ICS35.240

CCSL77

34

安徽省地方標(biāo)準(zhǔn)

DB34/T4554—2023

兒童智能語(yǔ)音識(shí)別技術(shù)規(guī)范

Specificationforintelligentspeechrecognitiontechnologyofchildren

2023-10-07發(fā)布2023-11-07實(shí)施

安徽省市場(chǎng)監(jiān)督管理局發(fā)布

DB34/T4554—2023

前言

本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定

起草。

請(qǐng)注意本文件的某些內(nèi)容可能涉及專(zhuān)利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專(zhuān)利的責(zé)任。

本文件由安徽淘云科技股份有限公司提出。

本文件由安徽省經(jīng)濟(jì)和信息化廳歸口。

本文件起草單位：安徽淘云科技股份有限公司、科大訊飛股份有限公司、安徽工程大學(xué)計(jì)算機(jī)與信

息學(xué)院、合肥巴靈瑞教育科技有限公司、合肥赑歌數(shù)據(jù)科技有限公司、安徽長(zhǎng)三角數(shù)據(jù)感知與治理研究

院、江蘇理工學(xué)院、合肥師范學(xué)院、合肥智能語(yǔ)音創(chuàng)新發(fā)展有限公司。

本文件主要起草人：王曉斐、劉慶升、朱翠玲、葉娟、方明、葉劍鳴、陶皖、陳慧珺、毛四方、呂

雪、胡連峰、宋若淼、高群、謝秀琴、姜志文、孫艷、張澤之、武方芳。

I

DB34/T4554—2023

兒童智能語(yǔ)音識(shí)別技術(shù)規(guī)范

1范圍

本文件規(guī)定了兒童智能語(yǔ)音識(shí)別技術(shù)的術(shù)語(yǔ)和定義、技術(shù)路線(xiàn)和要求。

本文件適用于兒童智能語(yǔ)音識(shí)別技術(shù)的應(yīng)用。

2規(guī)范性引用文件

下列文件中的內(nèi)容通過(guò)文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對(duì)應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

GB/T21023-2007中文語(yǔ)音識(shí)別系統(tǒng)通用技術(shù)規(guī)范

3術(shù)語(yǔ)和定義

下列術(shù)語(yǔ)和定義適用于本文件。

語(yǔ)音智能識(shí)別技術(shù)Speechintelligentrecognitiontechnology

通過(guò)人工智能技術(shù)識(shí)別聲音，并將聲音信號(hào)轉(zhuǎn)化為文字或指令的過(guò)程。

聲學(xué)模型Acousticmodel

輸入音頻經(jīng)特征提取和標(biāo)注后，進(jìn)行深度學(xué)習(xí)獲得的模型參數(shù)即為聲學(xué)模型；其中，特征提取是將

音頻數(shù)據(jù)轉(zhuǎn)換為特征向量；標(biāo)注是將音頻數(shù)據(jù)上的文本與其對(duì)應(yīng)的特征幀對(duì)齊。

注1：聲學(xué)模型的訓(xùn)練過(guò)程包括：數(shù)據(jù)錄制、數(shù)據(jù)標(biāo)注、特征提取和模型訓(xùn)練。

注2：聲學(xué)模型訓(xùn)練過(guò)程中提取特征通常使用Mel頻率倒譜系數(shù)（MFCC）等特征提取方法。

注3：深度學(xué)習(xí)也指模型訓(xùn)練，是使用已對(duì)齊數(shù)據(jù)訓(xùn)練聲學(xué)模型，通常使用深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）等模型。

語(yǔ)言模型Languagemodel

利用自然語(yǔ)言處理技術(shù)，在詞級(jí)別上對(duì)文本進(jìn)行建模，輸出概率最大的詞序列，以解決聲學(xué)模型無(wú)

法解決的同音詞、近義詞等因素干擾的歧義性問(wèn)題；其中，建模的過(guò)程是根據(jù)語(yǔ)言學(xué)規(guī)則、語(yǔ)料庫(kù)語(yǔ)言

統(tǒng)計(jì)等多種因素，以概率形式估計(jì)一個(gè)給定文本的出現(xiàn)概率，并根據(jù)這個(gè)概率來(lái)確定識(shí)別結(jié)果。

4技術(shù)路線(xiàn)

兒童語(yǔ)音智能識(shí)別的技術(shù)路線(xiàn)見(jiàn)圖1。

1

DB34/T4554—2023

圖1兒童語(yǔ)音智能識(shí)別技術(shù)路線(xiàn)

5要求

語(yǔ)音信號(hào)采集

5.1.1采樣率應(yīng)為16KHz，采樣位深應(yīng)為16bit。

5.1.2音頻采集應(yīng)保證完整，避免截?cái)嗷蛉笔闆r的發(fā)生。

5.1.3人聲和環(huán)境噪音的信噪比應(yīng)不低于10dB。

5.1.4人聲應(yīng)是漢語(yǔ)通用語(yǔ)發(fā)聲，應(yīng)滿(mǎn)足GB/T21023-2007中6.1（b）的要求。

5.1.5應(yīng)支持對(duì)3～14歲年齡段人群語(yǔ)音信號(hào)的采集。

信號(hào)處理和特征提取

5.2.1語(yǔ)音信號(hào)中有回聲存在，應(yīng)對(duì)語(yǔ)音信號(hào)進(jìn)行回聲消除處理。

5.2.2語(yǔ)音信號(hào)中有較大混響存在，應(yīng)對(duì)語(yǔ)音信號(hào)進(jìn)行去混響處理。

5.2.3語(yǔ)音信號(hào)中存在較大周?chē)肼?，?yīng)對(duì)語(yǔ)音信號(hào)進(jìn)行降噪處理。

5.2.4語(yǔ)音信號(hào)中存在特定波段頻率的干擾，應(yīng)對(duì)其進(jìn)行濾波處理。

5.2.5在采集特定方向的語(yǔ)音信號(hào)時(shí)，應(yīng)對(duì)語(yǔ)音信號(hào)進(jìn)行增強(qiáng)處理，從而起到加強(qiáng)特定方向的語(yǔ)音信

號(hào)，并抑制其他方向的語(yǔ)音信號(hào)。

5.2.6在進(jìn)行批量語(yǔ)音信號(hào)處理時(shí)，應(yīng)根據(jù)指定的語(yǔ)音信號(hào)長(zhǎng)度（時(shí)間段或者采樣數(shù)）進(jìn)行分段處理。

5.2.7將語(yǔ)音信號(hào)從時(shí)域轉(zhuǎn)換到頻域，提取語(yǔ)音信號(hào)中的特征向量。

識(shí)別

5.3.1概述

對(duì)輸入的語(yǔ)音信號(hào)，在由語(yǔ)句或者單詞序列構(gòu)成的空間當(dāng)中，按照一定的優(yōu)化準(zhǔn)則，并且根據(jù)聲學(xué)

模型、語(yǔ)言模型，生成一個(gè)用于搜索的狀態(tài)空間，在該狀態(tài)空間中搜索到最優(yōu)的狀態(tài)序列，即尋找能夠

以最大概率輸出該信號(hào)的詞序列。

5.3.2聲學(xué)模型

2

DB34/T4554—2023

5.3.2.1訓(xùn)練聲學(xué)模型的訓(xùn)練數(shù)據(jù)集中兒童數(shù)據(jù)占比不能低于40％，其中，3～6歲兒童的數(shù)據(jù)不低于

20％，6～12歲兒童數(shù)據(jù)不低于20％。

5.3.2.2訓(xùn)練聲學(xué)模型的覆蓋各種場(chǎng)景的數(shù)據(jù)不低于1萬(wàn)小時(shí)。

5.3.3語(yǔ)言模型

5.3.3.1識(shí)別解碼過(guò)程中的語(yǔ)言模型的訓(xùn)練數(shù)據(jù)文本應(yīng)包含兒童說(shuō)話(huà)的習(xí)慣。

5.3.3.2訓(xùn)練語(yǔ)料數(shù)據(jù)量應(yīng)達(dá)到千萬(wàn)級(jí)以上的句子、億級(jí)以上的詞級(jí)別語(yǔ)料。

文本輸出

5.4.1聲紋識(shí)別的輸出結(jié)果是本次語(yǔ)音的注冊(cè)人身份信息，并且含有可信度衡量。

5.4.2語(yǔ)音喚醒的輸出結(jié)果是對(duì)關(guān)鍵詞的檢測(cè)狀態(tài)判斷數(shù)據(jù)，并且含有可信度衡量。

5.4.3語(yǔ)音聽(tīng)寫(xiě)輸出結(jié)果為語(yǔ)音對(duì)應(yīng)的文本信息和附屬信息（如時(shí)間戳、置信度、詞屬性、拼音等）。

5.4