Nothing Special   »   [go: up one dir, main page]

CN114242113B - 语音检测方法、训练方法、装置和电子设备 - Google Patents

语音检测方法、训练方法、装置和电子设备 Download PDF

Info

Publication number
CN114242113B
CN114242113B CN202111547589.3A CN202111547589A CN114242113B CN 114242113 B CN114242113 B CN 114242113B CN 202111547589 A CN202111547589 A CN 202111547589A CN 114242113 B CN114242113 B CN 114242113B
Authority
CN
China
Prior art keywords
feature vector
voice
initial
model
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111547589.3A
Other languages
English (en)
Other versions
CN114242113A (zh
Inventor
李博宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111547589.3A priority Critical patent/CN114242113B/zh
Publication of CN114242113A publication Critical patent/CN114242113A/zh
Priority to EP22185956.4A priority patent/EP4057283A3/en
Priority to US17/873,021 priority patent/US20220358955A1/en
Application granted granted Critical
Publication of CN114242113B publication Critical patent/CN114242113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开提供了一种语音检测方法、训练方法、装置和电子设备，涉及语音交互、语音检测等人工智能技术领域。具体实现方案为：在进行语音检测时，通过置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取待检测语音对应的待检测文本对应的第二特征向量；再通过置信度检测模型中的解码模型对第一特征向量和第二特征向量进行处理，得到目标特征向量；通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了待检测语音与文本的匹配关系，这样结合待检测语音对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度。

Description

语音检测方法、训练方法、装置和电子设备
技术领域
本公开涉及数据处理技术领域，尤其涉及语音交互、语音检测等人工智能技术领域，具体涉及一种语音检测方法、训练方法、装置和电子设备。
背景技术
对于人工(artificial intelligence，AI)语音助手，例如智能音箱而言，在全双工模式下，需要对获取到的语音进行检测，若检测结果指示该语音为人机交互语音，才会做出准确的响应。
现有技术中，对语音进行检测时，是通过置信度检测模型对语音进行检测，该置信度检测模型包括transformer编码器和分类器，通过transformer网络模型提取语音的特征向量，并将提取到的特征向量输入至分类器中，通过分类器得到语音检测结果。
但是，采用现有的方案，会导致语音检测结果的准确度较差。
发明内容
本公开提供了一种语音检测方法、训练方法、装置和电子设备，在进行语音检测时，提高了语音检测结果的准确度。
根据本公开的第一方面，提供了一种语音检测方法，该语音检测方法可以包括：
将待检测语音输入至置信度检测模型中，通过所述置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取所述待检测语音对应的待检测文本对应的第二特征向量。
通过置信度检测模型中的解码模型对所述第一特征向量和第二特征向量进行处理，得到目标特征向量。
通过置信度检测模型中的分类模型，对所述目标特征向量进行分类处理，得到所述待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
根据本公开的第二方面，提供了一种置信度检测模型的训练方法，该置信度检测模型的训练方法可以包括：
将多个语音样本输入至初始置信度检测模型中，通过所述初始置信度检测模型中的初始语音编码模型获取所述语音样本对应的第一特征向量，并通过所述初始置信度检测模型中的初始文本编码模型获取所述语音样本对应的文本对应的第二特征向量。
通过初始置信度检测模型中的初始解码模型对所述语音样本对应第一特征向量和第二特征向量进行处理，得到所述语音样本对应的目标特征向量。
通过初始置信度检测模型中的初始分类模型，对所述语音样本对应的目标特征向量进行分类处理，得到所述语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
根据各语音样本对应的检测结果和所述各语音样本对应的标签信息，更新所述初始置信度检测模型的网络参数。
根据本公开的第三方面，提供了一种语音检测装置，该语音检测装置可以包括：
获取单元，用于将待检测语音输入至置信度检测模型中，通过所述置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取所述待检测语音对应的待检测文本对应的第二特征向量。
第一处理单元，用于通过置信度检测模型中的解码模型对所述第一特征向量和第二特征向量进行处理，得到目标特征向量。
第二处理单元，用于通过置信度检测模型中的分类模型，对所述目标特征向量进行分类处理，得到所述待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
根据本公开的第四方面，提供了一种置信度检测模型的训练装置，该置信度检测模型的训练装置可以包括：
获取单元，用于将多个语音样本输入至初始置信度检测模型中，通过所述初始置信度检测模型中的初始语音编码模型获取所述语音样本对应的第一特征向量，并通过所述初始置信度检测模型中的初始文本编码模型获取所述语音样本对应的文本对应的第二特征向量。
第一处理单元，用于通过初始置信度检测模型中的初始解码模型对所述语音样本对应第一特征向量和第二特征向量进行处理，得到所述语音样本对应的目标特征向量；
第二处理单元，用于通过初始置信度检测模型中的初始分类模型，对所述语音样本对应的目标特征向量进行分类处理，得到所述语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音；
更新单元，用于根据各语音样本对应的检测结果和所述各语音样本对应的标签信息，更新所述初始置信度检测模型的网络参数。
根据本公开的第五方面，提供了一种电子设备，该电子设备可以包括：
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指令，所述指令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上述第一方面所述的语音检测方法；或者，以使所述至少一个处理器能够执行上述第二方面所述的置信度检测模型的训练方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的语音检测方法；或者，执行上述第二方面所述的置信度检测模型的训练方法。
根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行上述第一方面所述的语音检测方法；或者，执行上述第二方面所述的置信度检测模型的训练方法。
根据本公开的第八方面，提供了一种智能音箱，该智能音箱可以包括：
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指令，所述指令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上述第一方面所述的语音检测方法。
根据本公开的技术方案，在进行语音检测时，提高了语音检测结果的准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例提供的语音检测方法的流程示意图；
图2是本公开实施例提供的一种conformer编码器的结构示意图；
图3是本公开实施例提供的一种置信度检测模型的结构示意图；
图4是根据本公开第二实施例提供的获取待检测语音对应的第一特征向量的方法的流程示意图；
图5是本公开实施例提供的一种卷积抽取模型的示意图；
图6是根据本公开第三实施例提供的置信度检测模型的训练方法的流程示意图；
图7是根据本公开第四实施例提供的获取语音样本对应的第一特征向量的方法的流程示意图；
图8是根据本公开第五实施例提供的语音检测装置的结构示意图；
图9是根据本公开第六实施例提供的置信度检测模型的训练装置的结构示意图；
图10是本公开实施例的一种电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的访问关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本公开的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。此外，在本公开实施例中，“第一”、“第二”、“第三”、“第四”、“第五”以及“第六”只是为了区分不同对象的内容而已，并无其它特殊含义。
本公开实施例提供的技术方案可以应用于语音交互、语音检测等场景。目前，在多数情况下，若用户想要与AI语音助手，例如智能音箱进行人机交互，则需要通过唤醒词，例如“小度小度”来唤醒智能音箱，并在智能音箱唤醒后，与智能音箱进行人机交互，这种模式为单工交互模式。可以看出，在单工交互模式下，针对每一次人机交互，用户均需要用户通过唤醒词唤醒智能音箱，之后才能与智能音箱进行人机交互。
为了使得人机交互的对话更像人与人之间的交流，即人机交互更加自然流畅，在全双工模式下，用户只需要通过唤醒词执行一次智能音箱，就可以与智能音箱实现连续对话，这样可以使得人机交互的对话更加自然。但鉴于可能存在许多非人机交互语音，因此，智能音箱在获取到语音后，需要对语音进行检测，若检测结果指示该语音为非人机交互语音，智能音箱无需对该语音做出响应；若检测结果指示该语音为人机交互语音，智能音箱才会针对该语音做出准确的响应。
现有技术中，智能音箱在对获取到的语音进行检测时，是通过现有的置信度检测模型对语音进行检测，置信度检测模型包括transformer编码器和分类器，通过transformer网络模型提取语音的特征向量，再将提取到的特征向量输入至分类器中，通过分类器得到语音的检测结果。其中，检测结果包括人机交互语音或非人机交互语音。但是，采用现有的方案，会导致语音检测结果的准确度较差。
为了提高语音检测结果的准确度，考虑到文本可以在一定程度上较好地辅助语音进行语音检测，因此，在进行语音检测时，可以充分考虑了待检测语音与文本的匹配关系，结合待检测语音对应的文本共同进行语音检测，这样可以有效地提高语音检测结果的准确度。
基于上述技术构思，本公开实施例提供了一种语音检测方法，下面，将通过具体的实施例对本公开提供的语音检测方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图1是根据本公开第一实施例提供的语音检测方法的流程示意图，该语音检测方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图1所示，该语音检测方法可以包括：
S101、将待检测语音输入至置信度检测模型中，通过置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取待检测语音对应的待检测文本对应的第二特征向量。
示例的，语音编码模型可以为transformer编码器，也可以为conformer编码器，也可以为其他具有类似功能的编码器，具体可以根据实际需要进行设置，在本公开实施例中，将以语音编码模型为conformer编码器为例进行说明，但并不代表本公开实施例仅局限于此。
示例的，可参见图2所示，图2是本公开实施例提供的一种conformer编码器的结构示意图，可以看出，conformer编码器相比于transformer编码器，在多头自注意力机制(multi-head self-attention)层之前额外增加了一个前馈网络(feed forward)层，并在多头自注意力机制层后面额外增加了一个卷积层(convolution)，以通过conformer编码器获取待检测语音对应的第一特征向量。其中，conformer编码的最后一个层为参数归一化(layernorm)层，主要用于对同一层的参数进行归一化处理。
可以理解的是，在本公开实施例中，通过在多头自注意力机制层之前额外增加前馈网络层，这样可以conformer编码器的特征提取性能较好；此外，通过在多头自注意力机制层后面额外增加卷积层，使得可以通过卷积层对应的卷积操作，弥补transformer编码器对于局部特征信息抽取不足的缺陷，这样可以使得语音编码模型聚焦到有效的包含语言信息的声音特征上，进一步提高了提取出的第一特征向量的准确度。
示例的，文本编码模型可以为长短期记忆网络(long short-term memory，lstm)编码器，也可以为transformer编码器，也可以为其他具有类似功能的文本编码，具体可以根据实际需要进行设置。在后续的描述中，将以文本编码模型为transformer编码器为例进行说明，但并不代表本公开实施例仅局限于此。
可以理解的是，在通过文本编码模型对待检测文本进行编码处理之前，需要先获取待检测文本。示例的，在获取待检测文本时，置信度检测模型还可以包括语音识别模型，通过语音识别网络模型对待检测语音进行识别，以得到待检测语音对应的待检测文本，之后，再通过文本编码器获取待检测文本对应的第二特征向量。
在分别获取到待检测语音对应的第一特征向量，以及待检测文本对应的第二特征向量后，就可以通过置信度检测模型中的解码模型对第一特征向量和第二特征向量进行处理，即执行下述S102：
S102、通过置信度检测模型中的解码模型对第一特征向量和第二特征向量进行处理，得到目标特征向量。
其中，目标特征向量可以理解为包括待检测语音和待检测文本关系的特征向量。
示例的，解码模型可为transformer解码器，也可以为其他具有类似功能的解码器，具体可以根据实际需要进行设置。在后续的描述中，将以解码模型为transformer解码器为例进行说明，但并不代表本公开实施例仅局限于此。
这样在得到包括待检测语音和待检测文本关系的目标特征向量后，就可以通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，即执行下述S103：
S103、通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，得到待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
示例的，分类模型可以由平均池化层(average-pooling)和全连接层构成。
假设编码模型为conformer编码器，文本编码模型为transformer编码器，解码模型为transformer解码器，分类模型包括平均赤化层和全连接层，可参见图3所示，图3是本公开实施例提供的一种置信度检测模型的结构示意图，这样通过设置文本编码模型和解码模型，使得在进行语音检测时，可以通过包括待检测语音和待检测文本关系的目标特征向量共同进行语音检测，可以有效地提高语音检测结果的准确度。
可以看出，本公开实施例中，在进行语音检测时，通过置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取待检测语音对应的待检测文本对应的第二特征向量；再通过置信度检测模型中的解码模型对第一特征向量和第二特征向量进行处理，得到目标特征向量；通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了待检测语音与文本的匹配关系，这样结合待检测语音对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度。
基于上述图1所示的实施例，考虑到在获取待检测语音时，通常会存在其他噪音，因此，为了准确地定位待检测语音的声源以及加强声源，从而提高获取到的待检测语音对应的第一特征向量的准确度，置信度检测模型中还包括预编码模型，通过该预编码模型先对待检测语音进行处理，再通过语音编码模型获取待检测语音对应的第一特征向量。为了便于理解，下面，将通过下述图4所示的实施例进行详细描述。
实施例二
图4是根据本公开第二实施例提供的获取待检测语音对应的第一特征向量的方法的流程示意图，该方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图4所示，该获取待检测语音对应的第一特征向量的方法可以包括：
S401、通过置信度检测模型中的预编码模型对待检测语音进行处理，获取待检测语音对应的初始特征向量。
示例的，通过预编码模型对待检测语音进行处理，获取待检测语音对应的初始特征向量时，可以先通过预编码模型中的特征抽取模型对待检测语音进行处理，得到初始第一特征向量；再对初始第一特征向量进行特征处理，得到初始特征向量；其中，特征处理包括通过预编码模型中的卷积抽取模型对初始第一特征向量进行抽帧处理，和/或，通过预编码模型中的特征增强模型对初始第一特征向量进行特征增强处理。
示例的，在本公开实施例中，在通过预编码模型对待检测语音进行处理时，可以包括三种可能的实现方式：
在一种可能的实现方式中，预编码模型可以包括特征抽取模型和卷积抽取模型。基于该种结构的预编码模型，在对待检测语音进行处理时，可以先通过特征抽取模型对待检测语音进行处理，得到初始第一特征向量；再通过卷积抽取模型对该初始第一特征向量进行抽帧处理，得到初始特征向量，这样后续可以通过语音编码模型对初始特征向量进行处理，得到第一特征向量。
示例的，可参见图5所示，图5是本公开实施例提供的一种卷积抽取模型的示意图，可以看出，卷积抽取模型中可以包括四个卷积核为3*3的卷积层，并通过该四个卷积核为3*3的卷积层对该初始第一特征向量进行抽帧处理，得到初始特征向量。
可以理解的是，在本公开实施例中，通过设置卷积抽取模型进行抽帧处理，其原因在于：当语音编码模型为conformer编码器时，由于conformer编码器采用了self-attention机制，因此，其计算量随帧长指数上涨，抽帧操作可以极大减小模型计算量。并且，相比与普通的跳帧方式，利用卷积配合stride操作，在抽帧的同时再进行待检测语音特征向量抽象，可以降低帧数减少带来的损失。
在另一种可能的实现方式中，预编码模型可以包括特征抽取模型和特征增强模型。基于该种结构的预编码模型，在对待检测语音进行处理时，可以先通过特征抽取模型对待检测语音进行处理，得到初始第一特征向量；再通过特征增强模型对初始第一特征向量进行特征增强处理，得到初始特征向量，这样后续可以通过语音编码模型对初始特征向量进行处理，得到第一特征向量。
示例的，特征增强模型可以为moblie-net模型。
可以理解的是，在本公开实施例中，通过设置特征增强模型进行特征增强处理，其原因在于：增强特征向量的提取能力的同时，也较大程度地减小了模型体积。
在又一种可能的实现方式中，预编码模型可以包括特征抽取模型、卷积抽取模型以及特征增强模型。基于该种结构的预编码模型，在对待检测语音进行处理时，可以先通过特征抽取模型对待检测语音进行处理，得到初始第一特征向量；再通过卷积抽取模型对该初始第一特征向量进行抽帧处理，得到抽帧处理结果；再通过特征增强模型对初始第一特征向量进行特征增强处理，得到初始特征向量，这样后续可以通过语音编码模型对初始特征向量进行处理，得到第一特征向量。
其中，卷积抽取模型的结构可参见上述图5所示，在此，本公开实施例不再进行赘述。示例的，特征增强模型可以为moblie-net模型。
可以理解的是，在本公开实施例中，通过设置特征增强模型进行特征增强处理，其原因在于：增强特征向量的提取能力的同时，也较大程度地减小了模型体积。通过设置卷积抽取模型进行抽帧处理，其原因在于：当语音编码模型为conformer编码器时，由于conformer编码器采用了self-attention机制，因此，其计算量随帧长指数上涨，抽帧操作可以极大减小模型计算量。并且，相比与普通的跳帧方式，利用卷积配合stride操作，在抽帧的同时再进行待检测语音特征向量抽象，可以降低帧数减少带来的损失。
这样通过预编码模型对待检测语音进行处理，获取待检测语音对应的初始特征向量后，就可以将初始特征向量输入至语音编码模型中，以通过语音编码模型对初始特征向量进行处理，即执行下述S402：
S402、通过语音编码模型对初始特征向量进行处理，得到第一特征向量。
可以看出，本公开实施例中，在获取待检测语音对应的第一特征向量时，为了准确地定位待检测语音的声源以及加强声源，从而提高获取到的待检测语音对应的第一特征向量的准确度，可以先通过置信度检测模型中的预编码模型先对待检测语音进行处理，得到初始特征向量；再通过语音编码模型对初始特征向量进行处理，得到第一特征向量，这样可以有效提高获取到的第一特征向量的准确度。
基于上述图1或图4所示的实施例，在上述S102中，通过置信度检测模型中的解码模型对待检测语音对应的第一特征向量和待检测文本对应的第二特征向量进行处理时，示例的，可以先通过解码模型对第二特征向量进行自注意力机制处理，得到第二目标向量，该第二目标向量为包括待检测文本中字与字关系的特征向量；再对待检测语音对应的第一特征向量和待检测文本对应的第二目标向量进行互相注意力机制处理，得到目标特征向量；该目标向量包括待检测语音和待检测文本关系，鉴于文本可以在一定程度上较好地辅助语音进行语音检测，因此，基于包括待检测语音和待检测文本关系的目标特征向量共同进行语音检测，可以有效地提高语音检测结果的准确度。
在得到包括待检测语音和待检测文本关系后，就可以基于分类模型，对目标特征向量进行分类处理。基于分类模型对目标特征向量进行分类处理时，示例的，该分类模型可以包括平均池化层和全连接层，假设目标特征向量为M*N维的特征向量，M的数量与待检测文本的长度相等，M和N均为正整数；其中，待检测文本的长度是基于待检测文本中包括的字的数量确定的。对应的，在上述S103中，通过分类模型对目标特征向量进行分类处理时，可以先通过平均池化层分别对目标特征向量中的各个维度进行平均处理，得到新的特征向量；其中，新的特征向量为1*N维的特征向量，示例的，假设N的取值为256，则新的特征向量为1*256维的特征向量，再通过全连接层对新的特征向量进行分类处理，得到检测结果。
可以看出，在通过分类模型确定待检测语音的检测结果时，通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了待检测语音与文本的匹配关系，这样结合待检测语音对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度。
不难理解的是，在通过置信度检测模型对待检测语音进行检测之前，需要先获取到该置信度检测模型。示例的，在获取该置信度检测模型时，可以采用深度学习的方法训练得到置信度检测模型。在采用深度学习的方法训练得到置信度检测模型时，考虑到待检测语音的复杂性，用于对待检测语音进行处理的预编码模型和语音编码模型的网络参数较多，因此，在训练用于对待检测语音进行处理的预编码模型和语音编码模型时，需要大量的语音全双工下的训练样本，但是，语音全双工是一项新兴场景，可用历史训练数据较少，多数情况下面临训练数据匮乏的问题，因此，在训练置信度检测模型时，可以包括：
首先，先采用大量标注过的检测数据训练预编码模型和语音编码模型的网络参数，使得检测任务的训练损失达到较低阶段，得到训练好的初始预编码模型和初始语音编码模型。
其次，获取少量的语音样本，对包括初始预编码模型、初始语音编码模型、初始文本编码模型、解码模型以及分类器的初始置信度检测模型进行训练，得到上述置信度检测模型。下面，将通过下述图6所示的实施例三，对如何训练初始置信度检测模型进行详细描述。
实施例三
图6是根据本公开第三实施例提供的置信度检测模型的训练方法的流程示意图，该方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图6所示，该置信度检测模型的训练方法可以包括：
S601、将多个语音样本输入至初始置信度检测模型中，通过初始置信度检测模型中的初始语音编码模型获取语音样本对应的第一特征向量，并通过初始置信度检测模型中的初始文本编码模型获取语音样本对应的文本对应的第二特征向量。
示例的，初始语音编码模型可以为transformer编码器，也可以为conformer编码器，也可以为其他具有类似功能的编码器，具体可以根据实际需要进行设置，在本公开实施例中，将以初始语音编码模型为conformer编码器为例进行说明，但并不代表本公开实施例仅局限于此。
conformer编码器的结构可参见上述图2所示，可以看出，conformer编码器相比于transformer编码器，在多头自注意力机制(multi-head self-attention)层之前额外增加了一个前馈网络(feed forward)层，并在多头自注意力机制层后面额外增加了一个卷积层(convolution)，以通过conformer编码器获取语音样本对应的第一特征向量。其中，conformer编码的最后一个层为参数归一化(layernorm)层，主要用于对同一层的参数进行归一化处理。
可以理解的是，在本公开实施例中，通过在多头自注意力机制层之前额外增加前馈网络层，这样可以conformer编码器的特征提取性能较好；此外，通过在多头自注意力机制层后面额外增加卷积层，使得可以通过卷积层对应的卷积操作，弥补transformer编码器对于局部特征信息抽取不足的缺陷，这样可以使得初始语音编码模型聚焦到有效的包含语言信息的声音特征上，进一步提高了提取出的第一特征向量的准确度。
示例的，初始文本编码模型可以为长短期记忆网络(long short-termmemory，lstm)编码器，也可以为transformer编码器，也可以为其他具有类似功能的文本编码，具体可以根据实际需要进行设置。在后续的描述中，将以初始文本编码模型为transformer编码器为例进行说明，但并不代表本公开实施例仅局限于此。
可以理解的是，在通过初始文本编码模型对语音样本对应的文本进行编码处理之前，需要先获取该文本。示例的，在获取该文本时，置信度检测模型还可以包括语音识别模型，通过语音识别网络模型对语音样本进行识别，以得到该文本，之后，再通过文本编码器获取该文本对应的第二特征向量。
在分别获取到语音样本对应的第一特征向量，以及语音样本对应文本对应的第二特征向量后，就可以通过初始置信度检测模型中的初始解码模型对第一特征向量和第二特征向量进行处理，即执行下述S602：
S602、通过初始置信度检测模型中的初始解码模型对语音样本对应第一特征向量和第二特征向量进行处理，得到语音样本对应的目标特征向量。
其中，语音样本对应的目标特征向量可以理解为包括该语音样本和其对应的文本关系的特征向量。
示例的，初始解码模型可为transformer解码器，也可以为其他具有类似功能的解码器，具体可以根据实际需要进行设置。在后续的描述中，将以初始解码模型为transformer解码器为例进行说明，但并不代表本公开实施例仅局限于此。
这样在得到包括语音样本和其对应的文本关系的目标特征向量后，就可以通过初始置信度检测模型中的初始分类模型，对目标特征向量进行分类处理，即执行下述S603：
S603、通过初始置信度检测模型中的初始分类模型，对语音样本对应的目标特征向量进行分类处理，得到语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
示例的，初始分类模型可以由平均池化层(average-pooling)和全连接层构成。
这样通过初始置信度检测模型中的初始分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了语音样本和其对应的文本的匹配关系，因此，结合语音样本对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度。
可以理解的是，结合上述S601-S603的描述，针对每一个语音样本，都可以采用上述方式获取其语音样本对应的检测结果。
在得到各语音样本对应的检测结果后，就可以根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数，即执行下述S604：
S604、根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数。
示例的，根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数时，若更新后的置信度检测模型收敛，则直接将该更新后的置信度检测模型确定为最终的置信度检测模型；若更新后的置信度检测模型未收敛，则重复执行上述S601-S604，直至更新后的置信度检测模型收敛，则直接将该更新后的置信度检测模型确定为最终的置信度检测模型，从而获取到置信度检测模型。
可以看出，本公开实施例中，在训练获取置信度检测模型时，通过初始置信度检测模型中的初始语音编码模型获取语音样本对应的第一特征向量，并通过初始置信度检测模型中的初始文本编码模型获取语音样本对应的文本对应的第二特征向量；再通过初始置信度检测模型中的初始解码模型对第一特征向量和第二特征向量进行处理，得到目标特征向量；通过初始置信度检测模型中的初始分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了语音样本与文本的匹配关系，这样结合语音样本对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度；再根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数，实现了置信度检测模型的训练，且提高了训练得到的置信度检测模型的准确度。
基于上述图6所示的实施例，考虑到在获取语音样本时，通常会存在其他噪音，因此，为了准确地定位语音样本的声源以及加强声源，从而提高获取到的语音样本对应的第一特征向量的准确度，初始置信度检测模型中还包括初始预编码模型，通过该初始预编码模型先对语音样本进行处理，再通过初始语音编码模型获取语音样本对应的第一特征向量。为了便于理解，下面，将通过下述图7所示的实施例进行详细描述。
实施例四
图7是根据本公开第四实施例提供的获取语音样本对应的第一特征向量的方法的流程示意图，该方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图4所示，该获取语音样本对应的第一特征向量的方法可以包括：
S701、通过初始置信度检测模型中的初始预编码模型对语音样本进行处理，获取语音样本对应的初始特征向量。
示例的，通过初始置信度检测模型中的初始预编码模型对语音样本进行处理时，可以先通过初始预编码模型中的初始特征抽取模型对语音样本进行处理，得到语音样本对应的初始第一特征向量；再对语音样本对应的初始第一特征向量进行特征处理，得到语音样本对应的初始特征向量；其中，特征处理包括通过初始预编码模型中的初始卷积抽取模型对语音样本对应的初始第一特征向量进行抽帧处理，和/或，通过初始预编码模型中的初始特征增强模型对语音样本对应的初始第一特征向量进行特征增强处理。
示例的，在本公开实施例中，在通过初始预编码模型对语音样本进行处理时，可以包括三种可能的实现方式：
在一种可能的实现方式中，初始预编码模型可以包括初始特征抽取模型和初始卷积抽取模型。基于该种结构的初始预编码模型，在对语音样本进行处理时，可以先通过初始特征抽取模型对语音样本进行处理，得到初始第一特征向量；再通过初始卷积抽取模型对该初始第一特征向量进行抽帧处理，得到初始特征向量，这样后续可以通过初始语音编码模型对初始特征向量进行处理，得到第一特征向量。
示例的，初始卷积抽取模型可参见上述图5所示，初始卷积抽取模型中可以包括四个卷积核为3*3的卷积层，并通过该四个卷积核为3*3的卷积层对该初始第一特征向量进行抽帧处理，得到初始特征向量。
可以理解的是，在本公开实施例中，通过设置初始卷积抽取模型进行抽帧处理，其原因在于：当初始语音编码模型为conformer编码器时，由于conformer编码器采用了self-attention机制，因此，其计算量随帧长指数上涨，抽帧操作可以极大减小模型计算量。并且，相比与普通的跳帧方式，利用卷积配合stride操作，在抽帧的同时再进行语音样本特征向量抽象，可以降低帧数减少带来的损失。
在另一种可能的实现方式中，初始预编码模型可以包括初始特征抽取模型和初始特征增强模型。基于该种结构的初始预编码模型，在对语音样本进行处理时，可以先通过初始特征抽取模型对语音样本进行处理，得到初始第一特征向量；再通过初始特征增强模型对初始第一特征向量进行特征增强处理，得到初始特征向量，这样后续可以通过初始语音编码模型对初始特征向量进行处理，得到第一特征向量。
示例的，初始特征增强模型可以为moblie-net模型。
可以理解的是，在本公开实施例中，通过设置初始特征增强模型进行特征增强处理，其原因在于：增强特征向量的提取能力的同时，也较大程度地减小了模型体积。
在又一种可能的实现方式中，初始预编码模型可以包括初始特征抽取模型、初始卷积抽取模型以及初始特征增强模型。基于该种结构的初始预编码模型，在对语音样本进行处理时，可以先通过初始特征抽取模型对语音样本进行处理，得到初始第一特征向量；再通过初始卷积抽取模型对该初始第一特征向量进行抽帧处理，得到抽帧处理结果；再通过初始特征增强模型对初始第一特征向量进行特征增强处理，得到初始特征向量，这样后续可以通过初始语音编码模型对初始特征向量进行处理，得到第一特征向量。
其中，初始卷积抽取模型的结构可参见上述图5所示，在此，本公开实施例不再进行赘述。示例的，初始特征增强模型可以为moblie-net模型。
可以理解的是，在本公开实施例中，通过设置初始特征增强模型进行特征增强处理，其原因在于：增强特征向量的提取能力的同时，也较大程度地减小了模型体积。通过设置初始卷积抽取模型进行抽帧处理，其原因在于：当初始语音编码模型为conformer编码器时，由于conformer编码器采用了self-attention机制，因此，其计算量随帧长指数上涨，抽帧操作可以极大减小模型计算量。并且，相比与普通的跳帧方式，利用卷积配合stride操作，在抽帧的同时再进行语音样本特征向量抽象，可以降低帧数减少带来的损失。
这样通过初始预编码模型对语音样本进行处理，获取语音样本对应的初始特征向量后，就可以将初始特征向量输入至初始语音编码模型中，以通过初始语音编码模型对初始特征向量进行处理，即执行下述S702：
S702、通过初始语音编码模型对语音样本对应的初始特征向量进行处理，得到语音样本对应的第一特征向量。
可以看出，本公开实施例中，在获取语音样本对应的第一特征向量时，为了准确地定位语音样本的声源以及加强声源，从而提高获取到的语音样本对应的第一特征向量的准确度，可以先通过初始置信度检测模型中的初始预编码模型先对语音样本进行处理，得到初始特征向量；再通过初始语音编码模型对初始特征向量进行处理，得到第一特征向量，这样可以有效提高获取到的第一特征向量的准确度。
基于上述图6或图7所示的实施例，在上述S602中，通通过初始置信度检测模型中的初始解码模型对语音样本对应第一特征向量和第二特征向量进行处理时，示例的，可以先通过初始解码模型对第二特征向量进行自注意力机制处理，得到语音样本对应第二目标向量，再对对语音样本对应的第一特征向量和第二目标向量进行互相注意力机制处理，得到语音样本对应的目标特征向量；该目标向量包括语音样本和其对应的文本关系，鉴于文本可以在一定程度上较好地辅助语音进行语音检测，因此，基于包括语音样本和其对应的文本关系的目标特征向量共同进行语音检测，可以有效地提高语音检测结果的准确度。
在得到包括语音样本和其对应的文本关系后，就可以基于初始分类模型，对目标特征向量进行分类处理。基于初始分类模型对目标特征向量进行分类处理时，示例的，该初始分类模型可以包括平均池化层和全连接层，假设目标特征向量为M*N维的特征向量，M的数量与语音样本对应的文本的长度相等，其中，文本的长度是基于文本中包括的字的数量确定的。对应的，在上述S603中，通过初始分类模型对目标特征向量进行分类处理时，可以先通过平均池化层分别对目标特征向量中的各个维度进行平均处理，得到新的特征向量；其中，新的特征向量为1*N维的特征向量，示例的，假设N的取值为256，则新的特征向量为1*256维的特征向量，再通过全连接层对新的特征向量进行分类处理，得到检测结果。
可以看出，在通过初始分类模型确定语音样本的检测结果时，通过初始置信度检测模型中的初始分类模型，对目标特征向量进行分类处理，鉴于目标特征向量充分考虑了语音样本与文本的匹配关系，这样结合语音样本对应的文本共同进行语音检测，可以有效地提高语音检测结果的准确度。
在获取到各语音样本对应的检测结果后，就可以根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数。示例的，根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数时时，可以先根据各语音样本对应的检测结果和标签信息，构造各语音样本对应的损失函数；并根据各语音样本对应的损失函数，更新初始置信度检测模型的网络参数，从而实现对置信度检测模型的训练。
鉴于通常情况下，在对置信度检测模型进行训练时，执行一次训练操作的多个语音样本，为总训练样本中的一组样本，因此，在执行一次训练操作时，可以先根据各语音样本对应的损失函数，确定多个语言样本对应的平均损失函数；并基于平均损失函数更新初始置信度检测模型的网络参数，从而实现对置信度检测模型的训练。
实施例五
图8是根据本公开第五实施例提供的语音检测装置的结构示意图，示例的，请参见图8所示，该语音检测装置可以包括：
获取单元，用于将待检测语音输入至置信度检测模型中，通过置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量，并通过置信度检测模型中的文本编码模型获取待检测语音对应的待检测文本对应的第二特征向量。
第一处理单元，用于通过置信度检测模型中的解码模型对第一特征向量和第二特征向量进行处理，得到目标特征向量。
第二处理单元，用于通过置信度检测模型中的分类模型，对目标特征向量进行分类处理，得到待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
可选的，第一处理单元包括第一处理模块和第二处理模块。
第一处理模块，用于对第二特征向量进行自注意力机制处理，得到第二目标向量。
第二处理模块，用于对第一特征向量和第二目标向量进行互相注意力机制处理，得到目标特征向量。
可选的，目标特征向量为M*N维的特征向量，M的数量与待检测文本的长度相等，M和N均为正整数；第二处理单元包括第三处理模块和第四处理模块。
第三处理模块，用于分别对目标特征向量中的各个维度进行平均处理，得到新的特征向量；其中，新的特征向量为1*N维的特征向量。
第四处理模块，用于对新的特征向量进行分类处理，得到检测结果。
可选的，获取单元包括第一获取模块和第二获取模块。
第一获取模块，用于通过置信度检测模型中的预编码模型对待检测语音进行处理，获取待检测语音对应的初始特征向量。
第二获取模块，用于通过语音编码模型对初始特征向量进行处理，得到第一特征向量。
可选的，第一获取模块包括第一获取子模块和第二获取子模块。
第一获取子模块，用于通过预编码模型中的特征抽取模型对待检测语音进行处理，得到初始第一特征向量。
第二获取子模块，用于对初始第一特征向量进行特征处理，得到初始特征向量；其中，特征处理包括通过预编码模型中的卷积抽取模型对初始第一特征向量进行抽帧处理，和/或，通过预编码模型中的特征增强模型对初始第一特征向量进行特征增强处理。
本公开实施例提供的语音检测装置，可以执行上述任一实施例所示的语音检测方法的技术方案，其实现原理以及有益效果与语音检测方法的实现原理及有益效果类似，可参见语音检测方法的实现原理及有益效果，此处不再进行赘述。
实施例六
图9是根据本公开第六实施例提供的置信度检测模型的训练装置的结构示意图，示例的，请参见图9所示，该置信度检测模型的训练装置可以包括：
获取单元，用于将多个语音样本输入至初始置信度检测模型中，通过初始置信度检测模型中的初始语音编码模型获取语音样本对应的第一特征向量，并通过初始置信度检测模型中的初始文本编码模型获取语音样本对应的文本对应的第二特征向量。
第一处理单元，用于通过初始置信度检测模型中的初始解码模型对语音样本对应第一特征向量和第二特征向量进行处理，得到语音样本对应的目标特征向量。
第二处理单元，用于通过初始置信度检测模型中的初始分类模型，对语音样本对应的目标特征向量进行分类处理，得到语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音。
更新单元，用于根据各语音样本对应的检测结果和各语音样本对应的标签信息，更新初始置信度检测模型的网络参数。
可选的，第一处理单元包括第一处理模块和第二处理模块。
第一处理模块，用于对语音样本对应第二特征向量进行自注意力机制处理，得到语音样本对应第二目标向量。
第二处理模块，用于对语音样本对应的第一特征向量和第二目标向量进行互相注意力机制处理，得到语音样本对应的目标特征向量。
可选的，目标特征向量为M*N维的特征向量，M的数量与文本的长度相等，M和N均为正整数；第二处理单元包括第三处理模块和第四处理模块。
第三处理模块，用于分别对语音样本对应的目标特征向量中的各个维度进行平均处理，得到语音样本对应的新的特征向量；其中，新的特征向量为1*N维的特征向量。
第四处理模块，用于对语音样本对应的新的特征向量进行分类处理，得到语音样本对应的检测结果。
可选的，获取单元包括第一获取模块和第二获取模块。
第一获取模块，用于通过初始置信度检测模型中的初始预编码模型对语音样本进行处理，获取语音样本对应的初始特征向量。
第二获取模块，用于通过初始语音编码模型对语音样本对应的初始特征向量进行处理，得到语音样本对应的第一特征向量。
可选的，第一获取模块包括第一获取子模块和第二获取子模块。
第一获取子模块，用于通过初始预编码模型中的初始特征抽取模型对语音样本进行处理，得到语音样本对应的初始第一特征向量。
第二获取子模块，用于对语音样本对应的初始第一特征向量进行特征处理，得到语音样本对应的初始特征向量；其中，特征处理包括通过初始预编码模型中的初始卷积抽取模型对语音样本对应的初始第一特征向量进行抽帧处理，和/或，通过初始预编码模型中的初始特征增强模型对语音样本对应的初始第一特征向量进行特征增强处理。
可选的，更新单元包括第一更新模块和第二更新模块。
第一更新模块，用于根据各语音样本对应的检测结果和标签信息，构造各语音样本对应的损失函数。
第二更新模块，用于根据各语音样本对应的损失函数，更新初始置信度检测模型的网络参数。
本公开实施例提供的置信度检测模型的训练装置，可以执行上述任一实施例所示的置信度检测模型的训练方法的技术方案，其实现原理以及有益效果与置信度检测模型的训练方法的实现原理及有益效果类似，可参见置信度检测模型的训练方法的实现原理及有益效果，此处不再进行赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图10是本公开实施例的一种电子设备100的示意性框图。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/或者要求的本公开的实现。
如图10所示，设备100包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备100操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备100中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备100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。
计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理，例如语音检测方法或者置信度检测模型的训练方法。例如，在一些实施例中，语音检测方法或者置信度检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备100上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的语音检测方法或者置信度检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音检测方法或者置信度检测模型的训练方法。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。
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)和互联网。
计算机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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种语音检测方法，包括：
将待检测语音输入至置信度检测模型中，通过所述置信度检测模型中的预编码模型对所述待检测语音进行处理，获取所述待检测语音对应的初始特征向量；
通过所述置信度检测模型中的语音编码模型对所述初始特征向量进行处理，获取待检测语音对应的第一特征向量；
通过置信度检测模型中的语音识别模型对所述待检测语音进行识别，得到所述待检测语音对应的待检测文本，以及通过所述置信度检测模型中的文本编码模型获取所述待检测文本对应的第二特征向量；
通过置信度检测模型中的解码模型对所述第一特征向量和第二特征向量进行处理，得到目标特征向量；
通过置信度检测模型中的分类模型，对所述目标特征向量进行分类处理，得到所述待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音；
其中，所述通过所述置信度检测模型中的预编码模型对所述待检测语音进行处理，获取所述待检测语音对应的初始特征向量，包括：
通过所述预编码模型中的特征抽取模型对所述待检测语音进行处理，得到初始第一特征向量；
对所述初始第一特征向量进行特征处理，得到所述初始特征向量；其中，所述特征处理包括通过所述预编码模型中的卷积抽取模型对所述初始第一特征向量进行抽帧处理，和通过所述预编码模型中的特征增强模型对所述初始第一特征向量进行特征增强处理；
所述对所述第一特征向量和第二特征向量进行处理，得到目标特征向量，包括：
对所述第二特征向量进行自注意力机制处理，得到第二目标向量，所述第二目标向量为包括所述待检测文本中字与字关系的特征向量；
对所述第一特征向量和所述第二目标向量进行互相注意力机制处理，得到所述目标特征向量，所述目标特征向量包括所述待检测语音和所述待检测文本的匹配关系。
2.根据权利要求1所述的方法，其中，所述目标特征向量为M*N维的特征向量，M的数量与所述待检测文本的长度相等，M和N均为正整数；
所述对所述目标特征向量进行分类处理，得到所述待检测语音对应的检测结果，包括：
分别对所述目标特征向量中的各个维度进行平均处理，得到新的特征向量；其中，所述新的特征向量为1*N维的特征向量；
对所述新的特征向量进行分类处理，得到所述检测结果。
3.一种置信度检测模型的训练方法，包括：
将多个语音样本输入至初始置信度检测模型中，通过所述初始置信度检测模型中的初始预编码模型对所述语音样本进行处理，获取所述语音样本对应的初始特征向量；
通过所述初始置信度检测模型中的初始语音编码模型对所述语音样本对应的初始特征向量进行处理，获取所述语音样本对应的第一特征向量；
通过所述初始置信度检测模型中的初始语音识别模型对所述语音样本进行识别，得到所述语音样本对应的文本，以及通过所述初始置信度检测模型中的初始文本编码模型获取所述语音样本对应的文本对应的第二特征向量；
通过初始置信度检测模型中的初始解码模型对所述语音样本对应第一特征向量和第二特征向量进行处理，得到所述语音样本对应的目标特征向量；
通过初始置信度检测模型中的初始分类模型，对所述语音样本对应的目标特征向量进行分类处理，得到所述语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音；
根据各语音样本对应的检测结果和所述各语音样本对应的标签信息，更新所述初始置信度检测模型的网络参数；
其中，所述通过所述初始置信度检测模型中的初始预编码模型对所述语音样本进行处理，获取所述语音样本对应的初始特征向量，包括：
通过所述初始预编码模型中的初始特征抽取模型对所述语音样本进行处理，得到所述语音样本对应的初始第一特征向量；
对所述语音样本对应的初始第一特征向量进行特征处理，得到所述语音样本对应的初始特征向量；其中，所述特征处理包括通过所述初始预编码模型中的初始卷积抽取模型对所述语音样本对应的初始第一特征向量进行抽帧处理，和通过所述初始预编码模型中的初始特征增强模型对所述语音样本对应的初始第一特征向量进行特征增强处理；
所述对所述语音样本对应第一特征向量和第二特征向量进行处理，得到所述语音样本对应的目标特征向量，包括：
对所述语音样本对应第二特征向量进行自注意力机制处理，得到所述语音样本对应第二目标向量，所述第二目标向量为包括所述语音样本对应的文本中字与字关系的特征向量；
对所述语音样本对应的第一特征向量和所述第二目标向量进行互相注意力机制处理，得到所述语音样本对应的目标特征向量，所述目标特征向量包括所述语音样本和所述语音样本对应的文本的匹配关系。
4.根据权利要求3所述的方法，其中，所述目标特征向量为M*N维的特征向量，M的数量与所述文本的长度相等，M和N均为正整数；
所述对所述语音样本对应的目标特征向量进行分类处理，得到所述语音样本对应的检测结果，包括：
分别对所述语音样本对应的目标特征向量中的各个维度进行平均处理，得到所述语音样本对应的新的特征向量；其中，所述新的特征向量为1*N维的特征向量；
对所述语音样本对应的新的特征向量进行分类处理，得到所述语音样本对应的检测结果。
5.根据权利要求3或4所述的方法，其中，所述根据各语音样本对应的检测结果和所述各语音样本对应的标签信息，更新所述初始置信度检测模型的网络参数，包括：
根据所述各语音样本对应的检测结果和标签信息，构造所述各语音样本对应的损失函数；
根据所述各语音样本对应的损失函数，更新所述初始置信度检测模型的网络参数。
6.一种语音检测装置，包括：
获取单元，用于将待检测语音输入至置信度检测模型中，通过所述置信度检测模型中的语音编码模型获取待检测语音对应的第一特征向量；以及通过置信度检测模型中的语音识别模型对所述待检测语音进行识别，得到所述待检测语音对应的待检测文本，通过所述置信度检测模型中的文本编码模型获取所述待检测语音对应的待检测文本对应的第二特征向量；
第一处理单元，用于通过置信度检测模型中的解码模型对所述第一特征向量和第二特征向量进行处理，得到目标特征向量；
第二处理单元，用于通过置信度检测模型中的分类模型，对所述目标特征向量进行分类处理，得到所述待检测语音对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音；
其中，所述第一处理单元包括第一处理模块和第二处理模块；
所述第一处理模块，用于对所述第二特征向量进行自注意力机制处理，得到第二目标向量；所述第二目标向量为包括所述待检测文本中字与字关系的特征向量；
所述第二处理模块，用于对所述第一特征向量和所述第二目标向量进行互相注意力机制处理，得到所述目标特征向量；所述目标特征向量包括所述待检测语音和所述待检测文本的匹配关系；
所述获取单元包括第一获取模块和第二获取模块；
所述第一获取模块，用于通过所述置信度检测模型中的预编码模型对所述待检测语音进行处理，获取所述待检测语音对应的初始特征向量；
所述第二获取模块，用于通过所述语音编码模型对所述初始特征向量进行处理，得到所述第一特征向量；
所述第一获取模块包括第一获取子模块和第二获取子模块；
所述第一获取子模块，用于通过所述预编码模型中的特征抽取模型对所述待检测语音进行处理，得到初始第一特征向量；
所述第二获取子模块，用于对所述初始第一特征向量进行特征处理，得到所述初始特征向量；其中，所述特征处理包括通过所述预编码模型中的卷积抽取模型对所述初始第一特征向量进行抽帧处理，和通过所述预编码模型中的特征增强模型对所述初始第一特征向量进行特征增强处理。
7.根据权利要求6所述的装置，其中，所述目标特征向量为M*N维的特征向量，M的数量与所述待检测文本的长度相等，M和N均为正整数；所述第二处理单元包括第三处理模块和第四处理模块；
所述第三处理模块，用于分别对所述目标特征向量中的各个维度进行平均处理，得到新的特征向量；其中，所述新的特征向量为1*N维的特征向量；
所述第四处理模块，用于对所述新的特征向量进行分类处理，得到所述检测结果。
8.一种置信度检测模型的训练装置，包括：
获取单元，用于将多个语音样本输入至初始置信度检测模型中，通过所述初始置信度检测模型中的初始语音编码模型获取所述语音样本对应的第一特征向量；以及通过所述初始置信度检测模型中的初始语音识别模型对所述语音样本进行识别，得到所述语音样本对应的文本，以及通过所述初始置信度检测模型中的初始文本编码模型获取所述语音样本对应的文本对应的第二特征向量；
第一处理单元，用于通过初始置信度检测模型中的初始解码模型对所述语音样本对应第一特征向量和第二特征向量进行处理，得到所述语音样本对应的目标特征向量；
第二处理单元，用于通过初始置信度检测模型中的初始分类模型，对所述语音样本对应的目标特征向量进行分类处理，得到所述语音样本对应的检测结果；其中，检测结果包括人机交互语音或非人机交互语音；
更新单元，用于根据各语音样本对应的检测结果和所述各语音样本对应的标签信息，更新所述初始置信度检测模型的网络参数；
其中，所述第一处理单元包括第一处理模块和第二处理模块；
所述第一处理模块，用于对所述语音样本对应第二特征向量进行自注意力机制处理，得到所述语音样本对应第二目标向量；所述第二目标向量为包括所述语音样本对应的文本中字与字关系的特征向量；
所述第二处理模块，用于对所述语音样本对应的第一特征向量和所述第二目标向量进行互相注意力机制处理，得到所述语音样本对应的目标特征向量；所述目标特征向量包括所述语音样本和所述语音样本对应的文本的匹配关系；
所述获取单元包括第一获取模块和第二获取模块；
所述第一获取模块，用于通过所述初始置信度检测模型中的初始预编码模型对所述语音样本进行处理，获取所述语音样本对应的初始特征向量；
所述第二获取模块，用于通过所述初始语音编码模型对所述语音样本对应的初始特征向量进行处理，得到所述语音样本对应的第一特征向量；
所述第一获取模块包括第一获取子模块和第二获取子模块；
所述第一获取子模块，用于通过所述初始预编码模型中的初始特征抽取模型对所述语音样本进行处理，得到所述语音样本对应的初始第一特征向量；
所述第二获取子模块，用于对所述语音样本对应的初始第一特征向量进行特征处理，得到所述语音样本对应的初始特征向量；其中，所述特征处理包括通过所述初始预编码模型中的初始卷积抽取模型对所述语音样本对应的初始第一特征向量进行抽帧处理，和通过所述初始预编码模型中的初始特征增强模型对所述语音样本对应的初始第一特征向量进行特征增强处理。
9.根据权利要求8所述的装置，其中，所述目标特征向量为M*N维的特征向量，M的数量与所述文本的长度相等，M和N均为正整数；所述第二处理单元包括第三处理模块和第四处理模块；
所述第三处理模块，用于分别对所述语音样本对应的目标特征向量中的各个维度进行平均处理，得到所述语音样本对应的新的特征向量；其中，所述新的特征向量为1*N维的特征向量；
所述第四处理模块，用于对所述语音样本对应的新的特征向量进行分类处理，得到所述语音样本对应的检测结果。
10.根据权利要求8或9所述的装置，其中，所述更新单元包括第一更新模块和第二更新模块；
所述第一更新模块，用于根据所述各语音样本对应的检测结果和标签信息，构造所述各语音样本对应的损失函数；
所述第二更新模块，用于根据所述各语音样本对应的损失函数，更新所述初始置信度检测模型的网络参数。
11.一种电子设备，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指令，所述指令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或2所述的语音检测方法；或者，以使所述至少一个处理器能够执行权利要求3-5中任一项所述的置信度检测模型的训练方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1或2所述的语音检测方法；或者，执行权利要求3-5中任一项所述的置信度检测模型的训练方法。
13.一种智能音箱，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指令，所述指令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或2所述的语音检测方法。
CN202111547589.3A 2021-12-16 2021-12-16 语音检测方法、训练方法、装置和电子设备 Active CN114242113B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111547589.3A CN114242113B (zh) 2021-12-16 2021-12-16 语音检测方法、训练方法、装置和电子设备
EP22185956.4A EP4057283A3 (en) 2021-12-16 2022-07-20 Method for detecting voice, method for training, apparatuses and smart speaker
US17/873,021 US20220358955A1 (en) 2021-12-16 2022-07-25 Method for detecting voice, method for training, and electronic devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111547589.3A CN114242113B (zh) 2021-12-16 2021-12-16 语音检测方法、训练方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN114242113A CN114242113A (zh) 2022-03-25
CN114242113B true CN114242113B (zh) 2023-08-08

Family

ID=80757516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111547589.3A Active CN114242113B (zh) 2021-12-16 2021-12-16 语音检测方法、训练方法、装置和电子设备

Country Status (3)

Country Link
US (1) US20220358955A1 (zh)
EP (1) EP4057283A3 (zh)
CN (1) CN114242113B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230376687A1 (en) * 2022-05-17 2023-11-23 Adobe Inc. Multimodal extraction across multiple granularities
CN115064160B (zh) * 2022-08-16 2022-11-22 阿里巴巴（中国）有限公司 语音唤醒方法以及装置
CN115456114A (zh) * 2022-11-04 2022-12-09 之江实验室 一种模型训练和业务执行的方法、装置、介质及设备
US20240202536A1 (en) * 2022-12-19 2024-06-20 FindSatoshi Lab Limited Neural Network-Based Method for Detecting Validity of Human Movement

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112466326A (zh) * 2020-12-14 2021-03-09 江苏师范大学 一种基于transformer模型编码器的语音情感特征提取方法
CN112599122A (zh) * 2020-12-10 2021-04-02 平安科技（深圳）有限公司 基于自注意力机制和记忆网络的语音识别方法及装置
CN112687263A (zh) * 2021-03-11 2021-04-20 南京硅基智能科技有限公司 语音识别神经网络模型及其训练方法、语音识别方法
CN113129868A (zh) * 2021-03-12 2021-07-16 北京百度网讯科技有限公司 获取语音识别模型的方法、语音识别的方法及对应装置
CN113160854A (zh) * 2020-01-22 2021-07-23 阿里巴巴集团控股有限公司 语音交互系统、相关方法、装置及设备
CN113343837A (zh) * 2021-06-03 2021-09-03 华南理工大学 基于车辆灯语识别的智能驾驶方法、系统、装置及介质
CN113421593A (zh) * 2020-11-25 2021-09-21 腾讯科技（深圳）有限公司 语音测评方法、装置、计算机设备和存储介质
CN113553848A (zh) * 2021-07-19 2021-10-26 北京奇艺世纪科技有限公司 长文本分类方法、系统、电子设备、计算机可读存储介质
CN113674732A (zh) * 2021-08-16 2021-11-19 北京百度网讯科技有限公司 语音置信度检测方法、装置、电子设备和存储介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8935167B2 (en) * 2012-09-25 2015-01-13 Apple Inc. Exemplar-based latent perceptual modeling for automatic speech recognition
US9697828B1 (en) * 2014-06-20 2017-07-04 Amazon Technologies, Inc. Keyword detection modeling using contextual and environmental information
US11893999B1 (en) * 2018-05-13 2024-02-06 Amazon Technologies, Inc. Speech based user recognition
US11257481B2 (en) * 2018-10-24 2022-02-22 Tencent America LLC Multi-task training architecture and strategy for attention-based speech recognition system
EP3888084A4 (en) * 2019-05-16 2022-01-05 Samsung Electronics Co., Ltd. METHOD AND DEVICE FOR PROVIDING A VOICE RECOGNITION SERVICE
CN110415695A (zh) * 2019-07-25 2019-11-05 华为技术有限公司 一种语音唤醒方法及电子设备
CN110718223B (zh) * 2019-10-28 2021-02-12 百度在线网络技术（北京）有限公司 用于语音交互控制的方法、装置、设备和介质
CN110706707B (zh) * 2019-11-13 2020-09-18 百度在线网络技术（北京）有限公司 用于语音交互的方法、装置、设备和计算机可读存储介质
US11861317B1 (en) * 2020-05-05 2024-01-02 Educational Testing Service Ensemble-based machine learning characterization of human-machine dialog
US11329717B2 (en) * 2020-05-26 2022-05-10 Huawei Technologies Co., Ltd. Packet forwarding incorporating partial sorting of path costs or utilities
US11646035B1 (en) * 2020-09-22 2023-05-09 Amazon Technologies, Inc. Dialog management system
US12020708B2 (en) * 2020-10-12 2024-06-25 SoundHound AI IP, LLC. Method and system for conversation transcription with metadata
WO2022147692A1 (zh) * 2021-01-06 2022-07-14 京东方科技集团股份有限公司 一种语音指令识别方法、电子设备以及非瞬态计算机可读存储介质
WO2022203731A1 (en) * 2021-03-26 2022-09-29 Google Llc Multi-task learning for end-to-end automated speech recognition confidence and deletion estimation
US20220383858A1 (en) * 2021-05-28 2022-12-01 Asapp, Inc. Contextual feature vectors for processing speech

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160854A (zh) * 2020-01-22 2021-07-23 阿里巴巴集团控股有限公司 语音交互系统、相关方法、装置及设备
CN113421593A (zh) * 2020-11-25 2021-09-21 腾讯科技（深圳）有限公司 语音测评方法、装置、计算机设备和存储介质
CN112599122A (zh) * 2020-12-10 2021-04-02 平安科技（深圳）有限公司 基于自注意力机制和记忆网络的语音识别方法及装置
CN112466326A (zh) * 2020-12-14 2021-03-09 江苏师范大学 一种基于transformer模型编码器的语音情感特征提取方法
CN112687263A (zh) * 2021-03-11 2021-04-20 南京硅基智能科技有限公司 语音识别神经网络模型及其训练方法、语音识别方法
CN113129868A (zh) * 2021-03-12 2021-07-16 北京百度网讯科技有限公司 获取语音识别模型的方法、语音识别的方法及对应装置
CN113343837A (zh) * 2021-06-03 2021-09-03 华南理工大学 基于车辆灯语识别的智能驾驶方法、系统、装置及介质
CN113553848A (zh) * 2021-07-19 2021-10-26 北京奇艺世纪科技有限公司 长文本分类方法、系统、电子设备、计算机可读存储介质
CN113674732A (zh) * 2021-08-16 2021-11-19 北京百度网讯科技有限公司 语音置信度检测方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Transformer的蒙汉神经机器翻译研究;高芬等;《计算机应用与软件》;20200229;第37卷(第2期);142 *

Also Published As

Publication number Publication date
CN114242113A (zh) 2022-03-25
EP4057283A3 (en) 2022-12-21
US20220358955A1 (en) 2022-11-10
EP4057283A2 (en) 2022-09-14

Similar Documents

Publication Publication Date Title
CN114242113B (zh) 语音检测方法、训练方法、装置和电子设备
CN112507706B (zh) 知识预训练模型的训练方法、装置和电子设备
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
CN113674732B (zh) 语音置信度检测方法、装置、电子设备和存储介质
CN114239559B (zh) 文本纠错和文本纠错模型的生成方法、装置、设备和介质
CN113360700A (zh) 图文检索模型的训练和图文检索方法、装置、设备和介质
CN116152833B (zh) 基于图像的表格还原模型的训练方法及表格还原方法
CN114861758A (zh) 多模态数据处理方法、装置、电子设备及可读存储介质
CN117708568B (zh) 大语言模型的特征提取方法、装置、计算机设备及介质
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN115269768A (zh) 要素文本处理方法、装置、电子设备和存储介质
CN113160820A (zh) 语音识别的方法、语音识别模型的训练方法、装置及设备
CN116244432B (zh) 语言模型的预训练方法、装置及电子设备
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
CN114707591B (zh) 数据处理方法和数据处理模型的训练方法、装置
CN114969195B (zh) 对话内容挖掘方法和对话内容评估模型的生成方法
CN115035351B (zh) 基于图像的信息提取方法、模型训练方法、装置、设备及存储介质
CN117333889A (zh) 文档检测模型的训练方法、装置及电子设备
CN113889088B (zh) 训练语音识别模型的方法及装置、电子设备和存储介质
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN115496734A (zh) 视频内容的质量评价方法、网络训练方法和装置
CN114973333A (zh) 人物交互检测方法、装置、设备以及存储介质
CN113553413A (zh) 对话状态的生成方法、装置、电子设备和存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN114490969A (zh) 基于表格的问答方法、装置以及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant