[发明专利]一种语音唤醒方法、装置以及电子设备

权利要求书

1.一种语音唤醒方法，包括：

语音数据被输入到利用通用的语音数据训练的语音唤醒模型，所述语音唤醒模型输出用于确定是否进行语音唤醒的结果，其中，所述语音唤醒模型包含深度神经网络和联结主义时间分类器。

2.如权利要求1所述的方法，所述通用的语音数据包括：大词汇表连续语音识别LVCSR语料库。

3.如权利要求1所述的方法，利用所述通用的语音数据训练所述语音唤醒模型包括：

利用所述通用的语音数据，采用异步随机梯度下降法，对所述语音唤醒模型中的参数进行迭代优化直至训练收敛。

4.如权利要求3所述的方法，所述方法还包括：

获取特定关键词的语音数据；

利用所述特定关键词的语音数据，对所述语音唤醒模型进行训练，其中，所述训练所使用的学习率小于利用所述通用的语音数据对所述语音唤醒模型训练时所使用的学习率。

5.如权利要求3所述的方法，所述方法还包括：

在所述训练中，采用验证数据集对所述语音唤醒模型进行交叉验证，以确定训练是否收敛。

6.如权利要求1所述的方法，所述语音唤醒模型输出用于确定是否进行语音唤醒的结果，具体包括：

从输入的所述语音数据中提取声学特征；

将所述声学特征输入所述语音唤醒模型包含的所述深度神经网络进行处理，得到所述声学特征分别对应于各发音音素的类属概率；

将所述类属概率输入所述语音唤醒模型包含的所述联结主义时间分类器进行处理，得到语音唤醒词对应发音音素序列的置信分数；

根据所述置信分数作出是否唤醒的判断，以及输出判断结果。

7.如权利要求6所述的方法，所述从输入的所述语音数据中提取声学特征，具体包括：

按照指定的时间间隔，从窗口中提取输入的所述语音数据的声学特征帧，每个所述声学特征帧为多维取对数滤波器组能量；

分别将相邻的多个所述声学特征帧进行堆叠；

分别将所述堆叠后的声学特征帧作为从所述监听到的语音中提取出的声学特征。

8.一种语音唤醒装置，包括：输入模块、语音唤醒模型；

语音数据被所述输入模块输入到利用通用的语音数据训练的所述语音唤醒模型，所述语音唤醒模型输出用于确定是否进行语音唤醒的结果，其中，所述语音唤醒模型包含深度神经网络和联结主义时间分类器。

9.如权利要求8所述的装置，所述通用的语音数据包括：大词汇表连续语音识别LVCSR语料库。

10.如权利要求8所述的装置，所述装置还包括训练模块；

所述训练模块利用所述通用的语音数据训练所述语音唤醒模型包括：

所述训练模块利用所述通用的语音数据，采用异步随机梯度下降法，对所述语音唤醒模型中的参数进行迭代优化直至训练收敛。

11.如权利要求10所述的装置，所述训练模块还获取特定关键词的语音数据；

利用所述特定关键词的语音数据，对所述语音唤醒模型进行训练，其中，所述训练所使用的学习率小于利用所述通用的语音数据对所述语音唤醒模型训练时所使用的学习率。

12.如权利要求10所述的装置，所述训练模块还在所述训练中，采用验证数据集对所述语音唤醒模型进行交叉验证，以确定训练是否收敛。

13.如权利要求8所述的装置，所述语音唤醒模型输出用于确定是否进行语音唤醒的结果，具体包括：

所述语音唤醒模型从输入的所述语音数据中提取声学特征；

将所述声学特征输入所述语音唤醒模型包含的所述深度神经网络进行处理，得到所述声学特征分别对应于各发音音素的类属概率；

将所述类属概率输入所述语音唤醒模型包含的所述联结主义时间分类器进行处理，得到语音唤醒词对应发音音素序列的置信分数；

根据所述置信分数作出是否唤醒的判断，以及输出判断结果。