基于多音区的语音识别方法、装置及计算机设备与流程

1.本发明属于人工智能技术领域，具体涉及一种基于多音区的语音识别方法、装置及计算机设备。

背景技术：

2.随着人工智能及语音识别技术的不断发展，汽车行业的智能语音助手相对于其他领域的智能语音助手，有着不一样的需求，需要在车内全场景体验到智能。多音区识别方案，是通过声源定位技术，定位到说话人的位置，然后锁定说话人的位置，只处理说话人的意图。比如：某个位置唤醒了语音助手，声源会定位到那个位置，此时只有这个位置的人说话可以被识别，其他位置说话会被忽略。
3.相关技术中，当车内存在两个以上的麦克风时，因为用户间说话是连续性的会导致采集多出语音，因而对目标位置定位不准确，造成识别率低，用户语音交互体验差的问题。

技术实现要素：

4.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于多音区的语音识别方法、装置及计算机设备，以解决现有技术中用户交叉说话造成识别率低，用户语音交互体验差的问题。
5.为实现以上目的，本发明采用如下技术方案：一种基于多音区的语音识别方法，包括：
6.获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；
7.将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；
8.计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
9.进一步的，所述对其中语音能量值最大的目标音区对应的语音数据进行语音识别，包括：
10.如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
11.进一步的，在预设时间内确定语音数据所属的目标音区之前，还包括：
12.将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；
13.如果存在，确定所述唤醒词对应的目标音区为唤醒音区。
14.进一步的，所述对其中语音能量值最大的目标音区对应的语音数据进行语音识
别，包括：
15.判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。
16.进一步的，当所述语音数据所述的音区为多个时，在确定语音能量值最大的音区的语音数据之后，还包括：
17.对所述语音能量值最大的音区之外的其他音区的语音数据进行降噪处理。
18.本技术实施例提供一种基于多音区的语音识别装置，包括：
19.获取模块，用于获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；
20.检测模块，用于将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；
21.识别模块，用于计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
22.进一步的，所述识别模块，包括：
23.第一判断单元，用于如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
24.进一步的，还包括：
25.唤醒模块，用于将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；
26.如果存在，确定所述唤醒词对应的目标音区为唤醒音区。
27.进一步的，所述识别模块，包括：
28.第二判断单元，用于判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。
29.本技术实施例提供一种计算机设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一项基于多音区的语音识别方法的步骤。
30.本技术实施例还提供一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一项基于多音区的语音识别方法的步骤。
31.本发明采用以上技术方案，能够达到的有益效果包括：
32.本发明提供一种基于多音区的语音识别方法、装置及计算机设备，所述方法包括
获取麦克风组收集的语音环境中的语音数据；其中，对麦克风组中的每个麦克风设置目标音区，语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算语音数据的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。通过本技术提供的技术方案，能够对用户语音交互过程中获取的语音数据进行多个音区的区分，进而进行精确识别，提高用户交叉说话的语音识别率，提升此类场景的用户语音交互体验。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。
34.图1为本发明基于多音区的语音识别方法的步骤示意图；
35.图2为本发明基于多音区的语音识别方法的流程示意图；
36.图3为本发明基于多音区的语音识别方法的另一个流程示意图；
37.图4为本发明基于多音区的语音识别装置的结构示意图；
38.图5为本发明基于多音区的语音识别方法实施环境的硬件结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
40.下面结合附图介绍本技术实施例中提供的一个具体的基于多音区的语音识别方法、装置及计算机设备。
41.如图1所示，本技术实施例中提供的基于多音区的语音识别方法，包括：
42.s101，获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；
43.可以理解的是，本技术提供的技术方案可以应用在汽车中，可以将汽车中的空间或环境划分为多个音区，称之为环境音区，在汽车中设置多个麦克风，每个麦克风均设置有目标音区，可以理解的是，目标音区均属于环境音区。每个麦克风能够收集对应目标音区的语音数据。可以理解的是，当多人说话或者用户之间语音交互时，其他目标音区的语音数据也会进行传输，被当前目标音区对应的麦克风收集。因此，一个麦克风可能收集到多个音区的语音数据。
44.s102，将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；
45.需要说明的是，本技术中提供的语音端点检测模型采用现有技术实现，本技术在
此不做限定。语音端点检测模型还可以称为vad仲裁。
46.s103，计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
47.vad仲裁是根据语音信号来选择锁定位置的，如果只有一个音区有语音信号，则锁定这个音区。如果特定时间内，多个音区有语音信号，则选取声音能量值大的音区进行锁定。
48.其中，语音能量值的计算方法为对所述待识别语音进行分析，根据预设时间段的区间采样点的值计算平均值，将所述平均值确定为语音能量值。
49.基于多音区的语音识别方法的工作原理为：参见图2，首先获取车内所有麦克风收集的语音数据，其中，语音数据可能包括多个目标音区的语音信号，语音端点检测模型对语音信号进行检测，确定语音信号所述的目标音区，其中目标音区可能为多个，也可能为一个，锁定语音能量值最大的目标音区进行语音识别。
50.一些实施例中，所述对其中语音能量值最大的目标音区对应的语音数据进行语音识别，包括：
51.如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
52.具体的，本技术中首先判断目标音区的个数，如果目标音区只有一个，则直接锁定该目标音区进行语音识别；当存在语音信号的目标音区为多个时，要先计算目标音区中语音能量值，将语音能量值最大的目标音区认为是用户所在位置，锁定该目标音区，对该目标音区的语音信号进行识别。
53.一些实施例中，如图3所示，在预设时间内确定语音数据所属的目标音区之前，还包括：
54.将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；
55.如果存在，确定所述唤醒词对应的目标音区为唤醒音区。
56.例如待识别语音为：“你好小意，打开xxapp”，其中，“你好小意”为唤醒词，可以理解的是，唤醒词通过唤醒算法存储在语音唤醒引擎中，唤醒词可以包括多个，本技术在此不做限定。语音唤醒引擎对待识别语音进行分析识别到唤醒词后，将唤醒词对应的目标音区确定为唤醒音区。
57.所述对其中语音能量值最大的目标音区对应的语音数据进行语音识别，包括：
58.判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。
59.具体的，本技术首先采用唤醒词确定目标音区，然后判断唤醒音区是否为目标音区中语音能量值最大的音区，当前唤醒音区的语音能量值最大时，直接锁定当前唤醒音区，当前语音能量值不是最大时，则等待一下其他音区，判断是否有其他音区唤醒，如果有，选
择多个音区中置信度最高的那个音区进行锁定。所述置信度是语音唤醒模型对目标音区的判断得分，其中，语音唤醒模型采用现有技术实现，本技术在此不做限定。
60.一些实施例中，当所述语音数据所述的音区为多个时，在确定语音能量值最大的音区的语音数据之后，还包括：
61.对所述语音能量值最大的音区之外的其他音区的语音数据进行降噪处理。
62.本技术提供的技术方案，sdk支持识别每个座位发出的声音sdk通过声源定位技术可以追踪到声音的来源方向，输出声源的角度信息。当用户输入唤醒词激活助手，sdk可以通过唤醒的语音数据检测到声源的位置信息，然后锁定声源位置，之后会对后面采集到的原始语音信号进行降噪处理，消除锁定位置以外的声音，最终送入解码器解码的语音数据是目标位置的。一旦确定了目标位置，sdk会把锁定位置以外的语音输入当做干扰噪声进行消除，解决用户交叉说话给识别率带来的影响，提升此类场景的用户语音交互体验。
63.本技术在对语音数据进行分析时，如果存在唤醒词则先对唤醒音区进行语音能量值计算，如果不存在唤醒词，则直接判断语音数据所属的目标音区。
64.如图4所示，本技术实施例提供一种基于多音区的语音识别装置，包括：
65.获取模块401，用于获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；
66.检测模块402，用于将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；
67.识别模块403，用于计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
68.本技术实施例提供的基于多音区的语音识别装置的工作原理为，获取模块401获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；检测模块402将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；识别模块403计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
69.一些实施例中，所述识别模块，包括：
70.第一判断单元，用于如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
71.一些实施例中，还包括：
72.唤醒模块，用于将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；
73.如果存在，确定所述唤醒词对应的目标音区为唤醒音区。
74.一些实施例中，所述识别模块，包括：
75.第二判断单元，用于判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段
后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。
76.本技术提供一种计算机设备，包括：存储器和处理器，还可以包括网络接口，所述存储器存储有计算机程序，存储器可以包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。该计算机设备存储有操作系统，存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时，使得所述处理器执行基于多音区的语音识别方法，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
77.在一个实施例中，本技术提供的基于多音区的语音识别方法可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。
78.一些实施例中，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
79.本技术还提供一种计算机存储介质，计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光光盘(dvd)或其他光学存储、磁盒式磁带存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
80.一些实施例中，本发明还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。
81.综上所述，本发明提供一种基于多音区的语音识别方法、装置及计算机设备，所述方法包括获取麦克风组收集的语音环境中的语音数据；其中，对麦克风组中的每个麦克风设置目标音区，语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算语音数据的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。本发明能够对多音区语音进行精确识别，提高用户交叉说话的语音识别率，提升此类场景的用户语音交互体验。
82.可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内
容可以相互参考，在此不再赘述。
83.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
84.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
85.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
86.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
87.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种基于多音区的语音识别方法，其特征在于，包括：获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。2.根据权利要求1所述的方法，其特征在于，所述对其中语音能量值最大的目标音区对应的语音数据进行语音识别，包括：如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。3.根据权利要求1所述的方法，其特征在于，在预设时间内确定语音数据所属的目标音区之前，还包括：将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；如果存在，确定所述唤醒词对应的目标音区为唤醒音区。4.根据权利要求3所述的方法，其特征在于，所述对其中语音能量值最大的目标音区对应的语音数据进行语音识别，包括：判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。5.根据权利要求1至4任一项所述的方法，其特征在于，当所述语音数据所述的音区为多个时，在确定语音能量值最大的音区的语音数据之后，还包括：对所述语音能量值最大的音区之外的其他音区的语音数据进行降噪处理。6.一种基于多音区的语音识别装置，其特征在于，包括：获取模块，用于获取麦克风组收集的语音环境中的语音数据；其中，对所述麦克风组中的每个麦克风设置目标音区，所述语音环境包括多个环境音区，目标音区为多个环境音区中的一个；检测模块，用于将所述语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；识别模块，用于计算所述语音数据所述的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。7.根据权利要求6所述的装置，其特征在于，所述识别模块，包括：第一判断单元，用于如果所述语音数据所属的目标音区为一个，则对该音区的语音数据进行识别；如果所述语音数据所属的目标音区为多个，则计算多个所属的目标音区中每个目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识
别。8.根据权利要求6所述的方法，其特征在于，还包括：唤醒模块，用于将所述语音数据输入至语音唤醒引擎中，所述语音唤醒引擎判断所述语音数据中是否存在某个目标音区的唤醒词；如果存在，确定所述唤醒词对应的目标音区为唤醒音区。9.根据权利要求8所述的装置，其特征在于，所述识别模块，包括：第二判断单元，用于判断所述唤醒音区是否为目标音区中语音能量值最大的音区，如果是，则对所述唤醒音区对应的语音数据进行语音识别；否则，等待第二预设时间段后，判断是否存在该唤醒音区之外的其他唤醒音区；如果不存在，则对所述唤醒音区对应的语音数据进行语音识别；如果存在，则通过唤醒引擎计算多个唤醒音区的置信度，对其中置信度最大的唤醒音区对应的语音数据进行语音识别。10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的基于多音区的语音识别方法。

技术总结

本发明涉及一种基于多音区的语音识别方法、装置及计算机设备，所述方法包括获取麦克风组收集的语音环境中的语音数据；其中，对麦克风组中的每个麦克风设置目标音区，语音环境包括多个环境音区，目标音区为多个环境音区中的一个；将语音数据输入至语音端点检测模型中进行检测，在第一预设时间段内确定语音数据所属的目标音区；计算语音数据的目标音区的语音能量值，对其中语音能量值最大的目标音区对应的语音数据进行语音识别。本发明能够对多音区语音进行精确识别，提高用户交叉说话的语音识别率，提升此类场景的用户语音交互体验。提升此类场景的用户语音交互体验。提升此类场景的用户语音交互体验。