[发明专利]语音唤醒方法、装置、存储介质及智能设备

说明书

本发明揭示了一种语音唤醒方法、装置、存储介质及智能设备；方法包括：通过Encoder将输入的语音序列进行编码计算，输出与语音序列同行列数的第一矩阵；通过前馈神经网络对第一矩阵进行线性再表达，输出第二矩阵，第二矩阵的行列数与第一矩阵行列数相同；通过soft‑attention对第二矩阵进行维度压缩得到注意力向量；根据注意力向量识别出多个类别的概率；根据类别的概率结果，判断是否执行唤醒功能。通过Encoder、前馈神经网络、soft‑attention等结构，借鉴Transformer的内部结构，最终生成包含局部和全局信息的注意力向量，得到类别的概率，根据类别的概率结果，判断是否执行唤醒功能，参数量更少，实现端到端的语音唤醒判断，使语音唤醒方法的响应速度更快，适用于语音唤醒中。

技术领域

本发明涉及到语音唤醒领域，特别是涉及到一种语音唤醒方法、装置、存储介质及智能设备。

背景技术

现有翻译、语音识别等领域中，当前构建语音识别模型可选择的基础网络结构包括CNN、RNN/LSTM以及多头注意力机制等，各家厂商都会选择合适自己应用需求的网络去构建语音识别模型；基于多头注意力机制的transformer所能达到的效果要比基于cnn/lstm结合CTC（Connectionist Temporal Classification）结构进行预测的模型效果好，说明多头注意力机制在特征提取方面有着特有的优势，但是相比之下transformer结构更加的复杂，模型也比较大，不适合语音唤醒的场景中。

发明内容

本发明的主要目的为提供一种语音唤醒方法、装置、存储介质及智能设备，可以解决现有Transformer结构不适合应用于语音唤醒的问题。

本发明提出一种语音唤醒方法，包括如下步骤：

通过Encoder将输入的语音序列进行编码计算，输出与语音序列同行列数的第一矩阵；

通过前馈神经网络对第一矩阵进行线性再表达，输出第二矩阵，第二矩阵的行列数与第一矩阵行列数相同；

通过soft-attention对第二矩阵进行维度压缩得到注意力向量；

根据注意力向量识别出多个类别的概率；

根据类别的概率结果，判断是否执行唤醒功能。

进一步地，根据类别的概率结果，判断是否执行唤醒功能的步骤包括：

提取概率最大的类别作为识别的类别；

判断识别的类别是否为目标类别：

若是，则判断识别的类别的概率是否达到阈值；

若达到，则执行类别对应的唤醒功能；

若没达到，则忽略识别结果，不执行唤醒功能。

进一步地，通过Encoder将输入的语音序列进行编码计算，输出与语音序列同行列数的第一矩阵的步骤，包括：

通过N层叠加的Encoder将输入的语音序列进行编码计算，输出与语音序列同行列数的第一矩阵，N为正整数。

进一步地，根据注意力向量识别出多个类别的概率的步骤，包括：

将注意力向量输入到全连接层进行分类，得到多个类别；

根据softmax函数计算得到属于每个类别的概率。

进一步地，语音序列和第一矩阵行列数为1*99*40。

进一步地，注意力向量行列数为40*1。

进一步地，通过Encoder将输入的语音序列进行编码计算，输出与语音序列同行列数的第一矩阵的步骤之前，包括：