[发明专利]语音指令识别的方法、装置、电子设备及存储介质

说明书

本申请提供一种语音指令识别的方法、装置、设备以及存储介质，涉及人工智能的语音识别领域。在该方法中，将语音信号输入声学模型中，得到该语音信号中各语音帧对应的第一音素识别结果，以及该声学模型中的编码器输出的各语音帧的第一声学隐层表示向量，然后将该第一音素识别结果输入解码图，得到该语音信号对应的音素序列，以及该音素序列对应的语音帧的第一时间戳，最后根据该第一声学隐层表示向量中对应于该第一时间戳的向量部分，确定该音素序列是否用于触发指令。本申请实施例的语音指令识别模型无需前置语音唤醒模型，比如KWS系统，从而能够有利于在不显著增加系统的复杂度的情况下抑制误唤醒，且能够实现用户能够直接与设备交互。

技术领域

本申请涉及语音识别技术领域，并且更具体地，涉及语音指令识别的方法、装置、设备以及存储介质。

背景技术

近年来，随着深度学习的蓬勃发展，端到端(End-to-End，E2E)自动语音识别(Automatic Speech Recognition，ASR)技术以其简化的体系结构和优异的性能广受青睐。目前已经在关键词检出(Keyword Spotting，KWS)任务中引入了E2EASR神经网络结构，使得关键词识别性能得到了提升。

相比于ASR任务，语音指令识别(Speech Command Recognition，SCR)任务有固定的目标指令集，搜索空间相对有限。为了把识别结果限制在目标指令集合中，可以在声学模型后接解码器以进一步优化任务目标。例如，可以在声学模型后加入注意力偏置机制，指导识别结果偏向于给定的关键词。但是，随着任务中指令数量的增加，误唤醒(FalseAlarms，FA)数量也随之成倍增长，这种情况对于24小时运行设备而言是用户无法接受的。

现有方案通常在SCR系统前置一个24小时运行的KWS系统，该系统只检测一个关键词，从而能够较好地抑制误唤醒。但是，在SCR系统前置一个24小时运行的KWS系统，明显增加了系统的复杂度，且用户不能直接与设备交互。

发明内容

本申请实施例提供了一种语音指令识别的方法、装置、设备以及存储介质，能够有助于在不显著增加系统的复杂度的情况下抑制误唤醒，且用户能够直接与设备交互。

第一方面，提供了一种语音指令识别的方法，包括：

获取语音信号，所述语音信号包括多个语音帧；

将所述语音信号输入声学模型中，得到所述语音信号中各语音帧对应的第一音素识别结果，以及所述声学模型中的编码器输出的所述各语音帧的第一声学隐层表示向量，其中，所述第一音素识别结果包括所述各语音帧在音素空间中的概率分布，所述声学模型是通过语音信号样本，以及所述语音信号样本中各个语音帧的实际音素训练得到的；

将所述第一音素识别结果输入解码图，得到所述语音信号对应的音素序列，以及所述音素序列对应的第一时间戳；

根据所述第一声学隐层表示向量中的对应于所述第一时间戳的向量部分，确定所述音素序列是否用于触发指令。

第二方面，提供了一种语音指令识别的装置，包括：

获取单元，用于获取语音信号，所述语音信号包括多个语音帧；

声学模型，用于输入所述语音信号，得到所述语音信号中各语音帧对应的第一音素识别结果，以及所述声学模型中的编码器输出的所述各语音帧的第一声学隐层表示向量，其中，所述第一音素识别结果包括所述各语音帧在音素空间中的概率分布，所述声学模型是通过语音信号样本，以及所述语音信号样本中各个语音帧的实际音素训练得到的；

解码图，用于输入所述第一音素识别结果，得到所述语音信号对应的音素序列，以及所述音素序列对应的第一时间戳；

验证模块，用于根据所述第一声学隐层表示向量中的对应于所述第一时间戳的向量部分，确定所述音素序列是否用于触发指令。