一种关键词检测方法、装置、电子设备和存储介质与流程

1.本公开涉及信息技术领域，尤其涉及一种关键词检测方法、装置、电子设备和存储介质。


背景技术：

2.随着语音识别技术的发展以及智能语音设备的不断推广，对音频中包含的预设关键词进行识别成为在很多场景下需要执行的操作。
3.目前的关键词检测技术基本是通过滑动窗的方式对一段音频进行检测。该种方式存在对某些音频重复计算且计算复杂度较高的问题。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种关键词检测方法、装置、电子设备和存储介质，降低了计算量，提高了检测效率和准确率。
5.第一方面，本公开实施例提供了一种关键词检测方法，该方法包括：
6.对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；
7.根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；
8.根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
9.第二方面，本公开实施例还提供了一种关键词检测装置，该装置包括：
10.第一确定模块，用于对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；
11.第二确定模块，用于根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；
12.第三确定模块，用于根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
13.第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序；
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的关键词检测方法。
17.第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的关键词检测方法。
18.本公开实施例提供的技术方案与现有技术相比至少具有如下优点：
19.本公开实施例提供的关键词检测方法，通过确定目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述目标字符单元为预设关键词所包括的字符单元；根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率；根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段的技术手段，实现了降低计算量、提高检测效率和检测准确率的目的。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
21.图1为本公开实施例中的一种关键词检测方法的流程图；
22.图2为本公开实施例中的一种关键词检测装置的结构示意图；
23.图3为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
24.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
25.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行以及并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
26.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
27.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
28.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
29.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
30.图1为本公开实施例中的一种关键词检测方法的流程图。该方法适用于对音频中
的预设关键词进行检测，可以由关键词检测装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如终端或服务器。其中，终端具体包括但不限于智能手机、掌上电脑、平板电脑、便携式可穿戴设备、智能家居设备(例如台灯)等。
31.如图1所示，该方法具体可以包括如下步骤：
32.步骤110、对于目标音频中的目标音频片段，确定目标音频片段中的目标音频帧对应目标字符单元的第一概率。
33.其中，所述目标音频片段为所述目标音频中的一段音频。所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应。
34.例如预设关键词是“打开门”，其中包括三个字符单元，分别为“打”、“开”和“门”。将“打”标记为第一个字符单元，将“开”标记为第二个字符单元，将“门”标记为第三个字符单元，所述目标字符单元为所述三个字符单元中具体的某一个字符单元。假如所述目标音频片段包括三个音频帧，分别为第一音频帧、第二音频帧和第三音频帧，所述目标音频帧为所述三个音频帧中具体的某一个音频帧。当第一音频帧对应为第一个字符单元“打”的语音帧，第二音频帧对应为第二个字符单元“开”的语音帧，第三音频帧对应为第三个字符单元“门”的语音帧时，才能确定所述目标音频片段为所述预设关键词“打开门”的语音片段。换言之，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应。
35.其中，如果目标音频帧中的音频语种是汉语，字符单元可以是一个汉字，具体是常用中文中的5000个汉字中的任意一个。所述目标字符单元是预设关键词所包括的字符单元，例如预设关键词是“打开灯关”，则所述目标字符单元为“打”、“开”、“灯”或者“关”。
36.如果音频帧中的音频语种是英语，所述字符单元可以是一个音节。
37.可选的，所述确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，包括：确定所述目标音频帧的音频特征；将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。
38.可选的，以目标音频帧中的音频语种是汉语，预设关键词是“打开灯关”，所述目标字符单元为“打”、“开”、“灯”或者“关”为例。神经网络模型的输出是每个目标音频帧分别对应“打”、“开”、“灯”以及“关”的概率，即针对一个目标音频帧有四个结果，分别是对应“打”的第一概率p(打)，对应“开”的第一概率p(开)，对应“灯”的第一概率p(灯)以及对应“关”的第一概率p(关)。
39.在一些可选实施例中，神经网络模型的输出还可以是每个目标音频帧分别对应字典中常用的5000个汉字的第一概率，即针对一个目标音频帧有5000个结果，可利用p(t，i)表示目标音频帧t对应第i个汉字的第一概率，其中，t表示目标音频片段中的第t个的音频帧，i表示第i个汉字。
40.音频特征例如具体包括fbank特征和mfcc特征，其中，mfcc特征可通过对fbank特征进行离散余弦变换得到。fbank特征可通过对音频帧加窗-傅里叶变换-滤波得到。
41.步骤120、根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中
各字符单元的概率。
42.假设所述目标音频片段包括三个音频帧，分别为第一音频帧、第二音频帧和第三音频帧。预设关键词是“打开门”，其中包括三个字符单元，分别为“打”、“开”和“门”。将“打”标记为第一个字符单元，将“开”标记为第二个字符单元，将“门”标记为第三个字符单元。所述第二概率表示所述第一音频帧对应为所述第一个字符单元“打”的语音帧，所述第二音频帧对应为所述第二个字符单元“开”的语音帧，所述第三音频帧对应为所述第三个字符单元“门”的语音帧的概率。即所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率。
43.可以理解的是，如果音频帧的采集频率较高，预设关键词较长，即预设关键词包括的目标字符单元较多时，单个音频帧不足以包括预设关键词时，则根据连续的多个音频帧对预设关键词进行检测；如果音频帧的采集频率较低，预设关键词较短时，单个音频帧可能包括完整的预设关键词时，则根据一个音频帧实现对预设关键词的检测。
44.在一些实施方式中，所述根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，包括：
45.(1)确定目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率；(2)确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值；(3)将所述最大值与所述目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率的和确定为所述第二概率；其中，所述目标音频帧是所述目标音频片段中的任意一个音频帧。
46.例如预设关键词是“打开灯关”，组成该预设关键词的目标字符单元有4个，分别是“打”、“开”、“灯”和“关”，即共四个目标字符单元，其中目标字符单元“打”是该预设关键词的第一个目标字符单元，目标字符单元“开”是该预设关键词的第二个目标字符单元，目标字符单元“灯”是该预设关键词的第三个目标字符单元，目标字符单元“关”是该预设关键词的第四个目标字符单元。
47.换言之，目标字符单元“关”是该预设关键词的最后一个目标字符单元，目标字符单元“灯”是该预设关键词的倒数第二个目标字符单元，或者说目标字符单元“灯”是目标字符单元“关”之前的邻居目标字符单元，目标字符单元“灯”位于目标字符单元“关”之前，且与目标字符单元“关”相邻，因此目标字符单元“灯”是目标字符单元“关”之前的邻居目标字符单元。
48.示例性的，假设目标音频片段中共有t个连续的音频帧，目标音频帧为第t个音频帧，预设关键词是“打开灯关”，组成该预设关键词的多个目标字符单元分别是“打”、“开”、“灯”和“关”，即共四个目标字符单元，其中目标字符单元“关”是该预设关键词的最后一个目标字符单元。利用数组w[i]表示组成预设关键词的各目标字符单元，在该举例场景中，i的取值范围是1～4，i＝1时，w[i]表示第一个目标字符单元“打”，i＝2时，w[i]表示第二个目标字符单元“开”，i＝3时，w[i]表示第三个目标字符单元“灯”，i＝4时，w[i]表示第四个目标字符单元“关”。在上述举例场景中，确定目标音频帧对应所述预设关键词的最后一个目标字符单元的第一概率即为p(t，w[4])。具体的将第t个音频帧的音频特征输入至已训练的神经网络模型，获得第t个音频帧对应目标字符单元“关”的第一概率p(t，w[4])。即上述(1)确定目标音频帧对应预设关键词中最后一个目标字符单元的第一概率为p(t，w[4])。
[0049]
针对上述(2)确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值：该步骤的实质是假设在目标音频帧(即第t个音频帧)中出现了预设关键词中的最后一个目标字符单元(例如“关”)，需要确定预设关键词中倒数第二个目标字符单元(例如“灯”)出现在哪个音频帧。在确定预设关键词中倒数第二个目标字符单元出现在哪个音频帧之后，还需要进一步确定预设关键词中倒数第三个目标字符单元(例如“开”)出现在哪个音频帧，直到确定预设关键词中的每个目标字符单元出现在哪个音频帧。具体的，在所述目标音频帧之前的各音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度为：目标最大值与目标概率的和。所述目标最大值为在所述之前的各音频帧出现所述预设关键词中倒数第三个目标字符单元(即所述倒数第二个目标字符单元之前的邻居目标字符单元)的可信度中的最大值；所述目标概率为所述目标音频帧对应所述预设关键词中倒数第二个目标字符单元的概率。
[0050]
概括性的，在一所述音频帧出现所述预设关键词中一目标字符单元的可信度为目标最大值与目标概率的和；所述目标最大值为在所述一所述音频帧之前的各音频帧出现所述预设关键词中所述一目标字符单元之前的邻居目标字符单元的可信度中的最大值；所述目标概率为所述一所述音频帧对应所述一目标字符单元的第一概率。如此，在目标音频片段中的第一个音频帧出现所述目标字符单元的可信度是所述第一个音频帧对应所述目标字符单元的第一概率。
[0051]
假设预设关键词是“打开灯关”，组成该预设关键词的多个目标字符单元分别是“打”、“开”、“灯”和“关”，即共四个目标字符单元，利用数组w[i]表示组成预设关键词的各目标字符单元，i的取值范围是1～4，i＝1时，w[i]表示第一个目标字符单元“打”，i＝2时，w[i]表示第二个目标字符单元“开”，i＝3时，w[i]表示第三个目标字符单元“灯”，i＝4时，w[i]表示第四个目标字符单元“关”。
[0052]
上述在目标音频片段中的一音频帧出现预设关键词中一目标字符单元的可信度的确定过程可以通过如下程序进行表达：
[0053][0054][0055]
其中，t表示第t个音频帧，t表示目标音频片段中的音频帧的总数。i表示第i个目标字符单元，4表示预设关键词所包括的目标字符单元的总个数。score(t,i)表示在第t个音频帧出现预设关键词中的第i个目标字符单元的可信度，p(t,w[i])表示第t个音频帧对应预设关键词中的第i个目标字符单元的第一概率；max(score(t-j,i-1)+p(t,w[i]))表示在第t个音频帧之前的音频帧出现预设关键词中第(i-1)个目标字符单元的可信度与p(t,w[i])的最大值，其中，j小于t，通常取(t-1)、(t-2)、(t-3)、(t-4)、(t-5)、(t-6)
……
等与t最近的数个，具体可以根据预设关键词所包括的目标字符单元的总个数确定。
[0056]
步骤130、根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0057]
具体的，所述根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段，包括：若所述第二概率大于预设阈值，则确定所述目标音频片段为所述预设关键词的语音片段。
[0058]
本公开实施例提供的关键词检测方法，在确定目标音频帧对应预设关键词中目标字符单元的第一概率之后，通过动态规划算法算出每个时刻出现预设关键词的第二概率，根据该第二概率是否达到预设阈值确定是否检测到预设关键词，如此可降低检测预设关键词时的计算量，提高关键词的检测效率。具体的，确定目标音频帧对应预设关键词的最后一个目标字符单元的第一概率，确定在目标音频帧之前的音频帧出现预设关键词中倒数第二个目标字符单元的可信度中的最大值；将所述最大值与所述第一概率的和确定为在所述目标音频帧出现所述预设关键词的第二概率，根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0059]
图2为本公开实施例中的一种关键词检测装置的结构示意图。如图2所示，该关键词检测装置具体包括：第一确定模块210、第二确定模块220和第三确定模块230。
[0060]
其中，第一确定模块210，用于对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；第二确定模块220，用于根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；第三确定模块230，用于根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0061]
可选的，第一确定模块210包括第一确定单元，用于确定所述目标音频帧的音频特征；输入单元，用于将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。
[0062]
可选的，第二确定模块220包括：第二确定单元，用于确定目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率；第三确定单元，用于确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值；第四确定单元，用于将所述最大值与所述目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率的和确定为所述第二概率；其中，所述目标音频帧是所述目标音频片段中的任意一个音频帧。
[0063]
可选的，在一所述音频帧出现所述预设关键词中一目标字符单元的可信度为目标最大值与目标概率的和；所述目标最大值为在所述一所述音频帧之前的音频帧出现所述预设关键词中所述一目标字符单元之前的邻居目标字符单元的可信度中的最大值；所述目标概率为所述一所述音频帧对应所述一目标字符单元的第一概率。
[0064]
可选的，第三确定模块230具体用于：若所述第二概率大于预设阈值，则确定所述目标音频片段为所述预设关键词的语音片段。
[0065]
可选的，所述字符单元包括汉字。
[0066]
本公开实施例提供的关键词检测装置，在确定目标音频帧对应预设关键词中目标字符单元的第一概率之后，通过动态规划算法算出每个时刻出现预设关键词的第二概率，根据该第二概率是否达到预设阈值确定是否检测到预设关键词，如此可降低检测预设关键词时的计算量，提高关键词的检测效率。具体的，确定目标音频帧对应预设关键词的最后一个目标字符单元的第一概率，确定在目标音频帧之前的音频帧出现预设关键词中倒数第二个目标字符单元的可信度中的最大值；将所述最大值与所述第一概率的和确定为在所述目标音频帧出现所述预设关键词的第二概率，根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0067]
本公开实施例提供的关键词检测装置，可执行本公开方法实施例所提供的关键词检测方法中的步骤，具备执行步骤和有益效果此处不再赘述。
[0068]
图3为本公开实施例中的一种电子设备的结构示意图。下面具体参考图3，其示出了适于用来实现本公开实施例中的电子设备300的结构示意图。本公开实施例中的电子设备300可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字tv、台式计算机、智能家居设备等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0069]
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0070]
通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0071]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的方法。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
[0072]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、
或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0073]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0074]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0075]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0076]
对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0077]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0078]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注
意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0079]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
[0080]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0081]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0082]
根据本公开的一个或多个实施例，本公开提供了一种关键词检测方法，该方法包括：对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。
[0083]
根据本公开的一个或多个实施例，在本公开提供的关键词检测方法中，可选的，所述确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，包括：确定所述目标音频帧的音频特征；将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。
[0084]
根据本公开的一个或多个实施例，在本公开提供的关键词检测方法中，可选的，所述根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，包括：确定目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率；确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值；将所述最大值与所述目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率的和确定为所述第二概率；其中，所述目标音频帧是所述目标音频片段中的任意一个音频帧。
[0085]
根据本公开的一个或多个实施例，在本公开提供的关键词检测方法中，可选的，在一所述音频帧出现所述预设关键词中一目标字符单元的可信度为目标最大值与目标概率的和；所述目标最大值为在所述一所述音频帧之前的音频帧出现所述预设关键词中所述一
目标字符单元之前的邻居目标字符单元的可信度中的最大值；所述目标概率为所述一所述音频帧对应所述一目标字符单元的第一概率。
[0086]
根据本公开的一个或多个实施例，在本公开提供的关键词检测方法中，可选的，所述根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段，包括：若所述第二概率大于预设阈值，则确定所述目标音频片段为所述预设关键词的语音片段。
[0087]
根据本公开的一个或多个实施例，在本公开提供的关键词检测方法中，可选的，所述字符单元包括汉字。
[0088]
根据本公开的一个或多个实施例，本公开提供了一种关键词检测装置，该装置包括：第一确定模块，用于对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；第二确定模块，用于根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；第三确定模块，用于根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。根据本公开的一个或多个实施例，在本公开提供的关键词检测装置中，可选的，第一确定模块包括第一确定单元，用于确定所述目标音频帧的音频特征；输入单元，用于将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。
[0089]
根据本公开的一个或多个实施例，在本公开提供的关键词检测装置中，可选的，第二确定模块包括：第二确定单元，用于确定目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率；第三确定单元，用于确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值；第四确定单元，用于将所述最大值与所述目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率的和确定为所述第二概率；其中，所述目标音频帧是所述目标音频片段中的任意一个音频帧。
[0090]
根据本公开的一个或多个实施例，在本公开提供的关键词检测装置中，可选的，在一所述音频帧出现所述预设关键词中一目标字符单元的可信度为目标最大值与目标概率的和；所述目标最大值为在所述一所述音频帧之前的音频帧出现所述预设关键词中所述一目标字符单元之前的邻居目标字符单元的可信度中的最大值；所述目标概率为所述一所述音频帧对应所述一目标字符单元的第一概率。
[0091]
根据本公开的一个或多个实施例，在本公开提供的关键词检测装置中，可选的，第三确定模块具体用于：若所述第二概率大于预设阈值，则确定所述目标音频片段为所述预设关键词的语音片段。
[0092]
根据本公开的一个或多个实施例，在本公开提供的关键词检测装置中，可选的，所述字符单元包括汉字。
[0093]
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：
[0094]
一个或多个处理器；
[0095]
存储器，用于存储一个或多个程序；
[0096]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开提供的任一所述的关键词检测方法。
[0097]
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开提供的任一所述的关键词检测方法。
[0098]
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的关键词检测方法。
[0099]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0100]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0101]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

技术特征：
1.一种关键词检测方法，其特征在于，所述方法包括：对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。2.根据权利要求1所述的方法，其特征在于，所述确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，包括：确定所述目标音频帧的音频特征；将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，包括：确定目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率；确定所述目标音频片段中在所述目标音频帧之前的音频帧出现所述预设关键词中倒数第二个目标字符单元的可信度中的最大值；将所述最大值与所述目标音频帧对应所述预设关键词中最后一个目标字符单元的第一概率的和确定为所述第二概率；其中，所述目标音频帧是所述目标音频片段中的任意一个音频帧。4.根据权利要求3所述的方法，其特征在于，在一所述音频帧出现所述预设关键词中一目标字符单元的可信度为目标最大值与目标概率的和；所述目标最大值为在所述一所述音频帧之前的音频帧出现所述预设关键词中所述一目标字符单元之前的邻居目标字符单元的可信度中的最大值；所述目标概率为所述一所述音频帧对应所述一目标字符单元的第一概率。5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段，包括：若所述第二概率大于预设阈值，则确定所述目标音频片段为所述预设关键词的语音片段。6.根据权利要求1-4任一项所述的方法，其特征在于，所述字符单元包括汉字。7.一种关键词检测装置，其特征在于，所述装置包括：第一确定模块，用于对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，其中，所述第一概率表示所述目标音频帧为所述目标字符单元的语音帧的概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；第二确定模块，用于根据所述第一概率确定所述目标音频片段对应所述预设关键词的
第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；第三确定模块，用于根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。8.根据权利要求7所述的装置，其特征在于，所述第一确定模块包括：第一确定单元，用于确定所述目标音频帧的音频特征；输入单元，用于将所述音频特征输入至已训练的神经网络模型，获得所述目标音频帧对应所述目标字符单元的第一概率。9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

技术总结
本公开实施例公开了一种关键词检测方法、装置、电子设备和存储介质，该方法包括：对于目标音频中的目标音频片段，确定所述目标音频片段中的目标音频帧对应目标字符单元的第一概率，所述目标字符单元为预设关键词所包括的字符单元，所述目标音频帧在所述目标音频片段中的位置与所述目标字符单元在所述预设关键词中的位置相对应；根据所述第一概率确定所述目标音频片段对应所述预设关键词的第二概率，所述第二概率表示所述目标音频片段中的各音频帧按顺序分别为所述预设关键词中各字符单元的概率；根据所述第二概率确定所述目标音频片段是否为所述预设关键词的语音片段。实现了对音频片段中预设关键词的检测。音频片段中预设关键词的检测。音频片段中预设关键词的检测。


技术研发人员：蒋泳森
受保护的技术使用者：北京字跳网络技术有限公司
技术研发日：2021.12.31
技术公布日：2023/7/13