一种设备唤醒方法、装置、计算机设备及存储介质与流程

1.本技术涉及语音识别技术领域，特别涉及一种设备唤醒方法、装置、计算机设备及存储介质。


背景技术：

2.随着语音识别技术的发展，使用具有语音唤醒功能的设备已成为一种流行趋势。使用对象可以通过说出特定的词汇，也就是唤醒词，来唤醒设备，使设备从待机状态转入工作状态。如何提高唤醒的成功率是需要解决的问题。
3.目前，通常是通过直接判断采集到语音信号中是否包含唤醒词中的关键字，或者关键音节，若检测到关键词或者关键音节，则唤醒设备，以提高唤醒的成功率。
4.上述技术方案存在的问题是，由于设备检测到关键字或者关键的音节就会被唤醒，导致设备被误唤醒的可能性提高，降低了唤醒的准确率。


技术实现要素：

5.本技术实施例提供了一种设备唤醒方法、装置、计算机设备及存储介质能够保证在完整的检测到目标短语的情况下才唤醒目标设备，避免了误唤醒，提高了唤醒的准确率。所述技术方案如下：
6.一方面，提供了一种设备唤醒方法，所述方法包括：
7.对获取到的语音信号中的多个语音帧进行分类，得到多个分类信息，所述分类信息用于指示所述语音帧中包括目标短语中各个音节、各个字或者各个词的概率；
8.基于所述多个分类信息，确定所述目标短语的尾端点，所述尾端点用于指示所述语音信号中所述目标短语播放结束的时刻；
9.基于所述目标短语的尾端点，唤醒目标设备。
10.在一些实施例中，所述对获取到的语音信号中的多个语音帧进行分类，得到多个分类信息，包括：
11.对于所述语音信号中任一语音帧，对所述语音帧进行特征提取，得到所述语音帧的语音特征；
12.基于神经网络对所述语音特征进行分类，得到所述语音帧的分类信息，所述神经网络用于对音节、字或者词进行分类。
13.在一些实施例中，所述方法还包括：
14.对于目标语音帧，获取与所述目标语音帧相邻的相邻语音帧的分类信息，所述目标语音帧为所述多个语音帧中的任一语音帧；
15.基于所述相邻语音帧的分类信息和平滑系数，对所述目标语音帧的分类信息进行平滑处理，所述平滑处理用于使相邻的语音帧中所述目标短语的各个音节、各个字或者各个词的概率的变化趋势趋于平滑。
16.在一些实施例中，所述基于所述多个分类信息，确定所述目标短语的尾端点，包
括：
17.基于所述多个分类信息，确定第一目标帧，所述第一目标帧为首次包括所述目标短语中的目标字或者目标词的语音帧；
18.基于矩形滑动窗口，对位于所述第一目标帧之后的多个第一语音帧进行处理，得到多个第一信息，所述多个第一信息用于指示所述目标字或者目标词的概率的变化趋势，所述矩形滑动窗口为的长度为第一数量帧，滑动步长为一帧；
19.基于所述多个第一信息，确定所述目标短语的尾端点。
20.在一些实施例中，所述基于所述多个第一信息，确定所述目标短语的尾端点，包括：
21.响应于任一相邻的第一信息中，所述目标字或者所述目标词的概率由大于第一阈值变为小于第一阈值，确定第二目标帧，所述第二目标帧为确定所述相邻的第一信息时所述矩形滑动窗口所滑动经过的第一语音帧；
22.将所述第二目标帧的起始时刻，确定为所述目标短语的尾端点。
23.在一些实施例中，所述基于所述多个分类信息，确定所述目标短语的尾端点，包括：
24.基于所述多个分类信息，确定第三目标帧，所述第三目标帧为首次包括所述目标短语中的目标音节的语音帧；
25.基于三角滑动窗口，对位于所述第三目标帧之后的多个第二语音帧进行处理，得到多个第二信息，所述多个第二信息用于指示所述目标音节的概率的变化趋势，所述三角滑动窗口的长度为第二数量帧，滑动步长为一帧；
26.基于所述多个第二信息，确定所述目标短语的尾端点。
27.在一些实施例中，所述基于所述多个第二信息，确定所述目标短语的尾端点，包括：
28.基于所述多个第二信息，确定相邻的两个第二信息中所述目标音节的概率的变化量；
29.响应于所述变化量连续第三数量次均大于第二阈值，确定第四目标帧，所述第四目标帧为变化量首次大于第二阈值时所述三角滑动窗口所滑动经过的第二语音帧；
30.将所述第四目标帧的起始时刻，确定为所述目标短语的尾端点。
31.在一些实施例中，所述方法还包括：
32.获取当前输入的所述语音信号；
33.基于语音滑动窗口对所述语音信号进行处理，得到所述多个语音帧，所述语音滑动窗口的长度为第一时长，滑动步长为第二时长，所述第二时长小于所述第一时长。
34.在一些实施例中，所述方法还包括：
35.响应于任一分类信息中所述目标短语中唤醒音节、唤醒字或者唤醒词的概率大于唤醒阈值，唤醒所述目标设备；
36.所述基于所述目标短语的尾端点，唤醒目标设备，包括：
37.在所述目标设备已唤醒的情况下，从所述语音信号中获取第一语音信号，所述第一语音信号为所述尾端点之后的语音信号；
38.将所述第一语音信号和第二语音信号输入自动语音识别模型，所述第二语音信号
为新采集到的语音信号，所述自动语音识别模型用于将语音信号识别为交互指令。
39.另一方面，提供了一种设备唤醒的装置，所述装置包括：
40.分类模块，用于对获取到的语音信号中的多个语音帧进行分类，得到多个分类信息，所述分类信息用于指示所述语音帧中包括目标短语中各个音节、各个字或者各个词的概率；
41.确定模块，用于基于所述多个分类信息，确定所述目标短语的尾端点，所述尾端点用于指示所述语音信号中所述目标短语播放结束的时刻；
42.唤醒模块，用于基于所述目标短语的尾端点，唤醒目标设备。
43.在一些实施例中，所述分类模块，用于对于所述语音信号中任一语音帧，对所述语音帧进行特征提取，得到所述语音帧的语音特征；基于神经网络对所述语音特征进行分类，得到所述语音帧的分类信息，所述神经网络用于对音节、字或者词进行分类。
44.在一些实施例中，所述装置还包括：
45.第一获取模块，用于对于目标语音帧，获取与所述目标语音帧相邻的相邻语音帧的分类信息，所述目标语音帧为所述多个语音帧中的任一语音帧；
46.平滑模块，用于基于所述相邻语音帧的分类信息和平滑系数，对所述目标语音帧的分类信息进行平滑处理，所述平滑处理用于使相邻的语音帧中所述目标短语的各个音节、各个字或者各个词的概率的变化趋势趋于平滑。
47.在一些实施例中，所述确定模块包括：
48.第一确定单元，用于基于所述多个分类信息，确定第一目标帧，所述第一目标帧为首次包括所述目标短语中的目标字或者目标词的语音帧；
49.第一处理单元，用于基于矩形滑动窗口，对位于所述第一目标帧之后的多个第一语音帧进行处理，得到多个第一信息，所述多个第一信息用于指示所述目标字或者目标词的概率的变化趋势，所述矩形滑动窗口为的长度为第一数量帧，滑动步长为一帧；
50.第二确定单元，用于基于所述多个第一信息，确定所述目标短语的尾端点。
51.在一些实施例中，所述第二确定单元，用于响应于任一相邻的第一信息中，所述目标字或者所述目标词的概率由大于第一阈值变为小于第一阈值，确定第二目标帧，所述第二目标帧为确定所述相邻的第一信息时所述矩形滑动窗口所滑动经过的第一语音帧；将所述第二目标帧的起始时刻，确定为所述目标短语的尾端点。
52.在一些实施例中，所述确定模块，包括：
53.第三确定单元，用于基于所述多个分类信息，确定第三目标帧，所述第三目标帧为首次包括所述目标短语中的目标音节的语音帧；
54.第二处理单元，用于基于三角滑动窗口，对位于所述第三目标帧之后的多个第二语音帧进行处理，得到多个第二信息，所述多个第二信息用于指示所述目标音节的概率的变化趋势，所述三角滑动窗口的长度为第二数量帧，滑动步长为一帧；
55.第四确定单元，用于基于所述多个第二信息，确定所述目标短语的尾端点。
56.在一些实施例中，所述第四确定单元，用于基于所述多个第二信息，确定相邻的两个第二信息中所述目标音节的概率的变化量；响应于所述变化量连续第三数量次均大于第二阈值，确定第四目标帧，所述第四目标帧为变化量首次大于第二阈值时所述三角滑动窗口所滑动经过的第二语音帧；将所述第四目标帧的起始时刻，确定为所述目标短语的尾端
点。
57.在一些实施例中，所述装置还包括：
58.第二获取模块，用于获取当前输入的所述语音信号；
59.信号处理模块，用于基于语音滑动窗口对所述语音信号进行处理，得到所述多个语音帧，所述语音滑动窗口的长度为第一时长，滑动步长为第二时长，所述第二时长小于所述第一时长。
60.在一些实施例中，所述唤醒模块，还用于响应于任一分类信息中所述目标短语中唤醒音节、唤醒字或者唤醒词的概率大于唤醒阈值，唤醒所述目标设备；在所述目标设备已唤醒的情况下，从所述语音信号中获取第一语音信号，所述第一语音信号为所述尾端点之后的语音信号；将所述第一语音信号和第二语音信号输入自动语音识别模型，所述第二语音信号为新采集到的语音信号，所述自动语音识别模型用于将语音信号识别为交互指令。
61.另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行上述设备唤醒方法。
62.另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储至少一段计算机程序，所述至少一段计算机程序用于执行上述设备唤醒方法。
63.另一方面，提供了一种计算机程序产品，所述计算机程序被处理器执行时实现上述设备唤醒方法。
64.本技术实施例提供了一种设备唤醒方法，通过对获取到的语音信号中的多个语音帧进行分类，能够确定各个语音帧中包括目标短语中各个音节、各个字或者各个词的概率，从而基于各个语音帧中包括目标短语中各个音节、各个字或者各个词的概率，能够确定目标短语在语音信号中播放结束的时刻，最后在该目标短语播放结束的时刻唤醒目标设备，能够保证在完整的检测到目标短语的情况下才唤醒目标设备，避免了误唤醒，提高了唤醒的准确率。
附图说明
65.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
66.图1是根据本技术实施例提供的一种设备唤醒方法的实施环境；
67.图2是根据本技术实施例提供的一种设备唤醒方法的流程图；
68.图3是根据本技术实施例提供的另一种设备唤醒方法的流程图；
69.图4是根据本技术实施例提供的一种矩形滑动窗口的示意图；
70.图5是根据本技术实施例提供的一种三角滑动窗口的示意图；
71.图6是根据本技术实施例提供的一种设备唤醒装置的框图；
72.图7是根据本技术实施例提供的另一种设备唤醒装置的框图；
73.图8是根据本技术实施例提供的一种终端的结构框图；
74.图9是根据本技术实施例提供的一种服务器的结构示意图。
具体实施方式
75.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
76.本技术中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
77.本技术中术语“至少一个”是指一个或多个，“多个”的含义是指两个或两个以上。
78.需要说明的是，本技术所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本技术中涉及到的语音信号都是在充分授权的情况下获取的。
79.以下对本技术涉及到的术语进行解释。
80.梅尔频率倒谱(mel-frequency cepstrum，mfcc)是基于声音频率的非线性梅尔刻度的对数能量频谱的线性变换。梅尔频率倒谱系数就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，可以在多个领域中使声音信号有更好的表示。mfcc特征广泛被应用于语音识别的功能。
81.滤波器组(filter banks，fbank)是需要语音特征参数提取方法之一，因其独特的基于倒谱的提取方式，更加的符合人类的听觉原理，因而也是最为普遍、最有效的语音特征提取算法。基于滤波器组的特征fbank，fbank特征提取方法就是相当于mfcc去掉最后一步的离散余弦变换(有损变换)，跟mfcc特征相比，fbank特征保留了更多的原始语音数据。fbank特征被应用于语音识别的功能。
82.本技术实施例提供的设备唤醒方法，能够由计算机设备执行中。在一些实施例中，该计算机设备为终端或服务器。下面首先以计算机设备为终端为例，介绍一下本技术实施例提供的设备唤醒方法的实施环境，图1是根据本技术实施例提供的一种设备唤醒方法的实施环境示意图。参见图1，该实施环境包括终端101和服务器102。
83.终端101和服务器102能够通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
84.在一些实施例中，终端101是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端101安装和运行有支持语音识别的应用程序。
85.在一些实施例中，服务器102是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102用于为支持虚拟场景的应用程序提供后台服务。在一些实施例中，服务器102承担主要计算工作，终端101承担次要计算工作；或者，服务器102承担次要计算工作，终端101承担主要计算工作；或者，服务器102和终端101二者之间采用分布式计算架构进行协同计算。
86.图2是根据本技术实施例提供的一种设备唤醒方法的流程图，如图2所示，在本技术实施例中以由终端执行为例进行说明。该设备唤醒方法包括以下步骤：
87.201、终端对获取到的语音信号中的多个语音帧进行分类，得到多个分类信息，分类信息用于指示语音帧中包括目标短语中各个音节、各个字或者各个词的概率。
88.在本技术实施例中，该语音信号为终端实时采集的语音信号，该语音信号可以由终端通过内部的语音采集设备采集得到，也可以由终端通过外接的语音采集设备得到，本技术实施例对此不进行限制。该语音信号用于唤醒设备，相应的，该语音信号中可以包含用于唤醒设备的信息。终端对获取到的语音信号进行分帧，得到多个语音帧。对于任一语音帧，终端能够按照音节、字或者词等分类方式，对于该语音帧进行分类，确定该语音帧所包括目标短语中各个音节、各个字或者各个词的概率，从而得到该语音帧的分类信息。
89.例如，以语音信号的内容为“你好朋友”，分类方式为按字分类为例，分类信息就可以表示从该语音信号中获取到的语音帧中，包括“你”的概率、包括“好”的概率、包括“朋”的概率及包括“友”的概率。同理，分类信息也可以用来表示语音帧中包括目标短语中各个音节的概率或包括的各个词的概率。
90.202、终端基于多个分类信息，确定目标短语的尾端点，尾端点用于指示语音信号中目标短语播放结束的时刻。
91.在本技术实施例中，终端可以对上述多个分类信息进行进一步处理，在语音信号中确定出目标短语中目标音节、目标字或者目标词出现的概率，然后确定目标短语在语音信号中播放结束的时刻。其中，该目标短语是用来唤醒设备的唤醒词，唤醒词的设计一般为四字短语形式，唤醒词太短容易出现误唤醒的情况，唤醒词过长使得交流体验变差。目标音节可以为唤醒词的最后一个音节，目标字可以为唤醒词的最后一个字，目标词可以为唤醒词的最后一个词汇。
92.203、终端基于目标短语的尾端点，唤醒目标设备。
93.在本技术实施例中，终端在确定目标短语的尾端点之后，可以判断出目标短语已经播放结束，此时通过唤醒指令来唤醒目标设备。该目标设备可以为终端本身，也可以为终端连接的智能设备。该目标设备在唤醒后能够对新采集到的语音信号进行识别，执行识别得到的交互指令。
94.本技术实施例提供了一种设备唤醒方法，通过对获取到的语音信号中的多个语音帧进行分类，能够确定各个语音帧中包括的音节、字或者词，从而基于各个语音帧中包括的音节、字或者词，能够确定目标短语在语音信号中播放结束的时刻，最后在该目标短语播放结束的时刻唤醒目标设备，能够保证在完整的检测到目标短语的情况下才唤醒目标设备，避免了误唤醒，提高了唤醒的准确率。
95.图2示例性的示出了本技术实施例提供的设备唤醒方法的主要流程，下面基于一种应用场景，对该设备唤醒方法进行详细说明。图3是根据本技术实施例提供的另一种设备唤醒方法的流程图，如图3所示，在本技术实施例中以由终端执行为例进行说明。该设备唤醒方法包括以下步骤：
96.301、终端获取当前输入的语音信号。
97.在本技术实施例中，终端可以通过终端内部的语音采集设备，也可以通过终端外接的语音采集设备，实时获取当前输入的语音信号。可选地，该语音信号可以是实时语音也
可以是历史录音。可选地，该语音信号可以包含用于唤醒设备的信息，也可以不包含用于唤醒设备的信息，本技术对语音信号不进行限定。在本技术实施例中，终端可以边实时采集语音信号，边对采集到的语音信号进行处理。
98.302、终端基于语音滑动窗口对语音信号进行处理，得到多个语音帧，语音滑动窗口的长度为第一时长，滑动步长为第二时长，第二时长小于第一时长。
99.在本技术实施例中，终端能够基于语音滑动窗口对上述语音信号进行分帧。其中，语音滑动窗口每次滑动第二时长，每滑动一次就截取第一时长长度的语音信号作为一个语音帧，由此得到多个语音帧。例如，该第一时长为10毫秒、16毫秒或者20毫秒等，该第二时长为5毫秒、10毫秒或者15毫秒等，本技术实施例对语音滑动窗口的长度以及语音滑动窗口滑动的步长不进行限定。
100.在对语音信号进行处理的过程中，由于语音滑动窗口的第二时长小于第一时长，即语音滑动窗口的滑动步长小于语音滑动窗口的长度，因此相邻的语音帧之间存在重叠部分，该重叠部分能够使得在对语音帧进行处理时不会遗漏信息，提高语音处理的准确率。
101.在一些实施例中，终端可以不采用语音滑动窗口来对语音信号进行处理，而是直接通过第一时长对语音信号进行划分，也即每第一时长截取一段语音信号作为一个语音帧，得到多个语音帧。本技术实施例对每次截取语音帧的长度不进行限定。
102.303、终端对多个语音帧进行分类，得到多个分类信息，分类信息用于指示语音帧中包括目标短语中各个音节、各个字或者各个词的概率。
103.在本技术实施例中，终端能够采用不同的分类方式对语音帧进行分类，分类方式包括按照音节分类、按照字进行分类或者按照词进行分类三种。若终端按照音节对语音帧进行分类，则语音帧的分类信息用于指示该语音帧中包括目标短语中音节的概率；若终端按照字对语音帧进行分类，则语音帧的分类信息用于指示该语音帧中包括目标短语中字的概率；若终端按照词对语音帧进行分类，则语音帧的分类信息用于指示该语音帧包括目标短语中词的概率。
104.在一些实施例中，终端可以通过神经网络来对语音帧进行分类，该神经网络基于目标短语训练得到，用于对音节、字或者词进行分类，确定语音帧中包括的该目标短语中各个音节、各个字或者各个词的概率。相应的，对于上述语音信号中任一语音帧，终端对该语音帧进行特征提取，得到该语音帧的语音特征。然后，终端基于神经网络对该语音特征进行分类，得到该语音帧的分类信息，该分类信息用于指示该语音帧中包括目标短语中各个音节、各个字或者各个词的概率。其中，该语音特征可以是mfcc特征或是fbank特征。该神经网络可以为ann(artificial neural network，人工神经网络)、cnn(convolutional neural networks，卷积神经网络)，或是其他可以用于对音节、字或词进行分类的神经网络，本技术对神经网络的类型及神经网络的运算形式不进行限定。通过神经网络对上述语音帧进行分类，实现了对语音信号的进一步处理，能够确定各个语音帧中所包含的信息，如语音帧中包括目标短语中各个音节的概率、各个字的概率或者各个词的概率，进而能够确定目标短语起止时刻。
105.在一些实施例中，终端可以执行下述步骤304对上述多个分类信息进行平滑，也可以跳过步骤304执行步骤305以及后续步骤，也即步骤304为可选步骤。
106.304、终端对多个分类信息进行平滑处理。
107.在本技术实施例中，终端通过平滑系数来对上述多个分类信息进行平滑。其中，针对不同的分类方式，设置有不同的平滑系数。若分类方式是按照音节进行分类，由于每个音节所占时间很短，可以设置较小的平滑系数，以减小修正幅度，避免唤醒延后问题；若分类方式是按照词进行分类，由于词的发音较长，可以设置较大的平滑系数，以消除神经网络的嘈杂分类，提高分类的灵敏度。
108.在一些实施例中，终端可以通过一阶平滑公式，对相邻的语音帧的分类信息进行平滑。相应的，终端对于目标语音帧，获取与上述目标语音帧相连的相邻语音帧的分类信息，然后基于相邻语音帧的分类信息和平滑系数，对上述目标语音帧的分类信息进行平滑处理。该平滑处理用于使相邻的语音帧中目标短语的各个音节、各个字或者各个词的概率的变化趋势趋于平滑。其中，一阶平滑公式参见下述公式(1)所示。
109.xi＝a*x
i-1
+(1-a)*xiꢀꢀꢀꢀꢀꢀ(i)110.其中，xi表示第i个语音帧的分类信息；x
i-1
表示第i-1个语音帧的分类信息，a表示平滑系数。
111.例如，以神经网络按照音节进行分类为例，神经网络对第i个语音帧进行分类，得到该语音帧中包括的目标短语中各个音节的概率，其中，有的音节的概率为0，表示该语音帧中不包括该音节。相邻两个语音帧的分类信息中，各个音节的概率差距较小，通过上述一阶平滑公式能够使分类信息中的概率更加平滑。
112.305、终端基于多个分类信息，确定目标短语的尾端点，尾端点用于指示语音信号中目标短语播放结束的时刻。
113.在本技术实施例中，终端能够根据分类信息中目标短语的各个音节、各个字或者各个词的概率，确定目标短语的尾端点。可选地，根据分类方式的不同，终端可以采用两种方式来确定目标短语的尾端点。
114.方式一：在分类方式为按照字或词进行分类时。由于对上述分类信息进行过平滑，所以上述语音帧会出现少许滞后的现象，终端可以通过矩形滑动窗口对上述多个分类信息进行处理，以确定目标短语的尾端点。相应的，终端基于上述多个分类信息，确定第一目标帧。然后，终端基于矩形滑动窗口，对位于上述第一目标帧之后的多个第一语音帧进行处理，得到多个第一信息。最后，终端基于多个第一信息，确定该目标短语的尾端点。可选地，响应于任一相邻的第一信息中，目标字或者目标词的概率由大于第一阈值变为小于第一阈值，确定第二目标帧，将上述第二目标帧的起始时刻，确定为上述目标短语的尾端点。其中，第一目标帧为首次包括目标短语中的目标字或者目标词的语音帧。矩形滑动窗口为的长度为第一数量帧，滑动步长为一帧。多个第一信息用于指示目标字或者目标词的概率的变化趋势，该变化趋势为先上升后下降的趋势，即语音信号开始播放目标字或目标词到播完目标字或目标词这一过程中，多个分类信息中目标字或目标词的概率的变化趋势。该目标字为目标短语中的最后一个字，该目标词为目标短语中的最后一个词。该第一阈值用于判断上述目标字或目标词是否为上述目标短语的尾端点，本技术实施例对第一阈值的取值不进行限定。矩形滑动窗口也可以称为矩形滤波器。通过对目标短语中目标字或者目标词的概率的变化趋势，能够较为准确的确定目标短语尾端点，也即终端确定播放了完整的目标短语，能够有效避免误唤醒的情况，提高设备唤醒准确率。
115.例如，目标短语为“小a同学”，则目标字为“学”，当终端首先基于上述多个分类信
息确定“学”字首次出现的第一目标帧，然后获取该第一目标帧之后的多个第一语音帧，在第一目标帧之后，且与第一目标帧相邻的多个第一语音帧中包括“学”字，终端通过矩形窗口来确定“学”字的概率在该多个第一语音帧中的变化趋势。如，该矩形滑动窗口的长度为10帧。每次滑动1帧。矩形滑动窗口将10帧内“学”字的概率进行求和，作为矩形滑动窗口的窗口得分，也即第一信息，用多个第一信息来表示“学”字的概率变化趋势。若矩形滑动窗口在某次滑动之后，前一个第一信息和后一个第一信息中，“学”字的概率由大于第一阈值变为小于第一阈值，则表示滑过的这一帧中，可能包括“学”字，此时，将该帧作为第二目标帧，将该第二目标帧的起始时刻，确定为目标短语播放结束的时刻。图4是根据本技术实施例提供的一种矩形滑动窗口的示意图。如图4所示，矩形框表示矩形滑动窗口，长度为10帧，每次滑动一帧，竖直的多个矩形表示多个第一语音帧的多个分类信息中目标字或目标词的概率，矩形的高度越高表示该目标字的概率或目标词的概率越大。
116.方式二：在分类方式为按照音节进行分类时。由于对上述分类信息进行过平滑，不会产生突然跳变，而是一个逐步变化的过程，终端可以通过三角滑动窗口对上述语音帧进行处理，以确定目标短语的尾端点，该三角滑动窗口，是将类似于梅尔滤波器组的等腰三角形从中间分开，采用左半边的直角三角形。相应的，终端基于上述多个分类信息，确定第三目标帧。然后，终端基于三角滑动窗口，对位于第三目标帧之后的多个第二语音帧进行处理，得到多个第二信息。终端基于多个第二信息，确定目标短语的尾端点。可选地，终端基于多个第二信息，确定相邻的两个第二信息中目标音节的概率的变化量，响应于变化量连续第三数量次均大于第二阈值，确定第四目标帧，将第四目标帧的起始时刻，确定为目标短语的尾端点。其中，第三目标帧为首次包括目标短语中的目标音节的语音帧。多个第二信息用于指示目标音节的概率的变化趋势，参见方式一的解释，在此不再赘述。三角滑动窗口的长度为第二数量帧，滑动步长为一帧。该第二阈值用于判断上述目标字节是否为上述目标短语的尾端点，本技术实施例对第二阈值的取值不进行限定。该第三数量可以为2次、3次等。通过连续第三数量次的概率的变化量与第二阈值之间的关系，能够较为准确的确定目标短语的尾端点，也即终端确定播放了完整的目标短语，能够有效避免误唤醒的情况，提高设备唤醒准确率
117.在一些实施例中，终端可以通过下述公式(2)来确定第二信息。
[0118][0119]
其中，score
l
表示第二信息，l表示三角滑动窗口的长度，f表示三角滑动窗口内的第f帧，s表示上述三角滑动窗口中的最大值，通常设置为2，f与l的比值表示第f帧的权重，该权重与s的乘积表示第f帧在三角滑动窗口中的权重，ff表示三角滑动窗口内第f帧对应的分类信息中目标音节的概率，ff会随着f的变化而变化。由于三角滑动窗口的形状，使得位于左边的第二语音帧的权重会小于位于右边的第二语音帧的权重，因此，公式(2)通过对第二语音帧的分类信息进行缩小、不变或放大处理，提高语音处理准确率。
[0120]
例如，图5是根据本技术实施例提供的一种三角滑动窗口的示意图。如图5所示，直角三角形表示三角滑动窗口，长度为第二数量帧，每次滑动一帧。竖直的多个矩形表示多个第二语音帧的多个分类信息中目标音节的概率，矩形的高度越高表示目标音节的概率越
大。
[0121]
306、终端基于目标短语的尾端点，唤醒目标设备。
[0122]
在本技术实施例中，终端在确定目标短语的尾端点时，能够向目标设备发送唤醒指令，该唤醒指令用于指示目标设备从待机状态转入工作状态。其中，该目标设备可以设置有自动语音识别模型，该自动语音识别模型在目标设备处于工作状态时，能够对输入的语音信号进行识别，将语音信号识别为交互指令，进而目标设备可以执行识别到的交互指令。通过判断到完整的目标短语再对设备进行唤醒，避免了误唤醒的情况，提高设备唤醒的准确率。
[0123]
在一些实施例中，终端可以先唤醒目标设备，但是不向目标设备中的自动语音识别模型发送语音信号，而是基于目标短语来对接收到的语音信号进行处理，再发送给自动语音识别模型，以避免语音信号中的唤醒词进入到自动语音识别模型，导致交互指令识别失败或识别错误。相应的，响应于任一分类信息中目标短语中唤醒音节、唤醒字或者唤醒词的概率大于唤醒阈值，则终端唤醒目标设备。然后，终端基于上述分类信息，确定目标短语的尾端点。在目标设备已唤醒的情况下，从语音信号中获取第一语音信号，将第一语音信号和第二语音信号输入自动语音识别模型。其中，第一语音信号为尾端点之后的语音信号，第二语音信号为新采集到的语音信号。该唤醒阈值用于判断是否对目标设备进行唤醒，在上述分类信息中唤醒音节的概率、唤醒字的概率或唤醒词的概率大于唤醒阈值的情况下，终端判断语音信号正在播放目标短语，此时对目标设备进行唤醒，本技术对唤醒阈值不进行限定。通过先判断是否唤醒目标设备，再判断是否达到目标短语的尾端点，能够减少等待唤醒的时间，提高设备唤醒的效率，通过将目标短语的尾端点后的第一语音信号与新采集到的第二语音信号输入自动语音识别模型，来进行语音识别，避免上述目标短语中的部分音节、部分字或者词自动语音识别模型识别为交互指令，提高了设备唤醒的准确率。
[0124]
图6是根据本技术实施例提供的一种设备唤醒装置的框图。该装置用于执行上述方法中的步骤，参见图6，装置包括：分类模块601、确定模块602以及唤醒模块603。
[0125]
分类模块601，用于对获取到的语音信号中的多个语音帧进行分类，得到多个分类信息，分类信息用于指示语音帧中包括目标短语中各个音节、各个字或者各个词的概率；
[0126]
确定模块602，用于基于多个分类信息，确定目标短语的尾端点，尾端点用于指示语音信号中目标短语播放结束的时刻；
[0127]
唤醒模块603，用于基于目标短语的尾端点，唤醒目标设备。
[0128]
在一些实施例中，分类模块601，用于对于语音信号中任一语音帧，对语音帧进行特征提取，得到语音帧的语音特征；基于神经网络对语音特征进行分类，得到语音帧的分类信息，神经网络用于对音节、字或者词进行分类。
[0129]
在一些实施例中，图7是根据本技术实施例提供的另一种设备唤醒装置的框图。参见图7，装置还包括：
[0130]
第一获取模块604，用于对于目标语音帧，获取与目标语音帧相邻的相邻语音帧的分类信息；
[0131]
平滑模块605，用于基于相邻语音帧的分类信息和平滑系数，对目标语音帧的分类信息进行平滑处理。
[0132]
在一些实施例中，参见图7，确定模块602包括：
[0133]
第一确定单元6021，用于基于多个分类信息，确定第一目标帧，第一目标帧为首次包括目标短语中的目标字或者目标词的语音帧；
[0134]
第一处理单元6022，用于基于矩形滑动窗口，对位于第一目标帧之后的多个第一语音帧进行处理，得到多个第一信息，多个第一信息用于指示目标字或者目标词的概率的变化趋势，矩形滑动窗口为的长度为第一数量帧，滑动步长为一帧；
[0135]
第二确定单元6023，用于基于多个第一信息，确定目标短语的尾端点。
[0136]
在一些实施例中，第二确定单元6023，用于响应于任一相邻的第一信息中，目标字或者目标词的概率由大于第一阈值变为小于第一阈值，确定第二目标帧，第二目标帧为确定相邻的第一信息时矩形滑动窗口所滑动经过的第一语音帧；将第二目标帧的起始时刻，确定为目标短语的尾端点。
[0137]
在一些实施例中，参见图7所示，确定模块602，包括：
[0138]
第三确定单元6024，用于基于多个分类信息，确定第三目标帧，第三目标帧为首次包括目标短语中的目标音节的语音帧；
[0139]
第二处理单元6025，用于基于三角滑动窗口，对位于第三目标帧之后的多个第二语音帧进行处理，得到多个第二信息，多个第二信息用于指示目标音节的概率的变化趋势，三角滑动窗口的长度为第二数量帧，滑动步长为一帧；
[0140]
第四确定单元6026，用于基于多个第二信息，确定目标短语的尾端点。
[0141]
在一些实施例中，第四确定单元6026，用于基于多个第二信息，确定相邻的两个第二信息中目标音节的概率的变化量；响应于变化量连续第三数量次均大于第二阈值，确定第四目标帧，第四目标帧为变化量首次大于第二阈值时三角滑动窗口所滑动经过的第二语音帧；将第四目标帧的起始时刻，确定为目标短语的尾端点。
[0142]
在一些实施例中，参见图7所示，装置还包括：
[0143]
第二获取模块606，用于获取当前输入的语音信号；
[0144]
信号处理模块607，用于基于语音滑动窗口对语音信号进行处理，得到多个语音帧，语音滑动窗口的长度为第一时长，滑动步长为第二时长，第二时长小于第一时长。
[0145]
在一些实施例中，唤醒模块603，还用于响应于任一分类信息中目标短语中唤醒音节、唤醒字或者唤醒词的概率大于唤醒阈值，唤醒目标设备；在目标设备已唤醒的情况下，从语音信号中获取第一语音信号，第一语音信号为尾端点之后的语音信号；将第一语音信号和第二语音信号输入自动语音识别模型，第二语音信号为新采集到的语音信号，自动语音识别模型用于将语音信号识别为交互指令。
[0146]
本技术实施例提供了一种设备唤醒方法，通过对获取到的语音信号中的多个语音帧进行分类，能够确定各个语音帧中包括目标短语中各个音节、各个字或者各个词的概率，从而基于各个语音帧中包括目标短语中各个音节、各个字或者各个词的概率，能够确定目标短语在语音信号中播放结束的时刻，最后在该目标短语播放结束的时刻唤醒目标设备，能够保证在完整的检测到目标短语的情况下才唤醒目标设备，避免了误唤醒，提高了唤醒的准确率。
[0147]
需要说明的是：上述实施例提供的设备唤醒装置在进行设备唤醒时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部
分功能。另外，上述实施例提供的设备唤醒装置与设备唤醒方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0148]
在本技术实施例中，计算机设备能够被配置为终端或者服务器，当计算机设备被配置为终端时，可以由终端作为执行主体来实施本技术实施例提供的技术方案，当计算机设备被配置为服务器时，可以由服务器作为执行主体来实施本技术实施例提供的技术方案，也可以通过终端和服务器之间的交互来实施本技术提供的技术方案，本技术实施例对此不作限定。
[0149]
计算机设备被配置为终端时，图8是根据本技术实施例提供的一种终端800的结构框图。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
[0150]
通常，终端800包括有：处理器801和存储器802。
[0151]
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0152]
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器801所执行以实现本技术中方法实施例提供的设备唤醒方法。
[0153]
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、显示屏805、摄像头组件806、音频电路807和电源808中的至少一种。
[0154]
外围设备接口803可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0155]
射频电路804用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射
频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。在一些实施例中，射频电路804包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0156]
显示屏805用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置在终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在另一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0157]
摄像头组件806用于采集图像或视频。在一些实施例中，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0158]
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。
[0159]
电源808用于为终端800中的各个组件进行供电。电源808可以是交流电、直流电、一次性电池或可充电电池。当电源808包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0160]
在一些实施例中，终端800还包括有一个或多个传感器809。该一个或多个传感器
809包括但不限于：加速度传感器810、陀螺仪传感器811、压力传感器812、光学传感器813以及接近传感器814。
[0161]
加速度传感器810可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器810可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器810采集的重力加速度信号，控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器810还可以用于游戏或者用户的运动数据的采集。
[0162]
陀螺仪传感器811可以检测终端800的机体方向及转动角度，陀螺仪传感器811可以与加速度传感器810协同采集用户对终端800的3d动作。处理器801根据陀螺仪传感器811采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0163]
压力传感器812可以设置在终端800的侧边框和/或显示屏805的下层。当压力传感器812设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器812采集的握持信号进行左右手识别或快捷操作。当压力传感器812设置在显示屏805的下层时，由处理器801根据用户对显示屏805的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0164]
光学传感器813用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器813采集的环境光强度，控制显示屏805的显示亮度。具体地，当环境光强度较高时，调高显示屏805的显示亮度；当环境光强度较低时，调低显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器813采集的环境光强度，动态调整摄像头组件806的拍摄参数。
[0165]
接近传感器814，也称距离传感器，通常设置在终端800的前面板。接近传感器814用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器814检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制显示屏805从亮屏状态切换为息屏状态；当接近传感器814检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制显示屏805从息屏状态切换为亮屏状态。
[0166]
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0167]
计算机设备被配置为服务器时，图9是根据本技术实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)901和一个或一个以上的存储器902，其中，该存储器902中存储有至少一条计算机程序，该至少一条计算机程序由该处理器901加载并执行以实现上述各个方法实施例提供的设备唤醒方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0168]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一段计算机程序，该至少一段计算机程序由计算机设备的处理器加载并执行以实现上述实施例的设备唤醒方法中计算机设备所执行的操作。例如，所述计算机可读存储介质可以是只读存储器(read-only memory，rom)、随机存取存储器(random access memory，
ram)、光盘只读存储器(compact disc read-only memory，cd-rom)、磁带、软盘和光数据存储设备等。
[0169]
在一些实施例中，本技术实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
[0170]
本技术实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的设备唤醒方法。
[0171]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0172]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。