本發(fā)明涉及語音識別技術(shù)領(lǐng)域，特別涉及一種基于人工智能的語音喚醒方法和裝置。

背景技術(shù)：

人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

語音喚醒技術(shù)是語音識別技術(shù)中重要分支，目前在車載，導(dǎo)航，智能家居等方面有著重要的應(yīng)用，用于通過聲音啟動(dòng)程序或者服務(wù)，解放雙手。目前，為了滿足用戶的個(gè)性化需求，語音喚醒技術(shù)可支持用戶根據(jù)自身的喜好和習(xí)慣定制喚醒詞，具體的，可根據(jù)以下幾種方式基于用戶自定義喚醒詞進(jìn)行語音喚醒：

方式一當(dāng)用戶定義喚醒詞時(shí)，由技術(shù)人員根據(jù)用戶自定義喚醒詞重新開發(fā)或者修改喚醒程序，然后用戶進(jìn)行下載使用，人臉成本高、耗費(fèi)時(shí)間周期較長；

方式二將原喚醒網(wǎng)絡(luò)中的喚醒詞直接替換為用戶自定義喚醒詞，但是，這種針對所有喚醒詞均采用相同的識別策略，因此存在喚醒正確率較低、誤報(bào)率較高的問題。

方式三通過通用的語音識別模塊對用戶輸入的語音進(jìn)行識別，以判斷用戶輸入的語音是否包含喚醒詞，然而，通用的語音識別模型功耗較大，比較費(fèi)電，而喚醒技術(shù)要求實(shí)時(shí)監(jiān)聽，因此，此種方式會(huì)導(dǎo)致設(shè)備電量消耗較大，不利于本地化的喚醒技術(shù)使用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決上述技術(shù)問題。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于人工智能的語音喚醒方法，能夠有效提升喚醒的正確率，并降低誤報(bào)率，提升喚醒效率，功耗低。

本發(fā)明的第二個(gè)目的在于提出一種基于人工智能的語音喚醒裝置。

為達(dá)上述目的，根據(jù)本發(fā)明第一方面實(shí)施例提出了一種基于人工智能的語音喚醒方法，包括以下步驟：獲取自定義喚醒詞對應(yīng)的發(fā)音信息；獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息；根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

本發(fā)明第二方面實(shí)施例提出了一種基于人工智能的語音喚醒裝置，包括：第一獲取模塊，用于獲取自定義喚醒詞對應(yīng)的發(fā)音信息；第二獲取模塊，用于獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息；第一構(gòu)建模塊，用于根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)；喚醒模塊，用于根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法和裝置，通過獲取用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息，并根據(jù)預(yù)設(shè)的垃圾詞列表、自定義喚醒詞的發(fā)音信息及其近似發(fā)音信息喚醒構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以對用戶輸入的語音進(jìn)行識別喚醒，能夠針對不同的自定義喚醒動(dòng)態(tài)構(gòu)建喚醒詞識別網(wǎng)絡(luò)，根據(jù)該喚醒詞識別網(wǎng)絡(luò)得到的識別結(jié)果進(jìn)行喚醒，相對于使用通用的喚醒詞網(wǎng)絡(luò)，能夠有效提升喚醒的正確率，在構(gòu)建喚醒詞識別網(wǎng)絡(luò)時(shí)，增加了喚醒詞發(fā)音的近似發(fā)音，進(jìn)一步提升了喚醒的準(zhǔn)確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

本發(fā)明第三方面實(shí)施例提出了一種電子設(shè)備，包括：

處理器；

用于存儲處理器可執(zhí)行指令的存儲器；

其中，所述處理器被配置為：

獲取自定義喚醒詞對應(yīng)的發(fā)音信息；

獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息；

根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

本發(fā)明第四方面實(shí)施例提出了一種非臨時(shí)性計(jì)算機(jī)可讀存儲介質(zhì)，當(dāng)所述存儲介質(zhì)中的指令由電子設(shè)備的處理器被執(zhí)行時(shí)，使得電子設(shè)備能夠執(zhí)行一種基于人工智能的語音喚醒方法，所述方法包括：

獲取自定義喚醒詞對應(yīng)的發(fā)音信息；

獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息；

根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

本發(fā)明第五方面實(shí)施例提出了一種計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述計(jì)算機(jī)程序產(chǎn)品中的指令處理器執(zhí)行時(shí)，執(zhí)行一種語音喚醒方法，所述方法包括：

獲取自定義喚醒詞對應(yīng)的發(fā)音信息；

獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息；

根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖；

圖2為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖；

圖3為根據(jù)本發(fā)明一個(gè)實(shí)施例的喚醒詞識別網(wǎng)絡(luò)的示意圖；

圖4為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖；

圖5為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖；

圖6為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖；

圖7為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的語音喚醒裝置的結(jié)構(gòu)示意圖；

圖8為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

在本發(fā)明的描述中，需要理解的是，術(shù)語“多個(gè)”指兩個(gè)或兩個(gè)以上；術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。

下面參考附圖描述根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法和裝置。

圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖。

如圖1所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，包括：

S101，獲取自定義喚醒詞對應(yīng)的發(fā)音信息。

其中，自定義喚醒詞對應(yīng)的發(fā)音信息為自定義喚醒詞音節(jié)組成結(jié)構(gòu)。可根據(jù)用戶輸入的自定義喚醒詞文本查找對應(yīng)的發(fā)音信息，或者根據(jù)用戶輸入的自定義喚醒詞語音匹配對應(yīng)的發(fā)音信息。

舉例來說，如果用戶定義的自定義喚醒詞為“小都你好”，則對應(yīng)的發(fā)音信息為“xiao du ni hao”。

S102，獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息。

自定義喚醒詞的發(fā)音信息對應(yīng)的近似發(fā)音信息可以是由與喚醒詞對應(yīng)的每個(gè)發(fā)音音節(jié)的近似音節(jié)組成的發(fā)音信息。

具體而言，可根據(jù)自定義喚醒詞的發(fā)音信息中每個(gè)音節(jié)分別查找預(yù)先建立的近似發(fā)音庫，得到與自定義喚醒詞的各個(gè)音節(jié)具有相近發(fā)音的音節(jié)，得到近似發(fā)音信息。

舉例來說，音節(jié)“jiao”和音節(jié)“xiao”的發(fā)音類似，則在近似發(fā)音庫中，音節(jié)“jiao”在音節(jié)“xiao”對應(yīng)的近似發(fā)音信息集合Near_xiao中。

進(jìn)而，對于自定義喚醒詞的發(fā)音信息中每個(gè)音節(jié)，可分別查找對應(yīng)的近似發(fā)音信息集合，得到自定義喚醒詞的發(fā)音信息對應(yīng)的近似發(fā)音信息。

S103，根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

其中，垃圾詞列表可以是預(yù)先生成的，可記為Garbage。具體而言，可根據(jù)音素庫中的所有音素(可用phone表示)并聯(lián)成解碼器。向該解碼器輸入海量語音，從輸出結(jié)果中選取輸出次數(shù)最多的若干個(gè)結(jié)果，作為垃圾詞列表。

在本發(fā)明的一個(gè)實(shí)施例中，可通過圖2所示的步驟構(gòu)建喚醒詞識別網(wǎng)絡(luò)，如圖2所示，包括步驟S201-S202。

S201，根據(jù)所述垃圾詞列表和所述自定義喚醒詞中預(yù)設(shè)詞語的發(fā)音信息生成第一發(fā)音信息。

其中，預(yù)設(shè)詞語可以是位于自定義喚醒詞中預(yù)設(shè)位置的詞語，例如，位于自定義喚醒詞開頭的詞語，或者位于自定義喚醒詞結(jié)尾的詞語，可根據(jù)實(shí)際需要進(jìn)行設(shè)置。

舉例來說，對于自定義喚醒詞“小都你好”，如果預(yù)設(shè)詞語為位于自定義喚醒詞開頭的詞語“小都”，則根據(jù)“小都”的發(fā)音信息和垃圾詞列表可生成第一發(fā)音信息“xiao du+Garbage”。

S202，根據(jù)所述垃圾詞列表、所述自定義喚醒的發(fā)音信息、所述第一發(fā)音信息和所述近似發(fā)音信息構(gòu)建所述喚醒詞識別網(wǎng)絡(luò)。

舉例來說，對于自定義喚醒詞“小都你好”，其對應(yīng)的發(fā)音信息為“xiao du ni hao”，相應(yīng)的進(jìn)行發(fā)音信息為“Near_xiao Near_du Near_ni Near_hao”，將這兩個(gè)發(fā)音信息、垃圾詞列表和第一發(fā)音信息“xiao du+Garbage”進(jìn)行并聯(lián)，可得到如圖3所示的喚醒詞識別網(wǎng)絡(luò)。

如圖3所示，在該喚醒詞識別網(wǎng)絡(luò)中，是針對每個(gè)自定義喚醒詞進(jìn)行優(yōu)化后得到的，且可根據(jù)用戶輸入的自定義喚醒詞自動(dòng)構(gòu)建完成，無需專業(yè)技術(shù)人員進(jìn)行干預(yù)和定制，從而能夠在提升喚醒準(zhǔn)確率的同時(shí)，降低喚醒成本。

本發(fā)明實(shí)施例在建立的喚醒詞識別網(wǎng)絡(luò)時(shí)，通過加入自定義喚醒詞對應(yīng)的近似發(fā)音，能夠?qū)τ脩粼诎l(fā)音偏差的情況下也能喚醒系統(tǒng)，例如，如果用戶輸入的語音為自定義喚醒詞的發(fā)音“xiao du ni hao”的近似發(fā)音“jiao du ni hao”，則根據(jù)本發(fā)明實(shí)施例的喚醒詞識別網(wǎng)絡(luò)，仍可將其為能夠喚醒系統(tǒng)的識別結(jié)果，進(jìn)行執(zhí)行喚醒操作。

此外，本發(fā)明實(shí)施例在建立的喚醒詞識別網(wǎng)絡(luò)時(shí)，還增加了由垃圾詞列表和自定義喚醒詞中預(yù)設(shè)詞語的發(fā)音信息組成的第一發(fā)音信息，從而，能夠在識別用戶輸入的語音時(shí)，根據(jù)第一發(fā)音信息組成的路徑控制誤報(bào)率。

進(jìn)而，可根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

具體而言，可使用現(xiàn)有的任意方法根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。例如，提取用戶輸入的語音的聲學(xué)特征，根據(jù)預(yù)設(shè)的聲學(xué)模型對該聲學(xué)特征進(jìn)行分析，得到多個(gè)狀態(tài)的似然得分，根據(jù)得到的似然得分基于維特比算法從該喚醒詞識別網(wǎng)絡(luò)中選擇最優(yōu)路徑，作為識別結(jié)果。然后，計(jì)算識別結(jié)果的置信度，如果大于第一預(yù)設(shè)置信度，則執(zhí)行喚醒操作，否則拒絕喚醒操作。

或者，還可以通過后續(xù)實(shí)施例中的方法根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。具體可參加圖4-圖5所示實(shí)施例。

根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，通過獲取用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息，并根據(jù)預(yù)設(shè)的垃圾詞列表、自定義喚醒詞的發(fā)音信息及其近似發(fā)音信息喚醒構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以對用戶輸入的語音進(jìn)行識別喚醒，能夠針對不同的自定義喚醒動(dòng)態(tài)構(gòu)建喚醒詞識別網(wǎng)絡(luò)，根據(jù)該喚醒詞識別網(wǎng)絡(luò)得到的識別結(jié)果進(jìn)行喚醒，相對于使用通用的喚醒詞網(wǎng)絡(luò)，能夠有效提升喚醒的正確率，在構(gòu)建喚醒詞識別網(wǎng)絡(luò)時(shí)，增加了喚醒詞發(fā)音的近似發(fā)音，進(jìn)一步提升了喚醒的準(zhǔn)確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

圖4為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖。

如圖4所示，本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，包括以下步驟S401-S409。

其中，步驟S401-S402與圖1所示實(shí)施例中的步驟S101-S102相同。

S403，根據(jù)所述自定義喚醒詞構(gòu)建線性識別網(wǎng)絡(luò)。

具體而言，可根據(jù)自定義喚醒詞對應(yīng)的各個(gè)音素分別查詢預(yù)設(shè)的狀態(tài)表，得到各個(gè)音素對應(yīng)的狀態(tài)，并組成自定義喚醒對應(yīng)的狀態(tài)信息序列。然后根據(jù)該狀態(tài)信息序列構(gòu)建線性識別網(wǎng)絡(luò)。

舉例來說，如果用戶定義的自定義喚醒詞為“小都你好”，對應(yīng)的發(fā)音信息為“xiao du ni hao”，進(jìn)而，可得到對應(yīng)的音素為“x i ao d u n I h ao”，可通過查詢預(yù)設(shè)的狀態(tài)表，得到自定義喚醒詞對應(yīng)的狀態(tài)信息序列S1，S2……S27。進(jìn)而，構(gòu)建線性識別網(wǎng)絡(luò)sil，S1，S2……S27。其中，sil表示靜音狀態(tài)。

S404，利用所述自定義喚醒詞的示例語音在所述線性解碼網(wǎng)絡(luò)上做強(qiáng)制對齊，得到所述線性解碼網(wǎng)絡(luò)對應(yīng)的似然得分總和。

其中，自定義喚醒詞的示例語音為與自定義喚醒詞對應(yīng)的標(biāo)準(zhǔn)語音，可根據(jù)自定義喚醒詞中的詞語查詢預(yù)設(shè)的語音數(shù)據(jù)庫得到。

具體而言，可將示例語音對應(yīng)的狀態(tài)與線性解碼網(wǎng)絡(luò)進(jìn)行強(qiáng)制對齊，得到線性解碼網(wǎng)絡(luò)中各個(gè)狀態(tài)的似然得分，進(jìn)而，可計(jì)算各個(gè)狀態(tài)的似然得分總和，即為SumFA。

S405，根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)。

其中，垃圾詞列表可以是預(yù)先生成的，可記為Garbage。具體而言，可根據(jù)音素庫中的所有音素(可用phone表示)并聯(lián)成解碼器。向該解碼器輸入海量語音，從輸出結(jié)果中選取輸出次數(shù)最多的若干個(gè)結(jié)果，作為垃圾詞列表。

在本發(fā)明的一個(gè)實(shí)施例中，可通過圖2所示的步驟構(gòu)建喚醒詞識別網(wǎng)絡(luò)。

進(jìn)而，可根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

需要說明的是，在本發(fā)明的實(shí)施例中，步驟S405也可在步驟S403-S404之前執(zhí)行，本發(fā)明對此不做限定。

在根據(jù)用戶設(shè)定的自定義喚醒詞構(gòu)建喚醒詞識別網(wǎng)絡(luò)后，可加載該喚醒詞識別網(wǎng)絡(luò)。從而，當(dāng)接收到用戶輸入的語音時(shí)，根據(jù)該喚醒詞識別網(wǎng)絡(luò)和預(yù)設(shè)的聲學(xué)模型對該語音進(jìn)行識別。

S406，提取所述語音的聲學(xué)特征。

具體而言，可將用戶輸入的語音切分為多個(gè)語音幀，并提取每個(gè)語音幀中的聲學(xué)特征。其中，聲學(xué)特征可以是40維的FilterBank特征，也可以是13維的MFCC(Mel Frequency Cepstral Coefficent，梅爾頻率倒譜系數(shù))特征。

S407，根據(jù)預(yù)設(shè)的聲學(xué)模型對所述聲學(xué)特征進(jìn)行分析，得到所述語音對應(yīng)的N個(gè)狀態(tài)及所述N個(gè)狀態(tài)的似然得分，其中，N為正整數(shù)。

其中，聲學(xué)模型可為預(yù)先建立的。舉例來說，聲學(xué)模型可為卷積神經(jīng)網(wǎng)絡(luò)模型、深度神經(jīng)網(wǎng)絡(luò)模型等。

具體而言，聲學(xué)特征為一個(gè)向量，在本發(fā)明的實(shí)施例中，可將聲學(xué)特征向量與聲學(xué)模型的矩陣相乘，得到狀態(tài)的似然得分向量。其中，似然得分向量中的每個(gè)元素表示一個(gè)狀態(tài)的似然得分。舉例來說，得到的似然得分向量可為D₁，D₂，……D_N，其中，D_i為第i個(gè)狀態(tài)的似然得分。

S408，如果第i個(gè)狀態(tài)屬于所述自定義喚醒詞對應(yīng)的狀態(tài)集合，則根據(jù)所述似然得分總和對所述第i個(gè)狀態(tài)的似然得分進(jìn)行修正，其中，i為不大于N的正整數(shù)。

具體而言，如果第i個(gè)狀態(tài)屬于所述自定義喚醒詞對應(yīng)的狀態(tài)集合，則可通過以下公司對第i個(gè)狀態(tài)的似然得分進(jìn)行修正：

D_i’＝D_i+SumFA/k1，

其中，D_i’為第i個(gè)狀態(tài)修正后的似然得分，D_i為第i個(gè)狀態(tài)修正前的似然得分，SumFA為自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，k1為預(yù)設(shè)的第一修正參數(shù)。

由此，使用自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，對屬于自定義喚醒詞對應(yīng)的狀態(tài)集合的狀態(tài)的似然得分進(jìn)行修正，即提高其似然得分，降低非喚醒詞的影響，由此，能夠在后續(xù)識別過程中得到更加準(zhǔn)確的識別結(jié)果，進(jìn)而提升語音喚醒的準(zhǔn)確性。

S409，根據(jù)所述N個(gè)狀態(tài)修正后的似然得分，基于所述喚醒詞識別網(wǎng)絡(luò)，采用維特比算法對所述語音進(jìn)行識別。

其中，基于所述喚醒詞識別網(wǎng)絡(luò)，采用維特比算法對所述語音進(jìn)行識別的過程，即根據(jù)N個(gè)狀態(tài)修正后的似然得分，在上述喚醒詞識別網(wǎng)絡(luò)中尋找最優(yōu)路徑的過程，并將最優(yōu)路徑作為識別結(jié)果。

由此，可通過上述步驟S406-S409實(shí)現(xiàn)根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別。

S410，根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

在本發(fā)明的一個(gè)實(shí)施例中，可通過判斷識別結(jié)果的置信度是否大于預(yù)設(shè)閾值，如果大于預(yù)設(shè)閾值，則執(zhí)行喚醒操作，否則，拒絕執(zhí)行喚醒操作。

在本發(fā)明的另一個(gè)實(shí)施例中，在根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別之前，還可包括：獲取所述自定義喚醒詞的文本長度信息，并獲取所述自定義喚醒詞的發(fā)音得分。根據(jù)所述文本長度信息、所述發(fā)音得分和所述似然得分總和，對預(yù)設(shè)的第一置信度閾值進(jìn)行調(diào)整，得到第二置信度閾值。從而，可根據(jù)調(diào)整得到的第二置信度閾值判斷是否執(zhí)行喚醒操作。

具體而言，根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作，可包括以下步驟：獲取所述識別結(jié)果的置信度；如果所述置信度大于所述第二置信度閾值，則執(zhí)行喚醒操作；如果所述置信度不大于所述第二置信度閾值，則拒絕執(zhí)行喚醒操作。

其中，自定義喚醒詞的發(fā)音得分包括自定義喚醒詞的各個(gè)因素的發(fā)音得分，可通過查詢預(yù)設(shè)的喚醒詞概率分布表得到。

根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，根據(jù)用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息和預(yù)設(shè)的垃圾詞列表構(gòu)建喚醒詞識別網(wǎng)絡(luò)，使用該喚醒詞識別網(wǎng)對用戶輸入的語音進(jìn)行識別喚醒，并可對識別過程中所使用的該語音對應(yīng)的聲學(xué)特征模型得分進(jìn)行修正，能夠有效提升喚醒的正確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

圖5為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒方法的流程圖。

如圖5所示，本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，包括以下步驟S501-S516。

如圖5所示，其中，步驟S501-S504與圖4所示實(shí)施例中步驟S401-S404相同，步驟S509-S512與圖4所示實(shí)施例中步驟S405-S408。

此外，在根據(jù)所述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別之前，還可包括步驟S505-S506：

S505根據(jù)所述自定義喚醒詞的發(fā)音信息確定所述自定義喚醒詞對應(yīng)的音素?cái)?shù)量。

舉例來說，對于用戶定義的自定義喚醒詞為“小都你好”，對應(yīng)的發(fā)音信息為“xiao du ni hao”，進(jìn)而，可得到對應(yīng)的音素?cái)?shù)量LengthPhone為9(x i ao d u n I h ao共九個(gè))。

S506，根據(jù)所述音素?cái)?shù)量對預(yù)設(shè)的語音識別過程中使用的第一活躍路徑數(shù)量進(jìn)行調(diào)整，得到第二活躍路徑數(shù)量。

具體而言，可通過以下公式對第一活躍路徑數(shù)量進(jìn)行調(diào)整：

T’＝T+LengthPhone*k2。

其中，T’為第二活躍路徑數(shù)據(jù)，T為第一活躍路徑數(shù)量，LengthPhone為自定義喚醒詞對應(yīng)的音素?cái)?shù)量，k2為預(yù)設(shè)的第二修正系數(shù)。

其中，第一活躍路徑數(shù)量可以是默認(rèn)值，例如，喚醒系統(tǒng)當(dāng)前使用的活躍路徑數(shù)量，或者初始活躍路徑數(shù)量。

由此，可根據(jù)自定義喚醒詞對應(yīng)的音素?cái)?shù)量動(dòng)態(tài)對尋找最優(yōu)路徑過程中使用的活躍路徑數(shù)量進(jìn)行調(diào)整，相對于對于所有喚醒詞都使用相同的活躍路徑數(shù)量的方案，通過簡單方便的實(shí)現(xiàn)方式，可針對不同的自定義喚醒詞設(shè)置不同的活躍路徑數(shù)量，能夠使得喚醒識別結(jié)果能夠達(dá)到定制的水準(zhǔn)，有效提升喚醒準(zhǔn)確性和效率，且能夠有效降低開發(fā)難度和功耗。

S507，獲取所述自定義喚醒詞的文本長度信息，并獲取所述自定義喚醒詞的發(fā)音得分。

在本發(fā)明的實(shí)施例中，查詢預(yù)先建立的喚醒詞概率分布表，得到所述自定義喚醒詞對應(yīng)的各個(gè)音節(jié)的發(fā)音得分。

舉例來說，對于用戶定義的自定義喚醒詞為“小都你好”，可計(jì)算得到對應(yīng)的文本長度信息LengthTxt為4；其對應(yīng)的四個(gè)發(fā)音信息“xiao”、“du”、“ni”和“hao”，可通過查詢喚醒詞概率分布表，分別得到對應(yīng)的發(fā)音得分WScore(xiao)、WScore(du)、WScore(ni)和WScore(hao)。自定義喚醒詞的發(fā)音得分為其各個(gè)發(fā)音信息(音節(jié))的發(fā)音得分總和，即WScore＝WScore(xiao)+WScore(du)+WScore(ni)+WScore(hao)。

S508，根據(jù)所述文本長度信息、所述發(fā)音得分和所述似然得分總和，對預(yù)設(shè)的第一置信度閾值進(jìn)行調(diào)整，得到第二置信度閾值。

具體而言，可通過一下公式對第一置信度進(jìn)行調(diào)整，得到第二置信度：

ThresNew＝ThresO+WScore*LengthTxt+SumFA/k3，

其中，ThresNew為第二置信度，ThresO為第一置信度，WScore為自定義喚醒詞的發(fā)音得分，LengthTxt為自定義喚醒詞對應(yīng)的文本長度信息，SumFA為自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，k3為預(yù)設(shè)的第三修正系數(shù)。

由此，可根據(jù)自定義喚醒詞對應(yīng)的文本長度信息、所述發(fā)音得分和所述似然得分總和對置信度閾值進(jìn)行調(diào)整，相對于對于所有喚醒詞都使用相同的置信度閾值的方案，通過簡單方便的實(shí)現(xiàn)方式，可針對不同的自定義喚醒詞設(shè)置不同的置信度閾值，從而能夠使得喚醒識別結(jié)果能夠達(dá)到定制的水準(zhǔn)，有效提升喚醒準(zhǔn)確性和效率，且能夠有效降低開發(fā)難度和功耗。

其中，對步驟S503-S504、步驟S505-S506、步驟S507-S508和步驟S509四者之間的前后順序不做限定，可任意調(diào)整。

S513，根據(jù)所述N個(gè)狀態(tài)修正后的似然得分和所述第二活躍路徑數(shù)量，從所述喚醒詞識別網(wǎng)絡(luò)中選取最優(yōu)識別路徑，得到所述語音的識別結(jié)果。

S514，獲取所述識別結(jié)果的置信度。

需要說明的是，可使用任意可選的方法獲取識別結(jié)果的置信度。

舉例來說，可計(jì)算喚醒詞識別網(wǎng)絡(luò)中所有活動(dòng)節(jié)點(diǎn)的聲學(xué)特征得分的第一平均值，然后計(jì)算喚醒詞識別網(wǎng)絡(luò)中喚醒詞對應(yīng)的Y個(gè)節(jié)點(diǎn)的聲學(xué)特征得分的第二平均值，最后根據(jù)第一平均值和第二平均值計(jì)算識別結(jié)果的置信度。

或者，還可根據(jù)預(yù)設(shè)的模型計(jì)算識別結(jié)果的置信度。該預(yù)設(shè)模型可以是filler模型。其中，filler模型是所有語音信息的聚類，也就是說filler模型包含所有語音信息的聲學(xué)特征。具體地，可計(jì)算每個(gè)語音幀在filler模型中的似然得分，然后用語音幀的聲學(xué)模型得分減去該語音幀的似然得分獲得兩者的差值，最后求多個(gè)語音幀差值的平均值，該平均值為置信度。

S515，如果所述置信度大于所述第二置信度閾值，則執(zhí)行喚醒操作。

S516，如果所述置信度不大于所述第二置信度閾值，則拒絕執(zhí)行喚醒操作。

本發(fā)明實(shí)施例的基于人工智能的語音喚醒方法，根據(jù)用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息和預(yù)設(shè)的垃圾詞列表構(gòu)建喚醒詞識別網(wǎng)絡(luò)，使用該喚醒詞識別網(wǎng)對用戶輸入的語音進(jìn)行識別喚醒，并可對識別過程中所使用的該語音對應(yīng)的聲學(xué)特征模型得分、活躍路徑數(shù)量和置信度閾值進(jìn)行修正，能夠有效提升喚醒的正確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

在本發(fā)明的一個(gè)實(shí)施例中，圖5所示實(shí)施例中步驟S507中所使用的用于查詢各個(gè)音節(jié)的喚醒概率得分的喚醒詞概率分布表，旨在統(tǒng)計(jì)喚醒詞的喚醒成功率，誤報(bào)率等信息，以用于分析喚醒詞的好壞，喚醒成功率等信息。喚醒詞概率分布表可通過如圖6所示的步驟建立。

S601，對于每個(gè)音節(jié)，統(tǒng)計(jì)字庫中發(fā)音包括所述音節(jié)的字符的第一數(shù)量，并統(tǒng)計(jì)預(yù)設(shè)文本數(shù)據(jù)集合中發(fā)音包括所述音節(jié)的字符的第二數(shù)量，并統(tǒng)計(jì)與所述音節(jié)具有相似發(fā)音的音節(jié)的第三數(shù)量。

以漢字為例，字庫為包含所有漢字的數(shù)據(jù)庫；預(yù)設(shè)文本數(shù)據(jù)集可為預(yù)先收集的海量文本數(shù)據(jù)。

舉例來說，對于音節(jié)“xiao”來說，第一數(shù)量為在漢字字庫中發(fā)音包括該音節(jié)的漢字(如小、笑、曉、校等)的數(shù)量，可記錄為Cxiao；第二數(shù)量為在海量文本數(shù)據(jù)中發(fā)音包括該音節(jié)的漢字的數(shù)量，可記錄為Dxiao。第三數(shù)量為在所有音節(jié)中與音節(jié)“xiao”發(fā)音相近的音節(jié)數(shù)量，可記錄為Exiao。

具體而言，在統(tǒng)計(jì)音節(jié)“xiao”的相近的音節(jié)數(shù)量時(shí)，可首先分別列舉出所有音節(jié)對應(yīng)的狀態(tài)序列然后，根據(jù)每個(gè)音節(jié)對應(yīng)的狀態(tài)序列與音節(jié)“xiao”對應(yīng)的狀態(tài)序列計(jì)算相應(yīng)音節(jié)與音節(jié)“xiao”的差異度(可用Mxiao表示)。如果一個(gè)音節(jié)與音節(jié)“xiao”的差異度Mxiao小于預(yù)設(shè)差異值，則可確定該音節(jié)與音節(jié)“xiao”發(fā)音相近，從而可統(tǒng)計(jì)所有與音節(jié)“xiao”的差異度Mxiao小于預(yù)設(shè)差異值的音節(jié)的數(shù)量，并作為第三數(shù)量Exiao

其中，音節(jié)之間的差異度可通過音節(jié)對應(yīng)的狀態(tài)差的平方和來表示。例如，“xiao”對應(yīng)的狀態(tài)序列為Sxiao1，Sxiao2……，Sxiao9，“hao”對應(yīng)的狀態(tài)序列為Shao1，Shao2，……，Shao6，則音節(jié)“hao”與“xiao”的差異度Mxiao為：

Mxiao＝(Sxiao1-Shao1)²+(Sxiao2-Shao2)²+……+(Sxiao6-Shao6)²+(Sxiao7)²+(Sxiao8)²+(Sxiao9)²。

S602，根據(jù)每個(gè)音節(jié)對應(yīng)的所述第一數(shù)量、所述第二數(shù)量和所述第三數(shù)量計(jì)算相應(yīng)音節(jié)的喚醒詞概率發(fā)音得分，建立所述喚醒詞概率分布表。

具體而言，可對每個(gè)音節(jié)對應(yīng)的第一數(shù)量、第二數(shù)量和第三數(shù)量進(jìn)行加權(quán)求和，得到該音節(jié)的喚醒詞概率發(fā)音得分。

例如，可通過以下公式計(jì)算音節(jié)“xiao”喚醒詞概率發(fā)音得分WScore(xiao)：

WScore(xiao)＝h1*Cxiao+h2*Dxiao+h3*Exiao，

其中，h1、h2和h3為預(yù)設(shè)的權(quán)重值。

由此，在得到各個(gè)音節(jié)對應(yīng)的喚醒詞概率發(fā)音得分后，即完成喚醒詞概率分布表的建立。后續(xù)可根據(jù)對應(yīng)的音節(jié)在該喚醒詞概率分布表中查找相應(yīng)的喚醒詞概率發(fā)音得分。

為了實(shí)現(xiàn)上述實(shí)施例，本發(fā)明還提出一種基于人工智能的語音喚醒裝置。

圖7為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的語音喚醒裝置的結(jié)構(gòu)示意圖。

如圖7所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒裝置，包括：第一獲取模塊10、第二獲取模塊20、第一構(gòu)建模塊30和喚醒模塊40。

具體地，第一獲取模塊10用于獲取自定義喚醒詞對應(yīng)的發(fā)音信息。

其中，自定義喚醒詞對應(yīng)的發(fā)音信息為自定義喚醒詞音節(jié)組成結(jié)構(gòu)。第一獲取模塊10可根據(jù)用戶輸入的自定義喚醒詞文本查找對應(yīng)的發(fā)音信息，或者根據(jù)用戶輸入的自定義喚醒詞語音匹配對應(yīng)的發(fā)音信息。

第二獲取模塊20用于獲取所述發(fā)音信息對應(yīng)的近似發(fā)音信息。

自定義喚醒詞的發(fā)音信息對應(yīng)的近似發(fā)音信息可以是由與喚醒詞對應(yīng)的每個(gè)發(fā)音音節(jié)的近似音節(jié)組成的發(fā)音信息。

具體而言，第二獲取模塊20可根據(jù)自定義喚醒詞的發(fā)音信息中每個(gè)音節(jié)分別查找預(yù)先建立的近似發(fā)音庫，得到與自定義喚醒詞的各個(gè)音節(jié)具有相近發(fā)音的音節(jié)，得到近似發(fā)音信息。

進(jìn)而，對于自定義喚醒詞的發(fā)音信息中每個(gè)音節(jié)，可分別查找對應(yīng)的近似發(fā)音信息集合，得到自定義喚醒詞的發(fā)音信息對應(yīng)的近似發(fā)音信息。

第一構(gòu)建模塊30用于根據(jù)預(yù)設(shè)的垃圾詞列表、所述發(fā)音信息和所述近似發(fā)音信息構(gòu)建喚醒詞識別網(wǎng)絡(luò)。

其中，垃圾詞列表可以是預(yù)先生成的，可記為Garbage。具體而言，可根據(jù)音素庫中的所有音素(可用phone表示)并聯(lián)成解碼器。向該解碼器輸入海量語音，從輸出結(jié)果中選取輸出次數(shù)最多的若干個(gè)結(jié)果，作為垃圾詞列表。

在本發(fā)明的一個(gè)實(shí)施例中，第一構(gòu)建模塊30可用于：根據(jù)所述垃圾詞列表和所述自定義喚醒詞中預(yù)設(shè)詞語的發(fā)音信息生成第一發(fā)音信息；根據(jù)所述垃圾詞列表、所述自定義喚醒的發(fā)音信息、所述第一發(fā)音信息和所述近似發(fā)音信息構(gòu)建所述喚醒詞識別網(wǎng)絡(luò)。

其中，預(yù)設(shè)詞語可以是位于自定義喚醒詞中預(yù)設(shè)位置的詞語，例如，位于自定義喚醒詞開頭的詞語，或者位于自定義喚醒詞結(jié)尾的詞語，可根據(jù)實(shí)際需要進(jìn)行設(shè)置。

舉例來說，對于自定義喚醒詞“小都你好”，如果預(yù)設(shè)詞語為位于自定義喚醒詞開頭的詞語“小都”，則根據(jù)“小都”的發(fā)音信息和垃圾詞列表可生成第一發(fā)音信息“xiao du+Garbage”。自定義喚醒詞“小都你好”，對應(yīng)的發(fā)音信息為“xiao du ni hao”，相應(yīng)的進(jìn)行發(fā)音信息為“Near_xiao Near_du Near_ni Near_hao”，將這兩個(gè)發(fā)音信息、垃圾詞列表和第一發(fā)音信息“xiao du+Garbage”進(jìn)行并聯(lián)，可得到如圖3所示的喚醒詞識別網(wǎng)絡(luò)。

如圖3所示，在該喚醒詞識別網(wǎng)絡(luò)中，是針對每個(gè)自定義喚醒詞進(jìn)行優(yōu)化后得到的，且可根據(jù)用戶輸入的自定義喚醒詞自動(dòng)構(gòu)建完成，無需專業(yè)技術(shù)人員進(jìn)行干預(yù)和定制，從而能夠在提升喚醒準(zhǔn)確率的同時(shí)，降低喚醒成本。

本發(fā)明實(shí)施例在建立的喚醒詞識別網(wǎng)絡(luò)時(shí)，通過加入自定義喚醒詞對應(yīng)的近似發(fā)音，能夠?qū)τ脩粼诎l(fā)音偏差的情況下也能喚醒系統(tǒng)，例如，如果用戶輸入的語音為自定義喚醒詞的發(fā)音“xiao du ni hao”的近似發(fā)音“jiao du ni hao”，則根據(jù)本發(fā)明實(shí)施例的喚醒詞識別網(wǎng)絡(luò)，仍可將其為能夠喚醒系統(tǒng)的識別結(jié)果，進(jìn)行執(zhí)行喚醒操作。

此外，本發(fā)明實(shí)施例在建立的喚醒詞識別網(wǎng)絡(luò)時(shí)，還增加了由垃圾詞列表和自定義喚醒詞中預(yù)設(shè)詞語的發(fā)音信息組成的第一發(fā)音信息，從而，能夠在識別用戶輸入的語音時(shí)，根據(jù)第一發(fā)音信息組成的路徑控制誤報(bào)率。

進(jìn)而，喚醒模塊40可根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

具體而言，喚醒模塊40可使用現(xiàn)有的任意方法根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。例如，提取用戶輸入的語音的聲學(xué)特征，根據(jù)預(yù)設(shè)的聲學(xué)模型對該聲學(xué)特征進(jìn)行分析，得到多個(gè)狀態(tài)的似然得分，根據(jù)得到的似然得分基于維特比算法從該喚醒詞識別網(wǎng)絡(luò)中選擇最優(yōu)路徑，作為識別結(jié)果。然后，計(jì)算識別結(jié)果的置信度，如果大于第一預(yù)設(shè)置信度，則執(zhí)行喚醒操作，否則拒絕喚醒操作。

或者，喚醒模塊40還可以通過后續(xù)實(shí)施例中根據(jù)上述喚醒詞識別網(wǎng)絡(luò)對用戶輸入的語音進(jìn)行識別，并根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。

根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒裝置，通過獲取用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息，并根據(jù)預(yù)設(shè)的垃圾詞列表、自定義喚醒詞的發(fā)音信息及其近似發(fā)音信息喚醒構(gòu)建喚醒詞識別網(wǎng)絡(luò)，以對用戶輸入的語音進(jìn)行識別喚醒，能夠針對不同的自定義喚醒動(dòng)態(tài)構(gòu)建喚醒詞識別網(wǎng)絡(luò)，根據(jù)該喚醒詞識別網(wǎng)絡(luò)得到的識別結(jié)果進(jìn)行喚醒，相對于使用通用的喚醒詞網(wǎng)絡(luò)，能夠有效提升喚醒的正確率，在構(gòu)建喚醒詞識別網(wǎng)絡(luò)時(shí)，增加了喚醒詞發(fā)音的近似發(fā)音，進(jìn)一步提升了喚醒的準(zhǔn)確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

圖8為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的語音喚醒裝置的結(jié)構(gòu)示意圖。

如圖8所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的語音喚醒裝置，包括：第一獲取模塊10、第二獲取模塊20、第一構(gòu)建模塊30、喚醒模塊40、第二構(gòu)建模塊50、對齊模塊60、確定模塊70、第一調(diào)整模塊80、第三獲取模塊90、第二調(diào)整模塊100和建立模塊110。

其中，第一獲取模塊10、第二獲取模塊20和第一構(gòu)建模塊30與圖7所示實(shí)施例中相同。

第二構(gòu)建模塊50用于根據(jù)所述自定義喚醒詞構(gòu)建線性識別網(wǎng)絡(luò)。

具體而言，第二構(gòu)建模塊50可根據(jù)自定義喚醒詞對應(yīng)的各個(gè)音素分別查詢預(yù)設(shè)的狀態(tài)表，得到各個(gè)音素對應(yīng)的狀態(tài)，并組成自定義喚醒對應(yīng)的狀態(tài)信息序列。然后根據(jù)該狀態(tài)信息序列構(gòu)建線性識別網(wǎng)絡(luò)。

對齊模塊60用于利用所述自定義喚醒詞的示例語音在所述線性解碼網(wǎng)絡(luò)上做強(qiáng)制對齊，得到所述線性解碼網(wǎng)絡(luò)對應(yīng)的似然得分總和。

其中，自定義喚醒詞的示例語音為與自定義喚醒詞對應(yīng)的標(biāo)準(zhǔn)語音，可根據(jù)自定義喚醒詞中的詞語查詢預(yù)設(shè)的語音數(shù)據(jù)庫得到。

具體而言，對齊模塊60可將示例語音對應(yīng)的狀態(tài)與線性解碼網(wǎng)絡(luò)進(jìn)行強(qiáng)制對齊，得到線性解碼網(wǎng)絡(luò)中各個(gè)狀態(tài)的似然得分，進(jìn)而，可計(jì)算各個(gè)狀態(tài)的似然得分總和，即為SumFA。

確定模塊70用于根據(jù)所述自定義喚醒詞的發(fā)音信息確定所述自定義喚醒詞對應(yīng)的音素?cái)?shù)量。

第一調(diào)整模塊80用于根據(jù)所述音素?cái)?shù)量對預(yù)設(shè)的語音識別過程中使用的第一活躍路徑數(shù)量進(jìn)行調(diào)整，得到第二活躍路徑數(shù)量。

具體而言，可通過以下公式對第一活躍路徑數(shù)量進(jìn)行調(diào)整：

T’＝T+LengthPhone*k2。

其中，T’為第二活躍路徑數(shù)據(jù)，T為第一活躍路徑數(shù)量，LengthPhone為自定義喚醒詞對應(yīng)的音素?cái)?shù)量，k2為預(yù)設(shè)的第二修正系數(shù)。

其中，第一活躍路徑數(shù)量可以是默認(rèn)值，例如，喚醒系統(tǒng)當(dāng)前使用的活躍路徑數(shù)量，或者初始活躍路徑數(shù)量。

由此，可根據(jù)自定義喚醒詞對應(yīng)的音素?cái)?shù)量動(dòng)態(tài)對尋找最優(yōu)路徑過程中使用的活躍路徑數(shù)量進(jìn)行調(diào)整，相對于對于所有喚醒詞都使用相同的活躍路徑數(shù)量的方案，通過簡單方便的實(shí)現(xiàn)方式，可針對不同的自定義喚醒詞設(shè)置不同的活躍路徑數(shù)量，能夠使得喚醒識別結(jié)果能夠達(dá)到定制的水準(zhǔn)，有效提升喚醒準(zhǔn)確性和效率，且能夠有效降低開發(fā)難度和功耗。

第三獲取模塊90用于獲取所述自定義喚醒詞的文本長度信息，并獲取所述自定義喚醒詞的發(fā)音得分。

在本發(fā)明的實(shí)施例中，第三獲取模塊90可用于查詢預(yù)先建立的喚醒詞概率分布表，得到所述自定義喚醒詞對應(yīng)的各個(gè)音節(jié)的發(fā)音得分。

第二調(diào)整模塊100用于根據(jù)所述文本長度信息、所述發(fā)音得分和所述似然得分總和，對預(yù)設(shè)的第一置信度閾值進(jìn)行調(diào)整，得到第二置信度閾值。

具體而言，可通過一下公式對第一置信度進(jìn)行調(diào)整，得到第二置信度：

ThresNew＝ThresO+WScore*LengthTxt+SumFA/k3，

其中，ThresNew為第二置信度，ThresO為第一置信度，WScore為自定義喚醒詞的發(fā)音得分，LengthTxt為自定義喚醒詞對應(yīng)的文本長度信息，SumFA為自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，k3為預(yù)設(shè)的第三修正系數(shù)。

由此，可根據(jù)自定義喚醒詞對應(yīng)的文本長度信息、所述發(fā)音得分和所述似然得分總和對置信度閾值進(jìn)行調(diào)整，相對于對于所有喚醒詞都使用相同的置信度閾值的方案，通過簡單方便的實(shí)現(xiàn)方式，可針對不同的自定義喚醒詞設(shè)置不同的置信度閾值，從而能夠使得喚醒識別結(jié)果能夠達(dá)到定制的水準(zhǔn)，有效提升喚醒準(zhǔn)確性和效率，且能夠有效降低開發(fā)難度和功耗。

喚醒模塊40可進(jìn)一步包括：提取單元41、分析單元42、修正單元43和識別單元44。

其中，提取單元41用于提取所述語音的聲學(xué)特征。

具體而言，提取單元41可將用戶輸入的語音切分為多個(gè)語音幀，并提取每個(gè)語音幀中的聲學(xué)特征。其中，聲學(xué)特征可以是40維的FilterBank特征，也可以是13維的MFCC(Mel Frequency Cepstral Coefficent，梅爾頻率倒譜系數(shù))特征。

分析單元42用于根據(jù)預(yù)設(shè)的聲學(xué)模型對所述聲學(xué)特征進(jìn)行分析，得到所述語音對應(yīng)的N個(gè)狀態(tài)及所述N個(gè)狀態(tài)的似然得分，其中，N為正整數(shù)。

其中，聲學(xué)模型可為預(yù)先建立的。舉例來說，聲學(xué)模型可為卷積神經(jīng)網(wǎng)絡(luò)模型、深度神經(jīng)網(wǎng)絡(luò)模型等。

具體而言，聲學(xué)特征為一個(gè)向量，在本發(fā)明的實(shí)施例中，分析單元42可將聲學(xué)特征向量與聲學(xué)模型的矩陣相乘，得到狀態(tài)的似然得分向量。其中，似然得分向量中的每個(gè)元素表示一個(gè)狀態(tài)的似然得分。舉例來說，得到的似然得分向量可為D₁，D₂，……D_N，其中，D_i為第i個(gè)狀態(tài)的似然得分。

修正單元43用于如果第i個(gè)狀態(tài)屬于所述自定義喚醒詞對應(yīng)的狀態(tài)集合，則根據(jù)所述似然得分總和對所述第i個(gè)狀態(tài)的似然得分進(jìn)行修正，其中，i為不大于N的正整數(shù)。

具體而言，如果第i個(gè)狀態(tài)屬于所述自定義喚醒詞對應(yīng)的狀態(tài)集合，則可通過以下公司對第i個(gè)狀態(tài)的似然得分進(jìn)行修正：

D_i’＝D_i+SumFA/k1，

其中，D_i’為第i個(gè)狀態(tài)修正后的似然得分，D_i為第i個(gè)狀態(tài)修正前的似然得分，SumFA為自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，k1為預(yù)設(shè)的第一修正參數(shù)。

由此，使用自定義喚醒詞對應(yīng)的線性解碼網(wǎng)絡(luò)的似然得分總和，對屬于自定義喚醒詞對應(yīng)的狀態(tài)集合的狀態(tài)的似然得分進(jìn)行修正，即提高其似然得分，降低非喚醒詞的影響，由此，能夠在后續(xù)識別過程中得到更加準(zhǔn)確的識別結(jié)果，進(jìn)而提升語音喚醒的準(zhǔn)確性。

識別單元44用于根據(jù)所述N個(gè)狀態(tài)修正后的似然得分，基于所述喚醒詞識別網(wǎng)絡(luò)，采用維特比算法對所述語音進(jìn)行識別。

其中，基于所述喚醒詞識別網(wǎng)絡(luò)，采用維特比算法對所述語音進(jìn)行識別的過程，即根據(jù)N個(gè)狀態(tài)修正后的似然得分，在上述喚醒詞識別網(wǎng)絡(luò)中尋找最優(yōu)路徑的過程，并將最優(yōu)路徑作為識別結(jié)果。

具體而言，在本發(fā)明的一個(gè)實(shí)施例中，識別單元44可用于：根據(jù)所述N個(gè)狀態(tài)修正后的似然得分和所述第二活躍路徑數(shù)量，從所述喚醒詞識別網(wǎng)絡(luò)中選取最優(yōu)識別路徑，得到所述語音的識別結(jié)果。

然后，喚醒模塊40根據(jù)識別結(jié)果確定是否執(zhí)行喚醒操作。具體而言，喚醒模塊40可用于：獲取所述識別結(jié)果的置信度；如果所述置信度大于所述第二置信度閾值，則執(zhí)行喚醒操作；如果所述置信度不大于所述第二置信度閾值，則拒絕執(zhí)行喚醒操作。

需要說明的是，可使用任意可選的方法獲取識別結(jié)果的置信度。

舉例來說，可計(jì)算喚醒詞識別網(wǎng)絡(luò)中所有活動(dòng)節(jié)點(diǎn)的聲學(xué)特征得分的第一平均值，然后計(jì)算喚醒詞識別網(wǎng)絡(luò)中喚醒詞對應(yīng)的Y個(gè)節(jié)點(diǎn)的聲學(xué)特征得分的第二平均值，最后根據(jù)第一平均值和第二平均值計(jì)算識別結(jié)果的置信度。

或者，還可根據(jù)預(yù)設(shè)的模型計(jì)算識別結(jié)果的置信度。該預(yù)設(shè)模型可以是filler模型。其中，filler模型是所有語音信息的聚類，也就是說filler模型包含所有語音信息的聲學(xué)特征。具體地，可計(jì)算每個(gè)語音幀在filler模型中的似然得分，然后用語音幀的聲學(xué)模型得分減去該語音幀的似然得分獲得兩者的差值，最后求多個(gè)語音幀差值的平均值，該平均值為置信度。

在本發(fā)明的一個(gè)實(shí)施例中，第三獲取模塊90所使用的用于查詢各個(gè)音節(jié)的喚醒概率得分的喚醒詞概率分布表，旨在統(tǒng)計(jì)喚醒詞的喚醒成功率，誤報(bào)率等信息，以用于分析喚醒詞的好壞，喚醒成功率等信息。喚醒詞概率分布表可由建立模塊110建立。

建立模塊110用于通過以下步驟建立所述喚醒詞概率分布表：對于每個(gè)音節(jié)，統(tǒng)計(jì)字庫中發(fā)音包括所述音節(jié)的字符的第一數(shù)量，并統(tǒng)計(jì)預(yù)設(shè)文本數(shù)據(jù)集合中發(fā)音包括所述音節(jié)的字符的第二數(shù)量，并統(tǒng)計(jì)與所述音節(jié)具有相似發(fā)音的音節(jié)的第三數(shù)量；根據(jù)每個(gè)音節(jié)對應(yīng)的所述第一數(shù)量、所述第二數(shù)量和所述第三數(shù)量計(jì)算相應(yīng)音節(jié)的喚醒詞概率發(fā)音得分，建立所述喚醒詞概率分布表。

具體實(shí)現(xiàn)，可參照圖6所示實(shí)施例。

本發(fā)明實(shí)施例的基于人工智能的語音喚醒裝置，根據(jù)用戶自定義喚醒詞對應(yīng)的發(fā)音信息及其近似發(fā)音信息和預(yù)設(shè)的垃圾詞列表構(gòu)建喚醒詞識別網(wǎng)絡(luò)，使用該喚醒詞識別網(wǎng)對用戶輸入的語音進(jìn)行識別喚醒，并可對識別過程中所使用的該語音對應(yīng)的聲學(xué)特征模型得分、活躍路徑數(shù)量和置信度閾值進(jìn)行修正，能夠有效提升喚醒的正確率，并降低誤報(bào)率。此外，上述過程為全自動(dòng)化，無需人工干預(yù)，降低了喚醒成本低，且喚醒速度快，提升喚醒效率，利于喚醒技術(shù)的推廣和鋪開；另外，相對于使用語言模型進(jìn)行識別喚醒的方法，本發(fā)明實(shí)施例使用垃圾詞列表的喚醒詞識別網(wǎng)絡(luò)代替了語言模型，內(nèi)存占用更小，同時(shí)減少硬盤占用，使得用戶可以在隨身攜帶的嵌入式設(shè)備上使用并優(yōu)化，功耗低。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實(shí)現(xiàn)。例如，如果用硬件來實(shí)現(xiàn)，和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來實(shí)現(xiàn)：具有用于對數(shù)據(jù)信號實(shí)現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現(xiàn)場可編程門陣列(FPGA)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計(jì)算機(jī)可讀存儲介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對上述實(shí)施例進(jìn)行變化、修改、替換和變型。