[发明专利]误唤醒音频的获取方法和装置

权利要求书

1.一种误唤醒音频的获取方法，所述方法包括：

采集播放的音频，作为待处理音频；

将所述待处理音频输入到预设的深度神经网络模型，得到所述待处理音频的近似唤醒音频片段在所述待处理音频中的位置，其中，所述深度神经网络模型用于预测在输入的音频中的、唤醒词音频的近似音频片段的位置；

基于所述近似唤醒音频片段的位置，在所述待处理音频中确定误唤醒片段，并生成包括所述误唤醒片段的误唤醒片段集合。

2.根据权利要求1所述的方法，其中，所述位置包括起点和终点；

所述基于所述近似唤醒音频片段的位置，在所述待处理音频中确定误唤醒片段，包括：

在所述近似唤醒音频片段的起点，在所述待处理音频中向在先的方向确定第一预设时长的音频片段的起点为目标起点；

在所述近似唤醒音频片段的终点，在所述待处理音频中向在后的方向确定第二预设时长的音频片段的终点为目标终点；

提取从所述目标起点至所述目标终点所对应的音频片段，将所提取的音频片段确定为误唤醒片段。

3.根据权利要求1或2所述的方法，其中，所述得到所述待处理音频的近似唤醒音频片段在所述待处理音频中的位置，包括：

得到从所述深度神经网络模型输出的、所述近似唤醒音频片段的唤醒置信度和在所述待处理音频中的位置，其中，所述近似唤醒音频片段针对唤醒词音频的唤醒置信度高于所述深度神经网络模型的置信度阈值。

4.根据权利要求3所述的方法，其中，所述生成包括所述误唤醒片段的误唤醒片段集合，包括：

将各个误唤醒片段进行拼接，生成包括拼接结果的误唤醒片段集合；以及

所述方法还包括：

响应于输出的近似唤醒音频片段的位置的数量小于目标数量阈值，调低所述置信度阈值，其中，所述目标数量阈值与所述待处理音频的时长相关联；

将所述待处理音频重新输入到置信度阈值调低后的深度神经网络模型，得到近似唤醒音频片段在所述待处理音频中的位置和唤醒置信度，基于该近似唤醒音频片段的位置，确定误唤醒片段，并将该误唤醒片段进行拼接，利用该拼接结果更新所述误唤醒片段集合，其中，所述误唤醒片段集合中各个误唤醒片段的拼接结果的时长大于目标时长。

5.根据权利要求3所述的方法，其中，所述方法还包括：

获取在多个角度摆放的音箱播放所述误唤醒片段集合对被测设备的唤醒结果；

若在所述唤醒结果中，唤醒了所述被测设备的误唤醒片段的数量达到了指定数量阈值，确定所述误唤醒片段集合为有效集合，其中，所述指定数量阈值与所述误唤醒片段集合中所包括的误唤醒片段的数量相关联；

若在所述唤醒结果中，唤醒了所述被测设备的误唤醒片段的数量未达到所述指定数量阈值，确定所述误唤醒片段集合为无效集合。

6.根据权利要求5所述的方法，其中，所述方法还包括：

在确定所述误唤醒片段集合为无效集合的情况下，调高所述置信度阈值。

7.一种误唤醒音频的获取装置，所述装置包括：

获取单元，被配置成采集播放的音频，作为待处理音频；

预测单元，被配置成将所述待处理音频输入到预设的深度神经网络模型，得到所述待处理音频的近似唤醒音频片段在所述待处理音频中的位置，其中，所述深度神经网络模型用于预测在输入的音频中的、唤醒词音频的近似音频片段的位置；

生成单元，被配置成基于所述近似唤醒音频片段的位置，在所述待处理音频中确定误唤醒片段，并生成包括所述误唤醒片段的误唤醒片段集合。