一种免唤醒的语音识别方法、装置、设备及存储介质与流程

1.本发明涉及语音识别技术领域，尤其涉及一种免唤醒的语音识别方法、装置、设备及存储介质。

背景技术：

2.随着人工智能技术的快速发展，语音识别在车载设备等人工智能ai设备的控制领域扮演着重要的角。
3.目前，通常在每次使用语音控制ai设备之前，都需要通过说出唤醒词或开启语音功能启动界面、按键或图标来启动语音识别和控制功能，才能发出语音指令。
4.但是，在用户对ai设备的语音功能不熟悉，或者语音指令急迫的情况下，这对用户的使用体验是十分不友好的，也违背了语音识别的初衷。

技术实现要素：

5.本发明提供了一种免唤醒的语音识别方法、装置、设备及存储介质，以解决在语音识别前需要先唤醒语音识别功能的问题，实现免唤醒的语音识别方法，提升用户的使用体验。
6.根据本发明的一方面，提供了一种免唤醒的语音识别方法，包括：
7.通过视觉传感器采集用户的视觉信息，根据所述视觉信息确定视线注视事件对应的视线注视起止时间；
8.通过语音传感器采集用户的语音信息，根据所述语音信息确定语音检测事件对应的语音检测起止时间；
9.根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度；
10.根据所述时间重合度对所述语音信息进行语音识别确定语音识别结果。
11.根据本发明的另一方面，提供了一种免唤醒的语音识别装置，其特征在于，包括：
12.视觉识别模块，用于通过视觉传感器采集用户的视觉信息，根据所述视觉信息确定视线注视事件对应的视线注视起止时间；
13.语音检测模块，用于通过语音传感器采集用户的语音信息，根据所述语音信息确定语音检测事件对应的语音检测起止时间；
14.重合度确定模块，用于根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度；
15.识别结果确定模块，用于据所述时间重合度对所述语音信息进行语音识别确定语音识别结果。
16.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
17.至少一个处理器；以及
18.与所述至少一个处理器通信连接的存储器；其中，
19.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的免唤醒的语音识别方法。
20.根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的免唤醒的语音识别方法。
21.本发明实施例的技术方案，通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间；通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间；根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的时间重合度；根据时间重合度对语音信息进行语音识别确定语音识别结果，解决了在语音识别前需要先唤醒语音识别功能的问题，达到了实现免唤醒的语音识别方法，提升用户的使用体验的有益效果。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.为了更清楚地说明本发明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。
24.图1是根据本发明实施例一提供的一种免唤醒的语音识别方法的流程图；
25.图2是根据本发明实施例二提供的一种免唤醒的语音识别方法的流程图；
26.图3a至图3c是视线注视事件和语音检测事件的时间重合的示意图；
27.图4是根据本发明实施例二提供的又一种免唤醒的语音识别方法的流程图；
28.图5是根据本发明实施例三提供的一种免唤醒的语音识别装置的结构示意图；
29.图6是实现本发明实施例的免唤醒的语音识别方法的电子设备的结构示意图。
具体实施方式
30.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
31.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品
或设备固有的其它步骤或单元。
32.实施例一
33.图1为本发明实施例一提供了一种免唤醒的语音识别方法的流程图，本实施例可适用于在免唤醒的条件下启动电子设备的语音识别功能，对用户发出的语音进行语音识别的情况，该方法可以由免唤醒的语音识别装置来执行，该免唤醒的语音识别装置可以采用硬件和/或软件的形式实现，该免唤醒的语音识别装置可配置于电子设备中。如图1所示，该方法包括：
34.s110、通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间。
35.其中，视觉传感器可以是任何具备图像采集功能的设备，如图像采集器等。视觉信息是通过视觉传感器采集的能够反映用户视线落入区域的信息，例如可以包括：用户的视线落入区域和视线角度等。
36.需要说明的是，通过视觉传感器所采集的信息除了包含视觉信息，可能还包括其他面部信息、手势信息或行为信息，因此，需要对视觉传感器所采集的信息进行检测、识别、分类、筛选、过滤等一系列的预处理操作确定视觉信息。本发明实施例对上述预处理操作的具体方法不做限定。
37.其中，视线注视事件是指与用户视线识别相关的事件，如用户的视线角度为目标角度(即用户视线注视目标区域)时对应的注视开始事件和注视结束事件。注视开始事件可以认为是用户的视线开始注视目标区域的事件；注视结束事件可以认为是用户的结束注视目标区域的事件。目标区域可以是语音信息对应的控制对象所在的区域，也可以是预设的区域，如语音识别设备的中控屏幕。
38.具体的，对视觉传感器所采集的用户的视觉信息进行视觉识别，确定视线注视事件，即用户视线注视目标区域的注视开始事件和注视结束事件，并获取注视开始事件和注视结束事件所对应的视线注视起止时间。
39.s120、通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间。
40.其中，语音传感器可以是任何具备声音采集功能的设备，如麦克风等。语音信息是通过视觉传感器采集的用户发出的语音指令信息，例如“给王某打电话”或“提高空调温度等”。
41.需要说明的是，通过语音传感器所采集的语音信息除了包含用户发出的语音指令信息，可能还包括环境噪音或一段时间的空白音频。因此，需要对语音传感器所采集的语音信息进行去噪、筛选、过滤等一系列的预处理操作确定语音信息，也可以对语音信息进行分类确定语音信息对应的控制对象。本发明实施例对上述预处理操作的具体方法不做限定。
42.其中，语音检测事件是指对接收到的用户发出的语音进行语音音频检测构成的事件，例如可以包括：语音检测开始事件和语音检测结束事件。语音检测开始事件可以认为是检测到用户开始发出语音音频的事件；语音检测结束事件可以认为是检测到用户停止发出语音音频的事件。
43.具体的，对语音传感器所采集的用户的语音信息进行语音检测，确定语音检测事件，即语音检测开始事件和语音检测结束事件，并获取语音检测开始事件和语音检测结束
事件所对应的语音检测起止时间。
44.s130、根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的时间重合度。
45.其中，视线注视事件和语音检测事件的时间重合度用于表示用户在发出语音指令和视线注视向目标区域两件事在时间上的重合度。例如，用户发出语音“打开左窗”的事件，以及用户的视线注视向左窗的事件，如两件事在时间上具有重合，则说明用户在发出语音“打开左窗”的同时视线也注视向左窗。
46.具体的，根据视线注视事件对应的视线注视起止时间和语音检测事件对应的语音检测起止时间，能够确定视线注视事件和语音检测事件的时间重合度，用于反映用户的语音和视线是否同步。
47.s140、根据时间重合度对语音信息进行语音识别确定语音识别结果。
48.具体的，若视线注视事件和语音检测事件的时间重合度达到一定的阈值，可以认为用户发出的语音信息和视线所注视向的目标区域具有一致性，确定用户发出的语音信息是需要识别的语音信息，因此开启语音识别功能，对语音信息进行语音识别确定语音识别结果。若视线注视事件和语音检测事件的时间重合度未达到一定的阈值，可以认为用户发出的语音信息和视线所注视向的目标区域不一致，用户发出的语音并非需要识别的语音信息，因此可以保持静默不作反馈。
49.从而，用户在需要发出语音指令时，无需先发出预设的唤醒指令，只需在发出语音指令的同时注视语音指令的控制对象，即可实现免唤醒的语音识别。
50.需要说明的是，本发明实施例提供的免唤醒的语音识别方法，可以与现有的任意一种或多种语音识别方法结合使用，以丰富设备的语音识别功能，满足用户在不同使用场景下的需求，提升用户使用语音识别控制的体验。本发明实施例提供的免唤醒的语音识别方法所应用的场景包括但不限于车载设备的控制，也可以用于智能家居或智能终端设备的控制。
51.本发明实施例，通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间；通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间；根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的时间重合度；根据时间重合度对语音信息进行语音识别确定语音识别结果，解决了在语音识别前需要先唤醒语音识别功能的问题，基于视觉信息和语音信息实现了免唤醒的语音识别方法，增强了语音控制的便利性，提升了用户的使用体验。
52.可选的，步骤s110中根据视觉信息确定视线注视事件对应的视线注视起止时间，包括：
53.s111、对视觉信息进行视觉识别确定视线注视事件，视线注视事件包括：用户视线角度为目标角度时所对应的注视开始事件和注视结束事件，目标角度为语音信息对应的控制对象的角度；
54.其中，用户视线角度为用户的视线与基准线之间的角度，用户视线角度可以用于表示用于视线所注视的区域。目标角度为语音信息对应的执行对象的与线之间的角度，该目标角度可以是为一个具体的数值，或一个预设的范围。各控制对象的目标角度可以
根据是实际场景确定，本发明实施例不作限定。
55.示例性的，在车辆座舱场景下，设定驾驶位面向右窗的方向为基准线，若对语音信息进行分类确定控制对象为左窗，则目标角度为180度；若对语音信息进行分类确定控制对象为车载主机，则目标角度为15度～30度。
56.具体的，对视觉信息进行视觉识别确定用户视线角度，若用户视线角度为语音信息对应的控制对象对应的目标角度，则认为用户注视着语音信息对应的控制对象，将用户开始注视控制对象的事件确定为注视开始事件，用户结束注视控制对象的事件确定为注视结束事件。
57.s112、获取注视开始事件对应的注视起始时间和注视结束事件对应的注视终止时间。
58.具体的，获取用户开始注视控制对象形成的注视开始事件对应的注视起始时间，以及用户结束注视控制对象形成的注视结束事件对应的注视结束时间。根据注视起始时间和注视终止时间可以确定用户注视控制对象的时间段。
59.可选的，步骤s120中根据语音信息确定语音检测事件对应的语音检测起止时间，包括：
60.s121、对语音信息进行语音检测确定语音检测事件，语音检测事件包括：语音检测开始事件和语音检测结束事件。
61.具体的，在接收到用户发出的语音信息时，开始对用户语音信息进行检测，将检测到用户开始发出语音信息的事件确定为语音检测开始事件，将检测到用户结束发出语音信息持续预设时间的事件确定为语音检测结束事件。
62.s122、获取语音检测开始事件对应的语音检测起始时间和语音检测结束事件对应的语音检测终止时间。
63.具体的，获取检测到用户开始发出语音信息形成的语音检测开始事件对应的语音检测起始时间，以及检测到用户结束发出语音信息形成的语音检测结束事件对应的语音检测结束时间。根据语音检测开始时间和语音检测终止时间可以确定用户发出语音的时间段。
64.实施例二
65.图2为本发明实施例二提供的一种免唤醒的语音识别方法的流程图，本实施例对上述实施例的步骤s130和s140进一步细化。如图2所示，该方法包括：
66.s210、通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间。
67.s220、通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间。
68.s230、根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的重合时间长度。
69.示例性的，如图3a所示，视线注视起止时间为te1～te2，语音检测起止时间为tv1～tv2：te1《tv1《tv2《te2,则视线注视事件和语音检测事件的重合时间长度为tv2-tv1。如图3b所示，视线注视起止时间为te3～te4，语音检测起止时间为tv1～tv2：tv1《te3《te4《tv2，则视线注视事件和语音检测事件的重合时间长度为te4-te3。如图3c所示，视线注视起
止时间为te5～te6以及te7～te8，语音检测起止时间为tv1～tv2：te5《tv1《te6《te7《tv2《te8,则视线注视事件和语音检测事件的重合时间长度为(te6-tv1)+(tv2-te7)。
70.s240、根据语音检测起止时间确定语音时间长度，将重合时间长度和语音时间长度的比值确定为时间重合度。
71.示例性的，如图3a所示至图3b所示，语音时间长度均为语音检测终止时间与语音检测起始时间的差值，即tv2-tv1。对于不存在间断的持续视线注视，图3a所示的视线注视事件和语音检测事件的时间重合度为：(tv2-tv1)/(tv2-tv1)＝100％；图3b所示视线注视事件和语音检测事件的时间重合度为：(tv4-tv3)/(tv2-tv1)。对于存在间断的持续视线注视，图3c所示的视线注视事件和语音检测事件的时间重合度为((te6-tv1)+(tv2-te7))/(tv2-tv1)。
72.s250、若时间重合度大于第一预设阈值，则对语音信息进行语音识别确定语音识别结果。
73.其中，第一预设阈值可以理解为期望时间重合度，可以根据实际需求设定，也可以由用户根据实际使用场景设定。本发明实施例对此不设限制。
74.具体的，若时间重合度大于第一预设阈值，则说明认为用户发出的语音信息和视线所注视向的控制对象具有一致性，指示用户发出的语音信息需要被识别。因此，对语音信息进行语音识别确定语音识别结果。语音识别结果可以是用户的语义意图，也可以是语义识别反馈信息，如“不清楚用户意图，请再说一次”等。
75.示例性的，设定第一预设阈值为80％，则图3a所示的视线注视事件和语音检测事件的时间重合度为100％，对该语音信息进行语音识别确定语音识别结果。图3b所示的视线注视事件和语音检测事件的时间重合度若为70％，则不用对该语音信息进行语音识别，保持静默，等待语音信息和视觉信息的输入。
76.本发明实施例，通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间；通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间；根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的重合时间长度；根据语音检测起止时间确定语音时间长度；将重合时间长度和语音时间长度的比值确定为时间重合度；若时间重合度大于第一预设阈值，则对语音信息进行语音识别确定语音识别结果，基于视觉信息和语音信息实现了免唤醒的语音识别方法，增强了语音控制的便利性，提升了用户的使用体验。
77.可选的，步骤s230包括：对语音信息进行语音识别确定语音识别结果，包括：
78.s231、对语音信息进行语音识别确定语义意图，确定语义意图的语义理解指数。
79.其中，语义理解指数可以理解为用户语音信息进行语音识别后所确定的语义意图的确定性，语义理解指数的取值范围可以为0～1，指数越高表示语义理解越准确，反之则表示语义理解较不准。
80.具体的，可以采用任一的语义识别方式对语音信息进行语音识别确定语义意图，本发明实施例对此不设限制，如利用预先建立的语义识别模型进行语义识别，或者采用深度学习进行迭代训练和识别。在确定语音信息对应的语义意图之后，根据识别得到的语义意图确定语义理解指数，本发明实施例对确定语义理解指数的确定方法不作限定。
81.示例性的，若所确定的语义意图唯一，则语义理解指数为1，若所确定的语义意图
为n个，则语义理解指数为1/n。
82.示例性的，用户发出的语音信息为“去往a地”，则语义意图为“导航至a地”，若查询到a地唯一，则语义理解指数为1。
83.s232、若语义理解指数大于或等于第二预设阈值，则将语义意图确定为语音识别结果；若语义理解指数小于第二预设阈值，则语义理解指数对应的预设信息作为语音识别结果。
84.其中，第二预设阈值可以根据需求设定，本发明实施例对此不设限制。
85.具体的，若语义理解指数大于或等于第二预设阈值，可以认为识别得到的语义意图是用户所发出的语音对应的准确意图，因此，将该语义意图确定为语音识别结果。若语义理解指标小于第二预设阈值，可以认为识别得到的语义意图不明确，因此可以将语义理解指数对应的预设信息作为语音识别结果。
86.示例性的，语义理解指数对应的预设信息可以根据原先配置，例如语义理解指数为0～0.3，预设信息为“没听清楚用户的指令，请再说一次”；语义理解指数为0.3～0.7(第二阈值为0.7)，预设信息为询问用户意图是否为所有意图中使用频次最高的意图或最近历史意图。
87.可选的，在对语音信息进行语音识别确定语音识别结果之后，还包括：
88.若语音识别结果为语义意图，则根据语义意图确定控制指令；
89.根据控制指令执行对应的控制操作。
90.具体的，在根据语音信息和视觉信息对语音信息进行语音识别确定用户发出的语音信息的语义意图之后，根据语义意图确定控制指令，并根据控制指令执行对应的控制操作，实现免唤醒的语音控制。
91.如图4所示，本发明实施例的具体步骤包括：通过视觉传感器采集用户的视觉信息，并通过语音传感器采集用户的语音信息；根据视觉信息确定视线注视事件，并根据语音信息确定语音检测事件；判断视线注视事件中的视线角度是否为语音信息对应的执行对象的角度，若是，则获取视线注视事件对应的视线注视起止时间和语音检测事件对应的语音检测起止时间；若否，则不执行任何操作。在获取视线注视起止时间和语音检测起止时间之后，确定视线注视事件和语音检测事件的时间重合度，继续判断时间重合度是否大于第一设定阈值，若是，则实现免唤醒的语音识别开启，对语音信息进行语音识别确定语义意图，并确定语义意图的语义理解指数；若否，则不执行任何操作。在确定语义理解指数之后，判断语义理解指数大于或等于第二预设阈值，若是，则确定语义意图对应的控制指令，并执行控制指令对应的控制操作，实现免唤醒的语音控制；若否，则不执行任何操作。
92.实施例三
93.图5为本发明实施例三提供的一种免唤醒的语音识别装置的结构示意图。如图5所示，该装置包括：视觉识别模块310、语音检测模块320、重合度确定模块330和识别结果确定模块340；
94.其中，视觉识别模块310，用于通过视觉传感器采集用户的视觉信息，根据所述视觉信息确定视线注视事件对应的视线注视起止时间；
95.语音检测模块320，用于通过语音传感器采集用户的语音信息，根据所述语音信息确定语音检测事件对应的语音检测起止时间；
96.重合度确定模块330，用于根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度；
97.识别结果确定模块340，用于据所述时间重合度对所述语音信息进行语音识别确定语音识别结果。
98.可选的，所述视觉识别模块310，具体用于：
99.对所述视觉信息进行视觉识别确定视线注视事件，所述视线注视事件包括：用户视线角度为目标角度时所对应的注视开始事件和注视结束事件；所述目标角度为所述语音信息对应的控制对象的角度；
100.获取所述注视开始事件对应的注视起始时间和所述注视结束事件对应的注视终止时间。
101.可选的，所述语音检测模块320，具体用于：
102.对所述语音信息进行语音检测确定语音检测事件，所述语音检测事件包括：语音检测开始事件和语音检测结束事件；
103.获取所述语音检测开始事件对应的语音检测起始时间和所述语音检测结束事件对应的语音检测终止时间。
104.可选的，所述重合度确定模块330，具体用于：
105.根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的重合时间长度；
106.根据所述语音检测起止时间确定语音时间长度；
107.将所述重合时间长度和所述语音时间长度的比值确定为所述时间重合度。
108.可选的，所述识别结果确定模块340，具体用于：
109.若所述时间重合度大于第一预设阈值，则对所述语音信息进行语音识别确定语音识别结果。
110.可选的，所述识别结果确定模块340，包括：
111.语义意图确定单元，用于对所述语音信息进行语音识别确定语义意图；
112.理解指数确定单元，用于确定所述语义意图的语义理解指数；
113.第一结果确定模块，用于若所述语义理解指数大于或等于第二预设阈值，则将所述语义意图确定为所述语音识别结果；
114.第二结果确定模块，若所述语义理解指标小于所述第二预设阈值，则所述语义理解指标对应的预设信息作为语音识别结果。
115.可选的，还包括：
116.指令确定模块，用于在对所述语音信息进行语音识别确定语音识别结果之后，若所述语音识别结果为所述语义意图，则根据所述语义意图确定控制指令；
117.执行模块，用于根据所述控制指令执行对应的控制操作。
118.本发明实施例所提供的免唤醒的语音识别装置可执行本发明任意实施例所提供的免唤醒的语音识别方法，具备执行方法相应的功能模块和有益效果。
119.实施例四
120.图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助
理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
121.如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
122.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
123.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如免唤醒的语音识别方法。
124.在一些实施例中，免唤醒的语音识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的免唤醒的语音识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行免唤醒的语音识别方法。
125.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
126.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
127.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存
储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
128.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
129.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
130.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
131.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
132.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：

1.一种免唤醒的语音识别方法，其特征在于，包括：通过视觉传感器采集用户的视觉信息，根据所述视觉信息确定视线注视事件对应的视线注视起止时间；通过语音传感器采集用户的语音信息，根据所述语音信息确定语音检测事件对应的语音检测起止时间；根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度；根据所述时间重合度对所述语音信息进行语音识别确定语音识别结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述视觉信息确定视线注视事件对应的视线注视起止时间，包括：对所述视觉信息进行视觉识别确定视线注视事件，所述视线注视事件包括：用户视线角度为目标角度时所对应的注视开始事件和注视结束事件；所述目标角度为所述语音信息对应的控制对象的角度；获取所述注视开始事件对应的注视起始时间和所述注视结束事件对应的注视终止时间。3.根据权利要求1所述的方法，其特征在于，所述根据所述语音信息确定语音检测事件对应的语音检测起止时间，包括：对所述语音信息进行语音检测确定语音检测事件，所述语音检测事件包括：语音检测开始事件和语音检测结束事件；获取所述语音检测开始事件对应的语音检测起始时间和所述语音检测结束事件对应的语音检测终止时间。4.根据权利要求1所述的方法，其特征在于，所述根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度，包括：根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的重合时间长度；根据所述语音检测起止时间确定语音时间长度；将所述重合时间长度和所述语音时间长度的比值确定为所述时间重合度。5.根据权利要求1所述的方法，其特征在于，所述根据所述时间重合度对所述语音信息进行语音识别确定语音识别结果，包括：若所述时间重合度大于第一预设阈值，则对所述语音信息进行语音识别确定语音识别结果。6.根据权利要求1或5任一所述的方法，其特征在于，对所述语音信息进行语音识别确定语音识别结果，包括：对所述语音信息进行语音识别确定语义意图；确定所述语义意图的语义理解指数；若所述语义理解指数大于或等于第二预设阈值，则将所述语义意图确定为所述语音识别结果；若所述语义理解指标小于所述第二预设阈值，则所述语义理解指标对应的预设信息作为语音识别结果。
7.根据权利要求6所述的方法，其特征在于，在对所述语音信息进行语音识别确定语音识别结果之后，还包括：若所述语音识别结果为所述语义意图，则根据所述语义意图确定控制指令；根据所述控制指令执行对应的控制操作。8.一种免唤醒的语音识别装置，其特征在于，包括：视觉识别模块，用于通过视觉传感器采集用户的视觉信息，根据所述视觉信息确定视线注视事件对应的视线注视起止时间；语音检测模块，用于通过语音传感器采集用户的语音信息，根据所述语音信息确定语音检测事件对应的语音检测起止时间；重合度确定模块，用于根据所述视线注视起止时间和所述语音检测起止时间确定所述视线注视事件和所述语音检测事件的时间重合度；识别结果确定模块，用于据所述时间重合度对所述语音信息进行语音识别确定语音识别结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的免唤醒的语音识别方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的免唤醒的语音识别方法。

技术总结

本发明公开了一种免唤醒的语音识别方法、装置、设备及存储介质。该方法包括：通过视觉传感器采集用户的视觉信息，根据视觉信息确定视线注视事件对应的视线注视起止时间；通过语音传感器采集用户的语音信息，根据语音信息确定语音检测事件对应的语音检测起止时间；根据视线注视起止时间和语音检测起止时间确定视线注视事件和语音检测事件的时间重合度；根据时间重合度对语音信息进行语音识别确定语音识别结果，实现免唤醒的语音识别方法，提升用户的使用体验。的使用体验。的使用体验。