AI工匠

語音喚醒主流方法

keyword spotting分為補(bǔ)白模型與基于樣例的兩個(gè)主要方法

補(bǔ)白模型（Filler Models）

補(bǔ)白模型有時(shí)也被稱為垃圾模型，它將Keyword Spotting問題考慮為一個(gè)逐幀的序列標(biāo)注問題。關(guān)鍵詞定為不同的標(biāo)注，而一個(gè)額外的“補(bǔ)白”標(biāo)注用來匹配所有非關(guān)鍵詞。

基于隱馬爾可夫模型的補(bǔ)白模型最早用于Keyword Spotting。它對(duì)每一個(gè)關(guān)鍵詞建立一個(gè)隱馬爾可夫模型，對(duì)非關(guān)鍵詞額外建立一個(gè)隱馬爾可夫模型，觀測(cè)概率通過混合高斯或神經(jīng)網(wǎng)絡(luò)建模。直接針對(duì)關(guān)鍵詞建模在數(shù)據(jù)稀疏的問題。目前流行的隱馬爾可夫模型則采用子詞單元，如音素，進(jìn)行建模。這種情況下，它與基于HMM混合模型的語音識(shí)別中的聲學(xué)模型就十分類似了，只是解碼圖是手工設(shè)計(jì)的文法，而不是基于統(tǒng)計(jì)語言模型生成的。亞馬遜Alexa語音助手所用的Keyword Spotting系統(tǒng)就是基于這一類方法的，它的隱馬爾可夫模型示意圖如下圖所示：

另一種基于神經(jīng)網(wǎng)絡(luò)分類的方法就更加直接了，如下圖所示，連續(xù)語音流逐段地送入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。類別為所有的關(guān)鍵詞，和一個(gè)額外的填充類別（Filler），比如有10個(gè)關(guān)鍵詞，就有11類。

分類完成后，由于輸出的概率可能出現(xiàn)“毛刺”，所以進(jìn)行平滑后處理，之后如果某一個(gè)類別概率超過一個(gè)閾值，就認(rèn)為某一個(gè)關(guān)鍵詞唄檢測(cè)到了。這種方法內(nèi)存占用小，不需要解碼搜索，準(zhǔn)確率高。但是由于需要準(zhǔn)備大量包含關(guān)鍵詞的語料，如果更換了關(guān)鍵詞，則需要再另行搜集一批語料，所以也較難實(shí)際使用。相比之下，基于隱馬爾可夫模型的Keyword Spotting由于是針對(duì)子詞單元建模，語料用通用的就可以，所以更常用。