[发明专利]语音监控方法、装置、设备及计算机可读介质在审
| 申请号: | 201910172327.X | 申请日: | 2019-03-07 |
| 公开(公告)号: | CN109783823A | 公开(公告)日: | 2019-05-21 |
| 发明(设计)人: | 杨锐;张继丰 | 申请(专利权)人: | 百度在线网络技术(北京)有限公司 |
| 主分类号: | G06F17/27 | 分类号: | G06F17/27;G06N3/04;G06N3/08;G08B21/04;G10L15/26 |
| 代理公司: | 北京市铸成律师事务所 11313 | 代理人: | 丁银泽;张臻贤 |
| 地址: | 100085 北京市*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 目标人物 发生危险 计算机可读介质 语音监控 语音信息 获取目标 提醒信息 语音信号 概率 分析 采集 发送 | ||
1.一种语音监控方法,其特征在于,包括:
获取目标人物周边的语音信息;
对获取的语音信息进行分析识别,确定所述目标人物发生危险的概率;
如果所述发生危险的概率大于设定阈值,则发送提醒信息至设定的设备。
2.根据权利要求1所述的方法,其特征在于,所述对获取的语音信息进行分析识别,确定所述目标人物发生危险的概率,包括:
将所述语音信息进行语音识别,生成对应的文本信息;
生成所述文本信息的文本向量;
将所述文本向量输入预先构建的判断模型,接收所述判断模型输出的所述目标人物发生危险的概率。
3.根据权利要求2所述的方法,其特征在于,所述生成所述文本信息的文本向量,包括:
对所述文本信息进行分词处理,分别对分词后的词语进行向量值计算,获得至少一个词语向量;
将所述至少一个词语向量进行拼接,得到所述文本向量。
4.根据权利要求2所述的方法,其特征在于,所述判断模型为卷积神经网络模型或循环卷积神经网络模型;
所述目标人物发生危险的概率由所述判断模型的卷积层对文本向量进行处理后得到。
5.根据权利要求2所述的方法,其特征在于,所述判断模型的构建方式包括:
获取预设数量的对话文本样本,以及各个对话文本样本对应的意图主题词;
将所述对话文本样本和意图主题词输入至所述判断模型中进行多次迭代训练;
如果迭代训练后的训练误差小于预置的期望误差,则结束训练过程。
6.一种语音监控装置,其特征在于,包括:
获取模块,用于获取目标人物周边的语音信息;
识别模块,用于对获取的语音信息进行分析识别,确定所述目标人物发生危险的概率;
提醒模块,用于如果所述发生危险的概率大于设定阈值,则发送提醒信息至设定的设备。
7.根据权利要求6所述的装置,其特征在于,所述识别模块包括:
文本生成子模块,用于将所述语音信息进行语音识别,生成对应的文本信息;
向量生成子模块,用于生成所述文本信息的文本向量;
概率输出子模块,用于将所述文本向量输入预先构建的判断模型,接收所述判断模型输出的所述目标人物发生危险的概率。
8.根据权利要求7所述的装置,其特征在于,所述向量生成子模块包括:
分词单元,用于对所述文本信息进行分词处理,分别对分词后的词语进行向量值计算,获得至少一个词语向量;
拼接单元,用于将所述至少一个词语向量进行拼接,得到所述文本向量。
9.根据权利要求7所述的装置,其特征在于,所述判断模型为卷积神经网络模型或循环卷积神经网络模型;所述目标人物发生危险的概率由所述判断模型的卷积层对文本向量进行处理后得到。
10.根据权利要求7所述的装置,其特征在于,还包括模型建立模块,用于建立判断模型;所述模型建立模块包括:
样本获取子模块,用于获取预设数量的对话文本样本,以及各个对话文本样本对应的意图主题词;
迭代训练子模块,用于将所述对话文本样本和意图主题词输入至所述判断模型中进行多次迭代训练;
训练结束子模块,用于如果迭代训练后的训练误差小于预置的期望误差,则结束训练过程。
11.一种语音监控设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行根据时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的语音监控方法。
12.一种计算机可读介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的语音监控方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于百度在线网络技术(北京)有限公司,未经百度在线网络技术(北京)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910172327.X/1.html,转载请声明来源钻瓜专利网。





