通常語(yǔ)音交互過程通常分為喚醒、響應(yīng)、輸入、理解、反饋幾個(gè)環(huán)節(jié)，語(yǔ)音交互技術(shù)也一直是IBM、微軟、百度等遙遙領(lǐng)先。

幾個(gè)月前，華為消費(fèi)者業(yè)務(wù)CEO余承東表示華為正在研發(fā)國(guó)際版的語(yǔ)音助手，同時(shí)建立自己的AI服務(wù)，并將在未來擴(kuò)展到國(guó)際市場(chǎng)。

在人工智能的潮流推動(dòng)下，智能化語(yǔ)音技術(shù)不斷發(fā)展，許多電子設(shè)備中都添加了語(yǔ)音助手，如Siri、小愛同學(xué)、天貓精靈等，用來協(xié)助用戶進(jìn)行人機(jī)交互過程。為了使得語(yǔ)音助手能夠及時(shí)檢測(cè)并響應(yīng)用戶發(fā)出的語(yǔ)音交互指令，電子設(shè)備一般會(huì)預(yù)設(shè)一些喚醒詞，如“Hi Siri”等，當(dāng)檢測(cè)到用戶輸入喚醒詞時(shí)，可觸發(fā)電子設(shè)備與用戶進(jìn)行交流。通常設(shè)備設(shè)置喚醒詞的聲強(qiáng)門限60dB，當(dāng)用戶輸入聲強(qiáng)大于60dB時(shí)，電子設(shè)備檢測(cè)成功，然而當(dāng)用戶距離設(shè)備較遠(yuǎn)時(shí)，由于輸入聲強(qiáng)的降低，電子設(shè)備往往難以檢測(cè)到輸入語(yǔ)音信號(hào)從喚醒失敗。在這種情況下，如何在遠(yuǎn)距離下提高語(yǔ)音助手喚醒成功率成為諸多企業(yè)競(jìng)相研究的熱點(diǎn)。

華為公司于2019年7月25日提出了一項(xiàng)名為“一種語(yǔ)音喚醒方法及電子設(shè)備”的發(fā)明專利（申請(qǐng)?zhí)枺?01910677390 .9），申請(qǐng)人為華為技術(shù)有限公司。

此發(fā)明專利介紹了一種語(yǔ)音喚醒方法及相對(duì)應(yīng)的電子設(shè)備，可以在較廣的位置范圍內(nèi)保證電子設(shè)備被成功喚醒的幾率，從而提高用戶的使用體驗(yàn)，而該種方法可以被應(yīng)用于諸如智能家居設(shè)備、PC、手機(jī)、音箱等具有語(yǔ)音交互功能的電子設(shè)備之中。

圖1 語(yǔ)音交互過程示意圖

通常語(yǔ)音交互過程可分為喚醒、響應(yīng)、輸入、理解、反饋幾個(gè)環(huán)節(jié)。當(dāng)設(shè)備處于待機(jī)狀態(tài)時(shí)，需要識(shí)別用戶輸入的語(yǔ)音喚醒信號(hào)，如果識(shí)別成功則切換到工作狀態(tài)，此后則可以通過語(yǔ)音識(shí)別算法用戶對(duì)輸入的語(yǔ)義內(nèi)容進(jìn)行識(shí)別并響應(yīng)，整個(gè)過程如圖1所示。

從上述過程可以看出，成功喚醒電子設(shè)備是實(shí)現(xiàn)人機(jī)語(yǔ)音交互的基礎(chǔ)，而喚醒設(shè)備的過程就是通過預(yù)設(shè)的喚醒參數(shù)檢測(cè)用戶的語(yǔ)音輸入。喚醒參數(shù)如喚醒門限、拾音方向、噪聲抑制參數(shù)、放大增益等的取值決定了電子設(shè)備在檢測(cè)喚醒輸入語(yǔ)音時(shí)喚醒率的高低。在實(shí)際使用過程中，用戶相對(duì)設(shè)備的位置差異導(dǎo)致了喚醒率的不同，因此根據(jù)用戶所在的位置動(dòng)態(tài)設(shè)置喚醒參數(shù)可以使得電子設(shè)備在不同位置場(chǎng)景下保持較高的喚醒率。

圖2 語(yǔ)音喚醒方法應(yīng)用場(chǎng)景示意圖

圖2為上述提到的基于用戶位置信息來劃分區(qū)域，從而進(jìn)行語(yǔ)音喚醒的示意圖。電子設(shè)備在待機(jī)狀態(tài)時(shí)可周期性地通過攝像頭采集用戶圖像信息，并根據(jù)圖像確定用戶所在的位置信息。對(duì)于不同區(qū)域，設(shè)備可預(yù)先設(shè)置對(duì)應(yīng)的喚醒參數(shù)，以聲強(qiáng)為例，在近處的區(qū)域設(shè)置較大的門限，而在遠(yuǎn)處區(qū)域設(shè)置較小的門限，從而使各個(gè)區(qū)域都達(dá)到較高的喚醒率。如圖2所示的三個(gè)區(qū)域各自具有一套喚醒參數(shù)，從而提高了語(yǔ)音交互場(chǎng)景下用戶的使用體驗(yàn)。

圖3 語(yǔ)音喚醒方法流程圖

圖3是此專利提供的一種語(yǔ)音喚醒方法流程示意圖。以智能電視為例，首先設(shè)備通過攝像頭采集圖像，并通過采集的圖像確定其中是否包含用戶，如果包含則確定圖像中第一用戶所在的第一目標(biāo)位置，并獲取該位置下的喚醒參數(shù)。當(dāng)用戶輸入語(yǔ)音后，設(shè)備根據(jù)上述喚醒參數(shù)處理輸入語(yǔ)音信號(hào)。如果用戶從區(qū)域1切換到區(qū)域2，則設(shè)備獲取區(qū)域2中的喚醒參數(shù)并進(jìn)行信號(hào)處理，包括模數(shù)轉(zhuǎn)換、降噪、放大等，因此該設(shè)備可根據(jù)用戶所在位置實(shí)時(shí)動(dòng)態(tài)的對(duì)切換喚醒參數(shù)，達(dá)到更好的人機(jī)交互效果。

在智能語(yǔ)音服務(wù)上，Google和亞馬遜的是目前公認(rèn)的業(yè)界巨頭，然而從此項(xiàng)專利可以推斷出華為在語(yǔ)音業(yè)務(wù)上也在不斷努力發(fā)展！