[发明专利]用语音操作设备的方法和系统及服务器

说明书

本发明公开了一种用语音操作设备的方法和系统及服务器。所述系统包括：移动终端和服务器；所述移动终端，用于采集用户语音，将采集的语音数据和用户标识UID发送到所述服务器；所述服务器，用于接收所述移动终端发送的语音数据和UID，对所述语音数据进行识别，对识别结果进行解析，获取唤醒词、设备标识DID和指令，如果检测到唤醒词和所述UID设定的唤醒词一致，则响应于所述语音数据，向所述DID表示的目标设备发送所述指令，以指示所述目标设备执行相应的操作。本发明解决了多个设备场景下语音唤醒存在干扰和唤醒词难以记忆的问题。

技术领域

本发明涉及语音识别技术领域，具体涉及一种用语音操作设备的方法和系统及服务器。

背景技术

语音识别(Speech Recognition)技术，也被称为自动语音识别(AutomaticSpeech Recognition，ASR)，其目标是将语音中的内容(Content)转换为计算机可读的输入，例如按键、二进制编码或者字符序列(text)并进行相应的操作。

语音唤醒在学术上被称为keyword spotting(简称KWS)，一个定义：在连续语流中实时检测出说话人特定片段。这里要注意，检测的“实时性”是一个关键点，语音唤醒的目的就是将设备从休眠状态激活至运行状态，所以唤醒词说出之后，能立刻被检测出来，用户的体验才会更好。评价语音唤醒的效果，通行的指标有四个方面，即唤醒率、误唤醒、响应时间和功耗水平。

语音唤醒可以看做是语音识别的一个特定的应用场景，一般而言，语音唤醒可以看成是一个特定词(针对一个特定系统或者设备)的语音识别任务(其他的词无论是否识别出来都被忽略)；而通常的语音识别都暗含着是多个词的识别任务，例如语音命令控制，可能包含几十到上百词，连续语音识别(LVCSR)甚至包含几十万词汇。

语音识别的主流技术是基于隐马尔科夫模型(Hidden Markov Model,HMM)，常用的是连续分布的HMM模型，称为CDHMM。在语音识别任务中，一般需要声学模型(AcousticModel)和语言模型(Language Model)。声学模型是语音识别系统中最为重要的部分之一，主流系统多采用HMM模型进行建模。语言模型可分为统计语言模型以及现在常用的神经网络语言模型。当前语音识别逐渐转向WFST(weighted finaite-state transducer，加权有限状态转换器)+深度神经网络的框架。HMM模型很容易表示成WFST的形式。

语音操控设备，一般是用户通过语音发出指令，系统通过语音识别进行判断指令内容，进而进行相应的动作。这里至少需要语音识别技术，有的情况下也包括语音唤醒。语音唤醒也是广义的语音识别的一种技术应用。

单个设备的语音指令操作已经是成熟的方案，但是多个设备同时语音操控，特别是语音唤醒是具有挑战的。语音唤醒的一个难点，就是多个设备同时在场的情况下如何唤醒。例如一个挑战性的场景是，在医院通过语音指令来操纵医疗设备，特别是在医院隔离病区医生双手没空的情况下语音控制多个医疗设备，进行相关操作。由于每个设备具有特定的唤醒词，不同设备需要通过不同的唤醒词激活，但是如果设备过多，那么唤醒词的记忆是个问题。而且针对某些场景，会有同类型设备(例如医院的多人病房，每个患者都会有同样的医疗设备)，那么设置唤醒词将很麻烦，因为一般而言同一类设备会具有相同的唤醒词，会出现相互干扰，导致同时唤醒的问题。

发明内容

本发明目的在于提供一种用语音操作设备的方法和系统及服务器，用于解决多个设备场景下语音唤醒存在干扰和唤醒词难以记忆的问题。

为实现上述目的，本发明采用的技术方案如下。