[发明专利]语音唤醒的优化方法及系统

说明书

本发明实施例提供一种语音唤醒的优化方法。该方法包括：构建二级唤醒声学模型，二级唤醒声学模型包括音素声学模型和词级别的声学模型；对接收到的语音音频进行特征提取，将提到的声学特征输入至二级唤醒声学模型中的音素级声学模型，提取音素级声学模型的输出特征；基于音素级声学模型的输出特征，作为二级唤醒声学模型中的词级声学模型的输入，确定唤醒词的置信度；当置信度超过预设唤醒阈值时，将语音音频确定为唤醒词，进行语音唤醒。本发明实施例还提供一种语音唤醒的优化系统。本发明实施例直接的减小了最终分类效果对音素建模单元准确性的依赖，在音素分类不准确的情况下，依然可以对唤醒词进行正确的判别。

技术领域

本发明涉及智能语音对话领域，尤其涉及一种语音唤醒的优化方法及系统。

背景技术

语音唤醒通常利用深度神经网络，对基础声学单元进行声学建模，声学单元一般选择音素。

以上描述的语音唤醒技术，建模单元为音素，首先对音素进行预测、分类、处理；然后计算处理后序列与唤醒词序列之间的相似度，如果相似度大于某个阈值，则唤醒；否则不唤醒。

在实现本发明过程中，发明人发现相关技术中至少存在如下问题：

这种技术严重依赖声学模型对语音信号在建模单元上分类的准确性。在低信噪比的情况下，声学模型对音素的分类准确性不高，以至于影响了信噪比低场景的唤醒率。

发明内容

为了至少解决现有技术中低信噪比场景下的唤醒率低的问题。

第一方面，本发明实施例提供一种语音唤醒的优化方法，包括：

构建二级唤醒声学模型，所述二级唤醒声学模型包括音素声学模型和词级别的声学模型；

对接收到的语音音频进行特征提取，将提到的声学特征输入至所述二级唤醒声学模型中的音素声学模型，提取所述音素声学模型的输出特征；

基于所述音素声学模型的输出特征，作为所述二级唤醒声学模型中的词级别声学模型的输入，确定唤醒词的置信度；

当所述置信度超过预设唤醒阈值时，将所述语音音频确定为唤醒词，进行语音唤醒。

第二方面，本发明实施例提供一种语音唤醒的优化系统，包括：

模型构建程序模块，用于构建二级唤醒声学模型，所述二级唤醒声学模型包括音素声学模型和词级别的声学模型；

特征提取程序模块，用于对接收到的语音音频进行特征提取，将提到的声学特征输入至所述二级唤醒声学模型中的音素声学模型，提取所述音素声学模型的输出特征；

置信度确定程序模块，用于基于所述音素声学模型的输出特征，作为所述二级唤醒声学模型中的词级别声学模型的输入，确定唤醒词的置信度；

唤醒程序模块，用于当所述置信度超过预设唤醒阈值时，将所述语音音频确定为唤醒词，进行语音唤醒。

第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的语音唤醒的优化方法的步骤。

第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明任一实施例的语音唤醒的优化方法的步骤。

本发明实施例的有益效果在于：在一个声学模型的基础上，采用一定长度的语音信号提取的深度声学特征，输入到另一个分类模型，直接进行分类，直接的减小了最终分类效果对音素建模单元准确性的依赖，在音素分类不准确的情况下，依然可以对唤醒词进行正确的判别。

附图说明