技术实现原理

当用户启用连续对话模式时，设备需在不依赖唤醒词的情况下区分定向指令与环境噪音（如电视声或儿童喊叫）。传统方案依赖声学模型，而本研究通过整合语音识别系统的语义和句法特征实现突破：

1. 双轮对话分析

   • 输入数据包含当前语句及前序对话（通过//标记分隔）
   • 每个词语被转换为固定维度的语义向量，与语音识别(ASR)置信度特征结合

2. LSTM网络架构

   • 采用长短期记忆网络处理词语序列，保留上下文关联性
   • 引入注意力机制动态加权关键词语（如实体名词比介词更具判别性）

3. 迁移学习优化

   • 先在单轮交互数据上预训练模型
   • 再通过多轮对话数据进行微调，使模型同时学习定向与非定向语音特征

性能对比

实验显示该方案显著优于基线模型：

• 纯声学模型：等错误率10.6%
• 语义DNN模型（忽略词序）：等错误率19.2%
• 本文LSTM方案：等错误率降至9.1%（相对提升14%）

扩展应用

初步半监督学习实验表明：通过模型自动标注未标注数据并迭代训练，可进一步提升性能。该技术路线将持续优化多轮对话场景下的语音交互体验。