[发明专利]一种可支持自定唤醒词的关键词检测方法

说明书

本发明公开了一种可支持自定唤醒词的关键词检测方法，属于基于神经网络的关键词检测技术领域。本发明通过移除神经网络的分类层，直接比较神经网络输出结果的相似度，解除了分类数目固定所带来的无法对类外唤醒词进行分类的技术问题；通过细粒度分类训练手段，提高了神经网络对短词分类的泛化能力，从而得到一个初始化较好的网络模型用于自定唤醒词的微调训练；通过数据增强并辅以部分网络层的增量训练，使神经网络在小样本的情况下经过微调训练也能达到一个较高的准确率。本发明的支持多个唤醒词和自定唤醒词的关键词检方法可用于嵌入设备，实现根据用户的个性和需求随时更改唤醒词，提高用户的体验和减去个性定制所引入的成本。

技术领域

本发明属于基于神经网络的关键词检测技术领域，具体涉及一种可支持自定唤醒词的关键词检测方案。

背景技术

关键词检测技术是指设备从连续不断的语音流中检测特定的关键词，当检测到特定的关键词时，便会发出一个信号，表示该定关键词被检测到，而该关键词被称为唤醒词。其中，基于神经网络的关键词检测方式是一种经典的关键词检测领域的传统方法。

神经网络是一种抽象于人类大脑神经工作机理，进行数据分类识别的机器学习算法。神经网络将人脑神经元之间的联系抽象为矩阵运算，抽象层次较高。神经网络在结构上可以划分为输入层、隐藏层、输出层，输出层也可称为分类层，每一层均包含一个权值矩阵，有时还包含一个偏差向量。神经网络的输入为一个矩阵或者一个向量，需要依次与神经网络各层的权值矩阵进行一系列的矩阵计算，最终由神经网络的分类层输出各个类别的预测概率，而根据预测概率的大小即可输出最终的分类结果，这一过程称为神经网络的前向计算。为了得到准确的分类结果，神经网络需要大量带有标签的数据用于训练，衡量训练效果的指标为损失函数，在训练过程中，损失函数越小，神经网络的分类准确率越高。而神经网络的训练采用反向传播算法，该算法基于梯度下降算法，不断地更新权值矩阵的值，使损失函数的值变小，从而找到最佳的权重。

基于神经网络的关键词检测方法的流程大致如下：首先将采集到的音频信号以极短的时间单位进行切片，切片所得的语音片段称为帧，将每帧语音片段输入至一组梅尔滤波器，计算各个梅尔滤波器的能量并拼接成一个向量，该向量称为每帧语音片段的特征向量，即帧特征向量。对于一段定长的语音，经过分帧、提取特征向量、拼接，最终可以得到一个二维的特征矩阵，将语音信号转化成特征矩阵的过程称为预处理。之后，将该二维矩阵作为神经网络的输入，与神经网络各层的权值矩阵进行一系列的矩阵运算，最终得到各个唤醒词和非唤醒词的预测概率。对于一个特定的唤醒词，若其预测概率最大，则表示该唤醒词被检测到，那么设备将被唤醒。

但是，基于神经网络的关键词检测唤醒方法有一个缺点，由于神经网络的分类层神经元数目在训练完成后是固定的，即该方法只能输出这些固定的唤醒词的预测概率，因此传统的方法无法更改唤醒词，因为只有经过训练的唤醒词，唤醒的准确率才能保持在一个较高的水平。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种可支持自定唤醒词的关键词检测方法。

本发明的可支持自定唤醒词的关键词检测方法，包括下列步骤：

步骤1：预训练处理：

设置预训练处理的训练语料，所述训练语料包括：词的样本和噪声语料的样本；

对训练预料的每个样本进行预处理，得到每个样本的特征矩阵，即对每个样本进行分帧和帧特征向量提取处理，再将每个样本的所有帧特征向量拼接成一个特征矩阵；

构建基于神经网络的语音关键词检测网络模型，所述语音关键词检测网络模型包括依次连接的输入层、隐藏层和分类层；其中，分类层用于输出输入的特征矩阵为指定类别的预测概率分，即关于唤醒词的指定类别，其通常包括：K个唤醒词类、1个非唤醒词类和1个静音类，其中，K表示从训练语料包括的所有词中指定的唤醒词数量。