本文件按照GB/T 1.1-2020《標(biāo)準(zhǔn)化工作導(dǎo)則 第1部分：標(biāo)準(zhǔn)的結(jié)構(gòu)和編寫(xiě)》給出的規(guī)則起草。

請(qǐng)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)別這些專利的責(zé)任。

本文件由**市人工智能產(chǎn)業(yè)協(xié)會(huì)（Shenzhen Artificial Intelligence Industry Association）標(biāo)準(zhǔn)化委員會(huì)提出并歸口。

本文件起草單位：**市人工智能產(chǎn)業(yè)協(xié)會(huì)、**市8K超高清視頻產(chǎn)業(yè)協(xié)作聯(lián)盟、**賽西信息技術(shù)有限公司、**市優(yōu)必選科技股份有限公司、**市金大智能創(chuàng)新科技有限公司、科大訊飛股份有限公司、**市博樂(lè)信息技術(shù)有限公司、鋒睿領(lǐng)創(chuàng)（珠海）科技有限公司、*****耳智能聲學(xué)科技有限公司、**歐博思智能科技有限公司、藍(lán)亞技術(shù)服務(wù)（**）有限公司、**酷酷科技有限公司、**光子晶體科技有限公司、**奧尼電子股份有限公司、東莞市律普電子科技有限公司、杭州匯萃智能科技有限公司。

支持語(yǔ)音和視覺(jué)交互的虛擬數(shù)字人技術(shù)范圍：

本文件規(guī)定了支持語(yǔ)音和視覺(jué)進(jìn)行交互的虛擬數(shù)字人的技術(shù)要求和測(cè)量方法。

本文件適用于支持語(yǔ)音和視覺(jué)交互的虛擬數(shù)字人及其系統(tǒng)的研發(fā)、設(shè)計(jì)和測(cè)試。

規(guī)范性引用文件：

下列文件對(duì)于本文件的應(yīng)用是必不可少的。凡是注日期的引用文件，僅注日期的版本適

用于本文件。凡是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 3096-2008 聲環(huán)境質(zhì)量標(biāo)準(zhǔn)；

GB/T 5271.29-2006 信息技術(shù) 詞匯 第29部分：人工智能 語(yǔ)音識(shí)別與合成；

GB/T 12060.5-2011 聲系統(tǒng)設(shè)備 第5部分：揚(yáng)聲器主要性能測(cè)試方法；

GB/T 12060.16-2017 聲系統(tǒng)設(shè)備 第16部分：通過(guò)語(yǔ)音傳輸指數(shù)客觀評(píng)價(jià)言語(yǔ)可懂度；

GB/T 14277-2013 音頻組合設(shè)備通用規(guī)范；

GB/T 21023-2007 中文語(yǔ)音識(shí)別系統(tǒng)通用技術(shù)規(guī)范；

GB/T 21024-2007 中文語(yǔ)音合成系統(tǒng)通用技術(shù)規(guī)范；

GB/T 34083-2017 中文語(yǔ)音識(shí)別互聯(lián)網(wǎng)服務(wù)接口規(guī)范；

GB/T 34145-2017 中文語(yǔ)音合成互聯(lián)網(wǎng)服務(wù)接口規(guī)范；

GB/T 35273-2020 信息安全技術(shù) 個(gè)人信息安全規(guī)范；

GB/T 35312-2017 中文語(yǔ)音識(shí)別終端服務(wù)接口規(guī)范；

GB/T 36464.1-2020 信息技術(shù) 智能語(yǔ)音交互系統(tǒng) 第1部分：通用規(guī)范；

GB/T 36464.2-2018 信息技術(shù) 智能語(yǔ)音交互系統(tǒng) 第2部分：智能**；

GB/T 36464.3-2018 信息技術(shù) 智能語(yǔ)音交互系統(tǒng) 第3部分：智能客服；

GB/T 36464.4-2018 信息技術(shù) 智能語(yǔ)音交互系統(tǒng) 第4部分：移動(dòng)終端；

GB/T 36464.5-2018 信息技術(shù) 智能語(yǔ)音交互系統(tǒng) 第5部分：車(chē)載終端；

SJ/T 11380-2008 自動(dòng)聲紋識(shí)別（說(shuō)話人識(shí)別）技術(shù)規(guī)范；

SJ/T 11540-2015 有源揚(yáng)聲器通用規(guī)范；

GB/T 38665.1-2020 信息技術(shù) 手勢(shì)交互系統(tǒng) 第1部分：通用技術(shù)要求；

GB/T 38665.2-2020 信息技術(shù) 手勢(shì)交互系統(tǒng) 第２部分：系統(tǒng)外部接口；

SJ/T 11348-2016 平板電視顯示性能測(cè)量方法；

GB/T 35273—2020《信息安全技術(shù)個(gè)人信息安全規(guī)范》。

術(shù)語(yǔ)和定義

下列術(shù)語(yǔ)和定義適用于本文件。

1.虛擬數(shù)字人 virtual digital human：

是基于計(jì)算機(jī)視覺(jué)和語(yǔ)音合成等技術(shù)，進(jìn)行形象、聲音、動(dòng)作等的模型訓(xùn)練后，可以生成虛擬人像并與使用者交互的設(shè)備。

2.語(yǔ)音交互 speech interaction：

人類和功能單元之間通過(guò)語(yǔ)音進(jìn)行的信息傳遞和交流活動(dòng)。

[GB/T 36464.2-2018，定義3.1]

3.語(yǔ)音識(shí)別 speech recognition：

將人類的聲音信號(hào)轉(zhuǎn)化為文字或者指令的過(guò)程。

[GB/T 21023—2007，定義3.1]

4.語(yǔ)音合成 speech synthesis：

將給定的文本轉(zhuǎn)換成與之對(duì)應(yīng)的語(yǔ)音的過(guò)程。

[GB/T 34145—2017，定義3.1]

5.自然語(yǔ)言理解 natural language understanding：

讓計(jì)算機(jī)能夠理解自然語(yǔ)言文本中蘊(yùn)含的含義及意圖的過(guò)程。

6.語(yǔ)音喚醒 speech wake-up;voice trigger：

處于音頻流**狀態(tài)的語(yǔ)音交互系統(tǒng)，在檢測(cè)到特定的特征或事件出現(xiàn)后，切換到命令詞識(shí)別、連續(xù)語(yǔ)音識(shí)別等其他處理狀態(tài)的過(guò)程。

[GB/T 36464.2-2018，定義3.13]

7.誤喚醒 false wake-up：

語(yǔ)音交互系統(tǒng)處于音頻流**狀態(tài)，無(wú)音頻流或者音頻流中沒(méi)有出現(xiàn)喚醒所需的特征或事件時(shí)，語(yǔ)音喚醒系統(tǒng)被喚醒的現(xiàn)象。

[改寫(xiě)GB/T 36464.2-2018，定義3.14]

8.噪聲 noise：

語(yǔ)音采集過(guò)程中，采集到的能干擾對(duì)目標(biāo)語(yǔ)音信號(hào)的識(shí)別、理解或處理的信號(hào)。

9.聲紋 voiceprint：

指語(yǔ)音中所蘊(yùn)含的、能表征和標(biāo)識(shí)特定說(shuō)話人的獨(dú)有的特性或特征。

[SJ/T 11380—2008，定義3.1.1]

10.聲紋識(shí)別 voiceprint recognition：

根據(jù)待識(shí)別語(yǔ)音的聲紋特征識(shí)別該段語(yǔ)音所對(duì)應(yīng)的說(shuō)話人的過(guò)程。

[SJ/T 11380—2008，定義3.1.6]

11.麥克風(fēng)陣列 microphone array：

由具有確定空間拓?fù)浣Y(jié)構(gòu)的多個(gè)麥克風(fēng)組成的，對(duì)信號(hào)的空間特性進(jìn)行采樣并處理的系統(tǒng)。T/AIIA-002-2021

12.語(yǔ)音打斷 speech interruption：

語(yǔ)音交互系統(tǒng)在播放聲音的過(guò)程中，當(dāng)語(yǔ)音采集設(shè)備檢測(cè)到有效語(yǔ)音輸入時(shí)，終端播放聲音，轉(zhuǎn)到語(yǔ)音識(shí)別等其他處理過(guò)程。

[GB/T 36464.2-2018，定義3.18]

13.隱私標(biāo)簽 privacy label：

由廠商或者開(kāi)放平臺(tái)應(yīng)用定義的涉及使用者私密信息的數(shù)據(jù)，對(duì)該類型數(shù)據(jù)加以標(biāo)識(shí)的標(biāo)簽。

14.手勢(shì) gesture：

用戶利用上肢（包括手部和手臂）表達(dá)交互意圖時(shí)，所執(zhí)行的具體姿態(tài)或動(dòng)作。

15.手勢(shì)識(shí)別 gesture recognition：

從輸入的手勢(shì)圖像/視頻數(shù)據(jù)確定用戶手勢(shì)狀態(tài)。

16.人體姿態(tài)估計(jì) pose estimation：

從2D圖像中，預(yù)測(cè)人體的13個(gè)關(guān)節(jié)點(diǎn)和5個(gè)頭部關(guān)鍵點(diǎn)的圖像坐標(biāo)。13個(gè)人體關(guān)節(jié)點(diǎn)的

定義為：1 脖子（neck）、2 右肩（right shoudler）、3 右肘（right_elbow）、4 右腕（right_wrist）、5 左肩（left_shoudler）、6 左肘（left_elbow）、7 左腕（left_wrist）、8 右髖（right_hip）、9 右膝（right_knee）、10 右踝（right_ankle）、11 左髖（left_hip）、12 左膝（left_knee）、13 左踝（left_ankle）；5個(gè)頭部關(guān)鍵點(diǎn)的定義為：14 鼻子（nose）、15 右眼（right_eye）、16 左眼（left_eye）、17 右耳（right_ear）、18 左耳（left_ear）。

測(cè)試方法

語(yǔ)音交互測(cè)試要求

1 測(cè)試語(yǔ)料要求：

測(cè)試語(yǔ)料應(yīng)覆蓋被測(cè)系統(tǒng)的核心詞匯，并從被測(cè)系統(tǒng)詞匯量覆蓋、業(yè)務(wù)覆蓋、音節(jié)覆蓋，以及常用性角度進(jìn)行設(shè)計(jì)，具體要求應(yīng)按GB/T 21023-2007執(zhí)行。

2 語(yǔ)音測(cè)試集要求：

語(yǔ)音測(cè)試集應(yīng)符合以下要求：

1) 語(yǔ)音識(shí)別準(zhǔn)確率測(cè)試應(yīng)至少由男女老少各 25 名發(fā)音人進(jìn)行錄制，語(yǔ)音喚醒功能測(cè)試應(yīng)至少由 100 名發(fā)音人錄制，具體要求應(yīng)按 GB/T 21023-2007 執(zhí)行；

2) 聲紋識(shí)別測(cè)試應(yīng)至少由 50 名發(fā)音人錄制驗(yàn)證，具體要求應(yīng)按 GB/T 21023-2007 執(zhí)行。

支持語(yǔ)音和視覺(jué)交互的虛擬數(shù)字人技術(shù)規(guī)范就先講到這里了，想要獲取更多認(rèn)證有關(guān)的內(nèi)容，您可關(guān)注藍(lán)亞技術(shù)，我們將持續(xù)為您講解~ ，您這邊有任何疑問(wèn)也可以聯(lián)系13632500972 （微同號(hào)）

公司以藍(lán)牙無(wú)線技術(shù)服務(wù)起家，目前已擁有數(shù)字化實(shí)驗(yàn)室、EMC電磁兼容、RF射頻、藍(lán)牙BQB、安規(guī)、物聯(lián)網(wǎng)性能、音頻性能和可靠性實(shí)驗(yàn)室，是華南地區(qū)首家取得藍(lán)牙5測(cè)試能力的授權(quán)實(shí)驗(yàn)室。藍(lán)亞技術(shù)在武漢的實(shí)驗(yàn)室服務(wù)華中地區(qū)。我們的實(shí)驗(yàn)室滿足ISO17025：2017體系，并已獲得中國(guó)CNAS：L9788；美國(guó) A2LA：CN1252；加拿大CAB：CN0028；日本C&S認(rèn)可、藍(lán)牙聯(lián)盟BQTF資質(zhì)；亞馬遜合作檢測(cè)認(rèn)證供應(yīng)商資質(zhì)。

擁有無(wú)線產(chǎn)品暢銷(xiāo)全球相關(guān)測(cè)試能力，可提供BQB、SRRC、CR認(rèn)證（機(jī)器人）、FCC、IC、CE、Carplay、AndroidAuto、RCM、MIC/TELEC、研發(fā)跟互聯(lián)軟件測(cè)試及東南亞、中東、南美洲、非洲等多國(guó)轉(zhuǎn)證服務(wù)。