[发明专利]语音数据处理方法及装置、存储介质、电子设备

说明书

本公开提供一种语音数据处理方法及装置、存储介质、电子设备。该方法包括：获取用户输入的语音数据，所述语音数据包括成功唤醒智能终端的唤醒语音数据，以及表示操作意图的控制语音数据；提取所述语音数据的声学层面特征和/或语义层面特征，所述声学层面特征用于表示用户的发音特征，所述语义层面特征用于表示所述语音数据的文本特征；将所述声学层面特征和/或语义层面特征作为输入，经预先构建的语音判别模型处理后，确定所述唤醒语音数据是否为误唤醒数据。如此方案，利用筛除了误唤醒数据的唤醒语音数据进行模型优化，有助于提高唤醒模型的优化性能。

技术领域

本公开涉及语音信号处理技术领域，具体地，涉及一种语音数据处理方法及装置、存储介质、电子设备。

背景技术

语音唤醒技术是语音信号处理技术领域的重要分支，在智能家居、智能机器人、智能车机、智能手机等方面有着重要的应用。

通常，智能终端的语音唤醒过程可以体现为：智能终端监听用户是否输入语音数据，如果接收到用户输入的语音数据，可以提取语音数据的声学特征；然后将声学特征作为输入，由预先构建的唤醒模型进行唤醒词识别，若识别结果为唤醒词，则唤醒成功，可以继续监听用户是否输入了操作意图；反之则唤醒失败，可以继续监听用户是否再次进行智能终端唤醒。其中，声学特征可以体现为语音数据的频谱特征，例如，梅尔频率倒谱系数(英文：Mel Frequency Cepstrum Coefficient，简称：MFCC)特征、感知线性预测(英文：Perceptual Linear Predictive，简称：PLP)特征等。

通常，初始唤醒模型的性能并不能达到最优水平，需要在使用过程中不断进行模型优化，来提高模型的识别准确率。具体地，可以将唤醒成功的语音数据视为正例语音数据，将唤醒失败的语音数据视为反例语音数据，基于区分性准则对当前唤醒模型进行训练优化。

在实际应用过程中，由于初始唤醒模型性能不高，导致唤醒成功的语音数据中可能存在误唤醒数据，例如，背景噪音、人声干扰、与唤醒词相近发音的非唤醒词等，均可能误唤醒智能终端，若将误唤醒数据作为正例语音数据进行模型优化，很可能导致唤醒模型的性能越来越差。

发明内容

本公开的主要目的是提供一种语音数据处理方法及装置、存储介质、电子设备，有助于提高唤醒模型的优化性能。

为了实现上述目的，本公开提供一种语音数据处理方法，所述方法包括：

获取用户输入的语音数据，所述语音数据包括成功唤醒智能终端的唤醒语音数据，以及表示操作意图的控制语音数据；

提取所述语音数据的声学层面特征和/或语义层面特征，所述声学层面特征用于表示用户的发音特征，所述语义层面特征用于表示所述语音数据的文本特征；

将所述声学层面特征和/或语义层面特征作为输入，经预先构建的语音判别模型处理后，确定所述唤醒语音数据是否为误唤醒数据。

可选地，获取所述唤醒语音数据的方式为：

判断预设时间段内是否连续采集到至少两条用于唤醒所述智能终端的语音数据；

如果所述预设时间段内连续采集到至少两条用于唤醒所述智能终端的语音数据，且所述至少两条用于唤醒所述智能终端的语音数据经当前唤醒模型处理后的得分值d满足以下条件：d₂≤dd₁，则将所述至少两条用于唤醒所述智能终端的语音数据确定为所述唤醒语音数据，d₁为第一唤醒得分门限值，d₂为第二唤醒得分门限值。

可选地，所述声学层面特征包括当前唤醒模型的声学得分，则提取所述语音数据的声学层面特征包括：

获取所述当前唤醒模型针对所述唤醒语音数据的每个语音单元输出的前N个识别结果；