[发明专利]一种语音唤醒方法及装置

权利要求书

1.一种语音唤醒方法，其特征在于，包括：

在接收到语音信号的情况下，提取所述语音信号的FBank特征；

将所述FBank特征输入预先训练得到的音素识别模型，得到所述语音信号对应的音素序列，所述音素识别模型为利用已标注音素序列的FBank特征训练样本对预设深度神经网络模型进行训练后得到的；

对所述语音信号对应的音素序列与唤醒词的音素序列进行比较，根据比较结果，确定是否进行语音唤醒。

2.根据权利要求1所述的方法，其特征在于，所述提取所述语音信号的FBank特征，包括：

对所述语音信号进行分帧处理，得到多帧音频；

对每一帧音频进行预加重、添加汉明窗；

通过快速傅里叶变换，将预加重和添加汉明窗后的音频从时域转换为频域；

利用三角滤波器对频域音频进行处理，得到所述FBank特征。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多条已标注中文文本的音频信息与发音词典，所述已标注中文文本的音频信息包括：包括唤醒词的音频信息以及不包括唤醒词的音频信息；

根据所述发音词典，将每条所述已标注中文文本的音频信息的对应的中文文本转换为音素序列；

提取每条所述已标注音素序列的音频信息的FBank特征，得到所述唤醒模型的训练样本；

利用所述训练样本对预设深度神经网络模型进行训练，得到所述音素识别模型。

4.根据权利要求3所述的方法，其特征在于，所述预设深度神经网络模型包括七层，第一层为输入层，第一层的节点数为71，第二层到第七层节点数为20，第七层为输出层，第七层包括对数归一化模块。

5.根据权利要求1所述的方法，其特征在于，所述对所述语音信号对应的音素序列与唤醒词的音素序列进行比较，根据比较结果，确定是否进行语音唤醒，包括：

判断所述语音信号对应的音素序列是否包含唤醒词的音素序列；

若不包含唤醒词的音素序列，确定所述语音信号不包含唤醒词，不进行语音唤醒；

若包含唤醒词的音素序列，判断所述语音信号对应的音素序列中是否包含预设帧数的非唤醒词音素；

若包含预设帧数的非唤醒词音素，确定所述语音信号不包含唤醒词，不进行语音唤醒；

若不包含预设帧数的非唤醒词音素，确定进行语音唤醒。

6.一种语音唤醒装置，其特征在于，包括：

FBank特征提取单元，用于在接收到语音信号的情况下，提取所述语音信号的FBank特征；

音素序列识别单元，用于将所述FBank特征输入预先训练得到的音素识别模型，得到所述语音信号对应的音素序列，所述音素识别模型为利用已标注音素序列的FBank特征训练样本对预设深度神经网络模型进行训练后得到的；

音素序列比较单元，用于对所述语音信号对应的音素序列与唤醒词的音素序列进行比较，根据比较结果，确定是否进行语音唤醒。

7.根据权利要求6所述的装置，其特征在于，所述FBank特征提取单元，具体用于：

对所述语音信号进行分帧处理，得到多帧音频；

对每一帧音频进行预加重、添加汉明窗；

通过快速傅里叶变换，将预加重和添加汉明窗后的音频从时域转换为频域；

利用三角滤波器对频域音频进行处理，得到所述FBank特征。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括音素识别模型训练单元，具体用于：

获取多条已标注中文文本的音频信息与发音词典，所述已标注中文文本的音频信息包括：包括唤醒词的音频信息以及不包括唤醒词的音频信息；

根据所述发音词典，将每条所述已标注中文文本的音频信息的对应的中文文本转换为音素序列；

提取每条所述已标注音素序列的音频信息的FBank特征，得到所述唤醒模型的训练样本；

利用所述训练样本对预设深度神经网络模型进行训练，得到所述音素识别模型。