CN110415695A - 一种语音唤醒方法及电子设备 - Google Patents

Abstract

本申请提供一种语音唤醒方法及电子设备，涉及终端技术领域，可在较广的位置范围内保证电子设备能够成功被唤醒的几率，提高语音助手在各个位置下的唤醒率和用户的使用体验。该方法包括：电子设备获取摄像头采集的图像；电子设备确定该图像包括用户；电子设备确定该图像中第一用户所在的第一目标位置；电子设备处理用户输入的第一语音；其中，若第一目标位置属于预设的第一区域，则电子设备使用第一参数处理第一语音；若第一目标位置属于预设的第二区域，则电子设备使用第二参数处理第一语音，第二区域与第一区域不同，第二参数与第一参数不同；若处理后的第一语音中包括预设的唤醒词，则电子设备从第一状态切换为第二状态。

Description

一种语音唤醒方法及电子设备

技术领域

本申请涉及终端技术领域，尤其涉及一种语音唤醒方法及电子设备。

背景技术

随着语音识别技术的发展，许多电子设备中添加了语音助手(例如Siri、小爱同学、小E等)来帮助用户完成与电子设备的人机交互过程。

为了使语音助手能够及时检测并响应用户发出的语音指令，电子设备中一般会预先设置一个或多个唤醒词(例如，“你好，小E”、“hi Siri”等)。当检测到用户输入预设的唤醒词时，说明用户此时具有语音交互的使用意图，因此，可触发电子设备启动语音助手与用户进行语音交流。

一般，电子设备可使用预先设置好的唤醒参数检测用户是否输入唤醒词。以声强门限为一个唤醒参数举例，电子设备可将唤醒词的声强门限设置为60dB。也就是说，当用户输入唤醒词时的声强大于60dB时，电子设备可确认用户输入了唤醒词从而唤醒语音助手。但是，当用户距离电子设备较远时，电子设备检测到用户输入的声强也随之降低，从而导致用户距离电子设备较远时无法唤醒语音助手的情况。

发明内容

本申请提供一种语音唤醒方法及电子设备，可在较广的位置范围内保证电子设备能够成功被唤醒的几率，提高语音助手在各个位置下的唤醒率和用户的使用体验。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种语音唤醒方法，包括：电子设备获取摄像头采集的图像；进而，电子设备可确定采集的图像中是否包括用户；如果该图像中包括用户，则电子设备可确定上述图像中第一用户所在的第一目标位置；后续，用户输入第一语音后，电子设备可根据第一目标位置处理该第一语音；例如，若第一目标位置属于预设的第一区域，则电子设备可使用第一参数处理第一语音；若第一目标位置属于预设的第二区域，则电子设备可使用第二参数处理第一语音；那么，若处理后的第一语音中包括预设的唤醒词，则电子设备的语音交互功能被唤醒，此时电子设备的语音交互功能从第一状态(例如待机状态)切换为第二状态(例如工作状态)。

也就是说，电子设备可以根据用户所在的位置动态的设置不同的参数检测语音中的唤醒词，使得用户在不同位置输入唤醒词时，电子设备可使用对应的参数检测用户输入的唤醒词，使得电子设备在不同位置场景下均能够保持较高的唤醒率，提高语音交互场景下用户的使用体验。

需要说明的是，电子设备处理第一语音的过程可以包括电子设备采集用户输入的第一语音的过程，也可以包括电子设备采集到第一语音后，对第一语音进行模数转换、降噪或信号放大等语音处理过程，本申请对此不做任何限制。

在一种可能的实现方式中，上述图像中可包括多个用户，此时，在电子设备确定该图像中第一用户所在的第一目标位置之前，还包括：电子设备从上述多个用户中确定第一用户。

示例性的，上述第一用户可以为上述多个用户中优先级最高的用户。

或者，上述第一用户可以为第一区域中的一个或多个用户，第一区域中的用户数量在预设的N个区域中最多，N为大于1的整数。也就是说，当某个区域中的用户数量最多时，该区域的优先级最高，该区域中的一个或多个用户即为第一用户。

在一种可能的实现方式中，上述第一参数可以包括：第一唤醒门限、第一拾音方向、第一噪声抑制参数以及第一放大增益中的一项或多项；类似的，上述第二参数可以包括：第二唤醒门限、第二拾音方向、第二噪声抑制参数以及第二放大增益中的一项或多项。这些参数是指能够影响电子设备唤醒率的一项或多项参数。

在一种可能的实现方式中，电子设备使用第一参数处理第一语音，包括：电子设备可使用第一唤醒门限判断是否需要处理第一语音；或；电子设备可使用第一拾音方向采集第一语音；或；电子设备可使用第一噪声抑制参数抑制第一语音中的噪声；或；电子设备可按照第一放大增益增强第一语音的响度。

在一种可能的实现方式中，电子设备使用第二参数处理第一语音，包括：电子设备可使用第二唤醒门限判断是否需要处理第一语音；或；电子设备可使用第二拾音方向采集第一语音；或；电子设备可使用第二噪声抑制参数抑制第一语音中的噪声；或；电子设备可按照第二放大增益增强第一语音的响度。

在一种可能的实现方式中，电子设备获取摄像头采集的图像，包括：当检测到电子设备上电、待机、开机或开始播放后，电子设备可以开始获取摄像头采集的每一帧图像。

第二方面，本申请提供一种电子设备，包括：一个或多个摄像头；一个或多个麦克风；一个或多个处理器；存储器以及一个或多个计算机程序；其中，处理器与摄像头、麦克风和存储器均耦合，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述任一项所述的语音唤醒方法。

第三方面，本申请提供一种计算机存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行如第一方面中任一项所述的语音唤醒方法。

第四方面，本申请提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行如第一方面中任一项所述的语音唤醒方法。

可以理解地，上述提供的第二方面所述的电子设备、第三方面所述的计算机存储介质，以及第四方面所述的计算机程序产品均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。

附图说明

图1为一种语音交互过程的交互示意图；

图2为本申请实施例提供的一种语音唤醒方法的应用场景示意图一；

图3为本申请实施例提供的一种电子设备的结构示意图一；

图4为本申请实施例提供的一种语音唤醒方法的流程示意图；

图5为本申请实施例提供的一种语音唤醒方法的应用场景示意图二；

图6为本申请实施例提供的一种语音唤醒方法的应用场景示意图三；

图7为本申请实施例提供的一种语音唤醒方法的应用场景示意图四；

图8为本申请实施例提供的一种语音唤醒方法的应用场景示意图五；

图9为本申请实施例提供的一种语音唤醒方法的应用场景示意图六；

图10为本申请实施例提供的一种语音唤醒方法的应用场景示意图七；

图11为本申请实施例提供的一种语音唤醒方法的应用场景示意图八；

图12为本申请实施例提供的一种电子设备的结构示意图二。

具体实施方式

下面将结合附图对本实施例的实施方式进行详细描述。

本申请实施例提供的一种语音唤醒方法可应用于音箱、智能家居设备(例如智能电视、智能空调、智能冰箱等)、手机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、可穿戴电子设备、车载设备或虚拟现实设备等具有语音交互功能的电子设备，本申请实施例对此不做任何限制。

一般，语音交互过程可被划分为五个环节，即唤醒、响应、输入、理解和反馈。在与电子设备进行语音交互前需要先唤醒电子设备。例如，用户可通过输入正确的唤醒词激活电子设备的语音交互功能，使电子设备的语音交互功能从待机状态(即第一状态)切换到工作状态(即第二状态)。

其中，当电子设备的语音交互功能处于待机状态时，电子设备接收到用户输入的语音信号后，需要对语音信号中的唤醒词进行识别。如果识别出预设的唤醒词，则电子设备可开启语音交互功能进入工作状态。当电子设备的语音交互功能处于工作状态时，电子设备在接收到用户输入的语音信号后，可通过语音识别算法识别该语音信号中的语义内容，从而响应该语音信号实现对应的功能。

以音箱为上述电子设备举例，如果用于唤醒音箱的唤醒词为“小艺小艺”，则用户与音箱进行语音交互前，需要先输入唤醒词“小艺小艺”唤醒音箱。示例性的，音箱可将麦克风设置为常开状态(always on)，进而，音箱可通过麦克风实时检测用户输入的语音信号。如图1所示，当检测到用户输入唤醒词“小艺小艺”的语音信号后，音箱可唤醒音箱中的语音助手APP，将音箱从待机状态切换到工作状态。语音助手APP被唤醒后，可应答用户输入的唤醒词“小艺小艺”，并开始接收用户输入的语音指令。进而，音箱可通过与服务器交互理解用户输入的语音指令，并对用户输入的语音指令进行反馈，实现一次完整的语音交互流程。

可以看出，能够成功唤醒电子设备是实现用户与电子设备进行语音交互的基础。而成功唤醒电子设备的重要因素之一，是电子设备在检测用户输入唤醒词时使用的一项或多项参数(也可称为唤醒参数)。例如，该唤醒参数可以包括：唤醒门限、拾音方向、噪声抑制参数以及放大增益等一项或多项参数。这些参数的取值决定了电子设备在检测唤醒词时唤醒率的高低。

以唤醒门限举例，唤醒门限是指能够成功唤醒电子设备的唤醒词的声强阈值。一般，电子设备在采集用户输入的唤醒词时，如果检测到用户输入的语音信号的声强大于唤醒门限，则电子设备可将该语音信号作为有效的语音信号，并继续检测该语音信号中是否包含唤醒词。反之，电子设备可将上述语音信号作为无效的语音信号丢弃。当唤醒门限的取值过高时，用户只能在距离电子设备较近的区域成功唤醒电子设备；但如果唤醒门限的取值过低，则用户在距离电子设备很远时也能唤醒电子设备，这会增加电子设备被误唤醒的几率。

以拾音方向举例，拾音方向是指电子设备采集用户输入唤醒词时接收语音信号的方向。如果用户在电子设备设置的拾音方向上输入唤醒词，则电子设备被成功唤醒的几率更大。反之，如果用户在拾音方向以外的区域输入唤醒词，则电子设备被成功唤醒的几率降低。

以噪声抑制参数举例，噪声抑制参数用于对拾音方向之外的噪声进行抑制。那么，如果用户在拾音方向之外的区域输入唤醒词，则电子设备使用上述噪声抑制参数进行检测时，可能会将用户此时输入的唤醒词作为噪音丢弃，导致用户输入唤醒词后无法成功唤醒电子设备。

以放大增益举例，放大增益是指电子设备检测唤醒词时对接收到的语音信号的放大倍数，用于增强语音信号的响度。与唤醒门限类似的，如果放大增益的取值过低，则用户只能在距离电子设备较近的区域成功唤醒电子设备；如果放大增益的取值过高，则用户在距离电子设备很远时也能唤醒电子设备，这会增加电子设备被误唤醒的几率。

一般，在电子设备出厂前，技术人员需要对唤醒参数中的各个参数进行测试，最终选择一组唤醒率满足要求的唤醒参数保存在电子设备中。后续，电子设备可使用已保存的这组唤醒参数实时检测用户输入的语音信号中是否包含正确的唤醒词，以唤醒电子设备启动语音交互功能进入工作状态。

在实际使用过程中，用户向电子设备输入唤醒词时所在的具体位置是随机变化的。以智能电视为电子设备举例，用户可以在家中的任意位置向电子设备输入唤醒词。但是，由于电子设备中保存的唤醒参数是固定的，因此，当用户在不同的位置向电子设备输入唤醒词时，电子设备接收并正确检测到该唤醒词从而被成功唤醒的几率仍然有所差异，导致用户在某些位置唤醒电子设备的唤醒率较低。

在本申请实施例中，电子设备可以根据用户所在的位置动态的设置当前的唤醒参数，使得用户在不同位置输入唤醒词时，电子设备可使用对应的唤醒参数检测用户输入的唤醒词，使得电子设备在不同位置场景下均能够保持较高的唤醒率。

以智能电视为电子设备举例，智能电视可通过摄像头采集用户的图像信息，进而根据采集到的图像确定用户当前的位置信息。对于不同的位置区域，智能电视可预先设置对应的唤醒参数。例如，如图2所示，距离智能电视1米以内的位置区域1与唤醒参数1对应，距离智能电视大于1米且小于等于2米的位置区域2与唤醒参数2对应，距离智能电视大于2米且小于等于3米的位置区域3与唤醒参数3对应。在位置区域1内使用唤醒参数1唤醒智能电视的唤醒率大于90％，在位置区域2内使用唤醒参数2唤醒智能电视的唤醒率大于90％，在位置区域3内使用唤醒参数3唤醒智能电视的唤醒率也大于90％。

那么，如果用户当前的位置信息属于位置区域1，则智能电视可将唤醒参数设置为唤醒参数1。如果用户当前的位置信息属于位置区域2，则智能电视可将唤醒参数设置为唤醒参数2。如果用户当前的位置信息属于位置区域3，则智能电视可将唤醒参数设置为唤醒参数3。这样，无论用户走进哪个位置区域向智能电视输入唤醒词，智能电视均可使用对应的唤醒参数较为准确的检测到用户输入的唤醒词，从而成功唤醒智能电视与用户进行语音交互，提高了语音交互场景下用户的使用体验。

其中，电子设备检测用户位置信息以及动态配置唤醒参数的具体方式将在后续实施例中详细阐述，故此处不再赘述。可以理解的是，电子设备配置的唤醒参数除了包括上述唤醒门限、拾音方向、噪声抑制参数以及放大增益中的一项或多项外，还可以包括能够影响电子设备唤醒率的其他一项或多项参数，本申请实施例对此不做任何限制。

示例性的，图3示出了上述电子设备的结构示意图。

电子设备可以包括处理器110，外部存储器接口120，内部存储器121，通用串行总线(universal serial bus，USB)接口130，摄像头140，移动通信模块150，无线通信模块160，音频模块170，扬声器170A，麦克风170B，传感器模块180等。

处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了系统的效率。

在一些实施例中，处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和/或通用串行总线(universal serial bus，USB)接口等。

移动通信模块150可以提供应用在电子设备上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括一个或多个滤波器，开关，功率放大器，低噪声放大器(low noise amplifier，LNA)等。移动通信模块150可以由天线1接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大，经天线1转为电磁波辐射出去。在一些实施例中，移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中，移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。

无线通信模块160可以提供应用在电子设备上的包括无线局域网(wirelesslocal area networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，蓝牙(Bluetooth，BT)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。无线通信模块160可以是集成一个或多个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。

外部存储器接口120可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备的存储能力。外部存储卡通过外部存储器接口120与处理器110通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。

内部存储器121可以用于存储一个或多个计算机程序，该一个或多个计算机程序包括指令。处理器110可以通过运行存储在内部存储器121的上述指令，从而使得电子设备执行本申请一些实施例中所提供的联系人智能推荐的方法，以及各种功能应用和数据处理等。内部存储器121可以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；该存储程序区还可以存储一个或多个应用程序(比如图库、联系人等)等。存储数据区可存储电子设备使用过程中所创建的数据(比如照片，联系人等)等。此外，内部存储器121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，例如一个或多个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。在另一些实施例中，处理器110通过运行存储在内部存储器121的指令，和/或存储在设置于处理器中的存储器的指令，来使得电子设备执行本申请实施例中所提供的语音交互方法，以及各种功能应用和数据处理。

电子设备可以通过音频模块170，扬声器170A，麦克风170B，以及应用处理器等实现音频功能。例如音乐播放，录音等。

音频模块170用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中，音频模块170可以设置于处理器110中，或将音频模块170的部分功能模块设置于处理器110中。

扬声器170A，也称“喇叭”，用于将音频电信号转换为声音信号。电子设备可以通过扬声器170A收听音乐，或收听免提通话。

麦克风170B，也称“话筒”，“传声器”，用于将声音信号转换为电信号。当拨打电话或发送语音信息时，用户可以通过人嘴靠近麦克风170B发声，将声音信号输入到麦克风170B。电子设备可以设置一个或多个麦克风170B。在另一些实施例中，电子设备可以设置两个麦克风170B，除了采集声音信号，还可以实现降噪功能。在另一些实施例中，电子设备还可以设置三个，四个或更多麦克风170B，实现采集声音信号，降噪，还可以识别声音来源，实现定向录音功能等。

传感器模块180可以包括压力传感器，陀螺仪传感器，气压传感器，磁传感器，加速度传感器，距离传感器，接近光传感器，指纹传感器，温度传感器，触摸传感器，环境光传感器，骨传导传感器等，本申请实施例对此不做任何限制。

在本申请实施例中，电子设备中还可以包括一个或多个摄像头140。

摄像头140可用于捕获图像，图像可以包括静态图片或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，CMOS)光电晶体管。感光元件把光信号转换成电信号，之后将电信号转换成数字图像信号。

示例性的，摄像头140可将采集到的图像发送给处理器110。处理器110可通过人脸识别算法识别摄像头140采集到的图像中是否包含用户信息。当图像中包含用户信息时，说明用户已经进入摄像头140的采集区域。进而，处理器110可根据摄像头140实时采集到的用户图像确定用户的位置信息。

例如，处理器110可以提取图像中的用户头像，进而，处理器110可根据用户头像在整个图像中的比例，计算用户与电子设备之间的距离。又例如，摄像头140可以为3D深度摄像头。3D深度摄像头采集到的图像中包含景物的深度信息。那么，处理器110识别出图像中的用户图像后，可获取用户的深度信息，从而确定出用户与电子设备之间的距离。

当然，电子设备还可以结合声源定位等技术确定用户的位置信息，本申请实施例对此不做任何限制。

可以理解的是，本发明实施例示意的结构并不构成对电子设备的具体限定。在本申请另一些实施例中，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

例如，当上述电子设备为音箱时，电子设备中还可以包括GPU、显示屏以及按键等一项或多项器件，本申请实施例对此不做任何限制。

又例如，当上述电子设备为智能电视时，还可以为电子设备配备遥控器、红外传感器等一项或多项器件，本申请实施例对此不做任何限制。

又例如，当上述电子设备为手机时，电子设备中还可以包括GPU、显示屏、耳机接口、按键、电池、马达、指示器以及SIM卡接口等一项或多项器件，本申请实施例对此不做任何限制。

以下，将结合附图对本申请实施例提供的一种语音唤醒方法进行具体介绍。以下实施例中均以智能电视作为语音交互时的电子设备举例说明。

图4为本申请实施例提供的一种语音唤醒方法的流程示意图。如图4所示，该语音唤醒方法可以包括：

S401、智能电视使用摄像头开始采集图像。

在本申请实施例中，可在具有语音交互功能的电子设备(例如智能电视)中安装摄像头。摄像头可用于采集智能电视周围一定拍摄范围内的图像。智能电视根据采集到的图像中的用户信息可对用户进行定位。

示例性的，智能电视可以在上电后自动打开摄像头开始采集图像。或者，智能电视可以在进入待机状态后自动打开摄像头开始采集图像。又或者，智能电视可以在开机或开始播放后自动打开摄像头开始采集图像，本申请实施例对此不做任何限制。

一般，摄像头都具有一定的视场角(field of view，FOV)。如图5所示，摄像头501的FOV是指以摄像头501的镜头为顶点，以被测物体可通过镜头的最大范围的两条边缘构成的夹角α。FOV的大小决定了摄像头501的视野范围。摄像头501的FOV越大，则摄像头501能够拍摄到的视野范围就越大。相应的，当目标物体超过摄像头501的FOV后就不会被拍摄在拍摄画面中。

以智能电视中摄像头501的FOV为90°举例。智能电视打开摄像头501后，可实时采集摄像头501捕捉到的每一帧图像。由于摄像头501的FOV为90°，因此，智能电视采集到的每一帧图像可监测到FOV在90°内(后续可称为拍摄范围内)的画面内容。

智能电视得到摄像头501采集到的每一帧图像后，可使用预设的人脸识别算法识别采集到的图像中是否包含用户图像。例如，智能电视可识别图像中是否存在眼、口、鼻等关键的人脸特征，如果存在这些人脸特征，则智能电视可确定采集到的图像中包含人像(即包含用户图像)。又或者，智能电视还可以识别采集到的图像中是否包含特定用户的用户图像。例如，用户Alice可预先将自己的人脸图像输入至智能电视中，智能电视采集到每一帧图像后，可识别图像中是否包含用户Alice的人脸图像。如果包含用户Alice的人脸图像，则智能电视可确定采集到的图像中包含用户图像。

当然，智能电视采集到的图像中可以包含一个或多个用户图像，或者，智能电视采集到的图像中也可能不包含用户图像，本申请实施例对此不做任何限制。

S402、若采集到的图像中包含用户图像，则智能电视确定用户所在的第一目标位置。

如果智能电视采集到的图像中包含用户图像，说明用户已经进入摄像头501的拍摄范围内，此时用户有可能需要使用语音交互的方式控制智能电视。为了能够使用户后续能够成功唤醒智能电视，智能电视可根据采集到的用户图像确定用户此时所在的第一目标位置。

示例性的，如图6中的(a)所示，智能电视可对其摄像头501的拍摄范围预先设置一个平面坐标系。例如，该平面坐标系可以摄像头501所在的位置为原点O，以垂直于智能电视屏幕的方向为y轴，以平行于智能电视屏幕的方向为x轴。当用户出现在拍摄范围内的任意一点时，用户所在的第一目标位置可以用上述平面坐标系中的一个坐标表示。

并且，如图6中的(b)所示，为摄像头501采集到的一帧图像602。当用户出现在拍摄范围内的不同位置时，用户图像601出现在图像602中的位置也会对应改变。也就是说，图像602中用户图像601的位置与上述平面坐标系中用户所在的坐标一一对应。那么，基于上述对应关系，智能电视可以根据采集到的图像602中用户图像601的位置，确定在上述平面坐标系中用户所在的第一目标位置的坐标A(X1,Y1)。其中，用户图像601可以包括用户的人脸图像。或者，用户图像601也可以包括用户身体的图像。

当然，智能电视还可以使用其他定位方法确定用户所在的第一目标位置。例如，智能电视还可以通过多个麦克风采集用户的声音信号，进而，智能电视可基于声源定位定位技术，根据采集到的声音信号的方向和强度等参数计算用户所在的第一目标位置，本申请实施例对此不做任何限制。

S403、智能电视获取与第一目标位置对应的第一唤醒参数。

在本申请实施例中，可预先将智能电视中摄像头501的拍摄范围划分为多个区域(后续称为唤醒区域)。并且，可预先为每个唤醒区域设置一组对应的参数(即唤醒参数)。其中，该唤醒参数是指能够影响智能电视唤醒率的一项或多项参数。例如，该唤醒参数可以包括唤醒门限、拾音方向、噪声抑制参数以及放大增益等一项或多项，本申请实施例对此不做任何限制。

示例性的，如图7所示，摄像头501的拍摄范围包括4个唤醒区域(即唤醒区域1至唤醒区域4)。其中，唤醒区域1至唤醒区域4距离智能电视的距离依次增加。对于每个唤醒区域，开发人员可以通过测试的方式确定在该唤醒区域内能够保证智能电视唤醒率较高的唤醒参数。例如，可以为唤醒区域1设置对应的唤醒参数1，为唤醒区域2设置对应的唤醒参数2，为唤醒区域3设置对应的唤醒参数3，并且，为唤醒区域4设置对应的唤醒参数4，从而保证智能电视在各个位置的唤醒率均保持在较高的水平。

那么，在步骤S403中，智能电视通过步骤S402获取到用户所在的第一目标位置的坐标A(X1,Y1)后，智能电视可进一步确定坐标A(X1,Y1)所属的唤醒区域。以坐标A(X1,Y1)位于上述唤醒区域3举例，为了使用户在坐标A处能够成功唤醒智能电视，智能电视可以将当前的唤醒参数设置为与唤醒区域3对应的唤醒参数3。

示例性的，智能电视中可以设置一个变量H，变量H的取值用于标识正在使用的唤醒参数。智能电视可设置一组默认唤醒参数，当摄像头501未检测到用户图像或检测到用户离开拍摄范围时，智能电视可将变量H设置为上述默认唤醒参数。当检测到用户所在的位置位于预设的某一唤醒区域时，智能电视可将变量H设置为与该唤醒区域对应的唤醒参数(例如上述唤醒参数3)。也就是说，通过改变变量H的取值，智能电视可以根据用户的位置动态的调整正在使用的唤醒参数。

需要说明的是，本领域技术人员可以根据实际经验或实际应用场景对上述拍摄区域内的唤醒区域进行划分，每个唤醒区域的大小和形状可以相同或不同。本申请实施例对此不做任何限制。

示例性的，如图8中的(a)所示，可以按照麦克风的收音方向将拍摄区域划分为多个唤醒区域。同样，可以为每个唤醒区域设置对应的唤醒参数，以保证在该唤醒区域内电子设备有较高的唤醒率。又例如，可以按照距离智能电视的远近和偏远程度将拍摄区域划分为多个唤醒区域。如图8中的(b)所示，唤醒区域1为距离智能电视较近且位于中心的区域；唤醒区域2相对于唤醒区域1为距离智能电视较远且较为偏远的区域；唤醒区域3相对于唤醒区域2为距离智能电视更远且更为偏远的区域。同样，可为每个唤醒区域设置对应的唤醒参数，以保证在该唤醒区域内电子设备有较高的唤醒率。

另外，上述实施例中是以摄像头501的拍摄范围内仅有一个用户的场景举例说明的。当摄像头501的拍摄范围内通过出现多个用户时，智能电视也可以通过确定第一目标位置，设置与第一目标位置对应的第一唤醒参数。

示例性的，如图9所示，摄像头501的拍摄范围内包括用户A、用户B以及用户C。那么，摄像头501采集到的图像中同时包含用户A、用户B以及用户C的用户图像。

在一些实施例中，智能电视获取到包含用户A、用户B以及用户C的图像后，可在用户A、用户B以及用户C中确定优先级最高的用户。进而，智能电视可将优先级最高的用户所在的位置确定为第一目标位置，从而确定与第一目标位置对应的第一唤醒参数。

例如，智能电视可以保存最近一次发起播放任务的具体用户。例如，如果最近执行开机任务的用户为用户A，则智能电视可以将用户A确定为用户A、用户B以及用户C中优先级最高的用户。

又例如，智能电视可以保存最近一段时间内每一次唤醒智能电视的唤醒用户，从而统计出唤醒智能电视次数最多的用户。如果用户B为唤醒智能电视次数最多的用户，则智能电视可以将用户B确定为用户A、用户B以及用户C中优先级最高的用户。

又例如，智能电视可以保存一个或多个用户的人脸信息或声纹信息。那么，如果智能电视检测到用户A、用户B以及用户C中某一用户的声纹信息(或人脸信息)与预先存储的用户的声纹信息(或人脸信息)匹配，则智能电视可将该用户确定为优先级最高的用户。

又例如，智能电视还可以使用人脸识别技术，根据采集到的用户A、用户B以及用户C的用户头像识别用户年龄。进而，智能电视可以将年龄最大的用户确定为优先级最高的用户，从而降低低龄用户随意唤醒智能电视的几率。

当然，智能电视还可以将距离智能电视最近，或距离智能电视最远，或声音信号的强度最大，或声音信号的强度最小的用户确定为优先级最高的用户，本申请实施例对此不做任何限制。

以用户C为优先级最高的用户举例，仍如图9所示，智能电视可根据用户C所在的位置(即第一目标位置)确定用户C当前位于唤醒区域3内。为了保证用户C在唤醒区域3内能够成功唤醒智能电视，智能电视可将当前的唤醒参数设置为与唤醒区域3对应的唤醒参数3。

在另一些实施例中，智能电视获取到包含用户A、用户B以及用户C的图像后，可统计每个唤醒区域中的用户数目。进而，智能电视可将用户数目最多的唤醒区域作为第一目标位置，并且，将当前的唤醒参数设置为与第一目标位置对应的唤醒参数。

仍如图9所示的，智能电视获取到包含用户A、用户B以及用户C的图像后，可统计唤醒区域1至唤醒区域3中的用户数目。其中，唤醒区域1内包括1名用户，唤醒区域2内没有用户，唤醒区域3内包括2名用户。那么，智能电视可将唤醒区域3确定为此时用户所在的第一目标区域。为了保证用户在唤醒区域3内能够成功唤醒智能电视，智能电视可将当前的唤醒参数设置为与唤醒区域3对应的唤醒参数3。

另外，如果智能电视统计出各个唤醒区域内的用户数目相同。例如，上述唤醒区域1至唤醒区域3中分别包括1名用户。此时，智能电视可按照上述实施例中的方法确定这3名用户中优先级最高的用户。进而，智能电视可将优先级最高的用户所在的位置确定为第一目标位置，从而确定与第一目标位置对应的第一唤醒参数。

至此，通过步骤S402-S403，智能电视通过采集到的用户图像可以识别出用户所在的第一目标位置，从而将当前的唤醒参数设置为与第一目标位置对应的唤醒参数，以提高用户在该位置处唤醒智能电视的成功几率。

S404、智能电视使用第一唤醒参数检测用户输入的语音信号中是否包含唤醒词。

智能电视将当前的唤醒参数设置为与用户所在位置对应的第一唤醒参数后，便可按照该第一唤醒参数实时采集用户输入的语音信号，并按照该第一唤醒参数确定该语音信号中是否包含预设的唤醒词。

例如，智能电视可以按照第一唤醒参数中的第一拾音方向和第一噪声抑制采集用户本次输入的语音信号。进而，智能电视可按照第一唤醒参数中的第一放大增益增强上述语音信号的响度。进而，智能电视可按照第一唤醒参数中的第一唤醒门限判断上述语音信号是否为有效的语音输入。如果上述语音信号的响度大于第一唤醒门限，说明该语音信号是否为有效的语音输入，则智能电视可据继续识别该语音信号中是够包含预设的唤醒词。

以第一唤醒参数为图9中与唤醒区域3对应的唤醒参数3举例，用户走入唤醒区域3后，智能电视根据用户的位置信息可将当前的唤醒参数设置为唤醒参数3。进而，智能电视可按照唤醒参数3实时采集当前的语音信号，如图10所示，如果用户向智能电视输入“小艺小艺”的语音信号，由于唤醒参数3中设置的唤醒门限、拾音方向、噪声抑制参数以及放大增益等参数均为与唤醒区域3对应的参数，因此，智能电视使用唤醒参数3能够更加快速、准确的检测到用户在唤醒区域3输入的语音信号中包含唤醒词“小艺小艺”。智能电视检测到用户输入正确的唤醒词后可开启语音助手APP与用户进行语音交互。

可以看出，通过用户位置为智能电视动态设置对应的唤醒参数后，可以在用户还没有发声前就将智能电视调整为唤醒率较高的水平。用户发声输入唤醒词后，智能电视可使用对应的唤醒参数快速、准确的识别出用户输入的唤醒词，从而唤醒智能电视。这样，无论用户走进哪个唤醒区域向智能电视输入唤醒词，智能电视均可使用对应的唤醒参数较为准确的检测到用户输入的唤醒词，从而成功唤醒智能电视与用户进行语音交互，提高了语音交互场景下用户的使用体验。

在一些实施例中，当智能电视被成功唤醒后，如果检测到用户还没有离开当前的唤醒区域，则智能电视可继续使用步骤S403中设置的第一唤醒参数检测用户输入的语音信号。例如，用户在唤醒区域3唤醒智能电视后，可继续输入“播放新闻”的语音信号。这样，智能电视被成功唤醒后，智能电视仍然可以快速、准确的识别出用户输入的语音信号，从而提高用户与智能电视在语音交互过程中的效率和准确性。

在一些场景下，用户与智能电视进行语音交互时可能会改变自身所处的位置。由于智能电视的摄像头501可以实时捕捉拍摄范围内的图像。当用户在图像中的位置发生变化时，说明用户改变了自身所在的位置，那么，智能电视可继续执行下述步骤S405-S407。

S405、智能电视检测到用户从第一目标位置切换至第二目标位置。

用户在智能电视的摄像头501的拍摄范围内移动时，摄像头501可以实时获取到包含用户图像的拍摄画面。如图11所示，如果检测到最新获取的相邻N帧拍摄画面内用户图像601从拍摄画面的P点移动到Q点，且P点与Q点之间的距离大于阈值，则智能电视可确定用户从第一目标位置移动至第二目标位置。

需要说明的是，上述P点(或Q点)可以理解为拍摄画面中用户所在的位置。其中，P点(或Q点)为用户图像601中的任意一点。例如，可将拍摄画面中用户人脸的中心点作为上述P点(或Q点)。又例如，可将拍摄画面中用户身体的中心点作为上述P点(或Q点)。又例如，可将拍摄画面中用户所站(或所坐)的位置作为上述P点(或Q点)，本申请实施例对此不做任何限制。

与步骤S402类似的，确定用户位置发生变化后，智能电视可以根据采集到最新一帧图像中用户图像的位置，确定在预设的平面坐标系中用户当前所在的第二目标位置的坐标B(X2,Y2)。

又例如，智能电视也可以根据摄像头501采集到的每一帧包含用户图像的拍摄画面对用户位置进行定位，或者，智能电视也可以周期性的获取包含用户图像的拍摄画面，并对用户位置进行定位。如果本次确定出的用户位置的坐标与上一次确定出的用户位置的坐标不同，则说明用户从第一目标位置切换至第二目标位置。

S406、智能电视获取与第二目标位置对应的第二唤醒参数。

与步骤S403类似的，智能电视可根据用户当前所在的第二目标位置的坐标B，确定第二目标位置所属的唤醒区域。如果第二目标位置所属的唤醒区域与步骤S403中第一目标位置所属的唤醒区域相同，例如，该唤醒区域均为图9所示的唤醒区域3，则智能电视无需修改当前的唤醒参数，当前的唤醒参数仍为与唤醒区域3对应的唤醒参数3。

相应的，如果第二目标位置所属的唤醒区域与步骤S403中第一目标位置所属的唤醒区域不同，例如，第一目标位置属于图9所示的唤醒区域3，而第二目标位置属于图9所示的唤醒区域2。那么，智能电视可将当前的唤醒参数修改为与唤醒区域2对应的唤醒参数2(即第二唤醒参数)，从而保证用户在第二目标位置处唤醒智能电视的成功几率。

S407、智能电视使用第二唤醒参数检测用户输入的语音信号中是否包含唤醒词。

与步骤S404类似的，智能电视将当前的唤醒参数设置为与用户所在位置对应的第二唤醒参数后，便可按照该第二唤醒参数实时采集用户输入的语音信号，并按照该第二唤醒参数确定该语音信号中是否包含预设的唤醒词。

当然，如果用户从第一目标位置移动至第二目标位置时，智能电视中的语音助手APP已经处于被唤醒的状态，则智能电视可继续使用第二唤醒参数检测输入的语音信号。这样，智能电视被成功唤醒后，智能电视仍然可以快速、准确的识别出用户输入的语音信号，从而提高用户与智能电视在语音交互过程中的效率和准确性。

另外，如果智能电视检测到用户离开摄像头501的拍摄范围，例如，智能电视检测到摄像头501最近拍摄的连续N帧图像中不存在用户图像时，说明用户已经离开摄像头501的拍摄范围。此时，智能电视可将当前的唤醒参数设置为上述预设的默认唤醒参数。当然，智能电视也可以将当前的唤醒参数继续设置为最近一次动态确定出的唤醒参数，本申请实施例对此不做任何限制。

本申请实施例公开了一种电子设备，包括处理器，以及与处理器相连的存储器、输入设备和输出设备。其中，输入设备可以为麦克风、触摸传感器、摄像头等；输出设备可以为显示屏、扬声器等。示例性的，输入设备和输出设备可集成为一个设备，例如，可将触摸传感器作为输入设备，将显示屏作为输出设备，并将触摸传感器和显示屏集成为触摸屏。

此时，如图12所示，上述电子设备可以包括：一个或多个处理器1202；一个或多个摄像头1205；一个或多个麦克风1206；存储器1203；显示屏1207；一个或多个应用程序(未示出)；以及一个或多个计算机程序1204，上述各器件可以通过一个或多个通信总线1201连接。其中该一个或多个计算机程序1204被存储在上述存储器1203中并被配置为被该一个或多个处理器1202执行，该一个或多个计算机程序1204包括指令，上述指令可以用于执行上述实施例中的各个步骤。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应实体器件的功能描述，在此不再赘述。

示例性的，上述处理器1202具体可以为图3所示的处理器110，上述存储器1203具体可以为图3所示的内部存储器121，上述摄像头1205具体可以为图3所示的摄像头140，上述麦克风1206具体可以为图3所示的麦克风170B，本申请实施例对此不做任何限制。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，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。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何在本申请实施例揭露的技术范围内的变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以所述权利要求的保护范围为准。

Claims (18)

1.一种语音唤醒方法，其特征在于，包括：

电子设备获取摄像头采集的图像；

所述电子设备确定所述图像包括用户；

响应于所述电子设备确定所述图像包括所述用户，所述电子设备确定所述图像中第一用户所在的第一目标位置；

所述电子设备处理用户输入的第一语音；其中，若所述第一目标位置属于预设的第一区域，则所述电子设备使用第一参数处理所述第一语音；若所述第一目标位置属于预设的第二区域，则所述电子设备使用第二参数处理所述第一语音，所述第二区域与所述第一区域不同，所述第二参数与所述第一参数不同；

若处理后的所述第一语音中包括预设的唤醒词，则所述电子设备从第一状态切换为第二状态。

2.根据权利要求1所述的方法，其特征在于，所述图像包括多个用户，在所述电子设备确定所述图像中第一用户所在的第一目标位置之前，还包括：

所述电子设备从所述多个用户中确定所述第一用户。

3.根据权利要求2所述的方法，其特征在于，所述第一用户为所述多个用户中优先级最高的用户。

4.根据权利要求2所述的方法，其特征在于，若所述第一区域中的用户数量在预设的N个区域中最多，则所述第一用户为所述第一区域中的一个或多个用户，N为大于1的整数。

5.根据权利要求1-4中任一项所述的方法，其特征在于，

所述第一参数包括：第一唤醒门限、第一拾音方向、第一噪声抑制参数以及第一放大增益中的一项或多项；

所述第二参数包括：第二唤醒门限、第二拾音方向、第二噪声抑制参数以及第二放大增益中的一项或多项。

6.根据权利要求5所述的方法，其特征在于，所述电子设备使用第一参数处理所述第一语音，包括：

所述电子设备使用所述第一唤醒门限判断是否处理所述第一语音；或；

所述电子设备使用所述第一拾音方向采集所述第一语音；或；

所述电子设备使用所述第一噪声抑制参数抑制所述第一语音中的噪声；或；

所述电子设备按照所述第一放大增益增强所述第一语音的响度。

7.根据权利要求5所述的方法，其特征在于，所述电子设备使用第二参数处理所述第一语音，包括：

所述电子设备使用所述第二唤醒门限判断是否处理所述第一语音；或；

所述电子设备使用所述第二拾音方向采集所述第一语音；或；

所述电子设备使用所述第二噪声抑制参数抑制所述第一语音中的噪声；或；

所述电子设备按照所述第二放大增益增强所述第一语音的响度。

8.根据权利要求1-7中任一项所述的方法，其特征在于，所述电子设备获取摄像头采集的图像，包括：

当检测到所述电子设备上电、待机、开机或开始播放后，所述电子设备开始获取摄像头采集的每一帧图像。

9.一种电子设备，其特征在于，包括：

一个或多个摄像头；

一个或多个麦克风；

一个或多个处理器；

存储器；

其中，所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令，当所述指令被所述电子设备执行时，使得所述电子设备执行以下步骤：

获取所述摄像头采集的图像；

确定所述图像包括用户；

响应于所述电子设备确定所述图像包括所述用户，确定所述图像中第一用户所在的第一目标位置；

处理用户输入的第一语音；其中，若所述第一目标位置属于预设的第一区域，则使用第一参数处理所述第一语音；若所述第一目标位置属于预设的第二区域，则使用第二参数处理所述第一语音，所述第二区域与所述第一区域不同，所述第二参数与所述第一参数不同；

若处理后的所述第一语音中包括预设的唤醒词，则从第一状态切换为第二状态。

10.根据权利要求9所述的电子设备，其特征在于，所述图像包括多个用户，在所述电子设备确定所述图像中第一用户所在的第一目标位置之前，所述电子设备还用于执行：

从所述多个用户中确定所述第一用户。

11.根据权利要求10所述的电子设备，其特征在于，所述第一用户为所述多个用户中优先级最高的用户。

12.根据权利要求10所述的电子设备，其特征在于，若所述第一区域中的用户数量在预设的N个区域中最多，所述第一用户为所述第一区域中的一个或多个用户，N为大于1的整数。

13.根据权利要求9-12中任一项所述的电子设备，其特征在于，所述第一参数包括：第一唤醒门限、第一拾音方向、第一噪声抑制参数以及第一放大增益中的一项或多项；所述第二参数包括：第二唤醒门限、第二拾音方向、第二噪声抑制参数以及第二放大增益中的一项或多项。

14.根据权利要求13所述的电子设备，其特征在于，所述电子设备使用第一参数处理所述第一语音，具体包括：

使用所述第一唤醒门限判断是否处理所述第一语音；或；

使用所述第一拾音方向采集所述第一语音；或；

使用所述第一噪声抑制参数抑制所述第一语音中的噪声；或；

按照所述第一放大增益增强所述第一语音的响度。

15.根据权利要求13所述的电子设备，其特征在于，所述电子设备使用第二参数处理所述第一语音，具体包括：

使用所述第二唤醒门限判断是否处理所述第一语音；或；

使用所述第二拾音方向采集所述第一语音；或；

使用所述第二噪声抑制参数抑制所述第一语音中的噪声；或；

按照所述第二放大增益增强所述第一语音的响度。

16.根据权利要求9-15中任一项所述的电子设备，其特征在于，电子设备获取摄像头采集的图像，具体包括：

当检测到所述电子设备上电、待机、开机或开始播放后，开始获取摄像头采集的每一帧图像。

17.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令在电子设备上运行时，使得所述电子设备执行如权利要求1-8中任一项所述的语音唤醒方法。

18.一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行如权利要求1-8中任一项所述的语音唤醒方法。