[发明专利]语音唤醒方法、装置和计算机可读存储介质

说明书

本公开涉及一种语音唤醒方法、装置和计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：将语音信号在预定的多个方向上进行波束形成，得到多个波束；将波束输入预先训练的关键词识别模型，得到波束的包含关键词的概率；根据波束包含关键词的概率和波束的信号质量，确定指向声源方向的波束，作为声源波束；根据连续多个时刻的声源波束的特征匹配结果，确定是否唤醒系统。本公开不采用现有的声源定位方法和语音唤醒流程，将波束形成算法跟声源定位算法解耦，从而避开声源定位精度对波束形成算法方位的影响，进而提高语音系统唤醒准确率，提升用户体验。

技术领域

本公开涉及计算机技术领域，特别涉及一种语音唤醒方法、装置和计算机可读存储介质。

背景技术

随着计算机技术的发展，人类与机器信息交流的需求越来越迫切。语音作为人类最自然的交互方式之一，也成为人们希望能替代鼠标键盘与计算机交流的最重要方式之一。而随着智能家居、智能车辆、智能会议系统等智能终端的发展需求越来越迫切，作为智能终端入口的智能语音唤醒系统技术受到了越来越多的关注。

语音通信过程中会受到周围环境和传播媒介引入的干扰(比如回声、混响及干扰声源等)，使得计算机对语音的理解力急剧下降。由于噪声干扰总是来自四面八方，采用单个麦克风捕捉纯净语音变得非常困难。目前语音唤醒系统主要基于麦克风阵列方法，将多个麦克风采集语音进行时空域处理，从而达到抑制噪声、语音增强的目的。

发明人已知的语音唤醒方法大体包括以下步骤：通过麦克风阵列采集语音信号，对语音信号进行预处理，通过声源定位及追踪技术确定声源的角度和方位，采用波束形成技术生成指向声源角度和方位的波束，将形成的波束传输给语音识别系统进行辨识，确定是否唤醒系统。

发明内容

发明人发现：目前的声源定位按定位原理大体上可以分为三类：基于最大输出功率的可控波束形成技术、基于到达时间差技术及基于高分辨率谱估计的定位。这三类声源定位算法在混响和噪声干扰严重的环境下性能急剧下降，无法准确定位声源的角度和方位，进而直接影响后续的语音识别，影响语音唤醒的结果。

本公开所要解决的一个技术问题是：如何提高语音唤醒的准确率，提升用户体验。

根据本公开的一些实施例，提供的一种语音唤醒方法，包括：将语音信号在预定的多个方向上进行波束形成，得到多个波束；将波束输入预先训练的关键词识别模型，得到波束的包含关键词的概率；根据波束包含关键词的概率和波束的信号质量，确定指向声源方向的波束，作为声源波束；根据连续多个时刻的声源波束的特征匹配结果，确定是否唤醒系统。

在一些实施例中，将波束输入预先训练的关键词识别模型包括：根据波束的信号质量，选取部分波束输入预先训练的关键词识别模型。

在一些实施例中，根据波束的信号质量，选取部分波束包括：根据波束在固定时间窗内的能量和信噪比中至少一项，确定波束的信号质量；选取信号质量高于信号质量阈值的部分波束。

在一些实施例中，根据波束包含关键词的概率和波束的信号质量，确定指向声源方向的波束，作为声源波束包括：将波束包含关键词的概率和波束的信号质量进行加权求和，得到波束的重要程度；选取重要程度最高的波束作为声源波束，声源波束指向的方向确定为声源方向。

在一些实施例中，根据连续多个时刻的声源波束的特征匹配结果，确定是否唤醒系统包括：将连续多个时刻的声源波束指向的声源方向进行匹配，并确定连续多个时刻的声源波束是否均包含关键词；在连续多个时刻的声源波束指向的声源方向一致，并且连续多个时刻的声源波束均包含关键词的情况下，唤醒系统。

在一些实施例中，将语音信号在预定的多个方向上进行波束形成，得到多个波束包括：根据点源噪声的方向、点源噪声和白噪声的比例和预定方向的指向向量，确定麦克风接收到的各路语音信号相对于该预定方向的权重；根据麦克风接收到的各路语音信号相对于该预定方向的权重，对麦克风接收到的各路语音信号进行加权求和，确定该预定方向的波束。