新一代语音关键事件检测

    并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而。在语音合成中，语音关键事件检测可以用于提取和合成特定情感或风格的语音片段。新一代语音关键事件检测

    每种类型与某一数字对应，以便于计算机的处理，则可以分别标记为[0,1,2,3,4,...,29,30]。在本申请的示例性实施例中，因计算机无法直接处理中文，因此可以将句子(语句)中每一个单词转化为数字的映射。即，获得语句的向量化语义表示w1。在本申请的示例性实施例中，所述获得语句的向量化语义表示w1可以包括：通过双向lstm网络模型或bert模型获得语句的向量化语义表示w1。在本申请的示例性实施例中，在通过双向lstm网络获得语句的向量化语义表示w1之前，所述方法还可以包括：将语句中的m个字符随机初始化为一个维度为[m，n]的n维向量d，其中，对于从0到m-1的索引id，每个id对应一个不同的字符；对于长度为s的语句，该语句中每一个字符能够在向量d中找到对应的id，从而获得维度为[s，d]的向量。在本申请的示例性实施例中，通过双向lstm网络获得语句的向量化语义表示w1可以包括：将维度为[s，d]的向量输入预设的双向lstm神经网络，将所述双向lstm神经网络的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，假设语料中一共有20000个不同的字符(汉字和/或单词，可以包括其他常用符号)，每个字符可以随机初始化为一个300维的向量，则可以得到一个维度为[20000。海南光纤数据语音关键事件检测标准语音关键事件检测的设备有哪些？欢迎咨询！

    电子设备在上述步骤s304中得到的事件检测结果可以为：关于未发生异常事件的结果，即目标防护舱内未发生异常情况；相对应的，电子设备在上述步骤s304中得到的事件检测结果也可以为：关于发生异常事件的结果，即目标防护舱内发生异常情况。可选的，一种具体实现方式中，上述事件检测结果为：关于未发生异常事件的结果。具体的，当事件检测结果为：关于未发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：未发生异常事件，这样，电子设备便可以确定目标防护舱内未发生异常事件。可选的，另一种具体实现方式中，上述事件检测结果为：关于发生异常事件的结果。具体的，当事件检测结果为：关于发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：发生异常事件，这样，电子设备便可以确定目标防护舱内发生异常事件。显然，在上述实现方式中，电子设备能够确定目标防护舱内是否发生异常事件，而不能确定当发生异常事件时，该异常事件的事件类型。因此，为了便于监控人员能够有针对性地对防护舱内所发生的异常事件进行处理，降低用户的人身伤害和财产损失，电子设备不但可以检测目标防护舱内是否发生异常事件。

    告警装置13在接收到告警指令后，可以输出与告警指令对应的告警信号。告警装置13通过输出告警信号，提醒游泳场馆内的救生员当前存在溺水事件的发生。在实际应用中，告警装置13可以为便携式的智能手环。当智能手环接收到告警指令后，可以输出振动信号。智能手环可以被佩戴在游泳馆救生员的手腕上。当智能手环振动时，救生员即可获知当前有游泳者发生溺水。告警装置13也可以为智能手机。当智能手机接收到告警指令后，可以同时输出振动信号以及语音信号。救生员可以随身携带该智能手机。当智能手机输出振动信号及语音信号时，救生员即可获知当前有游泳者发生溺水。可以理解的是，告警装置13还可以为其他类型的终端。例如，告警装置13可以为游泳场馆内的广播台。当告警装置13接收到告警指令后，可以输出相应的告警信号，告警信号可以是振动信号、语音信号以及光信号中的至少一种。在判定目标人物溺水之后，若要及时进行应急营救，救生员需要及时地获知游泳者的溺水位置。在具体实施中，控制器12在判定目标人物溺水之后，还可以获取一次检测到目标人物出现在游泳池中的目标位置信息，并将目标位置信息输出至预先关联的告警装置13。语音关键事件检测一般应用在什么行业？

    监控人员往往需要花费很久的时间才能在监控视频中准确定位到异常事件所对应的视频内容。这样，为了减少监控人员在查看视频时所耗费的时间，当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，电子设备可以采取多种方式对异常事件所发生的时间进行标记。一种具体实现方式中，上述本发明实施例提供的一种事件检测方法还可以包括如下步骤b1：步骤b1：对当前帧图像进行截图，并为所得到的截图添加标签，其中，标签包括：采集当前帧图像的采集时间和所发生异常事件类型对应的类型标签。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以对当前帧图像进行截图，并通过标签对所得到的截图进行标记，该标签中包括：当前时刻的时间信息和当前时刻目标防护舱内出现的异常事件的类型的类型标签。这样，当监控人员需要查看目标防护舱的监控视频中与该异常事件对应的视频内容时，便可以直接通过异常事件的类型标签，确定该事件类型对应的截图的标签，进而，根据该标签中的时间信息，确定该异常事件发生的时间。进一步的，监控人员便可以根据所确定的时间，直接调取与该时间对应的监控视频的视频内容。这样。语音关键事件检测的应用步骤是如何的？欢迎咨询！福建移动语音关键事件检测服务标准

在医学领域，语音关键事件检测可以用于分析患者的语音数据，辅助医生进行疾病诊断。新一代语音关键事件检测

    300]的向量d，其中对于索引id从0至19999，每个id对应一个不同的汉字。那么对于一句话(长度为s)中的每一个字符，都可以在d中找到对应的id，从而获取对应的向量，因此可以得到一个维度为[s,300]的向量。然后可以使用双向lstm神经网络得到句子的语义表示向量w1。在本申请的示例性实施例中，通过bert模型获得语句的向量化语义表示w1可以包括：将语句直接输入所述bert模型，将所述bert模型的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，使用bert模型时，可以将句子直接输入至bert模型，bert模型的输出即可以作为句子的向量化语义表示w1。在本申请的示例性实施例中，所述向量化语义表示w1的维度可以为[s，d1]；其中，当通过双向lstm网络获得语句的向量化语义表示w1时，d1为2*lstm隐层节点数；当通过bert模型获得语句的向量化语义表示w1时，d1＝768。在本申请的示例性实施例中，设以上两种方法得到的语义表示为w1，则,1的维度为[s,d1]，其中s为句子长度；如果使用双向lstm网络获得语句的向量化语义表示w1，则d1为2*lstm隐层节点数，如果使用bert模型获得语句的向量化语义表示w1，则d1＝768。s102、对所述向量化语义表示w1进行span划分，得到多个语义片段。新一代语音关键事件检测