根據第六方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存 儲介質，該計算機指令用于使計算機能夠執行如第一方面或第三方面中任 一實現方式所描述的方法。

根據第七方面，提供了一種計算機程序產品，包括計算機程序，該計 算機程序在被處理器執行時實現如第一方面或第三方面中任一實現方式 所描述的方法。

根據第八方面，提供了一種可拆卸的拾音設備，包括：預設的麥克風 陣列，被配置成響應于確定與客戶端適配成功，持續獲取對話語音，其中， 適配的參數包括以下至少一項：通道數，采樣率；方向判別器，被配置成 根據該對話語音中的語音片段在該麥克風陣列中的能量分布，確定該語音 片段對應的說話人的方向。