CN114121022A - 语音唤醒方法、装置、电子设备以及存储介质 - Google Patents
语音唤醒方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114121022A CN114121022A CN202111471714.7A CN202111471714A CN114121022A CN 114121022 A CN114121022 A CN 114121022A CN 202111471714 A CN202111471714 A CN 202111471714A CN 114121022 A CN114121022 A CN 114121022A
- Authority
- CN
- China
- Prior art keywords
- wake
- awakening
- voice
- result
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003993 interaction Effects 0.000 claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006855 networking Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了语音唤醒方法、装置、电子设备、存储介质以及程序产品,涉及人工智能技术领域,尤其涉及语音交互、云计算、智能座舱和车联网等技术领域。具体实现方案为:响应于确定唤醒语音来自目标用户,获取与目标用户相对应的目标唤醒阈值;对唤醒语音进行唤醒识别,得到唤醒识别结果;以及基于唤醒识别结果和目标唤醒阈值,确定唤醒结果,唤醒结果指示了语音交互功能是否被唤醒语音唤醒。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及语音交互、云计算、智能座舱和车联网等技术领域。具体涉及语音唤醒方法、装置、电子设备、存储介质以及程序产品。
背景技术
语音交互是一种人类自然的交互方式。随着人工智能技术的不断发展,已经实现让机器能够听懂人类发出的语音,理解语音中的内在含义,并作出相应的反馈。在这些操作中,语义的准确理解、反馈的迅速程度均成为影响语音交互顺畅的因素
发明内容
本公开提供了一种语音唤醒方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种语音唤醒方法,包括:响应于确定唤醒语音来自目标用户,获取与所述目标用户相对应的目标唤醒阈值;对所述唤醒语音进行唤醒识别,得到唤醒识别结果;以及基于所述唤醒识别结果和所述目标唤醒阈值,确定唤醒结果,其中,所述唤醒结果指示了语音交互功能是否被所述唤醒语音唤醒。
根据本公开的另一方面,提供了一种语音唤醒装置,包括:阈值获取模块,用于响应于确定唤醒语音来自目标用户,获取与所述目标用户相对应的目标唤醒阈值;唤醒识别模块,用于对所述唤醒语音进行唤醒识别,得到唤醒识别结果;以及结果确定模块,用于基于所述唤醒识别结果和所述目标唤醒阈值,确定唤醒结果,其中,所述唤醒结果指示了语音交互功能是否被所述唤醒语音唤醒。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用语音唤醒方法及装置的示例性***架构;
图2示意性示出了根据本公开实施例的语音唤醒方法的流程图;
图3示意性示出了根据本公开另一实施例的语音唤醒方法的流程图;
图4示意性示出了根据本公开实施例的确定目标唤醒阈值的应用场景图;
图5示意性示出了根据本公开实施例的语音唤醒装置的框图;以及
图6示意性示出了根据本公开实施例的适于实现语音唤醒方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提供了一种语音唤醒方法、装置、电子设备、存储介质以及程序产品。
根据本公开的实施例,语音唤醒方法可以包括:响应于确定唤醒语音来自目标用户,获取与目标用户相对应的目标唤醒阈值;对唤醒语音进行唤醒识别,得到唤醒识别结果;以及基于唤醒识别结果和目标唤醒阈值,确定唤醒结果,其中,唤醒结果指示了语音交互功能是否被唤醒语音唤醒。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示意性示出了根据本公开实施例的可以应用语音唤醒方法及装置的示例性***架构。
需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如,在另一实施例中,可以应用语音唤醒方法及装置的示例性***架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的语音唤醒方法及装置。
如图1所示,根据该实施例的***架构100可以包括语音交互设备101、网络102和服务器103。网络102用以在语音交互设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以向语音交互设备101发出唤醒语音,语音交互设备101在可以判断唤醒语音是否来自目标用户,语音交互设备101在确定该唤醒语音来自目标用户的情况下,获取与目标用户相对应的目标唤醒阈值,并对唤醒语音进行唤醒识别,得到唤醒识别结果,基于唤醒识别结果与目标唤醒阈值,来确定唤醒结果。
语音交互设备101上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
语音交互设备101可以包括声音采集器,例如麦克风,来采集用户的唤醒语音和交互语音。语音交互设备101同时还可以包括声音播放器,例如扬声器,来播放语音交互设备发出的声音。
语音交互设备101可以是任何能够通过语音信号进行交互的电子设备。语音交互设备101可以包括但不限于智能手机、平板电脑、膝上型便携计算机、智能音箱、车载音箱、智能家教机或者智能机器人等等。
服务器103可以是提供各种服务的服务器,例如对语音交互设备101发送的历史唤醒语音进行声纹识别,并在确定该历史唤醒语音来自目标用户的情况下,确定目标用户的历史误唤醒率,基于历史误唤醒率,来对预设唤醒阈值进行调整,得到目标唤醒阈值等的后台管理服务器(仅为示例)。
服务器103可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大、业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的语音处理方法一般可以由语音交互设备101执行。相应地,本公开实施例所提供的语音处理装置也可以设置于语音交互设备101中。
应该理解,图1中的语音交互设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的语音交互设备、网络和服务器。
图2示意性示出了根据本公开实施例的语音唤醒方法的流程图。
如图2所示,该方法包括操作S210~S230。
在操作S210,响应于确定唤醒语音来自目标用户,获取与目标用户相对应的目标唤醒阈值。
在操作S220,对唤醒语音进行唤醒识别,得到唤醒识别结果。
在操作S230,基于唤醒识别结果和目标唤醒阈值,确定唤醒结果,其中,唤醒结果指示了语音交互功能是否被唤醒语音唤醒。
根据本公开的实施例,唤醒语音可以是用于触发唤醒操作的语音。例如,通过唤醒语音可以触发语音交互功能被唤醒。但是并不局限于此。还可以通过唤醒语音使得电子设备从待机状态切换为工作状态。
根据本公开的实施例,唤醒语音可以是包括唤醒词的语音,也可以是包括非唤醒词的语音。可以基于唤醒识别,来得到针对唤醒语音的唤醒识别结果,进而确定唤醒语音中是否包括唤醒词。在唤醒语音中包括唤醒词的情况下,语音交互功能可以被唤醒,或者电子设备的状态可以被触发切换。
根据本公开的实施例,目标用户可以是指具有特殊权限的用户。例如,目标用户可以指对语音交互设备具有唤醒权限的用户。唤醒权限可以是指在唤醒过程中目标用户可以与非目标用户执行不同操作的权限。
根据本公开的实施例,目标用户可以是在声纹库中已经录入过标准声纹特征的用户。确定唤醒语音是否来自目标用户,可以通过提取唤醒语音中的声纹特征,将该声纹特征与声纹库中预先录入的标准声纹特征进行比对,来确定该唤醒语音是否来自目标用户。但是并不局限于此。目标用户还可以是在语音库中已经录入过身份识别语音信息的用户。确定唤醒语音是否来自目标用户,还可以是接收来自用户的唤醒语音的同时也接收来自用户的身份识别语音,分别提取唤醒语音和身份识别语音,将该身份识别语音与语音库中预先录入的身份识别语音信息进行比对,来确定该唤醒语音是否来自目标用户。
根据本公开的实施例,对唤醒语音进行唤醒识别的方式,可以是通过音频匹配的方式。例如,预先确定包括唤醒词的唤醒音频。可以利用从唤醒语音与唤醒音频中提取的各自的声音的特征,来确定唤醒语音的声音的特征与唤醒音频的声音的特征之间的相似度,即唤醒识别结果。该声音的特征可以是声音波形的特征、声音频率的特征等特征中的一项或多项。音频匹配的确定方式可以是利用音频匹配模型来对唤醒语音和唤醒音频进行处理,得到唤醒识别结果。音频匹配模型可以包括Vector模型、HMM(Hidden Markov model,隐马尔科夫)模型、CNN(Convolutional NeuralNetworks,卷积神经网络)模型中的一项或多项。但是并不局限于此。还可以通过内容匹配的方式。例如,预先设置预设唤醒词。可以提取唤醒语音中的语音内容,将该语音内容中的唤醒词与预设唤醒词进行匹配,确定唤醒语音中的唤醒词与预设唤醒词之间的相似度,即唤醒识别结果。内容匹配的确定方式可以是利用内容匹配模型来对唤醒语音的语音内容和预设唤醒词进行处理,得到唤醒识别结果。
根据本公开的实施例,目标用户的唤醒权限可以是指,在对唤醒语音进行唤醒识别得到唤醒识别结果,并基于唤醒识别结果来确定唤醒结果的过程中,确定采用目标唤醒阈值还是采用预设唤醒阈值来与唤醒识别结果进行比对的权限。
根据本公开的实施例,预设唤醒阈值可以是指在出厂时预先设定的用于与唤醒识别结果进行比对的唤醒阈值。例如,预设唤醒阈值可以是出厂前采集来自多个用户各自的音频数据,基于多个音频数据,得到的普遍适用的唤醒阈值。
根据本公开的实施例,目标唤醒阈值则可以是针对目标用户,在预设唤醒阈值的基础上动态调整后的唤醒阈值。
根据本公开的实施例,唤醒结果可以是指示了语音交互设备中的语音交互功能能否被唤醒语音唤醒的结果,但是并不局限于此,还可以是指示了其他电子设备是否从待机状态切换为工作状态的结果。
根据本公开的实施例,唤醒阈值的范围的确定,可以影响唤醒识别的唤醒难度,以及误唤醒率的大小。唤醒阈值的范围设置较低,则可以降低唤醒难度,但是相对可能会提高误唤醒率;而唤醒阈值的范围设置较高,则可以降低误唤醒率,但是相对也提升了唤醒难度。
利用本公开实施例提供的语音唤醒方法,可以针对目标用户利用目标唤醒阈值来确定唤醒结果,由动态调整唤醒阈值,来提高对语音唤醒识别的灵活度,进而来满足用户的个性化需求,以提升用户体验。
根据本公开的实施例,针对操作S220,对唤醒语音进行唤醒识别,得到唤醒识别结果可以包括如下操作。
例如,提取唤醒语音中的唤醒词。将唤醒词与预设唤醒词进行匹配,得到唤醒识别结果。
根据本公开的实施例,可以利用内容匹配模型来提取唤醒语音中的唤醒词,并将唤醒词与预设唤醒词进行匹配,得到唤醒识别结果。内容匹配模型可以是CNN(Convolutional Neural Networks,卷积神经网络)模型、RNN(Recurrent NeuralNetwork,循环神经网络)模型、LSTM(Long Short-Term Memory,长短期记忆网络)模型中的一项或多项。本领域已知的其他内容匹配模型的网络架构均可,只要是能够提取唤醒语音中的唤醒词,并将唤醒词和预设唤醒词进行匹配,得到唤醒识别结果的模型即可,在此不再赘述。
根据本公开的实施例,可以接收包括唤醒语音的语音,利用语音检测算法从接收的语音中将唤醒语音进行提取,以便降低后续从唤醒语音中提取唤醒词的处理难度。语音检测算法可以包括基于过零率的端点检测算法、基于能量双门限的端点检测算法、或者基于倒谱特征的端点检测算法等。本领域已知的其他语音检测算法均可,只要是能够从接收的语音中将唤醒语音进行提取的算法即可,在此不再赘述。
图3示意性示出了根据本公开另一实施例的语音唤醒方法的流程图。
如图3所示,该方法包括操作S310~S330、操作S210~S230或者操作S342。
在操作S310,提取唤醒语音的声纹特征。
在操作S320,将声纹特征与目标用户的标准声纹特征进行匹配,得到声纹特征匹配结果。
在操作S330,基于声纹特征匹配结果确定唤醒语音是否来自目标用户。
在操作S210,响应于确定唤醒语音来自目标用户,获取与目标用户相对应的目标唤醒阈值。
根据本公开的实施例,在执行完操作S210或者执行操作S210的同时,还可以执行操作例如图2所示的操作S220~S230。
在操作S342,响应于确定唤醒语音来自非目标用户,获取预设唤醒阈值。
根据本公开的实施例,声纹特征可以是指携带了声音的辨识属性的特征,利用声纹特征可以识别不同声音的来源,即声源。例如,可以通过从唤醒语音中提取声纹特征,并基于声纹特征识别唤醒语音的声源是目标用户还是非目标用户。
根据本公开的实施例,可以通过MFCC(Mel-Frequency Cepstral Coefficients,梅尔频率倒谱系数)得到频谱信息,通过高斯超向量因子分析,将频谱信息映射到低维向量I-Vector(Identity-Vector),利用PLDA(Probabilistic Linear DiscriminantAnalysis,概率线性判别分析)算法对低维向量I-Vector进行信道补偿,得到声纹特征。可以利用唤醒语音的声纹特征与声纹库中的标准声纹特征来进行匹配,得到声纹特征匹配结果。可以将声纹特征匹配结果与预设声纹阈值来进行比较。在声纹特征匹配结果大于或等于预设声纹阈值的情况下,确定唤醒语音来自目标用户。在声纹特征匹配结果小于预设声纹阈值的情况下,确定唤醒语音来自非目标用户。
根据本公开的实施例,预设声纹阈值可以是指0~1之间的数值,也可以是其他范围的数值,可以根据实际情况或者根据声纹特征匹配结果来进行拟定,只要是能够利用预设声纹阈值来确定声纹特征与标准声纹特征是否匹配即可。在此不再赘述。
根据本公开的实施例,针对操作S230,基于唤醒识别结果和目标唤醒阈值,确定唤醒结果可以包括如下操作。
例如,可以将唤醒识别结果与目标唤醒阈值进行比较,响应于唤醒识别结果大于或等于目标唤醒阈值,确定唤醒结果为表征唤醒成功的结果。响应于唤醒识别结果小于目标唤醒阈值,确定唤醒结果为表征唤醒失败的结果。
根据本公开的实施例,响应于唤醒识别结果大于或等于目标唤醒阈值,确定唤醒结果为表征唤醒成功的结果,可以触发语音交互功能被唤醒。
根据本公开的实施例,语音交互功能可以是指机器例如语音交互设备接收用户输出的语音,理解语音中的含义,并作出相应的应答的交互功能。例如,接收来自目标用户的语音指令,并能够基于语音指令输出对应的应答语音。
例如,接收来自目标用户发出的例如“请播放歌曲”的语音指令,并且向目标用户输出与语音指令相对应的语音反馈结果例如“现在为您播放某歌手的歌曲”。并执行播放该歌曲的操作。
根据本公开的实施例,响应于唤醒识别结果小于目标唤醒阈值,确定唤醒结果为表征唤醒失败的结果,则可以停止操作。
根据本公开的实施例,目标唤醒阈值可以是指0~1之间的单一数值,也可以是其他范围的单一数值。目标唤醒阈值可以是指0~1之间的数值区间,也可以是其他范围的数值区间。可以根据实际情况或者根据唤醒识别结果来进行拟定,只要是能够利用目标唤醒阈值来确定语音交互功能是否被来自目标用户的唤醒语音唤醒即可。在此不再赘述。
根据本公开的实施例,在操作S342,响应于确定唤醒语音来自非目标用户,获取预设唤醒阈值后,还可以执行如下操作。
例如,将唤醒识别结果与预设唤醒阈值进行比较,响应于唤醒识别结果大于或等于预设唤醒阈值,确定唤醒结果为表征唤醒成功的结果。可以响应于确定唤醒结果为表征唤醒成功的结果,唤醒语音交互功能,进而可以执行后续的语音交互操作。响应于唤醒识别结果小于预设唤醒阈值,确定唤醒结果为表征唤醒失败的结果。响应于确定唤醒结果为表征唤醒失败的结果,可以结束操作。
根据本公开的实施例,预设唤醒阈值可以是指0~1之间的单一数值,也可以是其他范围的单一数值。预设唤醒阈值可以是指0~1之间的数值区间,也可以是其他范围的数值区间。可以根据实际情况或者根据唤醒识别结果来进行拟定,只要是能够利用预设唤醒阈值来确定语音交互功能是否被来自非目标用户的唤醒语音唤醒即可。在此不再赘述。
利用本公开实施例提供的语音唤醒方法,可以针对不同的用户,利用不同的唤醒阈值来确定唤醒结果,以满足对应用户的需求,由此提升语音唤醒的智能性和灵活性。
图4示意性示出了根据本公开实施例的确定目标唤醒阈值的应用场景图。
如图4所示,语音交互设备410可以将触发了语音交互功能的唤醒语音420发送至云服务器430,由云服务器430提取唤醒语音420中的声纹特征,将声纹特征与标准声纹特征进行匹配,来确定该唤醒语音的声源是否来自目标用户440。响应于唤醒语音的声源来自目标用户,存储。经过预设时间段,例如1至2个月。云服务器430可以获取目标用户的多个历史唤醒语音。基于多个历史唤醒语音,确定目标用户的历史误唤醒率。基于历史误唤醒率,对预设唤醒阈值进行调整,得到目标唤醒阈值。将目标唤醒阈值450发送至语音交互设备410。响应于唤醒语音的声源来自非目标用户,则停止操作。
根据本公开的实施例,触发语音交互功能的唤醒语音的唤醒词可以为例如“AAA”,也可以为例如“BBB”。可以针对不同的唤醒词,确定对应的目标唤醒阈值。例如,针对唤醒词“AAA”,目标唤醒阈值为0.99。针对唤醒词“BBB”,目标唤醒阈值为0.995。在由语音交互设备将唤醒语音发送至云服务器时,还可以同时发送包括用于触发语音交互功能的预设唤醒词的信息,以便能基于预设唤醒词以及唤醒语音,来确定对应的误唤醒率,以及调整目标用户的目标唤醒阈值。
例如,将唤醒语音进行文字转换操作,得到唤醒文本。基于唤醒文本,识别唤醒语音的唤醒词。确定唤醒词与预设唤醒词之间的文字匹配度,在文字匹配度大于或等于预设文字阈值的情况下,说明为正确唤醒,在文字匹配度小于预设文字阈值的情况下,则说明为误唤醒。可以计算唤醒总次数以及误唤醒次数。基于唤醒总次数和误唤醒次数,来确定误唤醒率。
根据本公开的实施例,提高唤醒阈值,可以降低误唤醒率。例如,在用户发出包括与唤醒词相近的非唤醒词的唤醒语音的情况下,提高唤醒阈值,可以避免将其识别为包括唤醒词的唤醒语音,进而降低误唤醒率。
根据本公开的实施例,可以基于预设时间段内的误唤醒率来调整预设唤醒阈值,得到目标唤醒阈值。例如,误唤醒率高,则可以提高预设唤醒阈值来得到目标唤醒阈值。误唤醒率低,则可以将预设唤醒阈值作为目标唤醒阈值,或者降低预设唤醒阈值来得到目标唤醒阈值。并由云服务器将确定的目标唤醒阈值发送至语音交互设备。以便语音交互设备将预设唤醒阈值更新为目标唤醒阈值。使得在目标用户无操作的情况下自动更新目标唤醒阈值,提升用户体验。
根据本公开的实施例,并不局限于在预设唤醒阈值的基础上进行调整来得到目标唤醒阈值。还可以在历史目标唤醒阈值的基础上进行调整,来得到目标唤醒阈值。例如,经过一段时间段,即通过计算对应时间段内的误唤醒率,来对历史目标唤醒阈值进行调整,确定新的目标唤醒阈值。并通过云服务器将新的目标唤醒阈值发送至语音交互设备,利用新的目标唤醒阈值更新旧的目标唤醒阈值。
根据本公开的实施例,并不局限于基于误唤醒率来调整预设唤醒阈值,得到目标唤醒阈值。还可以根据实际需要,基于唤醒率来调整预设唤醒阈值,得到目标唤醒阈值。
根据本公开的实施例,唤醒率可以指包括唤醒词的唤醒语音被成功识别而执行了唤醒操作的概率。例如,唤醒率为成功识别正确的唤醒语音的唤醒次数占总唤醒次数的比例。唤醒率可以表征唤醒难度,唤醒难度可以指包括唤醒词的唤醒语音被成功识别的难易程度。降低唤醒阈值,可以降低唤醒难度,提高唤醒率。例如,因用户发出的唤醒语音的方式为方言的方式,导致唤醒识别结果例如相似度较低。在利用较低的唤醒阈值的情况下,也能对该唤醒语音成功识别。进而可以降低理解用户唤醒语音交互功能的意图的难度。
根据本公开的另一实施例,目标唤醒阈值的确定还可以通过如下操作来实现。
例如,获取来自目标用户的反馈语音。识别反馈语音的意图信息,其中,意图信息指示了目标用户的关于提高唤醒识别的精度的意图。基于意图信息,对预设唤醒阈值进行调整,得到目标唤醒阈值。
根据本公开的实施例,可以将来自目标用户的反馈语音发送至云服务器,由云服务器将反馈语音转换为对应的文字内容,对文字内容进行语义分析,识别反馈语音的意图信息。本公开实施例提供的将反馈语音转换为对应的文字内容,并识别其中的意图信息的方式,可以利用本领域公开的语义识别模型来实现,为现有技术手段,在此不再赘述。
根据本公开的实施例,该意图信息可以为提高唤醒识别的精度的意图。提高唤醒识别的精度可以理解为降低误唤醒率。可以基于意图信息,对预设唤醒阈值进行调整,例如提高预设唤醒阈值,得到目标唤醒阈值。由此来避免因目标用户发出与唤醒词相近的词而导致误唤醒的操作。但是并不局限于此。意图信息还可以是降低唤醒识别难度的意图。可以基于意图信息,对预设阈值进行调整,例如降低预设阈值的范围,得到目标唤醒阈值。由此来降低对目标用户发出的唤醒语音的识别难度,提升对目标用户的唤醒率,进而解决相关技术中语音交互设备容易唤醒失败的技术问题,提高用户体验。
利用本公开的实施例,基于目标用户的反馈语音,来对预设唤醒阈值进行调整,得到目标唤醒阈值,可以弥补利用误唤醒率来得到目标唤醒阈值时间长、调整不及时等的缺陷。利用目标用户的反馈语音与误唤醒率两者结合均作为触发条件,可以更好的满足用户的个性化需求。
图5示意性示出了根据本公开实施例的语音唤醒装置的框图。
如图5所示,语音唤醒装置500可以包括阈值获取模块510、唤醒识别模块520、结果确定模块530。
阈值获取模块510,用于响应于确定唤醒语音来自目标用户,获取与目标用户相对应的目标唤醒阈值。
唤醒识别模块520,用于对唤醒语音进行唤醒识别,得到唤醒识别结果。
结果确定模块530,用于基于唤醒识别结果和目标唤醒阈值,确定唤醒结果,其中,唤醒结果指示了语音交互功能是否被唤醒语音唤醒。
根据本公开的实施例,语音唤醒装置还可以包括提取模块、匹配模块。
提取模块,用于提取唤醒语音的声纹特征。
匹配模块,用于将声纹特征与目标用户的标准声纹特征进行匹配,得到声纹特征匹配结果,以便基于声纹特征匹配结果确定唤醒语音是否来自目标用户。
根据本公开的实施例,语音唤醒装置还可以包括历史语音获取模块、误唤醒率确定模块、第一调整模块。
历史语音获取模块,用于获取目标用户的多个历史唤醒语音。
误唤醒率确定模块,用于基于多个历史唤醒语音,确定目标用户的历史误唤醒率。
第一调整模块,用于基于历史误唤醒率,对预设唤醒阈值进行调整,得到目标唤醒阈值。
根据本公开的实施例,语音唤醒装置还可以包括反馈语音获取模块、意图识别模块、第二调整模块。
反馈语音获取模块,用于获取来自目标用户的反馈语音。
意图识别模块,用于识别反馈语音的意图信息,其中,意图信息指示了目标用户的关于提高唤醒识别的精度的意图。
第二调整模块,用于基于意图信息,对预设唤醒阈值进行调整,得到目标唤醒阈值。
根据本公开的实施例,结果确定模块可以包括第一确定单元、第二确定单元。
第一确定单元,用于响应于唤醒识别结果大于或等于目标唤醒阈值,确定唤醒结果为表征唤醒成功的结果。
第二确定单元,用于响应于唤醒识别结果小于目标唤醒阈值,确定唤醒结果为表征唤醒失败的结果。
根据本公开的实施例,唤醒识别模块可以包括提取单元、匹配单元。
提取单元,用于提取唤醒语音中的唤醒词。
匹配单元,用于将唤醒词与预设唤醒词进行匹配,得到唤醒识别结果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如语音唤醒方法。例如,在一些实施例中,语音唤醒方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的语音唤醒方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语音唤醒方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种语音唤醒方法,包括:
响应于确定唤醒语音来自目标用户,获取与所述目标用户相对应的目标唤醒阈值;
对所述唤醒语音进行唤醒识别,得到唤醒识别结果;以及
基于所述唤醒识别结果和所述目标唤醒阈值,确定唤醒结果,其中,所述唤醒结果指示了语音交互功能是否被所述唤醒语音唤醒。
2.根据权利要求1所述的方法,还包括:
提取所述唤醒语音的声纹特征;以及
将所述声纹特征与所述目标用户的标准声纹特征进行匹配,得到声纹特征匹配结果,以便基于所述声纹特征匹配结果确定所述唤醒语音是否来自所述目标用户。
3.根据权利要求1所述的方法,还包括:
获取所述目标用户的多个历史唤醒语音;
基于所述多个历史唤醒语音,确定所述目标用户的历史误唤醒率;以及
基于所述历史误唤醒率,对预设唤醒阈值进行调整,得到所述目标唤醒阈值。
4.根据权利要求1所述的方法,还包括:
获取来自所述目标用户的反馈语音;
识别所述反馈语音的意图信息,其中,所述意图信息指示了所述目标用户的关于提高唤醒识别的精度的意图;以及
基于所述意图信息,对预设唤醒阈值进行调整,得到所述目标唤醒阈值。
5.根据权利要求1所述的方法,其中,所述基于所述唤醒识别结果和所述目标唤醒阈值,确定唤醒结果包括:
响应于所述唤醒识别结果大于或等于所述目标唤醒阈值,确定所述唤醒结果为表征唤醒成功的结果;以及
响应于所述唤醒识别结果小于所述目标唤醒阈值,确定所述唤醒结果为表征唤醒失败的结果。
6.根据权利要求1所述的方法,其中,所述对所述唤醒语音进行唤醒识别,得到唤醒识别结果包括:
提取所述唤醒语音中的唤醒词;以及
将所述唤醒词与预设唤醒词进行匹配,得到所述唤醒识别结果。
7.一种语音唤醒装置,包括:
阈值获取模块,用于响应于确定唤醒语音来自目标用户,获取与所述目标用户相对应的目标唤醒阈值;
唤醒识别模块,用于对所述唤醒语音进行唤醒识别,得到唤醒识别结果;以及
结果确定模块,用于基于所述唤醒识别结果和所述目标唤醒阈值,确定唤醒结果,其中,所述唤醒结果指示了语音交互功能是否被所述唤醒语音唤醒。
8.根据权利要求7所述的装置,还包括:
提取模块,用于提取所述唤醒语音的声纹特征;以及
匹配模块,用于将所述声纹特征与所述目标用户的标准声纹特征进行匹配,得到声纹特征匹配结果,以便基于所述声纹特征匹配结果确定所述唤醒语音是否来自所述目标用户。
9.根据权利要求7所述的装置,还包括:
历史语音获取模块,用于获取所述目标用户的多个历史唤醒语音;
误唤醒率确定模块,用于基于所述多个历史唤醒语音,确定所述目标用户的历史误唤醒率;以及
第一调整模块,用于基于所述历史误唤醒率,对预设唤醒阈值进行调整,得到所述目标唤醒阈值。
10.根据权利要求7所述的装置,还包括:
反馈语音获取模块,用于获取来自所述目标用户的反馈语音;
意图识别模块,用于识别所述反馈语音的意图信息,其中,所述意图信息指示了所述目标用户的关于提高唤醒识别的精度的意图;以及
第二调整模块,用于基于所述意图信息,对预设唤醒阈值进行调整,得到所述目标唤醒阈值。
11.根据权利要求7所述的装置,其中,所述结果确定模块包括:
第一确定单元,用于响应于所述唤醒识别结果大于或等于所述目标唤醒阈值,确定所述唤醒结果为表征唤醒成功的结果;以及
第二确定单元,用于响应于所述唤醒识别结果小于所述目标唤醒阈值,确定所述唤醒结果为表征唤醒失败的结果。
12.根据权利要求7所述的装置,其中,所述唤醒识别模块包括:
提取单元,用于提取所述唤醒语音中的唤醒词;以及
匹配单元,用于将所述唤醒词与预设唤醒词进行匹配,得到所述唤醒识别结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471714.7A CN114121022A (zh) | 2021-12-02 | 2021-12-02 | 语音唤醒方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471714.7A CN114121022A (zh) | 2021-12-02 | 2021-12-02 | 语音唤醒方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114121022A true CN114121022A (zh) | 2022-03-01 |
Family
ID=80366873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111471714.7A Withdrawn CN114121022A (zh) | 2021-12-02 | 2021-12-02 | 语音唤醒方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114121022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114915514A (zh) * | 2022-03-28 | 2022-08-16 | 青岛海尔科技有限公司 | 意图的处理方法和装置、存储介质及电子装置 |
-
2021
- 2021-12-02 CN CN202111471714.7A patent/CN114121022A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114915514A (zh) * | 2022-03-28 | 2022-08-16 | 青岛海尔科技有限公司 | 意图的处理方法和装置、存储介质及电子装置 |
CN114915514B (zh) * | 2022-03-28 | 2024-03-22 | 青岛海尔科技有限公司 | 意图的处理方法和装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021159688A1 (zh) | 声纹识别方法、装置、存储介质、电子装置 | |
CN108520743B (zh) | 智能设备的语音控制方法、智能设备及计算机可读介质 | |
US9805715B2 (en) | Method and system for recognizing speech commands using background and foreground acoustic models | |
US20160086609A1 (en) | Systems and methods for audio command recognition | |
CN111968644B (zh) | 智能设备唤醒方法、装置及电子设备 | |
CN109215646B (zh) | 语音交互处理方法、装置、计算机设备及存储介质 | |
CN113674746B (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN110706707B (zh) | 用于语音交互的方法、装置、设备和计算机可读存储介质 | |
JP6915637B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
KR20230020523A (ko) | 자동 핫워드 임계치 튜닝 | |
WO2023193394A1 (zh) | 语音唤醒模型的训练、唤醒方法、装置、设备及存储介质 | |
CN116648743A (zh) | 基于个性化否定来适应热词辨识 | |
CN112767916A (zh) | 智能语音设备的语音交互方法、装置、设备、介质及产品 | |
CN113611316A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN114267342A (zh) | 识别模型的训练方法、识别方法、电子设备及存储介质 | |
CN111862943A (zh) | 语音识别方法和装置、电子设备和存储介质 | |
CN114121022A (zh) | 语音唤醒方法、装置、电子设备以及存储介质 | |
CN116601598A (zh) | 基于检测序列的热门短语触发 | |
CN114399992B (zh) | 语音指令响应方法、装置及存储介质 | |
WO2023142409A1 (zh) | 调整播放音量的方法、装置、设备以及存储介质 | |
CN115691478A (zh) | 语音唤醒方法、装置、人机交互设备和存储介质 | |
US11620990B2 (en) | Adapting automated speech recognition parameters based on hotword properties | |
CN114495981A (zh) | 语音端点的判定方法、装置、设备、存储介质及产品 | |
CN114299941A (zh) | 语音交互的方法、装置、电子设备及存储介质 | |
CN112509567A (zh) | 语音数据处理的方法、装置、设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |