[發(fā)明專利]一種關(guān)鍵詞的語(yǔ)音識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210191909.4
• 申請(qǐng)日: 2022-02-28
• 公開(kāi)（公告）號(hào): CN114566156A
• 公開(kāi)（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 陳錦明;吳濤;李倩
• 申請(qǐng)（專利權(quán)）人: 恒玄科技（上海）股份有限公司
• 主分類號(hào): G10L15/08
• 分類號(hào): G10L15/08;G10L15/02;G10L15/06;G10L25/30
• 代理公司: 北京同達(dá)信恒知識(shí)產(chǎn)權(quán)代理有限公司 11291
• 代理人: 盧志娟

本申請(qǐng)?zhí)峁┮环N關(guān)鍵詞的語(yǔ)音識(shí)別方法及裝置，用以提高關(guān)鍵詞語(yǔ)音識(shí)別的準(zhǔn)確性，避免誤喚醒。其中方法包括：獲取一段時(shí)長(zhǎng)的語(yǔ)音信號(hào)，并計(jì)算所述語(yǔ)音信號(hào)的語(yǔ)音識(shí)別特征；將所述語(yǔ)音識(shí)別特征輸入神經(jīng)網(wǎng)絡(luò)模型，通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型確定目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中分別存在的概率，N為正整數(shù)；根據(jù)所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中分別存在的概率，確定所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中共同存在的概率；若所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中共同存在的概率大于或等于設(shè)定閾值，則確定所述語(yǔ)音信號(hào)中存在所述目標(biāo)關(guān)鍵詞。

技術(shù)領(lǐng)域

本申請(qǐng)涉及語(yǔ)音識(shí)別技術(shù)領(lǐng)域，尤其涉及一種關(guān)鍵詞的語(yǔ)音識(shí)別方法及裝置。

背景技術(shù)

隨著技術(shù)的發(fā)展，智能語(yǔ)音識(shí)別的應(yīng)用場(chǎng)景越來(lái)越廣泛。其中，關(guān)鍵詞喚醒是語(yǔ)音識(shí)別的第一步，具有較高魯棒性的關(guān)鍵詞識(shí)別方案可以優(yōu)化人機(jī)交互體驗(yàn)，給后續(xù)的智能應(yīng)用提供基礎(chǔ)。

現(xiàn)有技術(shù)中，一般通過(guò)模式識(shí)別的方法進(jìn)行關(guān)鍵詞識(shí)別。具體包括：首先選取一段時(shí)間窗口，對(duì)時(shí)間窗口內(nèi)的采樣數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換，然后獲取時(shí)間窗口內(nèi)的采樣數(shù)據(jù)對(duì)應(yīng)的離散余弦倒譜系數(shù)，將該離散余弦倒譜系數(shù)作為語(yǔ)音特征輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，最終確定目標(biāo)關(guān)鍵詞存在的概率。

上述技術(shù)方案存在以下問(wèn)題：在選擇時(shí)間窗口時(shí)，需要以最長(zhǎng)關(guān)鍵詞所需要的最長(zhǎng)預(yù)估時(shí)間作為固定的時(shí)間窗口，這樣會(huì)導(dǎo)致一個(gè)時(shí)間窗口內(nèi)語(yǔ)音存在的位置并不固定。在多關(guān)鍵詞訓(xùn)練時(shí)，如果耗時(shí)最長(zhǎng)的關(guān)鍵詞與耗時(shí)最短的關(guān)鍵詞的時(shí)長(zhǎng)相差太大，模式識(shí)別任務(wù)很難學(xué)習(xí)到完整的關(guān)鍵詞發(fā)音特征，從而導(dǎo)致較大的誤喚醒存在。而且，當(dāng)時(shí)間窗口中同時(shí)存在多個(gè)關(guān)鍵詞的語(yǔ)音時(shí)，對(duì)關(guān)鍵詞的類別的識(shí)別也不夠準(zhǔn)確。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┮环N關(guān)鍵詞的語(yǔ)音識(shí)別方法及裝置，用以提高關(guān)鍵詞語(yǔ)音識(shí)別的準(zhǔn)確性，避免誤喚醒。

第一方面，本申請(qǐng)實(shí)施例提供一種關(guān)鍵詞的語(yǔ)音識(shí)別方法，該方法包括：獲取一段時(shí)長(zhǎng)的語(yǔ)音信號(hào)，并計(jì)算所述語(yǔ)音信號(hào)的語(yǔ)音識(shí)別特征；將所述語(yǔ)音識(shí)別特征輸入神經(jīng)網(wǎng)絡(luò)模型，通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型確定目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中分別存在的概率，N為正整數(shù)；根據(jù)所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中分別存在的概率，確定所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中共同存在的概率；若所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中共同存在的概率大于或等于設(shè)定閾值，則確定所述語(yǔ)音信號(hào)中存在所述目標(biāo)關(guān)鍵詞。

不同于現(xiàn)有技術(shù)中基于語(yǔ)音識(shí)別的關(guān)鍵詞識(shí)別，需要訓(xùn)練所有可能的發(fā)音作為分類的結(jié)果，通常分類目標(biāo)較大，需要較大的模型參數(shù)，不利于資源受限的應(yīng)用場(chǎng)景。本申請(qǐng)中的技術(shù)方案，通過(guò)將目標(biāo)關(guān)鍵詞劃分為多個(gè)分類標(biāo)簽，以目標(biāo)關(guān)鍵詞中的分類標(biāo)簽作為分類目標(biāo)，在不增加模型大小的情況下，具有顯著提高關(guān)鍵詞識(shí)別準(zhǔn)確率和降低誤識(shí)別的效果。分類標(biāo)簽可以是目標(biāo)關(guān)鍵詞中存在的音素、字、詞等，由于語(yǔ)音在短的時(shí)間窗口內(nèi)的位置和發(fā)生規(guī)律具有平穩(wěn)性，如此，通過(guò)縮小檢測(cè)粒度，神經(jīng)網(wǎng)絡(luò)模型可以更容易識(shí)別出分類標(biāo)簽之間的不同，進(jìn)而識(shí)別出不同的類別，即關(guān)鍵詞。

本申請(qǐng)對(duì)于相似關(guān)鍵詞的訓(xùn)練任務(wù)有較好的表現(xiàn)，如果關(guān)鍵詞具有較多類似的發(fā)音，直接訓(xùn)練關(guān)鍵詞分類，模型很難關(guān)注到關(guān)鍵詞的全部特征，從而產(chǎn)生訓(xùn)練的目標(biāo)與實(shí)際特征相差較大，或者把數(shù)據(jù)集中的背景噪聲當(dāng)作關(guān)鍵詞特征的情況，從而提高模型識(shí)別的誤識(shí)別。

在一種可能的設(shè)計(jì)中，所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽通過(guò)對(duì)所述目標(biāo)關(guān)鍵詞按照音素、字或詞的粒度進(jìn)行劃分得到。

在一種可能的設(shè)計(jì)中，所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽在所述語(yǔ)音信號(hào)中共同存在的概率與所述語(yǔ)音識(shí)別特征分別對(duì)應(yīng)所述目標(biāo)關(guān)鍵詞的N個(gè)分類標(biāo)簽的概率相關(guān)聯(lián)。

在一種可能的設(shè)計(jì)中，所述計(jì)算所述語(yǔ)音信號(hào)的語(yǔ)音識(shí)別特征，包括：按照設(shè)定的窗長(zhǎng)和步長(zhǎng)對(duì)所述語(yǔ)音信號(hào)進(jìn)行分幀；針對(duì)每幀語(yǔ)音信號(hào)，通過(guò)對(duì)該幀語(yǔ)音信號(hào)進(jìn)行短時(shí)傅里葉變換，確定該幀語(yǔ)音信號(hào)的時(shí)頻特征；根據(jù)所述時(shí)頻特征，確定基于過(guò)濾器組的特征和梅爾頻率倒譜系數(shù)。