本發(fā)明涉及語音識別技術(shù)領(lǐng)域，尤其涉及一種語音喚醒方法及裝置。

背景技術(shù)：

目前，在對語音喚醒功能的喚醒詞進(jìn)行識別時(shí)，是采用深度學(xué)習(xí)算法對用戶輸入的整個(gè)語音信息進(jìn)行識別，計(jì)算量比較大，耗時(shí)長。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種語音喚醒方法及裝置，用以減少語音喚醒的計(jì)算量，從而使語音喚醒方法能應(yīng)用于存在低計(jì)算資源限制的語音設(shè)備中。

根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種語音喚醒方法，包括：

獲取輸入的當(dāng)前語音信息對應(yīng)的當(dāng)前音頻幀特征序列信息；

將所述當(dāng)前音頻幀序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍；

計(jì)算每個(gè)音頻幀的范圍中每個(gè)音頻幀的聲學(xué)似然評分，并從所述每個(gè)音頻幀的范圍中選取出符合預(yù)設(shè)要求的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀；

根據(jù)使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀對應(yīng)的特征信息，確定所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度；

根據(jù)所述置信度確定是否允許喚醒所述語音喚醒功能。

在該實(shí)施例中，將當(dāng)前語音幀特征序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列進(jìn)行對齊強(qiáng)制處理，進(jìn)而從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍，并從該范圍中選取出預(yù)設(shè)數(shù)量的目標(biāo)音頻幀，通過使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀的特征信息確定當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，進(jìn)而確定是否喚醒語音喚醒功能。這樣，有效地減少了語音喚醒的計(jì)算量，從而能應(yīng)用于存在低計(jì)算資源限制的語音設(shè)備中。

在一個(gè)實(shí)施例中，將所述當(dāng)前音頻幀序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍，包括：

將所述當(dāng)前音頻幀序列信息與使用子空間聚類高斯混合方法對所述目標(biāo)喚醒詞進(jìn)行建模得到的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以確定所述目標(biāo)聲學(xué)模型序列信息中每個(gè)音節(jié)的每個(gè)音素與所述當(dāng)前語音幀特征序列信息中音頻幀的范圍之間的對應(yīng)關(guān)系。

在該實(shí)施例中，利用子空間聚類高斯混合方法確定當(dāng)前語音信息中與目標(biāo)喚醒詞的每個(gè)音素對應(yīng)的音頻幀的范圍，從而縮小語音喚醒的計(jì)算量。

在一個(gè)實(shí)施例中，所述從所述音頻幀的范圍中選取出符合預(yù)設(shè)要求的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀，包括：

從與每個(gè)音素對應(yīng)的音頻幀的范圍中選取出聲學(xué)似然評分大于或者等于預(yù)設(shè)評分和/或物理位置滿足預(yù)設(shè)物理位置的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀。

在該實(shí)施例中，預(yù)設(shè)數(shù)量可以遠(yuǎn)小于音頻幀的范圍的數(shù)量，例如，某個(gè)音素對應(yīng)的音頻幀的范圍為0至30幀，假設(shè)預(yù)設(shè)數(shù)量為5幀，則可以從0至30幀的音頻幀中選擇出聲學(xué)似然評分高的5幀音頻幀，還可以選擇同時(shí)根據(jù)聲學(xué)似然評分和物理位置進(jìn)行選擇，如選擇出3幀音頻幀高的幀，其他2幀按照物理位置進(jìn)行選擇，如選擇處于中間位置的第10幀和第20幀，從而保證選取出的目標(biāo)音頻幀的準(zhǔn)確性。

在一個(gè)實(shí)施例中，所述根據(jù)使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀對應(yīng)的特征信息，確定所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度，包括：

使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算與每個(gè)音素對應(yīng)的多個(gè)目標(biāo)音頻幀中每個(gè)目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分；

從與每個(gè)音素對應(yīng)的多個(gè)聲學(xué)后驗(yàn)得分中選取出最大聲學(xué)后驗(yàn)得分；

根據(jù)所有音素的最大聲學(xué)后驗(yàn)得分計(jì)算所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度。

在該實(shí)施例中，將選出的全部目標(biāo)語音幀對應(yīng)的特征信息使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算對應(yīng)的聲學(xué)后驗(yàn)得分，對每個(gè)音素的多個(gè)聲學(xué)后驗(yàn)得分選擇其中的最大后驗(yàn)得分，并使用全部音素的最大后驗(yàn)得分計(jì)算得到當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，這樣，只需要計(jì)算目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分，無需計(jì)算所有的音頻幀的得分，在保證識別結(jié)果的準(zhǔn)確性的基礎(chǔ)上，大大減少了計(jì)算量，縮短了識別當(dāng)前語音信息所需的時(shí)長，提升了用戶的使用體驗(yàn)。

在一個(gè)實(shí)施例中，所述根據(jù)所述置信度確定是否允許喚醒所述語音喚醒功能，包括：

當(dāng)所述置信度大于或者等于預(yù)設(shè)置信度時(shí)，確定允許喚醒所述語音喚醒功能；

當(dāng)所述置信度小于所述預(yù)設(shè)置信度時(shí)，確定不允許喚醒所述語音喚醒功能。

在該實(shí)施例中，在當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度大于或者等于預(yù)設(shè)置信度時(shí)，才允許喚醒語音喚醒功能，從而避免語音喚醒功能誤喚醒。

根據(jù)本發(fā)明實(shí)施例的第二方面，提供一種語音喚醒裝置，包括：

獲取模塊，用于獲取輸入的當(dāng)前語音信息對應(yīng)的當(dāng)前音頻幀特征序列信息；

對齊模塊，用于將所述當(dāng)前音頻幀序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍；

選取模塊，用于計(jì)算每個(gè)音頻幀的范圍中每個(gè)音頻幀的聲學(xué)似然評分，并從所述每個(gè)音頻幀的范圍中選取出符合預(yù)設(shè)要求的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀；

確定模塊，用于根據(jù)使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀對應(yīng)的特征信息，確定所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度；

喚醒模塊，用于根據(jù)所述置信度確定是否允許喚醒所述語音喚醒功能。

在一個(gè)實(shí)施例中，所述對齊模塊用于：

將所述當(dāng)前音頻幀序列信息與使用子空間聚類高斯混合方法對所述目標(biāo)喚醒詞進(jìn)行建模得到的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以確定所述目標(biāo)聲學(xué)模型序列信息中每個(gè)音節(jié)的每個(gè)音素與所述當(dāng)前語音幀特征序列信息中音頻幀的范圍之間的對應(yīng)關(guān)系。

在一個(gè)實(shí)施例中，所述選取模塊用于：

從與每個(gè)音素對應(yīng)的音頻幀的范圍中選取出聲學(xué)似然評分大于或者等于預(yù)設(shè)評分和/或物理位置滿足預(yù)設(shè)物理位置的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀。

在一個(gè)實(shí)施例中，所述確定模塊包括：

第一計(jì)算子模塊，用于使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算與每個(gè)音素對應(yīng)的多個(gè)目標(biāo)音頻幀中每個(gè)目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分；

選取子模塊，用于從與每個(gè)音素對應(yīng)的多個(gè)聲學(xué)后驗(yàn)得分中選取出最大聲學(xué)后驗(yàn)得分；

第二計(jì)算子模塊，用于根據(jù)所有音素的最大聲學(xué)后驗(yàn)得分計(jì)算所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度。

在一個(gè)實(shí)施例中，所述喚醒模塊包括：

第一處理子模塊，用于當(dāng)所述置信度大于或者等于預(yù)設(shè)置信度時(shí)，確定允許喚醒所述語音喚醒功能；

第二處理子模塊，用于當(dāng)所述置信度小于所述預(yù)設(shè)置信度時(shí)，確定不允許喚醒所述語音喚醒功能。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。

本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實(shí)施例，并與說明書一起用于解釋本發(fā)明的原理。

圖1是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法的流程圖。

圖2是根據(jù)一示例性實(shí)施例示出的另一種語音喚醒方法的流程圖。

圖3是根據(jù)一示例性實(shí)施例示出的又一種語音喚醒方法的流程圖。

圖4是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法中步驟S104的流程圖。

圖5是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法中步驟S105的流程圖。

圖6是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置的框圖。

圖7是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置中確定模塊的框圖。

圖8是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置中喚醒模塊的框圖。

具體實(shí)施方式

這里將詳細(xì)地對示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本發(fā)明相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。

圖1是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法的流程圖。該語音喚醒方法應(yīng)用于低計(jì)算資源的終端設(shè)備中，該終端設(shè)備可以是移動電話，計(jì)算機(jī)，數(shù)字廣播終端，消息收發(fā)設(shè)備，游戲控制臺，平板設(shè)備，醫(yī)療設(shè)備，健身設(shè)備，個(gè)人數(shù)字助理等任一具有語音控制功能的設(shè)備。如圖1所示，該方法包括步驟S101-S105：

在步驟S101中，獲取輸入的當(dāng)前語音信息對應(yīng)的當(dāng)前音頻幀特征序列信息；

在步驟S102中，將當(dāng)前音頻幀序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以從當(dāng)前音頻幀序列信息中定位出與目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍；

在步驟S103中，計(jì)算每個(gè)音頻幀的范圍中每個(gè)音頻幀的聲學(xué)似然評分，并從每個(gè)音頻幀的范圍中選取出符合預(yù)設(shè)要求的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀；

在步驟S104中，根據(jù)使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀對應(yīng)的特征信息，確定當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度；

在步驟S105中，根據(jù)置信度確定是否允許喚醒語音喚醒功能。

在該實(shí)施例中，將當(dāng)前語音幀特征序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列進(jìn)行對齊強(qiáng)制處理，進(jìn)而從當(dāng)前音頻幀序列信息中定位出與目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍，并從該范圍中選取出預(yù)設(shè)數(shù)量的目標(biāo)音頻幀，通過使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀的特征信息確定當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，進(jìn)而確定是否喚醒語音喚醒功能。這樣，有效地減少了語音喚醒的計(jì)算量，從而能應(yīng)用于存在低計(jì)算資源限制的語音設(shè)備中。

圖2是根據(jù)一示例性實(shí)施例示出的另一種語音喚醒方法的流程圖。

在一個(gè)實(shí)施例中，上述步驟S102包括步驟S201：

在步驟S201中，將當(dāng)前音頻幀序列信息與使用子空間聚類高斯混合方法對目標(biāo)喚醒詞進(jìn)行建模得到的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以確定目標(biāo)聲學(xué)模型序列信息中每個(gè)音節(jié)的每個(gè)音素與當(dāng)前語音幀特征序列信息中音頻幀的范圍之間的對應(yīng)關(guān)系。

在該實(shí)施例中，利用子空間聚類高斯混合方法確定當(dāng)前語音信息中與目標(biāo)喚醒詞的每個(gè)音素對應(yīng)的音頻幀的范圍，從而縮小語音喚醒的計(jì)算量。

圖3是根據(jù)一示例性實(shí)施例示出的又一種語音喚醒方法的流程圖。

如圖3所示，在一個(gè)實(shí)施例中，上述步驟S103包括步驟S301：

在步驟S301中，從與每個(gè)音素對應(yīng)的音頻幀的范圍中選取出聲學(xué)似然評分大于或者等于預(yù)設(shè)評分和/或物理位置滿足預(yù)設(shè)物理位置的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀。

在該實(shí)施例中，預(yù)設(shè)數(shù)量可以遠(yuǎn)小于音頻幀的范圍的數(shù)量，例如，某個(gè)音素對應(yīng)的音頻幀的范圍為0至30幀，假設(shè)預(yù)設(shè)數(shù)量為5幀，則可以從0至30幀的音頻幀中選擇出聲學(xué)似然評分高的5幀音頻幀，還可以選擇同時(shí)根據(jù)聲學(xué)似然評分和物理位置進(jìn)行選擇，如選擇出3幀音頻幀高的幀，其他2幀按照物理位置進(jìn)行選擇，如選擇處于中間位置的第10幀和第20幀，從而保證選取出的目標(biāo)音頻幀的準(zhǔn)確性。

圖4是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法中步驟S104的流程圖。

如圖4所示，在一個(gè)實(shí)施例中，上述步驟S104包括步驟S401-S403：

在步驟S401中，使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算與每個(gè)音素對應(yīng)的多個(gè)目標(biāo)音頻幀中每個(gè)目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分；

在步驟S402中，從與每個(gè)音素對應(yīng)的多個(gè)聲學(xué)后驗(yàn)得分中選取出最大聲學(xué)后驗(yàn)得分；

在步驟S403中，根據(jù)所有音素的最大聲學(xué)后驗(yàn)得分計(jì)算當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度。

在該實(shí)施例中，將選出的全部目標(biāo)語音幀對應(yīng)的特征信息使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算對應(yīng)的聲學(xué)后驗(yàn)得分，對每個(gè)音素的多個(gè)聲學(xué)后驗(yàn)得分選擇其中的最大后驗(yàn)得分，并使用全部音素的最大后驗(yàn)得分計(jì)算得到當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，這樣，只需要計(jì)算目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分，無需計(jì)算所有的音頻幀的得分，在保證識別結(jié)果的準(zhǔn)確性的基礎(chǔ)上，大大減少了計(jì)算量，縮短了識別當(dāng)前語音信息所需的時(shí)長，提升了用戶的使用體驗(yàn)。

圖5是根據(jù)一示例性實(shí)施例示出的一種語音喚醒方法中步驟S105的流程圖。

如圖5所示，在一個(gè)實(shí)施例中，上述步驟S105包括步驟S501-S502：

在步驟S501中，當(dāng)置信度大于或者等于預(yù)設(shè)置信度時(shí)，確定允許喚醒語音喚醒功能；

在步驟S502中，當(dāng)置信度小于預(yù)設(shè)置信度時(shí)，確定不允許喚醒語音喚醒功能。

在該實(shí)施例中，在當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度大于或者等于預(yù)設(shè)置信度時(shí)，才允許喚醒語音喚醒功能，從而避免語音喚醒功能誤喚醒。

下面以一個(gè)具體實(shí)施例詳細(xì)說明本發(fā)明的技術(shù)方案。

例如，目標(biāo)喚醒詞為“打開手機(jī)”，則利用子空間聚類高斯混合方法對目標(biāo)喚醒詞進(jìn)行建模得到的目標(biāo)聲學(xué)模型序列信息，如果用戶輸入語音信息，如“開啟手機(jī)”，則獲取“開啟手機(jī)”對應(yīng)的當(dāng)前音頻幀序列信息，并將其與目標(biāo)聲學(xué)模型序列信息強(qiáng)制對齊，強(qiáng)制對齊即從當(dāng)前音頻幀序列信息中定位出與目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍，其中，目標(biāo)聲學(xué)模型序列信息中的音素包括“d”“a”“k”“ai”“sh”“ou”“j”“i”，假設(shè)強(qiáng)制對齊結(jié)果為：“d”對應(yīng)當(dāng)前語音幀序列中的0-30幀，“a”對應(yīng)當(dāng)前語音幀序列中的30-50幀，“k”對應(yīng)當(dāng)前語音幀序列中的50-80幀，“ai”對應(yīng)當(dāng)前語音幀序列中的80-120幀，“sh”對應(yīng)當(dāng)前語音幀序列中的120-150幀，“ou”對應(yīng)當(dāng)前語音幀序列中的150-180幀，“j”對應(yīng)當(dāng)前語音幀序列中的180-200幀，“i”對應(yīng)當(dāng)前語音幀序列中的200-220幀，其中，可以計(jì)算0-220幀中每個(gè)音頻幀的的聲學(xué)似然評分，根據(jù)聲學(xué)似然評分和在音頻幀范圍中的物理位置，在每個(gè)音頻幀的范圍中選取出預(yù)設(shè)數(shù)量的目標(biāo)音頻幀，假設(shè)預(yù)設(shè)數(shù)量為5幀，則可以從每個(gè)音頻幀的范圍中選取出聲學(xué)似然評分高和排列在中間位置的5幀目標(biāo)音頻幀，這樣，8個(gè)音素就選取出40幀目標(biāo)音頻幀，使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算每個(gè)音素對應(yīng)的5幀目標(biāo)音頻幀中每個(gè)目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分，并選取出其中聲學(xué)后驗(yàn)得分最高的聲學(xué)后驗(yàn)得分，8個(gè)音素就得到8個(gè)最大聲學(xué)后驗(yàn)得分，根據(jù)這8個(gè)最大聲學(xué)后驗(yàn)得分計(jì)算當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，如將8個(gè)最大聲學(xué)后驗(yàn)求平均值等，進(jìn)而根據(jù)當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度的高低，確定是否進(jìn)行語音喚醒。

下述為本發(fā)明裝置實(shí)施例，可以用于執(zhí)行本發(fā)明方法實(shí)施例。

圖6是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置的框圖，該裝置可以通過軟件、硬件或者兩者的結(jié)合實(shí)現(xiàn)成為終端設(shè)備的部分或者全部。如圖6所示，該語音喚醒裝置包括：

獲取模塊61，用于獲取輸入的當(dāng)前語音信息對應(yīng)的當(dāng)前音頻幀特征序列信息；

對齊模塊62，用于將所述當(dāng)前音頻幀序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍；

選取模塊63，用于計(jì)算每個(gè)音頻幀的范圍中每個(gè)音頻幀的聲學(xué)似然評分，并從所述每個(gè)音頻幀的范圍中選取出符合預(yù)設(shè)要求的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀；

確定模塊64，用于根據(jù)使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀對應(yīng)的特征信息，確定所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度；

喚醒模塊65，用于根據(jù)所述置信度確定是否允許喚醒所述語音喚醒功能。

在該實(shí)施例中，將當(dāng)前語音幀特征序列信息與目標(biāo)喚醒詞對應(yīng)的目標(biāo)聲學(xué)模型序列進(jìn)行對齊強(qiáng)制處理，進(jìn)而從所述當(dāng)前音頻幀序列信息中定位出與所述目標(biāo)聲學(xué)模型序列信息中的每個(gè)音素對應(yīng)的音頻幀的范圍，并從該范圍中選取出預(yù)設(shè)數(shù)量的目標(biāo)音頻幀，通過使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型和目標(biāo)音頻幀的特征信息確定當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，進(jìn)而確定是否喚醒語音喚醒功能。這樣，有效地減少了語音喚醒的計(jì)算量，從而能應(yīng)用于存在低計(jì)算資源限制的語音設(shè)備中。

在一個(gè)實(shí)施例中，所述對齊模塊62用于：

將所述當(dāng)前音頻幀序列信息與使用子空間聚類高斯混合方法對所述目標(biāo)喚醒詞進(jìn)行建模得到的目標(biāo)聲學(xué)模型序列信息進(jìn)行強(qiáng)制對齊處理，以確定所述目標(biāo)聲學(xué)模型序列信息中每個(gè)音節(jié)的每個(gè)音素與所述當(dāng)前語音幀特征序列信息中音頻幀的范圍之間的對應(yīng)關(guān)系。

在該實(shí)施例中，利用子空間聚類高斯混合方法確定當(dāng)前語音信息中與目標(biāo)喚醒詞的每個(gè)音素對應(yīng)的音頻幀的范圍，從而縮小語音喚醒的計(jì)算量。

例如，用戶說“打開空調(diào)”，這4個(gè)字可能是總時(shí)長2秒。其中，每個(gè)字的時(shí)長大概是200毫秒，字與字之間有停頓，因此，可以確定出“打開空調(diào)”這4個(gè)字對應(yīng)的800毫秒的音頻幀，進(jìn)而對這800毫秒的音頻幀進(jìn)行識別處理，而不是對整體的2秒音頻幀進(jìn)行識別處理。

在一個(gè)實(shí)施例中，所述選取模塊63用于：

從與每個(gè)音素對應(yīng)的音頻幀的范圍中選取出聲學(xué)似然評分大于或者等于預(yù)設(shè)評分和/或物理位置滿足預(yù)設(shè)物理位置的預(yù)設(shè)數(shù)量的目標(biāo)音頻幀。

在該實(shí)施例中，預(yù)設(shè)數(shù)量可以遠(yuǎn)小于音頻幀的范圍的數(shù)量，例如，某個(gè)音素對應(yīng)的音頻幀的范圍為0至30幀，假設(shè)預(yù)設(shè)數(shù)量為5幀，則可以從0至30幀的音頻幀中選擇出聲學(xué)似然評分高的5幀音頻幀，還可以選擇同時(shí)根據(jù)聲學(xué)似然評分和物理位置進(jìn)行選擇，如選擇出3幀音頻幀高的幀，其他2幀按照物理位置進(jìn)行選擇，如選擇處于中間位置的第10幀和第20幀，從而保證選取出的目標(biāo)音頻幀的準(zhǔn)確性。

圖7是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置中確定模塊的框圖。

如圖7所示，在一個(gè)實(shí)施例中，所述確定模塊64包括：

第一計(jì)算子模塊71，用于使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算與每個(gè)音素對應(yīng)的多個(gè)目標(biāo)音頻幀中每個(gè)目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分；

選取子模塊72，用于從與每個(gè)音素對應(yīng)的多個(gè)聲學(xué)后驗(yàn)得分中選取出最大聲學(xué)后驗(yàn)得分；

第二計(jì)算子模塊73，用于根據(jù)所有音素的最大聲學(xué)后驗(yàn)得分計(jì)算所述當(dāng)前語音信息屬于所述目標(biāo)喚醒詞的置信度。

在該實(shí)施例中，將選出的全部目標(biāo)語音幀對應(yīng)的特征信息使用深度神經(jīng)網(wǎng)絡(luò)建模的聲學(xué)模型計(jì)算對應(yīng)的聲學(xué)后驗(yàn)得分，對每個(gè)音素的多個(gè)聲學(xué)后驗(yàn)得分選擇其中的最大后驗(yàn)得分，并使用全部音素的最大后驗(yàn)得分計(jì)算得到當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度，這樣，只需要計(jì)算目標(biāo)音頻幀的聲學(xué)后驗(yàn)得分，無需計(jì)算所有的音頻幀的得分，在保證識別結(jié)果的準(zhǔn)確性的基礎(chǔ)上，大大減少了計(jì)算量，縮短了識別當(dāng)前語音信息所需的時(shí)長，提升了用戶的使用體驗(yàn)。

圖8是根據(jù)一示例性實(shí)施例示出的一種語音喚醒裝置中喚醒模塊的框圖。

如圖8所示，在一個(gè)實(shí)施例中，所述喚醒模塊65包括：

第一處理子模塊81，用于當(dāng)所述置信度大于或者等于預(yù)設(shè)置信度時(shí)，確定允許喚醒所述語音喚醒功能；

第二處理子模塊82，用于當(dāng)所述置信度小于所述預(yù)設(shè)置信度時(shí)，確定不允許喚醒所述語音喚醒功能。

在該實(shí)施例中，在當(dāng)前語音信息屬于目標(biāo)喚醒詞的置信度大于或者等于預(yù)設(shè)置信度時(shí)，才允許喚醒語音喚醒功能，從而避免語音喚醒功能誤喚醒。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器和光學(xué)存儲器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲器中，使得存儲在該計(jì)算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。