[发明专利]一种语音端点检测和唤醒方法及装置

说明书

本发明提供了一种语音端点检测和唤醒方法及装置，涉及机器学习语音识别领域技术领域。方法包括：获取语音端点检测数据和唤醒数据，并对所述语音端点检测数据和唤醒数据进行Fbank特征提取，得到语音Fbank特征数据；将所述语音Fbank特征数据输入到二值化神经网络模型，得到二值化神经网络输出结果数据；根据预先设置的后端评判策略，对所述二值化神经网络输出结果数据进行处理，确定语音端点检测数据的语音起始位置和语音结束位置，并检测唤醒数据中的唤醒词数据。本发明的系统框架能够同时适用于语音端点检测和语音唤醒技术，能够实现准确的、快速的、低延迟、小模型和低功耗的语音端点检测技术和语音唤醒技术。

技术领域

本发明涉及机器学习语音识别领域技术领域，尤其涉及一种语音端点检测和唤醒方法及装置。

背景技术

当前，随着语音识别技术、数字化设备以及多媒体技术的发展，语音端点检测技术得到了良好的发展。目前，语音端点检测(Voice Activity Detection，简称VAD)是在连续信号中检测出语音片段的技术，语音端点检测常与自动语音识别(Automatic SpeechRecognition，简称ASR)系统、声纹识别系统相结合，检测有效而准确的语音端点成为这些系统的重要组成部分。语音唤醒指在音频流中检测预定义的关键字的过程，一旦检测到关键词即唤醒手机、音箱等嵌入式设备。要实现准确的、快速的、低延迟、小模型和低功耗的语音端点检测技术和语音唤醒技术，必须设计一个简单的模型和高效的后端评判策略，同时可以把网络模型压缩以适应于嵌入式系统和便携式设备。

在现有技术中，G.Chen等人在“Small-footprint keyword spotting using deepneural networks”(Acoustics,Speech and Signal Processing(ICASSP),2014)中提出了可以采用深度神经网路(Deep Neural Networks，简称DNN)和后验平滑策略检测关键词从而唤醒设备。之后Sainath等人又在“Convolutional neural networks for small-footprint keyword spotting”(INTERSPEECH，2015)中提出了采用卷积神经网络(Convolutional Neural Networks,，简称CNN)和DNN结合的方式同时辅助后验平滑策略检测关键词同时唤醒设备。虽然这些方法是简洁高效的，但是现有技术存在两个问题，一是因为，要实现较好的性能，需要采用传统的CNN和DNN网络需要做大量的加法、减法和乘法操作而消耗大量的内存和功耗。二是现有技术模型很大，4层512个节点的DNN网络，占用硬件存储空间6M，导致非常受限于某些应用场景，比如FPGA系统和嵌入式芯片等需要极小模型和极低的功耗。可见，当前如何实现准确的、快速的、低延迟、小模型和低功耗的语音端点检测技术和语音唤醒技术成为了一个亟待解决的问题。

发明内容

本发明的实施例提供一种语音端点检测和唤醒方法及装置，以解决现有技术中难以实现准确的、快速的、低延迟、小模型和低功耗的语音端点检测技术和语音唤醒技术的问题。

为达到上述目的，本发明采用如下技术方案：

一种语音端点检测和唤醒方法，包括：

获取语音端点检测数据和唤醒数据，并对所述语音端点检测数据和唤醒数据进行Fbank特征提取，得到语音Fbank特征数据；

将所述语音Fbank特征数据输入到二值化神经网络模型，得到二值化神经网络输出结果数据；

根据预先设置的后端评判策略，对所述二值化神经网络输出结果数据进行处理，确定语音端点检测数据的语音起始位置和语音结束位置，并检测唤醒数据中的唤醒词数据。

具体的，获取语音端点检测数据和唤醒数据，并对所述语音端点检测数据和唤醒数据进行Fbank特征提取，得到语音Fbank特征数据，包括：