智能設(shè)備的語音喚醒方法及實現(xiàn)所述方法的系統(tǒng)的制作方法
【專利說明】
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及語音識別領(lǐng)域，特別是一種智能設(shè)備的語音喚醒方法，以及實現(xiàn)所述方法的語音喚醒系統(tǒng)。
【【背景技術(shù)】】
[0002]語音識別技術(shù)在近些年取得了顯著的進步，該技術(shù)已進入工業(yè)、家電、智能家居等各個領(lǐng)域。語音喚醒即是語音識別技術(shù)的一種形式，其不直接接觸硬件設(shè)備，通過語音即可將設(shè)備喚醒運行。一般情況下，大部分設(shè)備都是靠物理按鍵實現(xiàn)設(shè)備的喚醒或者運行。然而，這對于用戶體驗來說并不好。語音作為人們最自然的交流方式，通過語音喚醒這種非接觸式的方式啟動設(shè)備無疑是更友好的。
[0003]中國發(fā)明專利申請CN 102999161A公開了一種語音喚醒模塊的實現(xiàn)方法，包括音輸入、語音喚醒算法和喚醒執(zhí)行步驟，語音喚醒算法獲取語音輸入的語音信號，進行語音喚醒處理后，將結(jié)果輸出給喚醒執(zhí)行，從而完成喚醒操作；所述語音喚醒算法通過聲學(xué)特征提取、喚醒詞檢測、喚醒詞確認、構(gòu)建喚醒詞檢測網(wǎng)絡(luò)、訓(xùn)練聲學(xué)模型和構(gòu)建喚醒詞確認網(wǎng)絡(luò)，其中，喚醒詞檢測:將提取得到的聲學(xué)特征，采用訓(xùn)練的聲學(xué)模型在喚醒詞檢測網(wǎng)絡(luò)上計算聲學(xué)得分，如果聲學(xué)得分最優(yōu)的路徑中包含要檢測的喚醒詞，則確定已檢出喚醒詞，進入，否則重新進行提取聲學(xué)特征。
[0004]在實際使用中發(fā)現(xiàn)該技術(shù)方案具備明顯缺陷，這是由于實際應(yīng)用時用戶的發(fā)音常常發(fā)生音變、衰減等，使得正確喚醒率下降，此外真實環(huán)境下總是存在很多噪聲，比如說話聲、開門聲、電視發(fā)出的聲音等，這些聲音有時候也會將智能設(shè)備喚醒，稱為誤喚醒。誤喚醒為用戶體驗帶來了極大的困擾，大大降低該技術(shù)方案的可行性。
【
【發(fā)明內(nèi)容】
】
[0005]本發(fā)明的目的是克服現(xiàn)有技術(shù)缺陷，提供一種靈敏度好、準確性高、有效距離遠的語音喚醒方法及其實現(xiàn)系統(tǒng)，能夠方便、友好地啟動智能終端設(shè)備。
[0006]本發(fā)明期望通過建立一個覆蓋多種地方口音的語料庫和噪聲庫，利用該數(shù)據(jù)庫訓(xùn)練基于上下文相關(guān)的聲學(xué)模型；利用基于子帶譜熵的語音端點檢測方法進行語音的端點檢測；根據(jù)用戶提供的關(guān)鍵詞表，生成相應(yīng)的解碼網(wǎng)絡(luò)資源。
[0007]為了實現(xiàn)上述目的，本發(fā)明提供一種智能設(shè)備的語音喚醒方法，所述方法包括:
[0008]A、獲取音頻數(shù)字信號；
[0009]B、對音頻數(shù)字信號進行語音端點檢測，判斷是否含有語音信號；
[0010]C、音頻數(shù)字信號中含有語音信號，通過語音前端處理方法逐幀提取特征向量；
[0011]D、通過關(guān)鍵詞檢測方法對特征向量進行逐幀解碼，得到喚醒詞指令；
[0012]E、通過喚醒詞指令對智能設(shè)備進行反饋控制；
[0013]其中，步驟D中對特征向量進行解碼包括前置步驟:
[0014]D1、建立自定義喚醒關(guān)鍵詞文本集，和
[0015]D2、將所述文本集轉(zhuǎn)換為關(guān)鍵詞網(wǎng)絡(luò)解碼資源；
[0016]所述步驟Dl采用包括基于規(guī)則驅(qū)動建立關(guān)鍵詞和基于數(shù)據(jù)驅(qū)動建立關(guān)鍵詞；基于規(guī)則驅(qū)動建立關(guān)鍵詞是指通過語音發(fā)音規(guī)則，獲取與關(guān)鍵詞發(fā)音相似的近似詞條，除近似詞條以外的詞條定義為競爭詞條；基于數(shù)據(jù)驅(qū)動建立關(guān)鍵詞是指獲取語料庫中實際被識別次數(shù)較多的詞條。
[0017]在本發(fā)明中，基于規(guī)則驅(qū)動建立關(guān)鍵詞包括根據(jù)漢字語音聲韻母的發(fā)音規(guī)則將聲母和韻母發(fā)音分別進行分類，其中聲母分為塞音、擦音、塞擦音、鼻音和邊音，韻母分為開口呼、齊齒呼、合口呼和撮口呼，其中與關(guān)鍵詞的漢字發(fā)音具有同一聲母類型或同一韻母類型的詞定義為近似詞條，除近似詞條以外的詞條定義為競爭詞條。
[0018]根據(jù)一種優(yōu)選的實施方式，步驟B中采用基于子帶譜熵的方法實現(xiàn)語音端點檢測，包括將數(shù)字語音信號劃分為多個語音幀，對各語音幀進行傅里葉變換，得到多個語音頻譜；將每個語音頻譜劃分為多個子帶，計算各子帶譜熵；將各子帶譜熵與預(yù)設(shè)的譜熵閾值進行比較，通過結(jié)果檢測各語音幀是否含有語音。
[0019]優(yōu)選地，劃分語音幀采用25毫秒窗及10毫秒的幀移。
[0020]特別優(yōu)選地，步驟C提取特征向量中，提取梅爾頻率倒譜系數(shù)的作為特征向量。
[0021]本發(fā)明還提供一種語音喚醒智能設(shè)備的系統(tǒng)，所述系統(tǒng)包括:
[0022]語音檢測模塊，負責實時采集和檢測用戶的語音；
[0023]語音喚醒模塊，用于實時檢測采集的語音數(shù)據(jù)中是否存在喚醒關(guān)鍵詞，在檢測到喚醒關(guān)鍵詞之后，發(fā)出控制信號，啟動智能設(shè)備；
[0024]喚醒關(guān)鍵詞自定義模塊，用戶根據(jù)自己的喜好或者智能產(chǎn)品的需要，自定義關(guān)鍵詞喚醒詞表，再由該模塊生成本地資源文件保存。
[0025]根據(jù)一種優(yōu)選的實施方式，所述語音檢測模塊包括:
[0026]實時錄音模塊111，調(diào)用智能設(shè)備的相關(guān)接口獲取錄音數(shù)據(jù)；
[0027]語音端點檢測模塊112，采用基于子帶譜熵的方法檢測實時錄音模塊是否含有語音信號，并提取語音信號。
[0028]優(yōu)選地，所述語音喚醒模塊包括:
[0029]語音信號前端處理模塊113，用于對語音信號進行短時譜分析，并提取梅爾頻率倒譜系數(shù)作為語音特征向量；
[0030]語音喚醒關(guān)鍵詞檢測模塊114，用于將提取到的語音特征向量進行解碼，判斷是否匹配喚醒關(guān)鍵詞；
[0031]反饋控制模塊115，根據(jù)語音關(guān)鍵詞檢測模塊給出的結(jié)果，決定是否啟動智能設(shè)備。
[0032]在本發(fā)明中，優(yōu)選地喚醒關(guān)鍵詞自定義模塊包括基于規(guī)則驅(qū)動建立的關(guān)鍵詞庫和基于數(shù)據(jù)驅(qū)動建立的關(guān)鍵詞庫；
[0033]基于規(guī)則驅(qū)動建立的關(guān)鍵詞庫是通過語音發(fā)音規(guī)則建立的與關(guān)鍵詞發(fā)音相似的近似詞條以及與關(guān)鍵詞發(fā)音不同的競爭詞條的庫；
[0034]基于數(shù)據(jù)驅(qū)動建立的關(guān)鍵詞庫是根據(jù)語料庫中實際被識別次數(shù)建立的詞條的庫。
[0035]具體地，為了避免實際應(yīng)用中用戶發(fā)音發(fā)生音變、衰減導(dǎo)致正確喚醒率下降，同時避免由于環(huán)境噪聲引起的誤喚醒，在建立關(guān)鍵詞語料庫時可以設(shè)計多個與喚醒關(guān)鍵詞發(fā)音相近的詞作為喚醒詞，以提高正確喚醒率；另一方面通過設(shè)置競爭詞條以降低誤喚醒的頻率。
[0036]在語音端點檢測模塊中，本發(fā)明采用基于子帶譜熵的方法實現(xiàn)語音端點檢測。該算法將語音分幀后進行傅里葉變換，并將語音的頻譜分成若干個子帶，并通過計算各個子帶的譜熵，判斷該幀語音是否屬于語音。若檢測到語音，則語音識別器開始對語音進行特征提取，再利用上文所述的三音子模型對其進行解碼；否則，繼續(xù)檢測。該方法相對于比較常用的基于能量的語音端點檢測，能夠較好的濾掉部分噪聲，比如碰撞聲、汽車發(fā)出的噪聲等。
[0037]在檢測到喚醒關(guān)鍵詞后，智能設(shè)備可以調(diào)用相應(yīng)的接口，啟動設(shè)備，進行更多的操作。
[0038]本發(fā)明提供兩種喚醒關(guān)鍵詞選擇方式，一種是選擇默認的關(guān)鍵詞；另一種是用戶自定義喚醒關(guān)鍵詞。
[0039]提高遠距離的語音喚醒率是本發(fā)明的重要目的?，F(xiàn)有技術(shù)的大部分語音識別應(yīng)用都是要求用戶近距離使用，如在I米之內(nèi)使用。在更遠的距離下，如I米到3米的范圍內(nèi)，由于背景噪聲、混響、信號衰減等因素干擾下，語音信號會出現(xiàn)不同程度的失真，從而引起正確喚醒率的大幅度下降。在傳統(tǒng)的語音處理技術(shù)中，會對遠距離的信號設(shè)計針對性的算法以補償信號的損失，或者通過收集更多的遠距離錄制的語料以訓(xùn)練聲學(xué)模型，達到提高語音喚醒的正確率。在本發(fā)明中，在保持語音喚醒模塊中聲學(xué)模型不變的情況下，通過獨特的構(gòu)造關(guān)鍵詞表來實現(xiàn)提高遠距離語音喚醒的正確率。
[0040]在默認的關(guān)鍵詞表的設(shè)計過程中，本發(fā)明采取的是基于規(guī)則驅(qū)動和基于數(shù)據(jù)驅(qū)動相結(jié)合的方法，詳細描述如下:
[0041]所謂的基于規(guī)則驅(qū)動的方法指的是根據(jù)語音學(xué)或聲學(xué)中的聲母和韻母發(fā)音方式的區(qū)別，尋找和關(guān)鍵詞發(fā)音方式相近或者發(fā)音方式相差較大的詞條。根據(jù)通用的漢語教材，漢語的聲母發(fā)音按發(fā)音方式共分為塞音、擦音、塞擦音、鼻音和邊音五類，例如b、p、d、t等屬于塞音，而z、c、j、X等屬于塞擦音；韻母則可按照韻母開頭元音口形，分為開口呼、齊齒呼、合口呼和撮口呼四類，例如a、O、e等屬于開口呼。對于同屬于一類中的聲母或韻母，認為其發(fā)聲方式與結(jié)果音調(diào)相似。
[0042]按照該發(fā)音規(guī)則，將與關(guān)鍵詞發(fā)音方式相近的詞條，比如聲母或韻母與目標喚醒關(guān)鍵詞都屬于同一類發(fā)音方式的，一起作為喚醒關(guān)鍵詞；而對于發(fā)音方式不同的，比如聲母和韻母與目標關(guān)鍵詞不同，作為競爭詞條。比如對于關(guān)鍵詞“云寶yun bao”，會根據(jù)它的聲母韻母的發(fā)音特征，因為“a”和“ao”都屬于開口呼的發(fā)音方式，所以認為“把ba”的發(fā)音與“寶bao” (聲母韻母均同類)相近，而認為與“非fei” (聲母韻母均不同類)、“服fu”、“發(fā)fa”(韻母同類但聲母不同類)等字的發(fā)音方式則不同。
[0043]在基于數(shù)據(jù)驅(qū)動的方法中，通過尋找在我們語料庫中實際識別次數(shù)較多的詞條構(gòu)造詞表。例如，在關(guān)鍵詞“云寶yun bao”的語料中，被識別成“玲卯ling mao”、“聯(lián)馬Iianma”等詞次數(shù)較多。該種方法很好的利用了實際語料中的信息，在語料庫足夠大的情況下可以獲得很好的效果。本發(fā)明在構(gòu)造了基礎(chǔ)的詞表后，通過實驗逐步的縮減詞表。
[0044]與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點包括:
[0045]1、在一個非特定說話人語音識別引擎上，不需要對采集的語音增加額外的聲學(xué)處理，比如無需去混響、信道補償?shù)?，通過調(diào)整詞表可以實現(xiàn)遠距離的語音喚醒，并獲得很高的喚醒識別率；
[004