语音唤醒

最新推荐文章于 2025-03-26 21:15:00 发布

audiocool

最新推荐文章于 2025-03-26 21:15:00 发布

阅读量1.1w

点赞数 3

分类专栏：机器学习文章标签：语音唤醒

本文链接：https://blog.youkuaiyun.com/audio_algorithm/article/details/89450414

版权

本文探讨了语音唤醒技术，主要分为基于HMM的Keyword and Filler系统和Deep KWS System。HMM系统通过解码模块进行关键词检索，而Deep KWS System采用端到端的DNN模型。文中还提到了不同网络结构如CNN、LSTM和CRNN的应用，并讨论了计算资源限制下的优化策略。此外，注意力机制在DNN和RNN等网络中的应用也被证明在语音唤醒任务中有效。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

唤醒可以看成是一种小资源的关键词检索任务，其中小资源是指计算资源比较小和空间存储资源比较小，因此它的系统框架跟关键词检索的系统会有一定的区别，目前常用的系统框架主要有Keyword/Filler Hidden Markov Model System和Deep KWS System两种。

48be104a050ea67bfe65b459cb48418c6c4db6fe

第一种被称为基于HMM的Keyword and Filler系统，这类系统的关键是上图中左侧的解码模块，它与语音识别器中的解码器类似，也是通过维特比算法来获取到最优的路径。基于大词汇量连续语音识别(LVCSR)的KWS系统可以根据用户的需求灵活的更改关键字，但基于LVCSR的系统需要生成丰富的词格，关键字搜索需要大量的计算资源。这些系统通常是为了搜索大型音频数据库中的关键词而设计。

第二种系统仍然采用Keyword and Filler架构，但引入了深度神经网络，不再采用解码这样一个步骤，直接是由端到端的模式，即输入是语音，输出直接是关键词。这样的系统包括三个部分：如上图，第一步是特征的提取，第二步通常是一个神经网络，它的输入是语音特征，输出是各个关键词和非关键词即Filler这样一个后验概率。由于第二步的网络是以帧为单位输出后验值的，就