本技術(shù)涉及語音處理領(lǐng)域，具體的，涉及一種自定義喚醒詞的語音喚醒方法及裝置。

背景技術(shù)：

1、語音喚醒技術(shù)從連續(xù)的聲音信號中檢測預(yù)定義喚醒詞的技術(shù)，其使得用戶可以通過說出預(yù)定義的喚醒詞來激活設(shè)備，是智能語音交互中不可或缺的一個環(huán)節(jié)。kws按照應(yīng)用場景可以分為兩類，closed-vocabulary?kws和open-vocabulary?kws。closed-vocabularykws指模型只能識別預(yù)先定義的關(guān)鍵詞，比如蘋果的“hey?siri”,amazon的“alexa”，華為智能設(shè)備的“小藝小藝”等等。由于喚醒詞固定，closed-vocabulary?kws一般將問題定義為二分類問題(只判斷“是”或者“否”)，而喚醒模型也便是一個二分類模型(只用于判斷是否包含預(yù)定義喚醒詞)。open-vocabulary?kws(openkws)則允許用戶自定義自己喜歡的喚醒詞來喚醒設(shè)備。比如，同樣對于華為手機(jī)，用戶可以在“設(shè)置”中另行設(shè)置一個自己喜歡的喚醒詞以替代系統(tǒng)自帶的“小藝小藝”來喚醒設(shè)備。在openkws場景下，由于各個用戶所定義的喚醒詞可能千差萬別，因此會對喚醒方案的要求更加具有挑戰(zhàn)性，也會致使所設(shè)計的喚醒模型更為復(fù)雜，并且模型的參數(shù)量和計算量也會更高。

2、當(dāng)前實現(xiàn)openkws的方案可以主要分成兩大類：第一類是基于語音識別的方法，即語音識別模型將語音信號轉(zhuǎn)換成文本單元(如音素、字等)，繼而再從中檢索是否含有目標(biāo)關(guān)鍵詞所對應(yīng)的文本單元；第二類為端到端的語音喚醒方案，其將語音信號同關(guān)鍵詞文本聯(lián)合建模，并構(gòu)建一個統(tǒng)一的端到端模型(一般地，該模型由三個模塊組成，分別為聲學(xué)模型、關(guān)鍵詞編碼器和聯(lián)合分類器。其中前兩者分別用于提取音頻特征和關(guān)鍵詞特征，所提取的特征繼而融合輸入到聯(lián)合分類器以輸出最終的喚醒結(jié)果)。相比較而言，第一類基于語音識別的方案，第二類中的端到端語音喚醒技術(shù)由于充分考慮到關(guān)鍵詞和語音的聯(lián)合建模，其在性能表現(xiàn)上更為出色，已經(jīng)漸漸被各商用產(chǎn)品所采納。為了取得極佳的喚醒表現(xiàn)，當(dāng)前的模型大都是直接將預(yù)先訓(xùn)練好的聲學(xué)模型直接部署于端側(cè)設(shè)備上進(jìn)行推理，當(dāng)前以上兩種方案依賴的聲學(xué)模型都是很強(qiáng)大有效的，這就導(dǎo)致聲學(xué)模型的參數(shù)量和計算量都很大，會嚴(yán)重?fù)p耗端側(cè)設(shè)備的計算資源從而減少續(xù)航時長。因此，如何在保證喚醒模型喚醒性能的前提下，有效提升端側(cè)設(shè)備續(xù)航時長和減少端側(cè)設(shè)備能源消耗是當(dāng)前亟需解決的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供一種自定義喚醒詞的語音喚醒方法，該方法用以減少計算資源消耗和能源消耗。

2、第一方面，本技術(shù)提出的是一種支持用戶自定義喚醒詞的語音喚醒方法，該方法可以用于包括在工作計算機(jī)、移動智能設(shè)備、可穿戴設(shè)備及機(jī)器人等平臺下的任何可能用到的語音交互的場景中。所述方法包括：將用戶輸入的目標(biāo)喚醒詞生成目標(biāo)文本單元序列；根據(jù)所述目標(biāo)文本單元序列從預(yù)先訓(xùn)練的聲學(xué)模型中提取目標(biāo)聲學(xué)模型，所述預(yù)先訓(xùn)練的聲學(xué)模型由多個子聲學(xué)模型組成，所述目標(biāo)聲學(xué)模型由所述多個子聲學(xué)模型中的部分子聲學(xué)模型組成；接收所述用戶輸入的語音；根據(jù)所述目標(biāo)聲學(xué)模型確定是否對所述語音進(jìn)行響應(yīng)。

3、相關(guān)技術(shù)中，語音喚醒方法可以實現(xiàn)在線語音喚醒功能，允許用戶根據(jù)中定義好的喚醒詞進(jìn)行對設(shè)備進(jìn)行喚醒，并且語音喚醒功能對端側(cè)設(shè)備的能源消耗較大，模型實時的計算和推理會會耗費大量的計算資源和能源。而本技術(shù)提出的語音喚醒方法是一種支持用戶自定義喚醒詞的語音喚醒方法，該方法不僅允許用戶根據(jù)個人喜好和需求自定義喚醒詞，并且實現(xiàn)了將定義好的目標(biāo)喚醒詞的長度與語音喚醒模型的尺寸正相關(guān)，該語音喚醒模型中的目標(biāo)聲學(xué)模型是原始的聲學(xué)模型的一部分，是更加輕量化的模型，因此可以在保證喚醒精度的條件下根據(jù)對模型尺寸的需求定義喚醒詞，從而減小對計算資源和能源的消耗。

4、在一種可能的實現(xiàn)方式中，所述方法還包括：獲取預(yù)先訓(xùn)練的喚醒識別器；所述根據(jù)目標(biāo)聲學(xué)模型確定是否對所述語音進(jìn)行響應(yīng)包括：根據(jù)所述目標(biāo)聲學(xué)模型和所述喚醒識別器確定是否對所述語音進(jìn)行響應(yīng)，所述目標(biāo)聲學(xué)模型用于從所述語音中提取語音特征，所述喚醒識別器用于基于所述語音特征確定是否進(jìn)行響應(yīng)。

5、可以看出，在本實施例提供的方法中，目標(biāo)喚醒模型包括目標(biāo)聲學(xué)模型和預(yù)訓(xùn)練好的喚醒識別器。

6、在一種可能的實現(xiàn)方式中，所述根據(jù)所述目標(biāo)聲學(xué)模型和所述喚醒識別器確定是否對所述語音進(jìn)行響應(yīng)包括：利用所述目標(biāo)聲學(xué)模型從所述語音中提取所述語音特征；利用所述喚醒識別器將所述語音特征和目標(biāo)語音特征進(jìn)行對比以確定是否對所述語音進(jìn)行響應(yīng)，所述目標(biāo)語音特征為利用預(yù)先訓(xùn)練的文本編碼器對所述目標(biāo)文本單元序列進(jìn)行編碼所得到的語音特征。

7、可以看出，在先語音喚醒服務(wù)之前，可以先對定義好的目標(biāo)喚醒詞使用預(yù)先訓(xùn)練好的文本編碼器進(jìn)行編碼以得到目標(biāo)語音特征，并將所述目標(biāo)語音特征保存在端側(cè)設(shè)備中；在先語音服務(wù)階段，聲學(xué)模型對用戶輸入的語音進(jìn)行特惠總能提取得到語音特征，將該語音特征和上述得到的目標(biāo)語音特征融合輸入到喚醒識別器中，喚醒識別器對輸入的目標(biāo)語音特征和該語音特征進(jìn)行比對，并基于比對結(jié)果確定是否給出響應(yīng)。

8、在一種可能的實現(xiàn)方式中，所述將所述語音特征和所述目標(biāo)語音特征進(jìn)行對比以確定是否對所述語音進(jìn)行響應(yīng)包括：若所述目標(biāo)語音特征的內(nèi)容包含所述語音特征的內(nèi)容，則進(jìn)行響應(yīng)；若所述目標(biāo)語音特征的內(nèi)容不包含所述語音特征的內(nèi)容，則不進(jìn)行響應(yīng)。

9、可以看出，喚醒識別器通過對比輸入的語音特征的內(nèi)容與目標(biāo)語音特征的內(nèi)容，并通過判斷該語音特征的內(nèi)容是否包含目標(biāo)語音特征的內(nèi)容，從而確定出該語音中是否包含目標(biāo)喚醒詞，進(jìn)而確定是否給出響應(yīng)。

10、例如，喚醒識別器通過一個概率值對語音特征的內(nèi)容中包含目標(biāo)語音特征的內(nèi)容的幾率進(jìn)行評價，并將該概率值與預(yù)先設(shè)定的閾值進(jìn)行比較，在一種方式中，可以認(rèn)為當(dāng)預(yù)先設(shè)定的閾值小于該概率值，認(rèn)為該語音特征的內(nèi)容包含該目標(biāo)語音特征的內(nèi)容，從而給出響應(yīng)；對應(yīng)的，當(dāng)該概率值小于等于該預(yù)設(shè)的閾值時，認(rèn)為該語音特征的內(nèi)容不包含該目標(biāo)語音特征的內(nèi)容，從而不給出響應(yīng)。

11、在一種可能的實現(xiàn)方式中，所述根據(jù)所述目標(biāo)文本單元序列從預(yù)先訓(xùn)練的聲學(xué)模型中提取目標(biāo)聲學(xué)模型包括：根據(jù)所述聲學(xué)模型確定所述目標(biāo)文本單元序列中每個文本單元所對應(yīng)的子聲學(xué)模型；將所述目標(biāo)文本單元序列中每一個文本單元所述對應(yīng)的子聲學(xué)模型組成所述目標(biāo)聲學(xué)模型。

12、在一種可能實現(xiàn)方式中，所述將所述目標(biāo)喚醒詞生成所述目標(biāo)文本單元序列之前，所述方法還包括：接收用戶輸入的自定義喚醒詞；將所述自定義喚醒詞轉(zhuǎn)換成對應(yīng)的所述目標(biāo)喚醒詞。

13、在一種可能的實現(xiàn)方式中，所述目標(biāo)文本單元序列包括但不限于音素、子音素、字節(jié)對(byte?pair?encoder,bpe)編碼。

14、在一種可能的實現(xiàn)方式中，所述目標(biāo)聲學(xué)模型的大小與所述目標(biāo)文本單元序列的長度正相關(guān)。

15、第二方面，提出一種語音喚醒裝置，所述裝置包括：文本轉(zhuǎn)換模塊，用于將用戶輸入的目標(biāo)喚醒詞轉(zhuǎn)換成目標(biāo)文本單元序列；目標(biāo)聲學(xué)模型提取模塊，用于根據(jù)所述目標(biāo)文本單元序列從預(yù)先訓(xùn)練的聲學(xué)模型中提取目標(biāo)聲學(xué)模型，所述預(yù)先訓(xùn)練的聲學(xué)模型由多個子聲學(xué)模型組成，所述目標(biāo)聲學(xué)模型由所述多個子聲學(xué)模型中的部分子聲學(xué)模型組成；

16、語音接收模塊，用于接收所述用戶輸入的語音；語音喚醒模塊，用于根據(jù)所述目標(biāo)聲學(xué)模型確定是否對所述語音進(jìn)行響應(yīng)。

17、在一種可能實現(xiàn)方式中，所述語音喚醒模塊還用于：根據(jù)所述目標(biāo)聲學(xué)模型和預(yù)先訓(xùn)練的喚醒識別器確定是否對所述語音進(jìn)行響應(yīng)，所述目標(biāo)聲學(xué)模型用于從所述語音中提取語音特征，所述喚醒識別器用于基于所述語音特征確定是否進(jìn)行響應(yīng)。

18、在一種可能實現(xiàn)方式中，所述語音喚醒模塊還用于：利用所述目標(biāo)聲學(xué)模型從所述語音中提取所述語音特征；利用所述喚醒識別器將所述語音特征和目標(biāo)語音特征進(jìn)行對比以確定是否對所述語音進(jìn)行響應(yīng)，所述目標(biāo)語音特征為利用預(yù)先訓(xùn)練的文本編碼器對所述目標(biāo)文本單元序列進(jìn)行編碼所得到的語音特征。

19、在一種可能的實現(xiàn)方式中，所述語音喚醒模塊還用于：若所述目標(biāo)語音特征的內(nèi)容包含所述語音特征的內(nèi)容，則進(jìn)行響應(yīng)；若所述目標(biāo)語音特征的內(nèi)容不包含所述語音特征的內(nèi)容，則不進(jìn)行響應(yīng)。

20、在一種可能的實現(xiàn)方式中，所述目標(biāo)聲學(xué)模型提取模塊還用于：根據(jù)所述聲學(xué)模型確定所述目標(biāo)文本單元序列中每個文本單元所對應(yīng)的子聲學(xué)模型；將所述目標(biāo)文本單元序列中每一個文本單元所述對應(yīng)的子聲學(xué)模型組成所述目標(biāo)聲學(xué)模型。

21、在一種可能的實現(xiàn)方式中，所述裝置還包括：自定義喚醒詞模塊，用于接收用戶輸入的自定義喚醒詞，并將所述自定義喚醒詞轉(zhuǎn)換成對應(yīng)的所述目標(biāo)喚醒詞。

22、在一種可能的實現(xiàn)方式中，所述目標(biāo)文本單元序列包括但不限于音素、子音素、字節(jié)對(byte?pair?encoder,bpe)編碼。

23、第三方面，提出一種設(shè)備，該設(shè)備包括：至少一個存儲器，用于存儲程序；至少一個處理器，用于執(zhí)行所述存儲器存儲的程序；其中，當(dāng)所述存儲器存儲的程序被執(zhí)行時，所述處理器用于實現(xiàn)上述第一方面或其任意可能的實現(xiàn)方式中所述的方法。

24、第四方面，提出一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，當(dāng)所述計算機(jī)程序在處理器上運行時，使得所述處理器用于實現(xiàn)上述第一方面或其任意可能的實現(xiàn)方式中所述的方法。

25、第五方面，提出一種計算機(jī)程序產(chǎn)品，其特征在于，當(dāng)所述計算機(jī)程序產(chǎn)品在處理器上運行時，使得所述處理器用于實現(xiàn)上述第一方面或其任意可能的實現(xiàn)方式中所述的方法。