智能音箱语音技术分享.PDF

智能音箱语音技术分享 2018 / 09 目录 • 智能音箱语音交互技术链条介绍 • 麦克风阵列 • 声纹识别 • 语音识别 • TTS • 前沿研究和技术分享 • 基于唤醒词信息的目标说话人语音提取 • 端到端语音识别的Attention建模方法的关键技术点 智能音箱语音交互技术链条 1 2 3 4 5 声纹识别 语音识别 语义理解 TTS 语音输入 麦克风阵列 用户身份 识别文本 语义结果 语音输出 音效 ／音质 （远场前端 ） 说话人声检测 关键词切分 特征提取 上下文 文本分析 回声消除 特征提取 声学模型 意图识别 时长预测 声源定位 声纹模型 模型自适应 槽位识别 模型自适应 语音增强 判别/确认 语言模型 状态管理 声学参数预测 语音唤醒 动态解码器 波形生成 1 远场前端 • AI Lab Voice Processing (简称AIVP) 集成语音检测、声源测向、麦克风阵列波束形成、 定向拾音、噪声抑制、混响消除、回声消除、自动增益等多种远场语音处理模块 1 远场前端——语音唤醒 • 语音唤醒难点： 误唤醒； 噪声下唤醒率； 快语速、儿童唤醒率 • 语音唤醒改进 • 唤醒模型算法升级； • 复杂度大幅提升后在保持性能的同时有效压缩到可用范围内； • 误唤醒率降低60%以上~ • 唤醒词相关语音分离与增强 • 分离关键词与其它非关键词语音 • 分离关键词与其它环境噪声 • 说话人无关，文本相关 • 辅助KWS，提高单通道场景的远场噪声鲁棒性 • 降低对话和其它语音场景的误唤醒率 • 降低前端和KWS模块的功耗 • 大幅度提升噪声及背景人声下唤醒性能 M Yu, X Ji, Y Gao, L Chen, J Chen, JM Zheng, D Su, D Yu “Text-Dependent Speech Enhancement for Small-Footprint Robust Keyword Detection”, INTERSPEECH 2018 2 声纹技术 • 目标 • 技术挑战 • 信道失配 声纹认证 • 环境噪声 96%以上正确率确认身份 • 短语音 • 远场 • 应用挑战 活体验证 • 录音冒认 • 兼容能力 结合声纹特征与内容，99.99%以上准确率