一种智能家电的控制方法、装置、智能家电和存储介质与流程

本发明实施例涉及智能家电技术，尤其涉及一种智能家电的控制方法、装置、智能家电和存储介质。

背景技术：

随着科技的快速发展，越来越多的智能家电增加有语音识别功能。为了保证语音识别率，一般需要采用识别率高的语音识别算法，相应的，识别率高的语音识别算法对应的语音识别模型的复杂度也比较高，从而在运行语音识别算法时，消耗了较大的cpu运算资源，进而导致智能家电的系统出现响应慢、功耗高的问题。

技术实现要素：

本发明提供一种智能家电的控制方法、装置、智能家电和存储介质，以解决智能家电语音控制时系统响应慢、功耗高的问题。

第一方面，本发明实施例提供了一种智能家电的控制方法，包括：

接收语音信息；

获取语音命令词，所述语音命令词为所述语音信息和语音识别模型输入语音识别算法得到，所述语音识别模型根据智能家电的工作场景确定；

根据所述语音命令词控制所述智能家电。

进一步的，所述语音识别算法的搜索精度根据所述智能家电的工作性能确定。

进一步的，所述智能家电的工作性能至少包括所述智能家电的cpu使用率和cpu功耗之一。

进一步的，所述语音识别算法的搜索精度根据所述智能家电的工作性能确定包括：

获取所述智能家电的当前进程运行时间；

计算所述语音识别算法的剪枝系数，所述剪枝系数根据所述智能家电的cpu使用率确定，所述cpu使用率为当前进程运行时间占cpu总运行时间的比例，搜索精度与所述剪枝系数成反比。

进一步的，在所述获取语音命令词之前，还包括：

训练语音识别模型，所述语音识别模型的训练输入参数包括所述智能家电的模拟工作场景信息和模拟语音命令词。

进一步的，所述语音识别模型包括声学模型和语言模型。

进一步的，所述智能家电的工作场景根据所述智能家电的负载工作模式、后台运行程序和当前时间至少之一确定。

第二方面，本发明实施例还提供了一种智能家电的控制装置，包括：

接收模块，用于接收语音信息；

获取模块，用于获取语音命令词，所述语音命令词为所述语音信息和语音识别模型输入语音识别算法得到，所述语音识别模型根据智能家电的工作场景确定；

控制模块，用于根据所述语音命令词控制所述智能家电。

进一步的，所述智能家电的控制装置，还包括：

确定模块，用于所述语音识别算法的搜索精度根据所述智能家电的工作性能确定。

进一步的，所述智能家电的工作性能至少包括所述智能家电的cpu使用率和cpu功耗之一。

进一步的，所述确定模块包括：

获取单元，用于获取所述智能家电的当前进程运行时间；

计算单元，用于计算所述语音识别算法的剪枝系数，所述剪枝系数根据所述智能家电的cpu使用率确定，所述cpu使用率为当前进程运行时间占cpu总运行时间的比例，搜索精度与所述剪枝系数成反比。

进一步的，所述智能家电的控制装置还包括：

训练模块，用于在所述获取语音命令词之前，训练语音识别模型，所述语音识别模型的训练输入参数包括所述智能家电的模拟工作场景信息和模拟语音命令词。

进一步的，所述语音识别模型包括声学模型和语言模型。

进一步的，所述智能家电的工作场景根据所述智能家电的负载工作模式、后台运行程序和当前时间至少之一确定。

第三方面，本发明实施例还提供了一种智能家电，包括：显示屏、存储器以及一个或多个处理器；

所述显示屏，用于显示智能家电的状态信息；

所述存储器，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，使得所述一个或多个处理器实现如第一方面所述的智能家电的控制方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的智能家电的控制方法。

本发明通过接收用户输入的语音信息，并根据智能家电的工作场景确定合适的语音识别模型，然后将语音信息和语音识别模型输入语音识别算法以得到语音命令词，并根据语音命令词控制智能家电。在智能家电处于运算量较小的工作场景时，使用运算量小的语音识别模型，降低智能家电的硬件成本、cpu运算资源和cpu功耗；在智能家电处于运算量较大的工作场景时，自适应地使用运算量大的语音识别模型，从而对cpu运算资源进行合理利用，保证智能家电的工作过程的系统响应速度良好以及整体功耗低。

附图说明

图1是本发明实施例一提供的一种智能家电的控制方法的流程图；

图2是本发明实施例二提供的一种智能家电的控制方法的流程图；

图3是本发明实施例三提供的一种智能家电的控制方法的流程图；

图4是本发明实施例三提供的一种多个智能家电的结构示意图；

图5是本发明实施例三提供的一种电视节目暂停的显示示意图；

图6为本发明实施例四提供的一种智能家电的控制装置的结构示意图；

图7为本发明实施例五提供的一种智能家电的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种智能家电的控制方法的流程图，实施例中提供的智能家电的控制方法可以由智能家电执行，该智能家电包括两个或两个以上物理实体，或者为一个物理实体。例如，智能家电包括但不限于智能油烟机、智能空调、智能电视和智能热水器等。

如图1所示，该智能家电的控制方法具体包括如下步骤：

s110、接收语音信息。

其中，语音信息是指用户向智能家电所发出的语音操作指令。语音信息的语种无需限定，比如，普通话、英文或者各种类型的方言；语音信息的语句排序、语句类型等也无需限定，比如，语音信息可以为“关闭风机”，或者语音信息为“将风量调大”等。

在实施例中，用户向智能家电发出语音信息，以唤醒该智能家电。比如：用户在烹饪时，智能油烟机的当前风量无法满足风量要求，则用户可向智能油烟机说出诸如“调大风量”等之类的语音信息，通过该语音信息调大智能油烟机的风量。

s120、获取语音命令词。

其中，语音命令词为语音信息和语音识别模型输入语音识别算法得到，该语音识别模型根据智能家电的工作场景确定。

用户输入的语音信息一般为口语化的指令信息，需将语音信息通过语音识别模型识别声学特征，以识别出用户输入的语音信息，并将语音信息和语音识别模型输入至预先确定的语音识别算法，以得到语音信息对应的标准命令词，即语音命令词。示例性地，假设用户输入的语音信息为“将油烟机的风量调小至一档”，则智能油烟机接收到的语音命令词为“风量调小至一档”。

具体来说，在智能家电接收到用户输入的语音信息之后，智能家电可提取语音信息中的声学特征，并将声学特征输入到预先确定的语音识别模型中，通过语音识别模型识别声学特征，以识别出用户输入的语音信息，并将语音信息和语音识别模型输入至预先确定的语音识别算法中，以得到对应的语音命令词。

其中，语音识别模型包括声学模型和语言模型。其中，声学模型是对声学、语言学、环境的变量、说话人性别、口音等的差异的知识表示，而语言模型是对一组字序列构成的知识表示。一般来说，声学模型用lstm+ctc训练，得到声学特征到音素的映射；语言模型用srilm工具做lm的训练得到3-gramand4-gram，是词与词、词与句子的映射。对于语音识别系统，声学模型的输出值就是共各个帧计算而得的声学特征，以对语音信息中的各个音素的映射；而语音模型是对语音信息中的各个词、句子的映射。

其中，智能家电的工作场景，可以理解为智能家电的当前使用场景。具体来说，当智能家电为不同的终端设备时，其包括的工作场景也是有区别的。比如，当智能家电为智能油烟机时，其工作场景可包括待机场景、烹饪场景和音视频播放场景等；当智能家电为智能空调时，其工作场景可以包括待机场景、定时工作场景、制冷场景、制热场景等；当智能家电为智能电视时，其工作场景可以包括待机场景、音视频播放场景等，实施例中并不对各个智能家电的上述工作场景进行限定。其中，音视频播放场景可以为单独的音乐播放场景，也可为音频和视频同时使用的场景。

在实施例中，智能家电的工作场景根据智能家电的负载工作模式、后台运行程序和当前时间至少之一确定。其中，负载工作模式可以理解为智能家电中的各个负载所处的工作模式，比如，负载工作模式为工作运行模式和待机模式；后台运行程序，可以理解为智能家电内部正在运行的通讯的相关程序；当前时间为当前的北京时间。一般情况下，在当前时间为早上6点-8点，或者中午11点-12点或者下午5点-7点之间，可认为是智能油烟机处于烹饪场景。示例性地，假设智能家电为智能油烟机，则智能油烟机的负载可包括风机、照明灯、显示屏等，则风机处于工作运行模式，并且当前时间为早上7点，可判定智能油烟机的工作场景为烹饪场景。而当智能油烟机的显示屏处于工作运行模式，且后台运行程序处于通讯交互阶段，同时风机和照明灯处于关闭状态，且只能油烟机中的扬声器处于开启状态，则判定智能油烟机的工作场景为音视频播放场景。当然，在智能家电为不同的终端设备时，需采用不同的依据条件对工作场景进行确定，在实施例中只是以智能油烟机为例对工作场景的确定进行说明，但并不对此进行限定。

在此需要说明的是，在智能家电中设置有预置数据库，在预置数据库中存储有预先训练而得到的不同语音识别模型。在实施例中，当智能家电处于不同工作场景时，其对应的语音识别模型也是不同的。其中，每个语音识别模型对应一个指定的工作场景。示例性地，假设智能家电为智能油烟机，则智能油烟机的工作场景可包括待机场景、烹饪场景和音视频播放场景等。当然，在不同工作场景下，其对应的语音识别模型中高概率使用的命令词列表和低概率使用的命令词列表是完全不同的。比如，当智能油烟机的工作场景为烹饪场景时，则从预置数据库中选择烹饪场景对应的语音识别模型，在该烹饪场景下，由于需要打开风机以对油烟进行处理，或者，打开照明灯以照亮智能油烟机所处的环境，则高概率使用的命令词列表中可包括风机、照明控制相关的命令词，而低概率使用的命令词列表中可包括切换至下一个视频、暂停播放等控制相关的命令词。

s130、根据语音命令词控制智能家电。

具体来说，在智能家电获取到语音命令词之后，根据语音命令词执行相应的命令操作，从而对智能家电的工作场景进行适应性地调整，以满足用户的使用需求。比如，当智能油烟机处于烹饪场景，即风机处于开启状态，此时，用户可发出“把风机关闭”之类的语音信息，则通过将语音信息和烹饪场景对应的语音识别模型输入至预先确定的语音识别算法，以获取到“风机关闭”之类的语音命令词，在智能油烟机接收到“风机关闭”的语音命令词之后，根据该语音命令词将风机的工作模式由开启切换至关闭，以实现对智能油烟机的语音控制。在此说明的是，将“把风机关闭”转化为“风机关闭”是一个语音转文字的过程，即把用户输入的语音信息转换为相应的语音命令词的过程。

本实施例的技术方案，通过接收用户输入的语音信息，并根据智能家电的工作场景确定合适的语音识别模型，然后将语音信息和语音识别模型输入语音识别算法以得到语音命令词，并根据语音命令词控制智能家电。在智能家电处于运算量较小的工作场景时，使用运算量小的语音识别模型，降低智能家电的硬件成本、cpu运算资源和cpu功耗；在智能家电处于运算量较大的工作场景时，自适应地使用运算量大的语音识别模型，从而对cpu运算资源进行合理利用，保证智能家电的工作过程的系统响应速度良好以及整体功耗低。

实施例二

图2是本发明实施例二提供的一种智能家电的控制方法的流程图。本实施例是在上述实施例的基础上，对智能家电的控制方法进行具体化。如图2所示，本实施例的智能家电的控制方法具体包括如下步骤：

s210、训练语音识别模型。

在此需要说明的是，用户在输入语音信息时，可能会受到周围环境的影响而使得智能家电接收到的语音信息中带有噪声，或者用户输入语音信息时带有一定的口音，又或者用户所发出的语音信息存在吐字不清楚的情况等，这些因素可能会影响语音识别模型的识别结果，进而影响智能家电对语音命令词的获取。因此，为了提高语音识别模型的识别率，可在接收语音信息之前，对语音识别模型进行训练。

其中，语音识别模型的训练输入参数包括智能家电的模拟工作场景信息和模拟语音命令词。在实施例中，模拟工作场景信息为对智能家电处于不同工作场景进行模拟的信息。具体来说，当智能家电处于不同工作场景，其所处的周围环境也是不同的，比如，当对智能油烟机处于烹饪场景进行模拟时，由于风机处于开启状态，则智能油烟机所处的周围环境存在噪声，为了使智能油烟机获取到用户输入的语音信息时，更能准确地识别出语音信息，在对声学模型进行训练时，需考虑风机运行的噪声，对模拟语音命令词进行加噪训练的处理。

在实施例中，模拟语音命令词为对智能家电处于不同工作场景下得分不同的语音命令词，可以理解为处于模拟工作场景下的语音命令词。为了提高智能家电的语音识别率，在对模拟工作场景信息和模拟语音命令词进行训练时，可根据不同的模拟工作场景对模拟语音命令词进行设定。具体来说，根据智能家电所处的不同工作场景，确定该工作场景下对应的高概率使用的语音命令词列表和低概率使用的语音命令词列表，然后根据选定的语音命令词列表对模拟工作场景信息和模拟语音命令词进行训练。其中，每个语音命令词列表对应一个模拟工作场景，同时在语音命令词列表中包含有若干个模拟语音命令词。

在智能家电处于不同的工作场景，对声学模型和语言模型进行训练时，会针对不同的模拟语音命令词进行训练，同时在高概率使用的语音命令词列表和低概率使用的语音命令词列表中所出现的语音命令词也是不同的。

以智能油烟机的烹饪场景为例，对训练语音识别模型进行具体说明。针对烹饪场景，由于风机、照明灯等侧重风机控制相关的语音命令词的得分比较高，则在高概率使用的语音命令词列表中可包括关闭风机、开启风机、风量调大、风量调小、一/二/三档风量等侧重风机控制相关的模拟语音命令词，而在低概率使用的语音命令词列表中可包括音量调大、下一首歌、上一首歌、暂停、播放等侧重音乐控制相关的模拟语音命令词。同时，在对声学模型进行模拟训练时，为了使模拟训练的模拟工作场景信息和实际操作过程中的工作场景更加接近，需考虑风机运行的噪声，需在输入模拟语音命令词的同时进行加噪训练的处理。当然，在对语言模型进行训练时，需在语言模型中提升侧重风机控制相关的模拟语音命令词的评分，减少其他模拟语音命令词对应语言模型的分数，进而减少语音识别算法的搜索时间和cpu运算资源。

具体来说，假设模拟语音命令词得分的范围在0-100分，其中，0表示获取的语音命令词与该智能家电的模拟语音命令词完全不匹配，100分表示获取的语音命令词与该智能家电的模拟语音命令词完全匹配，其中，可将高概率使用的语音命令词列表中的模拟语音命令词的预设阈值设为80分，记为第一预设阈值，而低概率使用的语音命令词列表中的模拟语音命令词的预设阈值设为60分，记为第二预设阈值。示例性地，当智能油烟机处于烹饪场景时，则将“关闭风机”、“开启风机”、“风量调大”、“风量调小”以及“一/二/三档风量”等侧重风机控制相关的模拟语音命令词的评分设置在80分以上，而将“音量调大、下一首歌、上一首歌、暂停、播放”等侧重音乐控制相关的模拟语音命令词的评分设置在60分以下，即降低了侧重音乐控制相关的模拟语音命令词对应语言模型的分数，从而减少语音识别模型的搜索时间，进而降低了cpu运算资源的浪费。

在此需要说明的是，针对不同的工作场景对声学模型进行模拟训练时，可以通过声学模型的分数进行设置，也可体现在搜索路径的设置上。示例性地，当智能油烟机处于烹饪场景时，可以对烹饪场景下的模拟语音命令词进行特殊处理。比如，将“分量调大”、“风量掉大”等类似于“风量调大”的模拟语音命令词，也对应到“风量调大”这一语音命令词，从而增加了该语音命令词的语音识别率。同时，不需对“上一首歌”“切换至下一个视频”等侧重音乐控制相关的模拟语音命令词进行特殊处理，从而有效利用了cpu运算资源。

当然，在对语音识别模型进行训练时，为了保证模拟工作环境中语音识别率的准确性，在同一个环境下只有一个智能家电。但在实际应用场景中，并非只有一个智能家电。比如，在某个用户的家中，一般都安装有智能油烟机、智能空调、智能电视以及智能热水器等终端设备，此时，就会出现同一个语音命令词可能适用于多个终端设备的情况，从而会造成智能家电的误触发率。

为了保证智能家电的语音识别率和增加多样性，可选取多个模拟语音命令词分别训练多个语音识别模型，且每个语音识别模型之间是相互独立的。同时，为了降低智能家电的误触发率，在对语音识别模型进行训练时，可对模拟语音命令词进行对应的设置。比如，智能油烟机和智能电视在处于音视频播放场景下，高概率使用的命令词列表中都存在有音量、节目、下一首/上一首等音乐控制相关的命令词，则在对智能油烟机处于音视频播放场景下的语音识别模型进行训练时，可将模拟语音命令词设置为“油烟机的音量调小”“油烟机切换至下一首”等之类的词语；相应的，智能电视在音视频播放场景下的语音识别模型进行训练时，可将模拟语音命令词设置为“电视的音量调小”、“电视切换至下一个频道”等类似的词语，即在模拟语音命令词中设置有智能家电的名称和操作命令。

当然，在实施例中只是示例性地在模拟语音命令词中设置有智能家电的名称和操作命令，也可以采用指定的语音命令词代表一种智能家电，以将不同的智能家电作为区分，比如，将智能热水器命名为“小爱”，从而在智能热水器进行训练时，需在模拟语音命令词中设置有小爱和相应的操作指令。

s220、接收语音信息。

s230、获取语音命令词。

其中，语音命令词为语音信息和语音识别模型输入语音识别算法得到，语音识别模型根据智能家电的工作场景确定。

其中，语音识别算法的搜索精度根据智能家电的工作性能确定。在实施例中，智能家电的工作性能至少包括智能家电的cpu使用率和cpu功耗之一。

其中，cpu使用率为当前运行进程占用的cpu运算资源，表示该智能家电在某个时间点的运行进程的情况。一般而言，cpu使用率为当前所有运行进程占用cpu运算资源的情况，并非单一某一个运行进程占用cpu运算资源的情况。具体的，cpu使用率越高，说明该智能家电在这个时间点上运行的进程越多，反之越少。当然，cpu使用率的高低与当前运行进程的数量之间并不是严格的正比例关系，比如，当前有两个进程处于运行状态，但每个进程的cpu消耗都是30％；当然，也有可能当前有10个进程处于运行状态，但每个进程的cpu消耗只有1％。具体来说，当cpu使用率增加，则表示语音识别算法消耗了较大的cpu运算资源，此时应适当调整语音识别算法的搜索精度，以降低cpu的使用率，从而使智能家电的卡顿、发热严重等现象得到改善；反之，当cpu使用率降低，则表示语音识别算法消耗了较小的cpu运算资源，此时可适当提高语音识别算法的搜索精度。

相应的，cpu功耗为流经智能家电的处理器核心的电流值与该处理器上的核心电压值的乘积，也是对智能家电散热系统的判断条件。一般来说，若cpu功耗低，则说明cpu发热量小，间接地说明cpu使用率也比较低；反之，若cpu功耗高，则说明cpu发热量大，间接地说明cpu使用率也比较高。通常情况下，cpu功耗上升，是因为智能家电中cpu自身的工作频率得到了提高，比如，将智能家电中cpu自身的工作频率从600mhz提升到了1ghz，则cpu功耗也随之上升。同时，工作频率与cpu使用率成正比，可以理解为，由于cpu使用率较高，导致智能家电当前的工作频率已无法满足需求，则需提高智能家电的工作频率。

具体来说，语音识别算法的搜索精度根据智能家电的工作性能确定，具体包括如下步骤s10-s20：

s10、获取智能家电的当前进程运行时间。

其中，当前进程运行时间为智能家电中当前进程所占用cpu的时间。一般来说，在分时多任务操作系统对cpu都是分时间片使用的，可以理解为当a进程正在占用cpu时，b进程并未占用cpu。在实施例中，当智能家电处于开启状态时，智能家电中的各个负载、后台运行程序以及前台运行程序均有对应的进程，可根据现有技术中当前进程运行时间的计算方式对智能家电中当前进程的运行时间进行计算而得到。

s20、计算语音识别算法的剪枝系数。

其中，剪枝系数根据智能家电的cpu使用率确定，cpu使用率为当前进程运行时间占cpu总运行时间的比例，搜索精度与剪枝系数成反比。

在实施例中，cpu使用率为当前进程运行时间占cpu总运行时间的比例。示例性地，假设智能家电中运行有a进程和b进程，其中，a进程占用10ms，b进程占用30ms，空闲60ms；然后又是a进程占用10ms，b进程占用30ms，空闲60ms，若一段时间内都是如此，则这段时间内的cpu占用率为40％。其中，cpu占用率即为cpu使用率。

其中，剪枝系数为语音识别算法中对决策树剪枝算法进行剪枝而使用的一个参数。具体来说，语音识别算法的搜索精度一方面由智能家电的工作性能确定，另一方面还与语音识别算法的复杂度有关。当剪枝系数越高时，表明语音识别算法的复杂度越低，反之，当剪枝系数越低时，表明语音识别算法的复杂度越高。其中，剪枝系数根据智能家电的cpu使用率确定，具体来说，剪枝系数与cpu使用率之间的关系与智能家电当前所采用的语音识别算法和语音识别模型有关，取决于随着剪枝系数的增大，语音识别算法的运算按何种关系进行下降。在实施例中，剪枝系数越高，则在语音识别算法中进行最佳路径搜索时，就越容易裁剪掉得分不够高的分支路径，从而使cpu运算量减少，但搜索精度也随之下降。示例性地，剪枝系数与cpu使用率之间的关系式为b＝a*c+b，其中，b是剪枝系数，c是智能家电当前的cpu使用率，a和b是经验系数。其中，a和b是在研发阶段通过大量实验进行测试而得到的。可以看出，剪枝系数和cpu使用率是呈线性关系，当剪枝系数b增加时，对经验系数a和b进行调整，以使cpu使用率c随之下降。

在此说明的是，在语音识别算法中对某个语音命令词进行搜索时，会有若干个搜索路径，为了减少智能家电在运行语音识别算法时的cpu运算资源，需将语音识别算法中概率不够高的分支路径裁剪掉。具体的，在语音识别算法的决策树中有若干层，在每一层均有若干个叶节点，则在对分支路径进行裁剪的过程中，需根据预先设定的剪枝系数对分支路径进行裁剪，将概率低于剪枝系数的分支路径裁剪掉，以减少cpu运算资源的使用。示例性地，假设剪枝系数为0.9，在语音识别算法其中的三条分支路径分别为a、b和c，其中，a、b和c路径的概率分别为90％、85％和80％，则在对分支路径进行裁剪时，会将b路径和c路径裁剪掉，从而识别出语音识别算法中的最佳搜索路径，进而减少了搜索时间。

值得注意的是，在实施例中只是示例性地列出剪枝系数和cpu使用率的运算关系，且剪枝系数和cpu使用率是呈线性关系，但并不对其进行限定，在具体实际操作中，剪枝系数和cpu使用率也可以呈非线性关系。

s240、根据语音命令词控制智能家电。

本实施例的技术方案，在上述实施例的基础上，通过获取智能家电的当前进程运行时间，以得到cpu使用率，并根据cpu使用率确定语音识别算法的剪枝系数，以裁剪掉语音识别算法中概率不够高的分支路径，从而实现根据当前cpu运算资源的情况，动态调整语音识别算法的搜索精度，以使cpu运算资源得到合理的利用，进而提高了智能家电的cpu利用率。

实施例三

图3是本发明实施例三提供的一种智能家电的控制方法的流程图。本实施例是在上述实施例的基础上，作为一个优选实施例，对智能家电的控制方法进行具体说明。该控制方法具体包括如下步骤：

s310、判断当前设备的使用场景。

其中，设备为一种终端设备，比如，智能油烟机、智能空调、智能电视等智能家电。实施例中，使用场景为当前智能家电的工作场景。具体来说，在对当前智能家电的工作场景进行确定时，需先采集智能家电的各种信息，比如，可采集当前智能家电的前台和后台正在运行的应用程序，当前智能家电中各个负载的运行情况，以及当前时间等信息，并根据上述信息确定工作场景。示例性地，智能家电为智能油烟机时，可对智能家电中的风机、照明灯等负载的运行情况进行采集，当风机处于正在运行中的工作模式时，可以判定该智能油烟机处于烹饪场景。又或者，在当前时间为下午6点半时，也可判定该智能油烟机处于烹饪场景。

当然，为了保证确定工作场景的准确性，可采集智能家电的多个信息，比如，根据负载的运行情况，当前时间以及前台运行程序，对智能家电的工作场景进行确定。示例性地，智能油烟机的照明灯处于开启状态，当前时间为下午5点半，但风机处于关闭状态，且在显示屏上显示有视频播放界面，同时扬声器也发出音频信息，则可判定智能油烟机处于音视频播放场景。

s320、查询数据库，选择合适的算法模型。

其中，在数据库中存储有预先训练的语音识别模型。在实施例中，算法模型即为运行语音识别算法时所采用的语音识别模型，具体来说，在确定智能家电的工作场景后，可根据当前智能家电工作场景的相关信息，查询预置的数据库，选择合适的声学模型和语音模型。其中，预置的数据库是在设备研发阶段进行确认的，首先根据设备的类型对工作场景进行划分，比如，设备为智能油烟机时，可将工作场景分为待机场景、烹饪场景和音视频播放场景等。根据每个不同的工作场景，确定该工作场景下的高概率使用的命令词列表和低概率使用的命令词列表。针对选定的命令词列表进行相应的语音识别模型的训练。比如，针对烹饪场景，声学模型重点训练风机控制相关的命令词，同时考虑风机运行的噪声，进行加噪训练的处理，在语言模型中提升风机控制相关命令词的评分，同时减少风机控制相关语音命令词的相关拒识路径，以减少cpu运算量。其中，拒识路径，可以理解为语言模型中一种为了防止近音词导致对语音命令词的误识别而增加的“拒绝识别”的路径。示例性地，针对“打开风机”这条语音命令词，则可设置一条类似于“打开风扇”的拒识路径，以防止用户在发出“打开风扇”的语音信息时，智能家电将其识别为“打开风机”而导致对智能家电的误操作。尤其是在烹饪场景下，由于用户需对风机进行控制操作，则在该场景下，“打开风机”这条语音命令词的使用概率比较高，若减少了风机控制相关语音命令词对应的相关拒识路径，则使得智能家电的误操作概率下降，从而减少了语音识别算法在进行语音信息对应的语音命令词搜索时的搜索路径，进而缩短了搜索时间，节省了cpu运算资源。

示例性地，配置有语音识别功能的智能油烟机，具有油烟机风机控制，以及音乐控制两类预置的模拟语音命令词，比如，油烟机风机控制的模拟语音命令词包括：“关闭风机”、“风量调大”、“三档风量”等；音乐控制的模拟语音命令词包括：“音量调大”、“下一首歌”等。当监测到用户打开了智能油烟机时，语音识别算法选择使用针对风机控制命令做了训练，同时进行了加噪训练的声学模型，以及选择侧重风机控制相关命令词的语言模型；而当监测到用户打开了音乐播放器界面，则语音识别算法选择针对音乐控制命令做了侧重优化的声学模型和语言模型。

s330、计算当前cpu使用率。

具体来说，对智能家电当前的cpu使用率进行计算，以便于计算语音识别算法的剪枝系数。其中，对cpu使用率的计算方法有多种，比如，根据空闲进行运行时间占cpu总运行时间的比例来计算cpu使用率，也可根据当前进程运行时间占cpu总运行时间的比例来计算cpu使用率。

s340、根据当前cpu使用率选择合适的剪枝系数。

在实施例中，根据当前智能家电的cpu使用率，确定在语音识别算法中搜索最佳分支路径时的剪枝系数。其中，剪枝系数越高，在进行最佳分支路径搜索时，就越容易裁剪掉概率不够高的分支路径，从而使cpu运算量减小，相应的，语音识别算法的搜索精度也下降。具体的，当监测到当前智能家电的cpu消耗比较高时，表明当前智能家电的cpu使用率较高，则需适当地增大语音识别算法的剪枝系数，以降低搜索精度，进而降低cpu消耗；反之，当cpu消耗比较低时，表明当前智能家电的cpu使用率较低，则需适当地减小语音识别算法的剪枝系数，以提高语音识别算法的搜索精度。

s350、运行语音识别算法，识别用户语音命令。

具体的，在根据智能家电的工作场景确定语音识别模型，以及语音识别算法的剪枝系数之后，将语音识别模型和用户发出的语音信息输入至语音识别算法，以运行语音识别算法，对用户发出的语音信息进行识别，得到语音命令词，以对智能家电进行语音控制。

本实施例的技术方案，根据智能家电的使用场景，选择合适的语音识别模型，在保证语音识别率的前提下，尽量降低cpu运算资源的消耗；同时，根据当前智能家电的cpu使用率，动态调整语音识别算法的搜索精度，提高了cpu的利用率。

图4是本发明实施例三提供的一种多个智能家电的结构示意图。如图4所示，以某个用户的家中配置有智能油烟机301、智能空调302、智能电视303以及智能热水器304这四个终端设备，对智能家电的控制方法进行具体说明。

假设用户300发出“将电视节目暂停”的语音信息，以对智能电视303进行语音控制，但若此时智能油烟机301的工作环境也是处于音视频播放场景，其语音识别模型中高概率使用的命令词列表中也包含有“暂停”类似的模拟语音命令词，则此时需根据语音命令词中的设备名称选择对应的智能家电，以对其进行语音控制。具体来说，在用户300发出该语音信息之后，处于当前环境下的这四个终端设备均会接收到该语音信息，由于智能油烟机301和智能电视303均处于音视频播放场景，则智能电视303在接收到该语音信息时，将该语音信息和预先根据音视频播放场景确定的语音识别模型输入至语音识别算法中，以得到对应的语音命令词，然后根据该语音命令词将智能电视的节目暂停。图5是本发明实施例三提供的一种电视节目暂停的显示示意图，如图5所示，在智能电视303的显示屏3031上显示有暂停按键3032的界面，以提示用户已将电视节目暂停，从而可使用户在显示屏上直观地观察到智能电视303执行语音命令词之后的效果；而智能油烟机301在接收到该语音信息时，由于该语音信息中并未包含有“油烟机”这个设备名称，则智能油烟机301并未根据该语音信息得到对应的语音命令词，即智能油烟机301并不进行任何响应。

当然，在实施例中只是示例性地以“将电视节目暂停”和智能油烟机301、智能空调302、智能电视303以及智能热水器304为例，对智能家电的控制方法进行说明。在实际操作过程中，用户可根据实际情况进行设定，对此并不进行限定。

实施例四

图6为本发明实施例四提供的一种智能家电的控制装置的结构示意图。本实施例提供的智能家电的控制装置可以集成在智能家电中，该智能家电可以是两个或多个物理实体构成，也可以是一个物理实体构成，该智能家电可以是智能家电，比如，智能油烟机、智能空调、智能电视、智能热水器等。参考图6，本实施例提供的智能家电的控制装置具体包括：接收模块410、获取模块420和控制模块430。

其中，接收模块410，用于接收语音信息；

获取模块420，用于获取语音命令词，该语音命令词为语音信息和语音识别模型输入语音识别算法得到，该语音识别模型根据智能家电的工作场景确定；

控制模块430，用于根据语音命令词控制智能家电。

本实施例的技术方案，通过接收用户输入的语音信息，并根据智能家电的工作场景确定合适的语音识别模型，然后将语音信息和语音识别模型输入语音识别算法以得到语音命令词，并根据语音命令词控制智能家电。在智能家电处于运算量较小的工作场景时，使用运算量小的语音识别模型，降低智能家电的硬件成本、cpu运算资源和cpu功耗；在智能家电处于运算量较大的工作场景时，自适应地使用运算量大的语音识别模型，从而对cpu运算资源进行合理利用，保证智能家电的工作过程的系统响应速度良好以及整体功耗低。

在上述实施例的基础上，该智能家电的控制装置，还包括：

确定模块，用于语音识别算法的搜索精度根据智能家电的工作性能确定。

在上述实施例的基础上，所述智能家电的工作性能至少包括智能家电的cpu使用率和cpu功耗之一。

在上述实施例的基础上，该确定模块，还包括：

获取单元，用于获取智能家电的当前进程运行时间；

计算单元，用于计算语音识别算法的剪枝系数，该剪枝系数根据智能家电的cpu使用率确定，该cpu使用率为当前进程运行时间占cpu总运行时间的比例，搜索精度与剪枝系数成反比。

在上述实施例的基础上，该智能家电的控制装置，还包括：

训练模块，用于在获取语音命令词之前，训练语音识别模型，该语音识别模型的训练输入参数包括智能家电的模拟工作场景信息和模拟语音命令词。

在上述实施例的基础上，语音识别模型包括声学模型和语言模型。

在上述实施例的基础上，智能家电的工作场景根据智能家电的负载工作模式、后台运行程序和当前时间至少之一确定。

上述智能家电的控制装置可执行本发明任意实施例所提供的智能家电的控制方法，具备执行方法相应的功能模块和有益效果。

实施例五

图7为本发明实施例五提供的一种智能家电的结构示意图。该智能家电包括：处理器510、存储器520、输入装置530、输出装置540以及显示屏550。该智能家电中处理器510的数量可以是一个或者多个，图7中以一个处理器510为例。该智能家电中存储器520的数量可以是一个或者多个，图7中以一个存储器520为例。该智能家电的处理器510、存储器520、输入装置530、输出装置540以及显示屏550可以通过总线或者其他方式连接，图7中以通过总线连接为例。实施例中，智能家电可以为智能油烟机、智能空调、智能电视、智能热水器等。

存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的智能家电对应的程序指令/模块(例如，智能家电的控制装置中的接收模块510、获取模块520以及控制模块530)。存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置530可用于接收输入的数字或者字符信息，以及产生与智能家电的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置540可以包括扬声器等音频设备。需要说明的是，输入装置530和输出装置540的具体组成可以根据实际情况设定。

显示屏550可以为具有触摸功能的显示屏550，其可以是电容屏、电磁屏或红外屏。一般而言，显示屏550用于根据处理器510的指示显示数据，例如显示智能家电的状态信息，比如，用于显示电量信息、所处工作模式等信息，还用于接收作用于显示屏550的触摸操作，比如，在智能家电为油烟机时，可为调大风量、切换工作模式等选项，并将相应的信号发送至处理器510或其他装置。

处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的智能家电的控制方法。

上述提供的智能家电可用于执行上述任意实施例提供的智能家电的控制方法，具备相应的功能和有益效果。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种智能家电的控制方法，包括：

接收语音信息；

获取语音命令词，该语音命令词为语音信息和语音识别模型输入语音识别算法得到，该语音识别模型根据智能家电的工作场景确定；

根据语音命令词控制智能家电。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的智能家电的控制方法操作,还可以执行本发明任意实施例所提供的智能家电的控制方法中的相关操作，且具备相应的功能和有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的vbo显示接口的测试方法。

值得注意的是，上述智能家电的控制装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。