[发明专利]用于确定输入语音的相关性的装置和方法

说明书

技术领域

本发明的实施例涉及包括语音识别特征的计算机程序中语音输入的相关性的确定。

背景技术

很多用户控制程序使用某些形式的语音识别来促进用户和程序之间的交互。实施某些形式的语音识别的程序的例子包括：GPS系统、智能电话应用、计算机程序和视频游戏。这些语音识别系统往往对程序操作期间捕获的所有话音进行处理，而不管语音的相关性如何。例如，可以将实施语音识别的GPS系统配置成在其识别出由说话者做出的特定命令时执行某些任务。然而，确定给定的话音输入（即，语音）是否构成了命令需要系统处理由说话者做出的每个话音输入。

对每个话音输入进行处理给系统资源造成了沉重的工作负担，从而导致总体效率低下和对于其他功能而言有限的硬件资源可用性的供应。而且，对于语音识别系统而言，从对不相关话音输入的处理中恢复既困难又耗时。同样地，除了相关话音输入之外，还必须对很多不相关的话音输入进行处理可能引起语音识别系统的混乱，从而导致更大的不准确。

一种用于减少给定语音识别系统的操作期间需要处理的总话音输入的现有技术方法涉及实施即按即说（push-to-talk）。即按即说给予用户对语音识别系统何时捕获要话音输入进行处理的控制。例如，语音识别系统可以采用麦克风捕获话音输入。之后，用户将控制麦克风的开启/关闭功能（例如，用户按压按钮以指示他向系统说出命令）。虽然这确实对于限制语音识别系统处理的不相关话音输入的量有作用，但是这是通过给用户造成必须控制该系统的又一方面的负担而实现的。

本发明的实施例在这一上下文中出现。

发明内容

根据本发明的实施例，提高一种用于确定输入语音的相关性的方法，包括：a) 识别时间间隔内的语音期间用户面部的存在；b) 获得所述时间间隔期间与用户的面部相关联的一个或多个面部取向特性；以及c) 基于在b)中获得的一个或多个取向特性来表征所述时间间隔期间的所述语音的相关性。

在优选的实施例中，在b)中的获得所述一个或多个面部取向特性涉及使用照相机跟踪用户的面部取向特性。

在优选的实施例中，在b)中的获得所述一个或多个面部取向特性还涉及使用红外光跟踪用户的面部取向特性。

在优选的实施例中，在b)中的获得所述一个或多个面部取向特性涉及使用麦克风跟踪用户的面部取向特性。

在优选的实施例中，在b)中的所述一个或多个面部取向特性包括头部倾角。

在优选的实施例中，在b)中的所述一个或多个面部取向特性包括眼睛注视方向。

在优选的实施例中，c)涉及在一个或多个所述面部取向特性落在允许的范围之外的情况下，将用户的语音表征为不相关。

在优选的实施例中，c)涉及基于一个或多个所述面部取向特性从允许的范围的偏离来为用户语音的相关性加权。

在优选的实施例中，还包括在获得语音期间与用户的面部相关联的一个或多个面部取向特性之前寄存用户面部的轮廓。

在优选的实施例中，还包括确定语音源的方向，并且其中，c)包括在表征语音的相关性中取得语音源的方向。

在优选的实施例中，c)包括在图像捕获设备捕获的图像内的多个语音源中进行辨别。

根据本发明的实施例，提高一种用于确定语音的相关性的装置，包括：处理器；存储器；以及包含在所述存储器内的并且可由所述处理器执行的计算机编码指令，其中，所述计算机编码指令被配置成实施一种用于确定用户的语音的相关性的方法，所述方法包括：a) 识别时间间隔内的语音期间用户面部的存在；b) 获得所述时间间隔期间的语音期间与用户的面部相关联的一个或多个面部取向特性；c) 基于在b)中获得的一个或多个取向特性来表征所述时间间隔期间的用户语音的相关性。

在优选的实施例中，还包括被配置成获得b)中的所述一个或多个取向特性的照相机。

在优选的实施例中，还包括被配置成获得b)中的所述一个或多个取向特性的一个或多个红外灯。

在优选的实施例中，还包括被配置成获得b)中的所述一个或多个取向特性的麦克风。