本發(fā)明涉及的是一種語音識別領(lǐng)域的技術(shù)，具體是一種基于鑒別性訓(xùn)練的定制語音喚醒優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

可定制的語音喚醒(voicewake-up)系統(tǒng)的任務(wù)是指從一段連續(xù)的語音中自動發(fā)現(xiàn)并定位一些事先指定的命令詞(喚醒詞)?？啥ㄖ频奶匦泽w現(xiàn)在喚醒詞檢測模型不依賴于用戶指定的喚醒詞，從而實現(xiàn)無需修改模型即可方便更改用戶喚醒詞。主要的語音喚醒技術(shù)包括早期的動態(tài)時間規(guī)整法，如今的基于隱馬爾科夫模型的方法，以及基于深度學(xué)習(xí)的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)無法明確區(qū)分喚醒詞和非喚醒詞語之間的區(qū)分性不高，或通過定制語音模型才能實現(xiàn)從而提高了實現(xiàn)成本的同時降低了魯棒性等缺陷和不足，提出一種基于鑒別性訓(xùn)練的定制語音喚醒優(yōu)化方法及系統(tǒng)，利用前后文無關(guān)音素的聲學(xué)解碼進行高效搜索，從而完成對喚醒詞置信度選擇。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

本發(fā)明包括以下步驟：

步驟1)在給定帶標注的聲學(xué)數(shù)據(jù)后，結(jié)合初始的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型，通過神經(jīng)網(wǎng)絡(luò)前向傳播得到逐幀聲學(xué)概率；

步驟2)結(jié)合標注序列及逐幀聲學(xué)概率，得到標注喚醒詞的建模概率。

步驟3)利用在大量文本上統(tǒng)計得到的音素級語言模型，構(gòu)建為相應(yīng)的搜索網(wǎng)絡(luò)，具體是指：在測試階段根據(jù)關(guān)鍵詞構(gòu)建搜索網(wǎng)絡(luò)，而后在搜索網(wǎng)絡(luò)上結(jié)合聲學(xué)模型進行搜索。本發(fā)明采用基于上下文無關(guān)音素的聲學(xué)模型，這是由于經(jīng)過了鑒別性訓(xùn)練，聲學(xué)模型具有更強的序列級信息，因此采用上下文相關(guān)音素和上下文無關(guān)音素對聲學(xué)模型的建模效果沒有差別?；谏舷挛臒o關(guān)音素的聲學(xué)模型，所構(gòu)建的搜索網(wǎng)絡(luò)只有傳統(tǒng)方法的三分之一大小，而對喚醒性能沒有影響。

所述的搜索是指：在測試階段結(jié)合已訓(xùn)練好的聲學(xué)模型和已構(gòu)建好的搜索網(wǎng)絡(luò)，進行逐幀維特比解碼，搜索得到發(fā)音特征序列對應(yīng)的最優(yōu)喚醒詞序列，及其相應(yīng)的識別概率，作為喚醒詞置信度。

步驟4)基于音素級語言模型的搜索空間和逐幀聲學(xué)模型可以進行喚醒詞競爭項建模，得到后驗概率。

步驟5)結(jié)合喚醒詞競爭項建模和標注喚醒詞建模，進行聲學(xué)模型的鑒別性訓(xùn)練。

步驟6)通過鑒別性訓(xùn)練得到的聲學(xué)模型對喚醒詞和非喚醒詞的區(qū)分性更強，能夠得到更好的喚醒結(jié)果；通過該聲學(xué)模型采用基于喚醒詞置信度與自動估計閾值的比較以判別是否喚醒。

由于可定制喚醒系統(tǒng)不限定喚醒詞，對于不同喚醒詞所使用的閾值也很難統(tǒng)一，本發(fā)明采用針對不同喚醒詞自動估計閾值的方法，一定程度上解決閾值難以統(tǒng)一的問題，從而提升系統(tǒng)喚醒的準確性。自動估計閾值方法基于對filler(填充物)的識別概率，將其作為閾值。當(dāng)喚醒詞置信度大于閾值時，系統(tǒng)將輸出喚醒詞，否則不輸出喚醒詞，等待下次喚醒語音。

所述的filler是由所有的音素并行構(gòu)建而成的搜索空間，其識別概率是指在該搜索空間上基于已訓(xùn)練得到的聲學(xué)模型和聲學(xué)特征序列進行解碼搜索得到的識別概率。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明基于鑒別性訓(xùn)練、音素級語言模型搜索空間以及前后文無關(guān)音素的聲學(xué)解碼，從而具有更好的序列級建模，提高喚醒率、更好的序列級非喚醒詞建模，降低誤喚醒率以及相對更少的模型搜索計算量。

附圖說明

圖1為本發(fā)明實施例系統(tǒng)示意圖；

圖2為本發(fā)明流程圖；

圖3為閾值建立示意圖。

具體實施方式

如圖1所示，本實施例涉及一種基于鑒別性訓(xùn)練的定制語音喚醒優(yōu)化系統(tǒng)，包括：基于喚醒詞的搜索網(wǎng)絡(luò)、解碼搜索模塊、基于鑒別性訓(xùn)練的聲學(xué)模型模塊以及置信度判別模塊，其中：搜索網(wǎng)絡(luò)與解碼搜索模塊相連并傳輸針對定制喚醒詞的語言學(xué)信息，聲學(xué)模型模塊與解碼搜索模塊相連并傳輸針對信號進行建模的聲學(xué)信息分值，解碼搜索模塊經(jīng)模型推測得到后驗概率并輸出至置信度判別模塊，置信度判別模塊采用自動估計閾值得到喚醒判定結(jié)果。

所述的聲學(xué)模型模塊具體包括：標注喚醒詞建模單元、喚醒詞競爭項建模單元和聲學(xué)模型鑒別性訓(xùn)練單元，其中：喚醒詞競爭項建模單元根據(jù)搜索空間生成基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型并輸出至喚醒詞競爭項建模單元，標注喚醒詞建模單元根據(jù)帶標注的聲學(xué)數(shù)據(jù)和初始的聲學(xué)模型，通過神經(jīng)網(wǎng)絡(luò)前向傳播得到逐幀聲學(xué)概率并輸出至聲學(xué)模型鑒別性訓(xùn)練單元，得到基于鑒別性訓(xùn)練的聲學(xué)模型用于對信號進行建模的聲學(xué)信息評分。

所述的喚醒詞競爭項建模單元內(nèi)含有基于音素級語言模型的搜索空間，喚醒詞競爭項聲學(xué)信息，通過傳輸逐幀各音素聲學(xué)概率，用以得到喚醒詞競爭項建模后驗概率。

如圖2所示，本實施例包括以下步驟：

步驟1)在給定帶標注的聲學(xué)數(shù)據(jù)后，結(jié)合初始的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型，通過神經(jīng)網(wǎng)絡(luò)前向傳播得到逐幀聲學(xué)概率；

步驟2)結(jié)合標注序列及逐幀聲學(xué)概率，得到標注喚醒詞的建模概率。

步驟3)利用在大量文本上統(tǒng)計得到的音素級語言模型，構(gòu)建為相應(yīng)的搜索網(wǎng)絡(luò)，具體是指：在測試階段根據(jù)關(guān)鍵詞構(gòu)建搜索網(wǎng)絡(luò)，而后在搜索網(wǎng)絡(luò)上結(jié)合聲學(xué)模型進行搜索。本發(fā)明采用基于上下文無關(guān)音素的聲學(xué)模型，這是由于經(jīng)過了鑒別性訓(xùn)練，聲學(xué)模型具有更強的序列級信息，因此采用上下文相關(guān)音素和上下文無關(guān)音素對聲學(xué)模型的建模效果沒有差別?；谏舷挛臒o關(guān)音素的聲學(xué)模型，本模塊所構(gòu)建的搜索網(wǎng)絡(luò)只有傳統(tǒng)方法的三分之一大小，而對喚醒性能沒有影響。

所述的搜索是指：在測試階段結(jié)合已訓(xùn)練好的聲學(xué)模型和已構(gòu)建好的搜索網(wǎng)絡(luò)，進行逐幀維特比解碼，搜索得到發(fā)音特征序列對應(yīng)的最優(yōu)喚醒詞序列，及其相應(yīng)的識別概率，作為喚醒詞置信度。

步驟4)基于音素級語言模型的搜索空間和逐幀聲學(xué)模型可以進行喚醒詞競爭項建模，得到其概率。

步驟5)結(jié)合喚醒詞競爭項建模和標注喚醒詞建模，進行聲學(xué)模型的鑒別性訓(xùn)練。

所述的鑒別性訓(xùn)練具體包括：

5.1)根據(jù)標注喚醒詞建模，使用前后向算法，得到喚醒詞的對數(shù)概率；

5.2)根據(jù)喚醒詞競爭項建模，使用前后向算法，得到搜索網(wǎng)絡(luò)對應(yīng)的對數(shù)邊緣概率；

5.3)逐幀將對數(shù)概率減去對數(shù)邊緣概率，得到喚醒詞在該幀的后驗概率；

5.4)基于后驗概率使用誤差反向傳播算法更新聲學(xué)模型的參數(shù)，完成訓(xùn)練。

步驟6)通過鑒別性訓(xùn)練得到的聲學(xué)模型對喚醒詞和非喚醒詞的區(qū)分性更強，能夠得到更好的喚醒結(jié)果；通過該聲學(xué)模型采用基于喚醒詞置信度與自動估計閾值的比較以判別是否喚醒。

如圖3所示，本發(fā)明基于喚醒詞置信度與閾值的比較以判別是否喚醒。由于可定制喚醒系統(tǒng)不限定喚醒詞，對于不同喚醒詞所使用的閾值也很難統(tǒng)一，所以這里提出了一種針對不同喚醒詞自動估計閾值的方法，一定程度上解決閾值難以統(tǒng)一的問題，從而提升系統(tǒng)喚醒的準確性。自動估計閾值方法基于對filler的識別概率，將其作為閾值。當(dāng)喚醒詞置信度大于閾值時，系統(tǒng)將輸出喚醒詞，否則不輸出喚醒詞，等待下次喚醒語音。

所述的filler是由所有的音素并行構(gòu)建而成的搜索空間，其識別概率是指在該搜索空間上基于已訓(xùn)練得到的聲學(xué)模型和聲學(xué)特征序列進行解碼搜索得到的識別概率。

以下為本實施例與現(xiàn)有技術(shù)比較得到的實驗數(shù)據(jù)，其中第一行是基于逐幀交叉熵訓(xùn)練(ce)的傳統(tǒng)方法，第二行是基于ce初始化后訓(xùn)練最小貝葉斯風(fēng)險(ce+smbr)的傳統(tǒng)方法，第三行是本方法(lf-bmmi)。倒數(shù)第二列是性能指標，越小越好，倒數(shù)第三列是效率指標，越小越好；由表中可以看出本發(fā)明相對兩種傳統(tǒng)方法，在性能上，等錯率(eer)分別有相對40％和相對20％的顯著提升，同時在效率上，實時率(rtf)有近一倍改善。

上述具體實施可由本領(lǐng)域技術(shù)人員在不背離本發(fā)明原理和宗旨的前提下以不同的方式對其進行局部調(diào)整，本發(fā)明的保護范圍以權(quán)利要求書為準且不由上述具體實施所限，在其范圍內(nèi)的各個實現(xiàn)方案均受本發(fā)明之約束。