[发明专利]一种基于级联DNN的语音唤醒优化方法

权利要求书

1.一种基于级联DNN的语音唤醒优化方法，其特征在于，包括以下步骤：

1)实时获取麦克风采集的语音信号，经过特征抽取，获得实时语音信号的逐帧声学特征；

2)以固定窗长，截取声学特征序列，形成一帧，作为第一级DNN的输入；

3)经过第一级DNN声学模型的前向过程计算，输出得到逐帧音素的声学后验概率；

4)以固定的窗长截取第一级DNN的输出，形成一帧音素后验概率序列，作为第二级DNN的输入；

5)经过第二级DNN前向过程计算，判定是否唤醒，并输出唤醒与否的判定结果。

2.如权利要求1所述的基于级联DNN的语音唤醒优化方法，其特征在于，所述步骤1)中特征抽取是指实时语音的MFCC(Mel Frequency Cepstral Coefficents)特征提取，共14维度，第14维为当前帧的对数能量。

3.根据权利要求1所述的基于级联DNN的语音唤醒优化方法，其特征在于，所述步骤3)中，经过第一级DNN声学模型的前向过程计算，输出得到逐帧音素的声学后验概率，包含以下步骤：

1)将帧变形至维度为1，形成1维的特征序列；

2)将1维特征序列送入第一级DNN，进行音素级声学后验概率计算；

3)经过第一级DNN前向计算获得关键词音素、静音音素或者非关键词音素的声学后验概率。

4.根据权利要求3所述的基于级联DNN的语音唤醒优化方法，其特征在于，所述的第一级DNN为上下文相关的音素声学模型，利用一个多层全连接神经网络对声学特征序列建模。

5.根据权利要求3所述的基于级联DNN的语音唤醒优化方法，其特征在于，所述的关键词音素为组成关键词的所有音素，非关键词音素是指除关键词音素和静音音素以外所有音素，模型中统一标定为filler。

6.根据权利要求1所述的一种基于级联DNN的语音唤醒优化方法，其特征在于，步骤5)中，经过第二级DNN前向过程计算，判定是否唤醒，包含如下步骤：

1)将音素后验概率序列变形至1维，作为第二级DNN的输入；

2)第二级DNN经过前向计算，音素后验概率序列的分类结果：唤醒或者不唤醒。

7.根据权利要求6所述的一种基于级联DNN的语音唤醒优化方法，其特征在于，所述的音素后验概率序列为第一级DNN输出的多个音素声学后验概率的组合，这种组合在时序上是连续的。

8.根据权利要求6所述的一种基于级联DNN的语音唤醒优化方法，其特征在于，所述的音素后验概率序列模型，利用一个多层的全连接神经网络对音素后验概率序列进行建模。