[发明专利]增强型语音端点确定

权利要求书

1.一种计算机实现的方法，当在数据处理硬件上执行所述方法时，所述方法使得所述数据处理硬件执行操作，所述操作包括：

接收由用户讲出的话语的音频数据，所述音频数据是由客户端设备捕获的；

通过对所述话语的所述音频数据执行语音识别，使用自动语音识别器ASR来生成中间语音识别结果，所述ASR被配置为：基于在至少语音结束EOS超时持续时间内检测到非语音来终止对所接收的音频数据执行语音识别，对话语进行端点确定；

在接收所述话语的所述音频数据的同时并且在至少所述EOS超时持续时间内检测到非语音之前：

确定所述中间语音识别结果与预期语音识别结果部分地匹配；以及

基于确定所述中间语音识别结果与所述预期语音识别结果部分地匹配，将所述EOS超时持续时间延长预定时间量；

在至少所延长的EOS超时持续时间内检测非语音；以及

基于在至少所延长的EOS超时持续时间内检测到非语音，终止对在至少所延长的EOS超时持续时间内检测到非语音之后接收的任何附加音频数据执行任何语音识别。

2.根据权利要求1所述的计算机实现的方法，其中，确定所述中间语音识别结果与所述预期语音识别结果部分地匹配是基于与由所述ASR生成的所述中间语音识别结果相关联的置信度水平。

3.根据权利要求1所述的计算机实现的方法，其中，所述操作进一步包括：基于在至少所延长的EOS超时持续时间内检测到非语音，使所述客户端设备的麦克风去激活。

4.根据权利要求1所述的计算机实现的方法，其中，所述预定时间量的持续时间基于在所述客户端设备上执行的应用的操作状态或状况。

5.根据权利要求1所述的计算机实现的方法，其中，所述ASR在经由网络与所述客户端设备通信的服务器上执行。

6.根据权利要求1所述的计算机实现的方法，其中，所述ASR在所述客户端设备上执行。

7.根据权利要求1所述的计算机实现的方法，其中，所述操作进一步包括：基于在至少所延长的EOS超时持续时间内检测到非语音，提供由ASR生成的最终语音识别结果以输出。

8.根据权利要求1所述的计算机实现的方法，其中，所述预期语音识别结果是基于在接收所述话语的所述音频数据之前从所述客户端设备接收的场境数据。

9.根据权利要求1所述的计算机实现的方法，其中，所述预期语音识别结果是基于与接收所述话语的所述音频数据同时地从所述客户端设备接收的场境数据。

10.根据权利要求1所述的计算机实现的方法，其中，所述预期语音识别结果是基于与在所述客户端设备上执行的应用的操作状态或状况相关联的场境数据。

11.一种系统，包括：

数据处理硬件；以及

与所述数据处理硬件通信并且存储指令的存储器硬件，所述指令在所述数据处理硬件上执行时使得所述数据处理硬件执行操作，所述操作包括：

接收由用户讲出的话语的音频数据，所述音频数据是由客户端设备捕获的；

通过对所述话语的所述音频数据执行语音识别，使用自动语音识别器ASR来生成中间语音识别结果，所述ASR被配置为：基于在至少语音结束EOS超时持续时间内检测到非语音来终止对所接收的音频数据执行语音识别，对话语进行端点确定；

在接收所述话语的所述音频数据的同时并且在至少所述EOS超时持续时间内检测到非语音之前：

确定所述中间语音识别结果与预期语音识别结果部分地匹配；以及

基于确定所述中间语音识别结果与所述预期语音识别结果部分地匹配，将所述EOS超时持续时间延长预定时间量；

在至少所延长的EOS超时持续时间内检测非语音；以及

基于在至少所延长的EOS超时持续时间内检测到非语音，终止对在至少所延长的EOS超时持续时间内检测到非语音之后接收的任何附加音频数据执行任何语音识别。