基于端到端深度学习方法的语音唤醒(Keyword Spotting)模型和论文

最新推荐文章于 2025-04-16 11:40:58 发布

YZhang0108

最新推荐文章于 2025-04-16 11:40:58 发布

阅读量9.4k

点赞数 6

分类专栏：音频处理文章标签：深度学习 tensorflow 人工智能神经网络机器学习

本文链接：https://blog.csdn.net/YZhang0108/article/details/105771069

版权

本文介绍了基于端到端深度学习的语音唤醒模型，包括使用CNN和CRNN的方法。详细讨论了Google的CNN模型，以及多个CRNN模型，如Mindori的CRNN、Attention-based CRNN和TalkType CRNN，分析了它们的网络结构、数据集和性能。此外，还提及了DNN模型在关键词识别中的应用。这些模型为关键词检索提供了有效解决方案，适用于资源有限的设备。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

语音唤醒，即关键词检索（keyword spotting, KWS）。用语音唤醒设备，让设备由休眠状态切换至工作状态。
下面主要对基于端到端的深度学习方法的语音唤醒模型总结。
模型输入为语音，输出为各唤醒词的概率，一个模型解决，不需要再进行解码。
通常包括三个部分：第一步是特征的提取，第二步是一个神经网络，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，就需要第三步对后验值以一定的窗长进行平滑，平滑后的后验值如果超过一定阈值会被认为是唤醒了。

1、基于CNN的语音唤醒
《Convolutional Neural Networks for Small-footprint Keyword Spotting _Google2015》
在这里插入图片描述
基于CNN的KWS模型。构建可以识别 10 个不同字词的基本语音识别网络。该模型会尝试将时长为 1 秒的音频片段归类为无声、未知字词、“yes”、“no”、“up”、“down”、“left”、“right”、“on”、“off”、“stop”或“go”。
基于端到端的深度学习方法，可以作为入门资料，模型比较简单。设计了几个不同的CNN结构。缺点是模型参数比较多，运算量较大。