[发明专利]经由标识信息的语音识别分析

权利要求书

1.一种在包括麦克风阵列和图像传感器的计算系统中操作语音识别输入系统的方法(300)，所述方法包括：

接收(302)语音识别数据，所述语音识别数据包括所识别的语音段、经由来自所述麦克风阵列的信号确定的与所述所识别的语音段的起源位置有关的声学位置数据、以及包括识别置信值的置信数据；

接收(312)包括与位于所述图像传感器的视场中的每个人的位置有关的视觉位置信息的图像数据；

将所述声学位置数据与所述视觉位置数据进行比较(316)来确定所述所识别的语音段是否源自所述图像传感器的所述视场中的人；以及

基于所述所识别的语音段是否被确定为源自所述图像传感器的所述视场中的人来调整(318)所述置信数据。

2.如权利要求1所述的方法，其特征在于，调整所述置信数据包括降低所述识别置信值。

3.如权利要求1所述的方法，其特征在于，调整所述置信数据包括确定被配置成传达所述所识别的语音段是否来自活动用户的置信水平的预期输入置信值。

4.如权利要求1所述的方法，其特征在于，还包括基于所述所识别的语音段是否被确定为源自所识别的说话者来调整所述置信数据。

5.如权利要求1所述的方法，其特征在于，如果所述所识别的语音段被确定为不是源自所识别的说话者并且被确定为不是源自所述图像传感器的所述视场中的人，则调整所述置信数据包括拒绝所述所识别的语音段。

6.如权利要求1所述的方法，其特征在于，如果确定所述所识别的语音段源自所述图像传感器的所述视场中的人，则在随后确定所述人的脸部是否面向所述图像传感器，并且基于所述人的脸部是否面向所述图像传感器来调整所述置信数据。

7.如权利要求1所述的方法，其特征在于，还包括在接收所述所识别的语音段之前接收关键词的语音输入，并且其中调整所述置信数据包括基于在接收到所述关键词的语音输入和接收到所述所识别的语音段之间经过的时间量来调整所述置信数据。

8.如权利要求1所述的方法，其特征在于，所述图像传感器是深度感测照相机，并且其中接收包含视觉位置信息的图像数据包括接收包含与所述深度感测照相机的所述视场中的每个人的距离有关的信息的图像数据。

9.一种交互式娱乐系统(200)，包括：

深度感测照相机(202)；

包括多个麦克风的麦克风阵列(204)以及

计算设备(102)，所述计算设备包括处理器(210)和其上包含有指令的存储器(212)，所述指令可以由所述处理器执行以：

接收包括语音识别数据，所述语音识别数据包括所识别的语音段、经由来自所述麦克风阵列(204)的信号确定的与所识别的语音段的起源位置有关的声学位置数据、以及包括识别置信值的置信数据；

接收包括与位于所述深度感测照相机(202)的视场中的每个人的位置有关的视觉位置信息的图像数据；

将所述声学位置数据与所述视觉位置数据进行比较以确定所述所识别的语音段是否源自所述深度感测照相机(202)的所述视场中的人；以及

基于所述所识别的语音段是否被确定为源自所述深度感测照相机(202)的所述视场中的人来调整所述置信数据。

10.如权利要求9所述的交互式娱乐系统，其特征在于，所述指令可被执行来通过降低所述识别置信值来调整所述置信数据。

11.如权利要求9所述的交互式娱乐系统，其特征在于，所述指令可被执行来通过确定并包括被配置成传达所述所识别的语音段是否来自活动用户的置信水平的预期输入置信值来调整所述置信数据。

12.如权利要求9所述的交互式娱乐系统，其特征在于，所述指令还可被执行以：

确定所述所识别的语音段是否源自所识别的说话者，以及

基于所述所识别的语音段被确定为源自所识别的说话者来调整所述置信数据。

13.如权利要求12所述的交互式娱乐系统，其特征在于，所述指令还可被执行以执行以下动作：如果所述所识别的语音段被确定为不是源自所识别的说话者并且所述所识别的语音段被确定为不是源自所述深度感测照相的所述视场中的人，则拒绝所述所识别的语音段。