ICS35.24034DB34/T4554—2023兒童智能語音識(shí)別技術(shù)規(guī)范Specificationforintelligentspeechrecognitiontechnologyofchildren安徽省市場監(jiān)督管理局發(fā)布IDB34/T4554—2023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。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專利的責(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。DB34/T4554—20231兒童智能語音識(shí)別技術(shù)規(guī)范本文件規(guī)定了兒童智能語音識(shí)別技術(shù)的術(shù)語和定義、技術(shù)路線和要求。本文件適用于兒童智能語音識(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中文語音識(shí)別系統(tǒng)通用技術(shù)規(guī)范3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1語音智能識(shí)別技術(shù)Speechintelligentrecognitiontechnology通過人工智能技術(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)上的文本與其對應(yīng)的特征幀對齊。語言模型Languagemodel利用自然語言處理技術(shù)，在詞級(jí)別上對文本進(jìn)行建模，輸出概率最大的詞序列，以解決聲學(xué)模型無法解決的同音詞、近義詞等因素干擾的歧義性問題；其中，建模的過程是根據(jù)語言學(xué)規(guī)則、語料庫語言統(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)概率來確定識(shí)別結(jié)果。4技術(shù)路線兒童語音智能識(shí)別的技術(shù)路線見圖1。2DB34/T4554—2023圖1兒童語音智能識(shí)別技術(shù)路線5要求5.1語音信號(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)是漢語通用語發(fā)聲，應(yīng)滿足GB/T21023-2007中6.1（b）的要求。5.1.5應(yīng)支持對3～14歲年齡段人群語音信號(hào)的采集。5.2信號(hào)處理和特征提取5.2.1語音信號(hào)中有回聲存在，應(yīng)對語音信號(hào)進(jìn)行回聲消除處理。5.2.2語音信號(hào)中有較大混響存在，應(yīng)對語音信號(hào)進(jìn)行去混響處理。5.2.3語音信號(hào)中存在較大周圍噪聲，應(yīng)對語音信號(hào)進(jìn)行降噪處理。5.2.4語音信號(hào)中存在特定波段頻率的干擾，應(yīng)對其進(jìn)行濾波處理。5.2.5在采集特定方向的語音信號(hào)時(shí)，應(yīng)對語音信號(hào)進(jìn)行增強(qiáng)處理，從而起到加強(qiáng)特定方向的語音信號(hào)，并抑制其他方向的語音信號(hào)。5.2.6在進(jìn)行批量語音信號(hào)處理時(shí)，應(yīng)根據(jù)指定的語音信號(hào)長度（時(shí)間段或者采樣數(shù)）進(jìn)行分段處理。5.2.7將語音信號(hào)從時(shí)域轉(zhuǎn)換到頻域，提取語音信號(hào)中的特征向量。5.3識(shí)別5.3.1概述對輸入的語音信號(hào)，在由語句或者單詞序列構(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DB34/T4554—202335.3.2.1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206～12歲兒童數(shù)據(jù)不低于20％。5.3.2.2訓(xùn)練聲學(xué)模型的覆蓋各種場景的數(shù)據(jù)不低于1萬小時(shí)。5.3.3語言模型5.3.3.1識(shí)別解碼過程中的語言模型的訓(xùn)練數(shù)據(jù)文本應(yīng)包含兒童說話的習(xí)慣。5.3.3.2訓(xùn)練語料數(shù)據(jù)量應(yīng)達(dá)到千萬級(jí)以上的句子、億級(jí)以上的詞級(jí)別語料。5.4文本輸出5.4.1聲紋識(shí)別的輸出結(jié)果是本次語音的注冊人身份信息，并且含有可信度衡量。5.4.2語音喚醒的輸出結(jié)果是對關(guān)鍵詞的檢測狀