[发明专利]一种语音唤醒方法及装置

说明书

本发明提供了一种语音唤醒方法及装置，利用FBank特征是根据人耳处理语音信号的方式提取的音频特征的优势，通过音素识别模型识别FBank特征，能得到更为准确的音素序列，在此基础上，对语音信号的音素序列与唤醒词的音素序列进行比较，根据比较结果能准确判断语音信号是否包含唤醒词方式，提高了语音唤醒的准确性，减少了误唤醒以及唤醒失败情况的发生，提升用户体验。

技术领域

本发明涉及电子信息技术领域，更具体的，涉及一种语音唤醒方法及装置。

背景技术

随着科技的发展，很多电子设备引入了语音识别技术，可以通过语音唤醒电子设备，控制电子设备从非工作状态切换到工作状态，进行工作。

但是，目前对电子设备进行语音唤醒存在着较高的误唤醒率和唤醒失败率，用户体验差。

发明内容

有鉴于此，本发明提供了一种语音唤醒方法及装置，提高了语音唤醒的准确率。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种语音唤醒方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

一种语音唤醒装置，包括：