[发明专利]一种语音启动拍照系统

权利要求书

1.一种语音启动拍照系统，其特征在于包括：操作系统模块（10）、唤醒词定制模块（11）、拍照模块（12）、音频模块（13）和存储模块（14）；其中：

操作系统模块（10）中运行语音唤醒模块；所述语音唤醒模块包括语音输入（1）、语音唤醒算法（2）和唤醒执行（3）；语音唤醒算法（2）获取语音输入（1）的语音信号，进行语音唤醒处理后，将结果输出给唤醒执行（3），从而完成唤醒操作；所述语音唤醒算法（2）通过声学特征提取（4）、唤醒词检测（5）、唤醒词确认（6）、构建唤醒词检测网络（7）、训练声学模型（8）和构建唤醒词确认网络（9）来实现，具体实现过程如下：

第一步，声学特征提取（4）：通过语音输入（1）获取语音信号输入，提取具有区分性的、并且是基于人耳听觉特性提取的特征，通常选取语音识别中用到的MFCC（Mel-Frequency Cepstrum Coefficient，美尔频率倒谱系数）特征作为声学特征；

第二步，唤醒词检测（5）：将提取得到的声学特征，采用训练的声学模型（8）在唤醒词检测网络（7）上计算声学得分，如果声学得分最优的路径中包含要检测的唤醒词，则确定已检出唤醒词，进入第三步操作，否则回到第一步重新进行提取声学特征（4）；

第三步，唤醒词确认（6）：将提取得到的声学特征，采用训练的声学模型（8）在唤醒词确认网络（9）上进行唤醒词确认，得到最终确认得分；判断该检出的唤醒词是否为真实的唤醒词，即将该唤醒词的最终确认得分和预先设定的门限，如果最终确认得分大于等于门限，则认为该唤醒词是真实的唤醒词，语音唤醒成功，将结果输出给唤醒执行（3），从而完成语音唤醒操作；如果最终确认得分小于门限，则认为该唤醒词为虚假的唤醒词，重新回到第一步重新进行声学特征提取（4）；

唤醒词定制模块（11），接收用户输入的唤醒词，输出操作系统模块（10）中语音唤醒模块所需的声学模型（8）和唤醒词检测网络（7）；

拍照模块（12），具有拍照功能的系统模块，接收操作系统模块（10）的拍照指令，并在拍照后将图像的数字信号发送到存储模块（14）；

音频模块（13），具有录音采集和音频播报功能，录音功能主要是采集环境中音频数据，并传送到操作系统模块（10），播音功能主要是接收系统模块（10）发出提示反馈后，播报提示音功能；

存储模块（14），具有永久存储能力的存储介质，对拍照模块生成的数字图像信息进行存储。

2.根据权利要求1所述的语音启动拍照系统，其特征在于：所述声学模型（8）的训练分为两部分，分别为音素声学模型和废料模型（即Garbage模型）；音素声学模型采用传统的语音识别中的声学模型训练方法，选取数据库，利用基于MLE（Maximum Likelihood Estimation，最大似然估计）和MPE（Minimum Phone Error，最小音素错误）区分性训练准则下得到；Garbage模型用于吸收除唤醒词之外的无关语音，使用和训练音素模型同样的数据库，通过计算各音素模型之间的相似性，将各音素分为20类，使用每类音素对应的所有训练数据融合起来，采用MLE准则训练对应的Garbage模型，便得到20类Garbage模型。

3.根据权利要求1所述的语音启动拍照系统，其特征在于：所述唤醒词检测网络（7）的实现采用最优得分路径计算得出，所述最优得分路径的计算公式是：

W=argmaxWP(W)P(X|W)]]>

其中X代表从输入语音中提取的声学特征向量，W代表得分最大的最优词序列；条件概率P(X|W）为声学模型得分，通过训练好的声学模型（8）计算得到；先验概率P(W）为语言模型得分，即为对不同的声学模型所加的PenaltyP(X）为全概率，当声学模型和唤醒词检测网络确定下来后即是定值。