[发明专利]免语音唤醒方法、智能设备和计算机可读存储介质

说明书

本发明公开了一种免语音唤醒方法、智能设备和计算机可读存储介质，其中方法包括：获取嘴部图像序列，从嘴部图像序列中提取嘴部特征；确定嘴部特征对应的音素值；计算音素值与设定的唤醒词对应的音素值之间的相似度，当相似度大于设定的相似度阈值时，则唤醒智能设备。本发明的方法使用了图像识别技术，识别发出语音指令的人的嘴部图像序列，根据嘴部图像序列确定其对应的音素值，计算该音素值与与设定的唤醒词对应的音素值之间的相似度，当相似度大于设定的相似度阈值时，则唤醒智能设备。本发明降低了智能设备的误判率，提升了用户的无感交互体验，语音交互更流畅自然。

技术领域

本申请涉及一种免语音唤醒方法、使用该唤醒方法的智能设备和存储该唤醒方法的计算机可读存储介质，属于图像识别技术领域。

背景技术

语音识别技术在近些年取得了显著的进步，该技术已进入工业、家电、智能家居等各个领域。包含唤醒词的语音唤醒技术是语音识别技术中的一种形式，其不直接接触硬件设备，通过包含唤醒词的语音即可实现设备的唤醒或者运行。现有带有扬声器的智能语音设备，例如智能音箱、车载的手机架或者语音机器人等的播放打断功能也采用了包含唤醒词的语音唤醒技术进行实现，且现有应用于智能语音设备的语音唤醒技术中的唤醒词都是采用固定阈值的方式，即在智能语音设备的正唤醒率与误唤醒率之间取一个平衡数值作为固定的唤醒词阈值。在智能语音设备的工作过程中，例如在播放音乐或语音播报时，由于智能语音设备的扬声器发岀的声音会传播到智能语音设备的麦克风并被麦克风采集，使得扬声器发出的声音会对智能语音设备的语音识别造成干扰。针对这种情况,智能语音设备通常会对扬声器发出的声音进行回声消除处理，但如果回声消除不完善或者扬声器到麦克风的非线性失真太大则会导致出现回声残余过大的情况，而当智能语音设备长时间处于具有过大的回声残余的环境中时，由于应用于智能语音设备内的唤醒词阈值始终是固定不变的，这样就会大大增加智能语音设备被回声残余误唤醒的可能性。如果智能语音设备的麦克风没有收到用户发出的包含唤醒词的语音，但智能语音设备当前的播放状态却因为残余的回声被打断了，这样便会大大降低用户的使用体验。

发明内容

本申请的目的在于，提供一种免语音唤醒方法、智能设备和计算机可读存储介质，以解决现有技术中存在的唤醒方法易受干扰，存在误判的技术问题。

本发明的第一实施例提供了一种免语音唤醒方法，包括：

获取嘴部图像序列，从所述嘴部图像序列中提取嘴部特征；

确定所述嘴部特征对应的音素值；

计算所述音素值与设定的唤醒词对应的音素值之间的相似度，当所述相似度大于设定的相似度阈值时，则唤醒智能设备；

所述从所述嘴部图像序列中提取嘴部特征，具体为：

利用2D卷积神经网络从所述嘴部图像序列中提取嘴部运动的空间特征，得到嘴部运动的空间特征信息；

利用1D卷积神经网络从所述嘴部图像序列中提取嘴部运动的时间特征，得到嘴部运动的时域特征信息；

利用多时空信息融合残差网络融合所述时域特征信息和所述空间特征信息，得到融合后的所述嘴部特征；

相应地，确定所述嘴部特征对应的音素值，具体为：

确定融合后的所述嘴部特征对应的音素值。

优选地，所述确定融合后的所述嘴部特征对应的音素值，具体为：

利用融合后的所述嘴部特征，确定因素单元的识别概率结果；

将所述音素单元的识别概率结果输入连接时序分类器，得到音素单元的分类结果；

采用引入注意力机制的解码方法解码所述音素单元的分类结果，得到所述嘴部特征对应的音素值。