- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
唤醒词_好听的唤醒词
语音唤醒 定义 语音唤醒在学术上被称为keyword spotting(简称KWS)，给它做了一个定义：在连续语流中实时检测出说话人特定片段。 这里要注意，检测的“实时性”是一个关键点，语音唤醒的目的就是将设备从休眠状态激活至运行状态，所以唤醒词说出之后，能立刻被检测出来，用户的体验才会更好。 那么，该怎样评价语音唤醒的效果呢？ ➤误唤醒，用户未进行交互而设备被唤醒的概率，一般按天计算，如最多一天一次。 ➤响应时间，指从用户说完唤醒词后，到设备给出反馈的时间差。 ➤功耗水平，即唤醒系统的耗电情况。 ➤One-shot：直接将唤醒词和工作命令一同说出，如“叮咚叮咚，我想听周杰伦的歌”，客户端会在唤醒后直接启动识别以及语义理解等服务，缩短交互时间。 ➤Zero-shot：将常用用户指定设置为唤醒词，达到用户无感知唤醒，例如直接对车机说“导航到科大讯飞”，这里将一些高频前缀的说法设置成唤醒词。
1.9K10编辑于 2022-09-20 双唤醒词分层加载系统
现有系统通常采用单一唤醒词，唤醒后加载统一的响应逻辑，无法有效区分这两种场景。同时，用户对自己产生的数据缺乏控制权。 基于此，本人于2026年2月18日设计了一套双唤醒词分层响应机制，作为个人技术学习笔记。二、核心设计思路2.1 双唤醒词绑定不同响应层级· 第一唤醒词（日常模式）触发轻量级响应层。 2.4 自定义唤醒词· 用户可根据个人喜好自由定义第一唤醒词和第二唤醒词的名称。· 例如：日常模式唤醒词可设为“小助手”，深度模式唤醒词可设为“分析师”。 三、系统架构示意（注：本文为文字描述，实际实现时可参考以下模块）唤醒词识别模块：检测用户输入，识别是否包含预设的唤醒词。层级映射模块：根据唤醒词类型映射到对应的原则层级（日常/深度）。 四、实现步骤用户预先设置两个唤醒词及其对应的原则层级。系统持续检测用户输入，识别唤醒词类型。根据唤醒词类型，从用户专属存储区加载对应层级的原则。基于加载的原则生成响应。
8310编辑于 2026-04-09- 来自专栏VoiceVista语音智能
唤醒词引擎对比分析
唤醒词检测在语音用户界面(Voice User Interface)拥有广阔的应用，特别是其支持自然语音交互而无需双手。 品牌唤醒词模拟你呼叫一个人的名字，如"Hey Siri", "Ok Google"获取其注意力从而开始对话。 主要的行业巨头，如Apple, Google, Amazon均有其唤醒词算法团队。 以下让我们看看其中最为重要的参数指标，以及如何客观的(Objectively)评价不同唤醒词引擎的性能差异。 通常用FRR和FAR作为重要的唤醒词性能测量指标。 ? 通常我们需要在两项指标中折中平衡。相对低的检测阀值(Detection threshold)产生搞得敏感度。 FAR通常通过播放不包含唤醒词的语音文件(Utterance)，包含各种噪音，对话或者是音乐，检测在一段时长内误接受的次数。
1.8K10发布于 2019-09-10 智能语音唤醒词技术的新研究突破
其中一篇题为“构建鲁棒的词级唤醒词验证网络”的论文，描述了在云端运行的、用于确认设备端唤醒词检测结果的模型。另一篇题为“支持元数据感知的端到端关键词检测”的论文，则描述了一个新系统。 该系统利用关于智能设备状态的元数据（例如设备类型以及是否正在播放音乐或发出警报）来提高设备端唤醒词检测器的准确性。这两篇论文中报告的唤醒词检测器至少部分依赖于卷积神经网络。 云端模型的注意力机制支持元数据感知的唤醒词检测器在设备端运行，但接下来的论文描述了在云端运行的模型。设备端模型必须具有较小的内存占用，这意味着它们会牺牲一些处理能力。 如果设备端模型认为自己检测到了唤醒词，它会向云端发送一小段音频片段，供更大、更强大的模型进行确认。设备端模型试图识别唤醒词的起点，但有时会略有偏差。 模型的性能是相对于一个基线唤醒词检测器来评估的，该检测器结合了深度神经网络和隐马尔可夫模型，这种架构曾一度是行业标准。在精确对齐的输入上，CRA模型仅比195帧CNN模型略有改进。
23010编辑于 2026-01-24- 来自专栏程序手艺人
AVS之启用基于云端唤醒词验证(一)
产品唤醒词准确性.例如,这里有几句话可能会导致误唤醒 “Alexa”: “Alex”, “election”, “Alexis”.云端唤醒词验证还检测媒体中提及的”Alexa”.例如,在亚马逊广告中提及 通过产品上的唤醒词引擎进行初始化检测,然后在云中验证唤醒词.如果检测到误唤醒,AVS发送StopCapture 指令到产品的downchannel指示它关闭音频流,如果通过,则关闭蓝色LED以指示Alexa 审查基于云端唤醒词验证的流媒体要求 当唤醒词引擎检测到如”Alexa”之类的唤醒词时,语音发起的产品开始将用户音频流发送到AVS,当用户停止说话或者用户的意图已经被识别并且服务返回一个StopCapture 在检测到唤醒词之前捕获的音频或前置音频被用于校准记录的环境噪声等级,这样会增强了语音识别. 在流中包含唤醒词允许AVS执行基于云端的唤醒词验证,这减少了误唤醒. 如果在云端唤醒词验证期间未检测到唤醒词,则丢弃音频样本. 调整新的Context对象的客户端代码: RecognizerState Context是一个容器,用于将客户端组件的状态传递给AVS.
86410编辑于 2022-05-10 - 来自专栏TA码字
Tomcat NIO(8)-Poller线程的阻塞与唤醒
在这里我们主要介绍 poller 线程的阻塞与唤醒。 而 poller 线程会轮询事件队列进行操作，但是不能一直 while(true) 的轮询，这样会占用大量的cpu 资源，所以会有 poller 线程的阻塞与唤醒(一般由acceptor注册事件的时候唤醒 对于该设计，主要包括以下 items： 关键对象和实例 poller 线程的阻塞 poller 线程的唤醒 关键对象和实例 poller 线程的阻塞与唤醒主要涉及 poller 实例的 selector Poller线程的唤醒 poller 线程的唤醒由 poller 实例的 addEvent() 方法实现，根据以前文章，其间接的被 acceptor 线程通过 poller.register() 调用 Tomcat 正是通过以上 poller 线程的阻塞与唤醒的设计，最大程度的避免了 poller 线程对 cpu 的占用，同时又在有 client 连接 ready 的时候唤醒 poller 线程去监测
1.7K50发布于 2020-09-10 - 来自专栏码匠的流水账
敏感词检测算法小结
序 本文简单介绍下敏感词或者脏词检测算法。 经典AC算法 经典的AC算法由三部分构成，goto表，fail表和output表，共包含四种具体的算法，分别是计算三张查找表的算法以及AC算法本身。 this.value = value; this.isLast = isLast; } //...... } doc 字符串多模式匹配：AC算法 Java实现DFA算法对敏感词、 广告词过滤功能 敏感词过滤的算法原理之 Aho-Corasick 算法 敏感词过滤的算法原理之DFA算法 AC自动机和Fail树 基于双数组的AC匹配算法学习
6.1K20发布于 2018-09-17 - 来自专栏VoiceVista语音智能
Sensory为全球的第三方设备提供Hey Siri唤醒词
，推出"Hey Siri”唤醒词。 伴随着品牌定制唤醒词需求的增长，对于诸如Alexa, Bixby, Google, Cortana, Siri等通用语音助理优化后唤醒词的需求，也在强劲增长。 在美国市场之外的市场，Sensory也支持如Tencent, Baidu, Naver, Rakuten等通用语音助理唤醒词。 Sensory为开发者带来开发语音助理产品的终极灵活性，一整套包括优化后的流行唤醒词模型，支持多达几十种语言或方言(dialects)，可使用VoiceHub自有定义和创建品牌定制唤醒词。 正如Jeff Bezos所说 - 同步多唤醒词(multiple simultaneous wake words)为消费者提供最优选择。
1K40发布于 2021-07-08 - 来自专栏VoiceVista语音智能
Sensory发布支持多语音助理的多唤醒词嵌入式语音技术
Sensory，嵌入式语音，视觉，和生物识别技术供应商和开拓者，于今日升级其TrulyHandsfree唤醒词引擎，支持不同产品组合，定制唤醒词，小词汇语音命令，甚至自定义唤醒词。 Jeff Bezos说， 多同步唤醒此词可以为消费者带来更多的选择和更佳的体验。 得益于与众多语音服务商的深入合作，为其产品开发嵌入式唤醒词，我们可以快速为客户提供多唤醒的各种组合。 但组合多唤醒词也会带来显著的问题，即如何仍然保证最优的性能(optimal performance)。 这些唤醒词技术已经在包括穿戴产品，移动电话，车载，智能音箱，和家电产品中广泛采用。 若采用传统技术，多唤醒词带来的是单个唤醒词错误率的线性叠加，带来FA(False accept）和FR（False accept）大幅增加。
87610发布于 2020-01-02 - 来自专栏互联网产品
免费敏感词检测API - 私有化部署
敏感词检测API - 私有化部署提供文本识别、智能鉴黄、敏感词过滤、涉政检测等服务，可部署至「本地服务器」或「专有云服务器」，保障数据私密性，提供一键启动软件部署包私有化。 ，即可一键启动私有化的"敏感词检测 API服务"自动云更新最新词库支持http json方式或grpc方式查询单服务参考查询效率70000次/分钟，同时支持并行服务按需自定义添加文本白名单/黑名单服务运行内存 65M左右，非常轻便应用场景用户昵称、聊天消息、直播弹幕、评论留言、用户简介、商品详情、创作文章等内容合规检测过滤演示地址坚果墙在线敏感词检测服务下载地址https://github.com/bosnzt /wordscheckhttps://gitee.com/bosnzt/wordscheck快速接入文档文档地址敏感词分类色情：色情传播、x用品、av女优、色情描写、x器官、x行为、色情行为政治：领导人 国家机关、反动言论、邪教、分裂组织、宗教暴恐违禁：枪支弹药、警用军用、涉黑涉恶、非法传教、毒品、假钞、刑事行为、违禁品谩骂：脏话、谩骂、地域攻击广告：冒充系统、违法买卖、金融广告、赌博、网络广告、广告词不良价值观
12K01编辑于 2023-02-09 - 来自专栏大数据那些事
keepalived（8）——http、tcp检测
再在192.168.19.137上开启httpd服务，发现keepalived检测到后将主机192.168。19.137重新加回lvs集群： ? ? 再去访问成功轮训： ? 实践完毕，最重要的就是对HTTP_GET配置段的合理规划 同样我们也可以设置tcp的检测方式（TCP_CHECK段）
1.1K40发布于 2020-11-11 - 来自专栏字根中文校对软件
JCJC错别字检测系统接口API文档-添加错误词与正确词匹配
JCJC错别字检测系统接口API文档更新，字典功能新增：错误词与正确词匹配 JCJC错别字检测功能字典支持类型： 1）黑名单（敏感词） 2）白名单 3）配对词：正确词 -> 错误词 Python 示例代码如下 ： # coding=utf8 import requests,json # JCJC错别字检测系统接口API文档-添加错误词与正确词匹配 def call_jcjc_add_pair_words_right_to_wrong returned_json_str=response.content print("raw http return string:", returned_json_str.decode('utf8' )) print("if 乱码 please encoding : https://github.com/sunuslee/practical-python-utf8 ") if __name 参数说明： content： 正确词 content2：错误词 词语新增完成后自动生效。
78710编辑于 2023-12-20 - 来自专栏云上修行
Sherpa-ONNX 之关键词检测 KWS 入门实战
使用 sherpa-onnx 实现轻量级、高效的关键词检测（Keyword Spotting）前言在智能语音交互中，关键词检测（Keyword Spotting, KWS） 是唤醒语音助手的第一步。 无需重新训练，即可添加自定义唤醒词一、环境准备1.1 安装依赖pip3 install sherpa-onnx pyaudio numpy sentencepiece pypinyin 提示：macOS ，适当减小--keywords-threshold0.25触发阈值越大越难触发，适合减少误唤醒--num-trailing-blanks1关键词后的空白帧数如果关键词有重叠 token，设为较大值（如 sherpa-onnx 支持多种平台，可以使用：C++ API 直接集成交叉编译到 ARM/RISC-V使用 int8 量化模型减少内存占用七、总结本文介绍了如何使用 sherpa-onnx 快速搭建一个实时关键词检测系统 /usr/bin/env python3# -*- coding: utf-8 -*-"""Sherpa-ONNX 关键词检测 Demo使用 PyAudio 从麦克风实时读取音频，结合 sherpa-onnx
2.4K00编辑于 2025-12-16 - 来自专栏VoiceVista语音智能
Sensory发布跨平台语音AI解决方案-多唤醒词和多语音助理同时在线
Sensory，全球领先的嵌入式语音，视觉和生物识别人工智能公司，宣布其广泛采用的关键词唤醒引擎(Wake Word Engine)-TrulyHandsFree，现可实现灵活的多唤醒词组合支持，如领先的语音虚拟助理平台 ，如Alexa/Hey Google/Hi Siri，品牌唤醒词，用户自定义唤醒词，以及本地语音命令集傲虎的，多唤醒词和语音交互组合。 从行业技术角度来讲，同时支持多唤醒词对于性能来说是个极大的挑战。Sensory克服了识别精度的挑战，并同时将MIPS和内存需求降到最低。 传统技术方案，意味着总体的错误率是多个唤醒引擎错误率的叠加。Sensory的TrulyHandsFree给多唤醒词带来的是更低的FA和FR。 dis_k=c7f2f46f5731d3924859b59898c670b8&dis_t=1585709099
96420发布于 2020-04-01 - 来自专栏二爷记
python工具脚本，网站广告违禁词检测脚本源码
不少网站也推出了此类检测工具，当然割韭菜的居多，要不让你注册会员，购买会员或者积分，实质上很难检测你的问题，处理掉违禁词，如果你公司配有程序员还好，没有的话，那就只能自己上手操作一番，好在有python 广告违禁词图片 从上面的图片提取出广告违禁词，这里推荐QQ图片文字识别，应用python读取输出为列表！ 违禁词获取参考源码： #违禁词词库 # -*- coding: utf-8 -*- #20210112 by 微信：huguo00289 Zui="最佳、最具、最爱、最嫌、最优、最优秀、最好、最大、最人程度 违禁词的检测，其实就是一个简单的匹配处理，直接用in即可获取，然后进行判断选择输出即可！ ? 检测效果 检测参考源码： #违禁词处理筛选 #20210112 by 微信：huguo00289 # -*- coding: utf-8 -*- import requests from lxml import
2.8K20发布于 2021-01-25 - 来自专栏EdisonTalk
Elastic学习之旅 (8) 深入词项和全文搜索
基于Term的查询 Term（词项）是ES中表达语义的最小单位，搜索和利用统计语言模型进行自然语言处理都需要处理Term。 换句话说，它会将输入作为一个整体，在倒排索引中查找准确的词项，并且使用相关度算分公式为每个包含该词项的文档进行相关度算分 - 例如“Apple Store”。 Match Phrase Query / Query String Query 基于全文的查询具有以下的特点： 特点1：索引和搜索时都会进行分词，查询字符串先传到一个合适的分词器，然后生成一个待查询的词项列表 特点2：查询会对每个词项进行底层的查询，再将结果进行合并，还会为每个文档生成一个算分。
37810编辑于 2024-04-10 - 来自专栏相约机器人
8行代码中的人脸检测，识别和情感检测！
人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ https://github.com/priya-dwivedi/face_and_emotion_detection 本博客分为3部分： 面部检测 - 能够检测任何输入图像或帧中的面部位置。 这是通过比较面嵌入向量来完成的 情绪检测 - 将脸上的情绪分类为快乐，愤怒，悲伤，中立，惊讶，厌恶或恐惧 面部检测 面部检测是管道的第一部分。 此库扫描输入图像并返回所有检测到的面的边界框坐标，如下所示： 人脸检测 下面的代码段显示了如何使用face_recognition库来检测面部。 情绪检测 人类习惯于从面部情绪中获取非语言暗示。现在计算机也越来越好地阅读情感。那么如何检测图像中的情绪呢？
1.5K20发布于 2019-06-21 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 1.小目标检测介绍 1.1 小目标定义 1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）； 2）在实际应用场景中 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 我们推测这使得小目标检测的在验证时的通用性变得很难； 3）anchor难匹配问题。 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
6.7K20编辑于 2023-11-11 - 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 ；实时更新中，模型轻量化创新结果如下：layersparametersGFLOPskbmAP50mAP50-95yolov8-pose18733794969.668420.9210.697yolov8- -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8
2.5K30编辑于 2023-11-08 - 来自专栏深度学习和计算机视觉
使用YOLOv8检测棋盘棋子
重磅干货，第一时间送达 本文作为yolov8的手把手教程呈现~ 在本文的基础上，可以为任何目标检测任务训练模型。训练定制YOLO模型可能相当复杂，尤其是对于初学者。 检测棋盘棋子 训练模型 训练一个模型可能耗时，甚至可能需要超过一周的时间。影响训练时间的三个主要因素是：数据大小、GPU能力和训练参数。 更多的数据需要更多的训练时间，但是模型的训练效果也会更好。 简单来讲，训练主要有7个步骤： 创建数据 为项目创建文件夹 创建YAML文件 选择一个预训练的YOLOv8模型 创建一个用于训练的Python文件并训练模型 观察模型指标 测试模型 1. 本文使用Roboflow的棋盘棋子检测数据集（见文末） 2. 选择一个预训练的YOLOv8模型 有许多预训练的YOLOv8模型，选择预训练模型完全取决于你的目的。
55611编辑于 2024-12-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号