智能语音远场识别中，如何实现关键词精准捕捉？
- 内容介绍
- 文章标签
- 相关推荐
本文共计3555个文字，预计阅读时间需要15分钟。
语音识别主要分为两大类：大词汇连续语音识别（LVCSR）和关键词识别（KWS）。LVCSR要求计算能力强，通常在云端（服务器侧）处理。
语音识别主要分两大类：大词汇量连续语音识别技术（Large Vocabulary Continuous Speech Recognition，LVCSR）和关键词识别（keyword Spotting，KWS）。LVCSR由于对算力要求较高，一般在云端（服务器侧）做，而KWS对算力的要求相对较小，可以在终端上做。我们公司是芯片设计公司，主要设计终端上的芯片，想要在语音识别上做点事情，最可能的是做KWS，于是我们就选择KWS来实践语音识别。按距离远近，语音识别可分为近场识别和远场识别，远场的应用场景更丰富些，如智能音箱、智能家居等，如是远场的话需要用到麦克风阵列。讨论下来我们决定做远场下的关键词识别。图1是其框图：（麦克风阵列为圆阵且有四个麦克风，即有四个语音通道）
图 1
从上图可以看出，系统可以分为前端和后端两部分。前端主要包括去混响、声源定位和波速形成（beamforming）、单通道降噪四大模块。混响是指声音信号遇到墙壁、天花板、地面等障碍物形成反射声，并和直达声相叠加的现象。去混响就是去除那些叠加的声音。声源定位是利用多通道语音信号来计算目标说话人的角度和距离从而实现对目标说话人的跟踪，严格的声源定位是指同时确定说话人的角度（包括方位角、俯仰角）和距离。在消费级的麦克风阵列中，通常关心的是声源到达的方向，也就是波达方向（Direction of Arrival，DOA）。波束形成是对信号进行空域滤波，将多个通道的语音数据变成一个波束（即一个通道）的目标声源，目标声源的信干噪比（SINR）得到提升。单通道降噪是抑制单个通道上的噪声。
本文共计3555个文字，预计阅读时间需要15分钟。
语音识别主要分为两大类：大词汇连续语音识别（LVCSR）和关键词识别（KWS）。LVCSR要求计算能力强，通常在云端（服务器侧）处理。
语音识别主要分两大类：大词汇量连续语音识别技术（Large Vocabulary Continuous Speech Recognition，LVCSR）和关键词识别（keyword Spotting，KWS）。LVCSR由于对算力要求较高，一般在云端（服务器侧）做，而KWS对算力的要求相对较小，可以在终端上做。我们公司是芯片设计公司，主要设计终端上的芯片，想要在语音识别上做点事情，最可能的是做KWS，于是我们就选择KWS来实践语音识别。按距离远近，语音识别可分为近场识别和远场识别，远场的应用场景更丰富些，如智能音箱、智能家居等，如是远场的话需要用到麦克风阵列。讨论下来我们决定做远场下的关键词识别。图1是其框图：（麦克风阵列为圆阵且有四个麦克风，即有四个语音通道）
图 1
从上图可以看出，系统可以分为前端和后端两部分。前端主要包括去混响、声源定位和波速形成（beamforming）、单通道降噪四大模块。混响是指声音信号遇到墙壁、天花板、地面等障碍物形成反射声，并和直达声相叠加的现象。去混响就是去除那些叠加的声音。声源定位是利用多通道语音信号来计算目标说话人的角度和距离从而实现对目标说话人的跟踪，严格的声源定位是指同时确定说话人的角度（包括方位角、俯仰角）和距离。在消费级的麦克风阵列中，通常关心的是声源到达的方向，也就是波达方向（Direction of Arrival，DOA）。波束形成是对信号进行空域滤波，将多个通道的语音数据变成一个波束（即一个通道）的目标声源，目标声源的信干噪比（SINR）得到提升。单通道降噪是抑制单个通道上的噪声。