CN109346076A - 语音交互、语音处理方法、装置和*** - Google Patents
语音交互、语音处理方法、装置和*** Download PDFInfo
- Publication number
- CN109346076A CN109346076A CN201811249437.3A CN201811249437A CN109346076A CN 109346076 A CN109346076 A CN 109346076A CN 201811249437 A CN201811249437 A CN 201811249437A CN 109346076 A CN109346076 A CN 109346076A
- Authority
- CN
- China
- Prior art keywords
- information
- pushed
- emotional
- phonetic order
- text instruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 48
- 230000002996 emotional effect Effects 0.000 claims abstract description 147
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims description 62
- 230000036651 mood Effects 0.000 claims description 62
- 230000008451 emotion Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002618 waking effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 241000406668 Loxodonta cyclotis Species 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了语音交互、语音处理方法、装置和***。语音交互方法的一具体实施方式包括：响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息；向服务器发送语音指令信息，以及接收服务器返回的推送信息和推送信息包含的情绪信息；基于推送信息包含的情绪信息向用户反馈推送信息。该实施方式提供了一种新的语音交互方式，使语音交互方式更加丰富多样。并且，该语音交互方式基于推送信息包含的情绪信息向用户反馈推送信息，实现了个性化的信息反馈。
Description
技术领域
本申请涉及通信技术领域，具体涉及语音交互、语音处理方法、装置和***。
背景技术
随着计算机技术的普及，当今人们的生活已经逐渐走入智能时代。不仅仅是手机，计算机，平板电脑，人们的衣食住行的方方面面都开始应用出现不久的智能技术，智能电视，智能导航，智能家居等等，智能技术将在人们生活的各个方面提供方便快捷的服务。
智能语音交互是基于语音输入的新一代交互模式，通过说话就可以得到反馈结果。然而，在现有语音交互方式中，与智能设备进行交互时，通常以文本形式进行信息反馈，信息反馈方式单一。
发明内容
本申请实施例提出了语音交互、语音处理方法、装置和***。
第一方面，本申请实施例提供了一种语音交互方法，应用于智能设备，包括：响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息；向服务器发送语音指令信息，以及接收服务器返回的推送信息和推送信息包含的情绪信息；基于推送信息包含的情绪信息向用户反馈推送信息。
在一些实施例中，在接收用户发送的语音指令信息之前，还包括：展示预设虚拟形象的第一影像信息，以及播放唤醒交互语，其中，第一影像信息表征预设虚拟形象处于唤醒状态。
在一些实施例中，在接收用户发送的语音指令信息时，还包括：展示预设虚拟形象的第二影像信息，其中，第二影像信息表征预设虚拟形象处于倾听状态。
在一些实施例中，在接收服务器返回的推送信息和推送信息包含的情绪信息之前，还包括：接收服务器返回的语音指令信息对应的文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语；展示预设虚拟形象的第三影像信息，以及播放情绪交互语，其中，第三影像信息表征预设虚拟形象表达文本指令信息包含的情绪信息对应的情绪。
在一些实施例中，基于推送信息包含的情绪信息向用户反馈推送信息，包括：在第一预设区域显示推送信息，和/或以推送信息包含的情绪信息对应的语调播放推送信息，以及在第二预设区域展示预设虚拟形象的第四影像信息，其中，第四影像信息表征预设虚拟形象表达推送信息包含的情绪信息对应的情绪。
在一些实施例中，在向服务器发送语音指令信息之前，还包括：对语音指令信息进行预设处理，其中，预设处理包括以下至少一项：语音检测、去噪、去混响、波束形成。
第二方面，本申请实施例提供了一种语音处理方法，应用于服务器，包括：接收智能设备发送的语音指令信息；对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息；确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息；将推送信息和推送信息包含的情绪信息发送给智能设备。
在一些实施例中，在对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息之后，还包括：确定文本指令信息包含的情绪信息，以及确定文本指令信息包含的情绪信息对应的情绪交互语；将文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语发送给智能设备。
在一些实施例中，确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息，包括：对文本指令信息进行大数据分析，得到文本指令信息对应的推送信息；将推送信息输入至预先训练的情绪识别模型，得到推送信息包含的情绪信息，其中，情绪识别模型用于识别信息包含的情绪信息；以及确定文本指令信息包含的情绪信息，以及确定文本指令信息包含的情绪信息对应的情绪交互语，包括：将文本指令信息输入至情绪识别模型，得到文本指令信息包含的情绪信息；对文本指令信息进行大数据分析，得到文本指令信息包含的情绪信息对应的情绪交互语。
第三方面，本申请实施例提供了一种语音交互装置，设置于智能设备，包括：第一接收单元，被配置成响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息；第二接收单元，被配置成向服务器发送语音指令信息，以及接收服务器返回的推送信息和推送信息包含的情绪信息；反馈单元，被配置成基于推送信息包含的情绪信息向用户反馈推送信息。
在一些实施例中，语音交互装置还包括：第一展示单元，被配置成展示预设虚拟形象的第一影像信息，以及播放唤醒交互语，其中，第一影像信息表征预设虚拟形象处于唤醒状态。
在一些实施例中，语音交互装置还包括：第二展示单元，被配置成展示预设虚拟形象的第二影像信息，其中，第二影像信息表征预设虚拟形象处于倾听状态。
在一些实施例中，语音交互装置还包括：第三接收单元，被配置成接收服务器返回的语音指令信息对应的文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语；第三展示单元，被配置成展示预设虚拟形象的第三影像信息，以及播放情绪交互语，其中，第三影像信息表征预设虚拟形象表达文本指令信息包含的情绪信息对应的情绪。
在一些实施例中，反馈单元进一步被配置成：在第一预设区域显示推送信息，和/或以推送信息包含的情绪信息对应的语调播放推送信息，以及在第二预设区域展示预设虚拟形象的第四影像信息，其中，第四影像信息表征预设虚拟形象表达推送信息包含的情绪信息对应的情绪。
在一些实施例中，语音交互装置还包括：处理单元，被配置成对语音指令信息进行预设处理，其中，预设处理包括以下至少一项：语音检测、去噪、去混响、波束形成。
第四方面，本申请实施例提供了一种语音处理装置，设置于服务器，包括：接收单元，被配置成接收智能设备发送的语音指令信息；识别单元，被配置成对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息；第一确定单元，被配置成确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息；第一发送单元，被配置成将推送信息和推送信息包含的情绪信息发送给智能设备。
在一些实施例中，语音处理装置还包括：第二确定单元，被配置成确定文本指令信息包含的情绪信息，以及确定文本指令信息包含的情绪信息对应的情绪交互语；第二发送单元，被配置成将文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语发送给智能设备。
在一些实施例中，第一确定单元进一步被配置成：对文本指令信息进行大数据分析，得到文本指令信息对应的推送信息；将推送信息输入至预先训练的情绪识别模型，得到推送信息包含的情绪信息，其中，情绪识别模型用于识别信息包含的情绪信息；以及第二确定单元进一步被配置成：将文本指令信息输入至情绪识别模型，得到文本指令信息包含的情绪信息；对文本指令信息进行大数据分析，得到文本指令信息包含的情绪信息对应的情绪交互语。
第五方面，本申请实施例提供了一种语音交互***，包括：智能设备和服务器；智能设备，用于响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息，向服务器发送语音指令信息；服务器，用于对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息，确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息，将推送信息和推送信息包含的情绪信息发送给智能设备；智能设备，还用于基于推送信息包含的情绪信息向用户反馈推送信息。
第六方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法或者实现如第二方面中任一实现方式描述的方法。
第七方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法或者实现如第二方面中任一实现方式描述的方法。
本申请实施例提供的语音交互、语音处理方法、装置和***，若接收到用户发送的语音唤醒信息，智能设备可以继续接收用户发送的语音指令信息，并向服务器发送语音指令信息。随后，服务器可以对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息，确定所述文本指令信息对应的推送信息，确定所述推送信息包含的情绪信息，并将推送信息和推送信息包含的情绪信息发送给智能设备。最后，智能设备可以基于推送信息包含的情绪信息向用户反馈推送信息。提供了一种新的语音交互方式，使语音交互方式更加丰富多样。并且，该语音交互方式基于推送信息包含的情绪信息向用户反馈推送信息，实现了个性化的信息反馈。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例可以应用于其中的示例性***架构图；
图2是根据本申请的语音交互方法的一个实施例的流程图；
图3是根据本申请的语音交互方法的又一个实施例的流程图；
图4是根据本申请的语音处理方法的一个实施例的流程图；
图5是根据本申请的语音交互装置的一个实施例的结构示意图；
图6是根据本申请的语音处理装置的一个实施例的结构示意图；
图7是根据本申请的语音交互***的一个实施例的时序图；
图8是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的语音交互方法、语音处理方法或者语音交互装置、语音处理装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括智能设备101、网络102和服务器103。网络102用以在智能设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用智能设备101通过网络102与服务器103交互，以接收或发送消息等。智能设备101上可以安装有各种客户端应用，例如语音助手、音乐播放器、天气信息查询应用、阅读应用、搜索类应用、即时通信工具等。
智能设备101可以是硬件，也可以是软件。当智能设备101为硬件时，可以是具有显示屏并且支持语音交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当智能设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务，例如服务器103可以接收智能设备101发送的语音指令信息，并对其进行分析等处理，并将处理结果(例如推送信息和推送信息包含的情绪信息)发送给智能设备101，以使智能设备101基于处理结果向用户反馈信息。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的语音交互方法一般由智能设备101执行，相应地，语音交互装置一般设置于智能设备101中。本申请实施例所提供的语音处理方法一般由服务器103执行，相应地，语音处理装置一般设置于服务器103中。
应该理解，图1中的智能设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的智能设备、网络和服务器。
继续参考图2，其示出了根据本申请的语音交互方法的一个实施例的流程200。该语音交互方法包括以下步骤：
步骤201，响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息。
在本实施例中，语音交互方法的执行主体(例如图1所示的智能设备101)可以利用麦克风或麦克等阵列接收用户发送的语音信息。每当接收到语音信息时，上述执行主体可以确定该语音信息是否是语音唤醒信息。若是语音唤醒信息，则可以继续接收用户发送的语音指令信息。其中，在接收到语音唤醒信息之后接收到的语音信息通常是语音指令信息。
为了保护用户隐私和减少误识别现象，只有在上述执行主体接收到语音唤醒信息时，才会将在语音唤醒信息之后接收到的语音指令信息进行复杂的处理。通常，上述执行主体中可以包括一个小型语音识别引擎。通常，每当接收到语音信息时，只需要对语音信息进行简单的分析，以确定语音信息中是否包含预设唤醒词。若语音信息中包括预设唤醒词，则可以认为该语音信息是语音唤醒信息。若语音信息中不包括预设唤醒词，则可以认为该语音信息不是语音唤醒信息。由于仅需要检测语音信息中是否包含预设唤醒词，检测目标单一，只需要较小的声学模型和语言模型即可实现，声学打分和解码速度较快，占用空间较小，能够实现实时检测。其中，预设唤醒词可以是预先设置的任意词语，例如，预设唤醒词可以语音助手的名称或者预设词(如“嗨”)加语音助手的名称。
在本实施例的一些可选的实现方式中，上述执行主体可以对语音指令信息进行预设处理。其中，预设处理可以包括但不限于以下至少一项：语音检测、去噪、去混响、波束形成等等。
语音检测(Voice Activity Detection，VAD)的目标是准确地检测出音频信号的语音段起始位置，从而分离出语音段和非语音段(如静音或噪声)信号。由于能够滤除不相干非语音信号，高效准确的语音检测不但能减轻后续处理的计算量，提高整体实时性，还能有效提高下游算法的性能。其中，语音检测主要包括基于阈值的语音检测、作为分类器的语音检测和模型语音检测。具体地，基于阈值的语音检测可以通过提取时域(如短时能量、短期过零率等)或频域(如MFCC、谱熵等)特征，通过合理的设置门限，达到区分语音和非语音的目的。作为分类器的语音检测可以将语音检测视作语音/非语音的两分类问题，进而用机器学习的方法训练分类器，达到检测语音的目的。模型语音检测可以利用一个完整的声学模型(通常建模单元的粒度较粗)，在解码的基础，通过全局信息，判别语音段和非语音段。需要说明的是，语音检测作为整个流程的最前端，需要在本地实时的完成。由于计算资源非常有限，因此，语音检测一般会采用基于阈值的语音检测和作为分类器的语音检测。
由于实际环境中存在着各种各样的噪声。利用去噪算法对语音指令信息进行处理，可以降低噪声干扰，提高信噪比，从而降低后续对语音指令信息进行语音识别的难度。
由于语音指令信息在室内传播时，会被墙壁、天花板、地板等障碍物多次反射，从而使延迟的语音指令信息叠加产生掩蔽效应，影响后续对语音指令信息进行语音识别，因此，有必要利用去除混响的声学算法对语音指令信息进行处理。
由于接收到的语音指令信息通常是多路语音信号，这里，可以利用波束形成技术将多路语音信号整合为一路语音信号，不仅可以增强原始的语音信号，还抑制旁路语音信号，起到降噪和去混响的作用。
步骤202，向服务器发送语音指令信息，以及接收所服务器返回的推送信息和推送信息包含的情绪信息。
在本实施例中，上述执行主体可以向服务器(例如图1所示的服务器105)发送语音指令信息。服务器可以对语音指令信息进行一系列复杂的处理，以得到推送信息和推送信息包含的情绪信息，并发送至上述执行主体。其中，推送信息可以包括但不限于文本、图片、音乐、视频等等。推送信息包含的情绪信息可以例如是开心、生气、发火、严肃、沮丧或悲伤等情绪信息。
步骤203，基于推送信息包含的情绪信息向用户反馈推送信息。
在本实施例中，上述执行主体可以基于推送信息包含的情绪信息向用户反馈推送信息。若推送信息是文本信息，上述执行主体不仅可以显示推送信息，还可以以推送信息包含的情绪信息对应的语调播放推送信息。例如，若推送信息包含的情绪信息是开心的情绪信息，那么上述执行主体可以用开心的语调(如语速和声调)播放推送信息。
这里，可以利用语音合成技术播放推送信息。其中，语音合成(Speech Synthesis)又叫做文语转换(Text-to-Speech，TTS)。文语转换的目标是使智能设备能够像人一样朗读任意给定的文本。
本申请实施例提供的语音交互方法，若接收到用户发送的语音唤醒信息，可以继续接收用户发送的语音指令信息，并向服务器发送语音指令信息。随后，可以接收服务器返回的推送信息和推送信息包含的情绪信息，并基于推送信息包含的情绪信息向用户反馈推送信息。提供了一种新的语音交互方式，使语音交互方式更加丰富多样。并且，该语音交互方式基于推送信息包含的情绪信息向用户反馈推送信息，实现了个性化的信息反馈。
进一步参考图3，其示出了语音交互方法的又一个实施例的流程300。该语音交互方法的流程300，包括以下步骤：
步骤301，响应于接收到用户发送的语音唤醒信息，展示预设虚拟形象的第一影像信息，以及播放唤醒交互语。
在本实施例中，当接收到用户发送的语音唤醒信息时，语音交互方法的执行主体(例如图1所示的智能设备101)可以展示预设虚拟形象的第一影像信息，同时播放唤醒交互语。其中，预设虚拟形象可以包括但不限于预设卡通人物、预设卡通动物等等。第一影像信息可以是图像，也可以是视频，表征预设虚拟形象处于唤醒状态。例如，第一影像信息中的预设虚拟形象可以做出打招呼的动作，以表征预设虚拟形象处于唤醒状态。唤醒交互语可以是预先设置的各种交互语。在一些实施例中，唤醒交互语可以是固定的交互语。例如，每当接收到用户发送的语音唤醒信息，均播放唤醒交互语“嗨，主人，有什么可以帮到您吗”。在一些实施例汇总，唤醒交互语可以与接收到语音唤醒信息的时间相关。例如，若7点至9点之间接收到语音唤醒信息，播放唤醒交互语“嗨，主人，早上好！有什么可以帮到您吗”。若12点至18点之间接收到语音唤醒信息，播放唤醒交互语“嗨，主人，下午好！有什么可以帮到您吗”。
步骤302，接收用户发送的语音指令信息，以及展示预设虚拟形象的第二影像信息。
在本实施例中，当用户看到展示出的预设虚拟形象的第一影像信息时，可以知晓预设虚拟形象处于唤醒状态。此时，用户可以向上述执行主体发送语音指令信息。当上述执行主体接收用户发送的语音指令信息时，可以展示预设虚拟形象的第二影像信息。其中，第二影像信息可以是图像，也可以是视频，表征预设虚拟形象处于倾听状态。例如，第二影像信息中的预设虚拟形象可以做出倾听的动作，以表征预设虚拟形象处于倾听状态。
步骤303，向服务器发送语音指令信息。
在本实施例中，上述执行主体可以向服务器(例如图1所示的服务器105)发送语音指令信息。
步骤304，接收服务器返回的语音指令信息对应的文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语。
在本实施例中，服务器可以对语音指令信息进行一系列复杂的处理，以得到语音指令信息对应的文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语，并发送至上述执行主体。其中，文本指令信息可以通过对语音指令信息进行语音识别来得到。文本指令信息包含的情绪信息可以例如是开心、生气、发火、严肃、沮丧或悲伤等情绪信息。例如，若文本指令信息包含的情绪信息是沮丧的情绪信息，那么情绪交互语可以是“主人，不要难过了啦！深呼吸，你可以的”。
步骤305，展示预设虚拟形象的第三影像信息，以及播放情绪交互语。
在本实施例中，上述执行主体可以展示预设虚拟形象的第三影像信息，同时播放情绪交互语。其中，第三影像信息可以是图像，也可以是视频，表征预设虚拟形象表达文本指令信息包含的情绪信息对应的情绪。通常，第三影像信息中的预设虚拟形象可以做出表达文本指令信息包含的情绪信息对应的情绪的动作，以表征预设虚拟形象表达文本指令信息包含的情绪信息对应的情绪。例如，若文本指令信息包含的情绪信息是沮丧的情绪信息，那么预设虚拟形象可以做出深呼吸的动作，并播放情绪交互语“主人，不要难过了啦！深呼吸，你可以的”。
步骤306，接收服务器返回的推送信息和推送信息包含的情绪信息。
在本实施例中，服务器可以对语音指令信息进行一系列复杂的处理，以得到推送信息和推送信息包含的情绪信息，并发送至上述执行主体。
步骤307，在第一预设区域显示推送信息，和/或以推送信息包含的情绪信息对应的语调播放推送信息，以及在第二预设区域展示预设虚拟形象的第四影像信息。
在本实施例中，上述执行主体可以在第一预设区域(例如智能设备101的上半屏)显示推送信息，和/或以推送信息包含的情绪信息对应的语调播放推送信息，同时在第二预设区域(例如智能设备101的下半屏)展示预设虚拟形象的第四影像信息。其中，第四影像信息可以是图像，也可以是视频，表征预设虚拟形象表达推送信息包含的情绪信息对应的情绪。通常，第四影像信息中的预设虚拟形象可以做出表达文本指令信息包含的情绪信息对应的情绪的动作，以表征预设虚拟形象表达推送信息包含的情绪信息对应的情绪。例如，若推送信息是与恋爱相关的歌曲，可以在智能设备的上半屏显示音乐播放器，以播放该歌曲。同时，在智能设备的下半屏，预设虚拟形象根据该歌曲的歌词内容或旋律做出相匹配的动作。例如，若歌词中出现“我期待的女孩”，那么预设虚拟形象可以做出期待的动作。
本申请实施例提供了语音交互方法的一个应用场景。具体地，一名成年男性用户对着手机说出语音唤醒信息“嗨，【语音助手的名称】”。此时，手机的下半屏可以上出现一个骑着单车的卡通人物，并对用户说出唤醒交互语“嗨，主人，有什么可以帮到您吗”。之后，该用户对着手机说出语音指令信息“帮我查询一下今天的天气”。此时，手机的下半屏可以上显示的卡通人物做出侧耳倾听的动作。然后，手机将语音指令信息发送至云端，并接收云端返回的天气相关信息和天气相关信息包含的情绪信息。其中，天气相关信息可以包括但不限于播报天气的主播的信息，地点信息，未来天气、天气图片，是否适宜户外运动等等。最后，手机的上半屏展示主播播报天气相关信息，下半屏的卡通人物做出表达与天气相关信息包含的情绪信息对应的情绪的动作。例如，主播播报“天气晴朗，适宜户外运动”。卡通人物可以翻着跟头说“阳光真好，我们一起出去浪吧”。
本申请实施例提供了语音交互方法的又一个应用场景。具体地，一名失恋用户对着手机说出语音唤醒信息“嗨，【语音助手的名称】”。此时，手机的下半屏可以上出现一个脚踩筋斗云的卡通人物，并对着用户说出唤醒交互语“嗨，主人，有什么可以帮到您吗”。之后，该用户对着手机说出语音指令信息“我想听与恋爱相关的歌曲”。此时，手机的下半屏可以上显示的卡通人物做出侧耳倾听的动作。然后，手机将语音指令信息发送至云端，并接收云端返回的该用户的情绪信息和情绪交互语，此时，下半屏的卡通人物做出深呼吸的动作，并说出情绪交互语“主人，不要难过了啦！深呼吸，你可以的”。最后，云端将查询到的与恋爱相关的歌曲和歌曲包含的情绪信息发送至手机。此时，手机的上半屏展示音乐播放器播放该歌曲，下半屏的卡通人物根据该歌曲的歌词内容或旋律做出相匹配的动作。例如，若歌词中出现“我期待的女孩”，那么卡通人物可以做出期待的动作。
本申请实施例提供了语音交互方法的另一个应用场景。具体地，一名儿童对着手机说出语音唤醒信息“嗨，【语音助手的名称】”。此时，手机的下半屏可以上出现一个划着船的卡通人物，并对用户说出唤醒交互语“嗨，主人，有什么可以帮到您吗”。之后，该用户对着手机说出语音指令信息“我想听乌鸦喝水的故事”。此时，手机的下半屏可以上显示的卡通人物做出侧耳倾听的动作。然后，手机将语音指令信息发送至云端，并接收云端返回的该用户的情绪信息和情绪交互语，此时，下半屏的卡通人物做出点头的动作，并说出情绪交互语“好嘞，精彩内容马上就到”。最后，云端将查询到的乌鸦喝水的故事和故事包含的情绪信息发送至手机。此时，手机的上半屏展示阅读应用阅读该故事，在下半屏，卡通人物根据该故事的内容做出匹配的动作。例如，若故事中出现“他站在水瓶口，喝着甘甜可口的水，心里是那么痛快、舒畅”，那么卡通人物做出喝水的动作。
需要说明的是，语音唤醒信息、语音指令信息、推送信息和推送信息包含的情绪信息已在参照图2所示实施例中予以详述，在此不再赘述。
从图3中可以看出，与图2对应的实施例相比，本实施例中的语音交互方法的流程300增加了展示预设虚拟形象的影像信息的步骤。由此，本实施例描述的方案能够根据发送语音指令信息的用户的情绪，展示与情绪匹配的预设虚拟形象的影像信息，并播放与情绪匹配的情绪交互语，从而实现了个性化的语音交互。
继续参考图4，其示出了根据本申请的语音处理方法的一个实施例的流程400。该语音处理方法包括以下步骤：
步骤401，接收智能设备发送的语音指令信息。
在本实施例中，语音处理方法的执行主体(例如图1所示的服务器103)可以接收智能设备(例如图1所示的智能设备101)发送的语音指令信息。需要说明的是，语音指令信息已在参照图2所示实施例中予以详述，在此不再赘述。
步骤402，对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息。
在本实施例中，上述执行主体可以对语音指令信息进行语音识别，以得到语音指令信息对应的文本信息。其中，语音识别的目的是将语音信号转化为文本。
步骤403，确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息。
在本实施例中，上述执行主体可以确定文本指令信息对应的推送信息，同时确定推送信息包含的情绪信息。在一些实施例中，上述执行主体可以对文本指令信息进行大数据分析，得到文本指令信息对应的推送信息。
其中，对文本指令信息进行大数据分析的详细过程如下：
首先，对文本指令信息进行自然语言理解(Natural Language Understanding，NLU)。这里，可以将基于框架的(frame-based)自然语言理解分为三个问题去解决：第一，领域分类：识别出用户命令所属领域。第二，意图分类：在相应领域，识别用户的意图(如播放音乐、暂停或切换等)。意图往往对应着实际的操作。第三，实体抽取(槽填充)：确定意图(操作)的参数(如确定，具体是播放哪首歌或哪位歌手的歌曲)。
其次，对于多轮对话，例如，当我们询问“北京明天的天气怎么样”，之后，更习惯追问“那深圳呢”而不是重复的说“深圳明天的天气怎么样”。因此，将多轮对话解析出的参数作为上下文(全局变量)，带入到下一轮对话。当前轮对话，根据一定的条件判断，是否保持在上一轮的领域，是否清空上下文。
最后，大数据分析技术能够建立用户日常的行为偏好和习惯，用户心理，用户价值，用户反馈，用户忠诚度等多维度的学习分析，并在此基础上进行数据存储加工。逐步扩展机器深度学习功能，通过***自动搜集分析前端用户实时数据变化，依据建设的机器深度学习函数模型，自动计算匹配用户需求的函数参数和规则，推荐***根据计算出的规则模型，实时自动推送高度匹配的内容信息。
可选地，有的推送信息还可以通过调用接口来获取。例如，调用音乐播放器的后台服务器对外提供的接口获取音乐，调用天气信息查询应用的后台服务器对外提供的接口获取天气相关信息。
在本实施例的一些可选的实现方式中，上述执行主体可以将推送信息输入至预先训练的情绪识别模型，得到推送信息包含的情绪信息。其中，情绪识别模型可以用于识别信息包含的情绪信息，通过深度学习方法训练得到。深度学习方法可以将采集到的用户低层次多维度的数据特征进行整合及学习，形成更加抽象的高层次的属性类别或特征。以发现数据的分布式特征表示。这里，主要用于学习数据(例如文本信息，包括但不限于文本信息)中的情绪信息，并给与分类。
在本实施例的一些可选的实现方式中，在步骤403之前，上述执行主体还可以首先确定文本指令信息包含的情绪信息，以及确定文本指令信息包含的情绪信息对应的情绪交互语；然后将文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语发送给智能设备。具体地，上述执行主体可以将文本指令信息输入至情绪识别模型，得到文本指令信息包含的情绪信息。同时，对文本指令信息进行大数据分析，得到文本指令信息包含的情绪信息对应的情绪交互语。这里，可以通过自然语言生成技术来生成情绪交互语。自然语言生成(Natural Language Generation，NLG)多采用预先设计的文本模板来生成文本输出。例如，在播放歌曲时，生成情绪交互语可以是“即将为您播放【歌手名】的【歌曲名】”。
步骤404，将推送信息和推送信息包含的情绪信息发送给智能设备。
在本实施例中，上述执行主体可以将推送信息和推送信息包括的情绪信息发送给智能设备，以供智能设备进行反馈。
本申请实施例提供的语音处理方法，对从智能设备接收到的语音指令信息进行语音识别，以得到语音指令信息对应的文本指令信息。随后，确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息。最后，将推送信息和推送信息包括的情绪信息发送给智能设备，以供智能设备进行反馈。提供了一种新的语音交互方式，使语音交互方式更加丰富多样。并且，该语音交互方式基于推送信息包含的情绪信息向用户反馈推送信息，实现了个性化的信息反馈。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种语音交互装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的语音交互装置500可以包括：第一接收单元501、第二接收单元502和反馈单元503。其中，第一接收单元501，被配置成响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息；第二接收单元502，被配置成向服务器发送语音指令信息，以及接收服务器返回的推送信息和推送信息包含的情绪信息；反馈单元503，被配置成基于推送信息包含的情绪信息向用户反馈推送信息。
在本实施例中，语音交互装置500中：第一接收单元501、第二接收单元502和反馈单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，语音交互装置500还可以包括：第一展示单元(图中未示出)，被配置成展示预设虚拟形象的第一影像信息，以及播放唤醒交互语，其中，第一影像信息表征预设虚拟形象处于唤醒状态。
在本实施例的一些可选的实现方式中，语音交互装置500还包括：第二展示单元(图中未示出)，被配置成展示预设虚拟形象的第二影像信息，其中，第二影像信息表征预设虚拟形象处于倾听状态。
在本实施例的一些可选的实现方式中，语音交互装置500还包括：第三接收单元(图中未示出)，被配置成接收服务器返回的语音指令信息对应的文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语；第三展示单元(图中未示出)，被配置成展示预设虚拟形象的第三影像信息，以及播放情绪交互语，其中，第三影像信息表征预设虚拟形象表达文本指令信息包含的情绪信息对应的情绪。
在本实施例的一些可选的实现方式中，反馈单元503可以进一步被配置成：在第一预设区域显示推送信息，和/或以推送信息包含的情绪信息对应的语调播放推送信息，以及在第二预设区域展示预设虚拟形象的第四影像信息，其中，第四影像信息表征预设虚拟形象表达推送信息包含的情绪信息对应的情绪。
在本实施例的一些可选的实现方式中，语音交互装置500还可以包括：处理单元(图中未示出)，被配置成对语音指令信息进行预设处理，其中，预设处理包括以下至少一项：语音检测、去噪、去混响、波束形成。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种语音处理装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的语音处理装置600可以包括：接收单元601、识别单元602、第一确定单元603和第一发送单元604。其中，接收单元601，被配置成接收智能设备发送的语音指令信息；识别单元602，被配置成对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息；第一确定单元603，被配置成确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息；第一发送单元604，被配置成将推送信息和推送信息包含的情绪信息发送给智能设备。
在本实施例中，语音处理装置600中：接收单元601、识别单元602、第一确定单元603和第一发送单元604的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-404的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，语音处理装置600还可以包括：第二确定单元(图中未示出)，被配置成确定文本指令信息包含的情绪信息，以及确定文本指令信息包含的情绪信息对应的情绪交互语；第二发送单元(图中未示出)，被配置成将文本指令信息包含的情绪信息和文本指令信息包含的情绪信息对应的情绪交互语发送给智能设备。
在本实施例的一些可选的实现方式中，第一确定单元603可以进一步被配置成：对文本指令信息进行大数据分析，得到文本指令信息对应的推送信息；将推送信息输入至预先训练的情绪识别模型，得到推送信息包含的情绪信息，其中，情绪识别模型用于识别信息包含的情绪信息；以及第二确定单元可以进一步被配置成：将文本指令信息输入至情绪识别模型，得到文本指令信息包含的情绪信息；对文本指令信息进行大数据分析，得到文本指令信息包含的情绪信息对应的情绪交互语。
继续参考图7，其示出了根据本申请的语音交互***的一个实施例的时序700。
本实施例中的语音交互***可以包括：智能设备和服务器。其中，智能设备，用于响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息，向服务器发送语音指令信息；服务器，用于对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息，确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息，将推送信息和推送信息包含的情绪信息发送给智能设备；智能设备，还用于基于推送信息包含的情绪信息向用户反馈推送信息。
如图7所示，在步骤701中，响应于接收到用户发送的语音唤醒信息，智能设备接收用户发送的语音指令信息。
在步骤702中，智能设备向服务器发送语音指令信息。
在步骤703中，服务器对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息。
在步骤704中，服务器确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息。
在步骤705中，服务器将推送信息和推送信息包含的情绪信息发送给智能设备。
在步骤706中，智能设备基于推送信息包含的情绪信息向用户反馈推送信息。
在本实施例中，步骤701-702和706的具体操作与图2所示的实施例中步骤201-202和203的操作基本相同，在此不再赘述。步骤703-705的具体操作与图2所示的实施例中步骤402-404的操作基本相同，在此不再赘述。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备的计算机***800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机***800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一接收单元、第二接收单元和反馈单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一接收单元还可以被描述为“响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息的单元”。又例如，可以描述为：一种处理器包括接收单元、识别单元、第一确定单元和第一发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收智能设备发送的语音指令信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到用户发送的语音唤醒信息，接收用户发送的语音指令信息；向服务器发送语音指令信息，以及接收服务器返回的推送信息和推送信息包含的情绪信息；基于推送信息包含的情绪信息向用户反馈推送信息。或者使得该电子设备：接收智能设备发送的语音指令信息；对语音指令信息进行语音识别，得到语音指令信息对应的文本指令信息；确定文本指令信息对应的推送信息，以及确定推送信息包含的情绪信息；将推送信息和推送信息包含的情绪信息发送给智能设备。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种语音交互方法，应用于智能设备，包括：
响应于接收到用户发送的语音唤醒信息，接收所述用户发送的语音指令信息；
向服务器发送所述语音指令信息，以及接收所述服务器返回的推送信息和所述推送信息包含的情绪信息；
基于所述推送信息包含的情绪信息向所述用户反馈所述推送信息。
2.根据权利要求1所述的方法，其中，在所述接收用户发送的语音指令信息之前，还包括：
展示预设虚拟形象的第一影像信息，以及播放唤醒交互语，其中，所述第一影像信息表征所述预设虚拟形象处于唤醒状态。
3.根据权利要求2所述的方法，其中，在所述接收用户发送的语音指令信息时，还包括：
展示所述预设虚拟形象的第二影像信息，其中，所述第二影像信息表征所述预设虚拟形象处于倾听状态。
4.根据权利要求3所述的方法，其中，在所述接收所述服务器返回的推送信息和所述推送信息包含的情绪信息之前，还包括：
接收所述服务器返回的所述语音指令信息对应的文本指令信息包含的情绪信息和所述文本指令信息包含的情绪信息对应的情绪交互语；
展示所述预设虚拟形象的第三影像信息，以及播放所述情绪交互语，其中，所述第三影像信息表征所述预设虚拟形象表达所述文本指令信息包含的情绪信息对应的情绪。
5.根据权利要求4所述的方法，其中，所述基于所述推送信息包含的情绪信息向所述用户反馈所述推送信息，包括：
在第一预设区域显示所述推送信息，和/或以所述推送信息包含的情绪信息对应的语调播放所述推送信息，以及在第二预设区域展示所述预设虚拟形象的第四影像信息，其中，所述第四影像信息表征所述预设虚拟形象表达所述推送信息包含的情绪信息对应的情绪。
6.根据权利要求1-5之一所述的方法，其中，在所述向服务器发送所述语音指令信息之前，还包括：
对所述语音指令信息进行预设处理，其中，所述预设处理包括以下至少一项：语音检测、去噪、去混响、波束形成。
7.一种语音处理方法，应用于服务器，包括：
接收智能设备发送的语音指令信息；
对所述语音指令信息进行语音识别，得到所述语音指令信息对应的文本指令信息；
确定所述文本指令信息对应的推送信息，以及确定所述推送信息包含的情绪信息；
将所述推送信息和所述推送信息包含的情绪信息发送给所述智能设备。
8.根据权利要求7所述的方法，其中，在所述对所述语音指令信息进行语音识别，得到所述语音指令信息对应的文本指令信息之后，还包括：
确定所述文本指令信息包含的情绪信息，以及确定所述文本指令信息包含的情绪信息对应的情绪交互语；
将所述文本指令信息包含的情绪信息和所述文本指令信息包含的情绪信息对应的情绪交互语发送给所述智能设备。
9.根据权利要求8所述的方法，其中，所述确定所述文本指令信息对应的推送信息，以及确定所述推送信息包含的情绪信息，包括：
对所述文本指令信息进行大数据分析，得到所述文本指令信息对应的推送信息；
将所述推送信息输入至预先训练的情绪识别模型，得到所述推送信息包含的情绪信息，其中，所述情绪识别模型用于识别信息包含的情绪信息；以及
所述确定所述文本指令信息包含的情绪信息，以及确定所述文本指令信息包含的情绪信息对应的情绪交互语，包括：
将所述文本指令信息输入至所述情绪识别模型，得到所述文本指令信息包含的情绪信息；
对所述文本指令信息进行大数据分析，得到所述文本指令信息包含的情绪信息对应的情绪交互语。
10.一种语音交互装置，设置于智能设备，包括：
第一接收单元，被配置成响应于接收到用户发送的语音唤醒信息，接收所述用户发送的语音指令信息；
第二接收单元，被配置成向服务器发送所述语音指令信息，以及接收所述服务器返回的推送信息和所述推送信息包含的情绪信息；
反馈单元，被配置成基于所述推送信息包含的情绪信息向所述用户反馈所述推送信息。
11.一种语音处理装置，设置于服务器，包括：
接收单元，被配置成接收智能设备发送的语音指令信息；
识别单元，被配置成对所述语音指令信息进行语音识别，得到所述语音指令信息对应的文本指令信息；
第一确定单元，被配置成确定所述文本指令信息对应的推送信息，以及确定所述推送信息包含的情绪信息；
第一发送单元，被配置成将所述推送信息和所述推送信息包含的情绪信息发送给所述智能设备。
12.一种语音交互***，包括：智能设备和服务器；
所述智能设备，用于响应于接收到用户发送的语音唤醒信息，接收所述用户发送的语音指令信息，向服务器发送所述语音指令信息；
所述服务器，用于对所述语音指令信息进行语音识别，得到所述语音指令信息对应的文本指令信息，确定所述文本指令信息对应的推送信息，以及确定所述推送信息包含的情绪信息，将所述推送信息和所述推送信息包含的情绪信息发送给所述智能设备；
所述智能设备，还用于基于所述推送信息包含的情绪信息向所述用户反馈所述推送信息。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法或者实现如权利要求7-9中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法或者实现如权利要求7-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811249437.3A CN109346076A (zh) | 2018-10-25 | 2018-10-25 | 语音交互、语音处理方法、装置和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811249437.3A CN109346076A (zh) | 2018-10-25 | 2018-10-25 | 语音交互、语音处理方法、装置和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109346076A true CN109346076A (zh) | 2019-02-15 |
Family
ID=65311886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811249437.3A Pending CN109346076A (zh) | 2018-10-25 | 2018-10-25 | 语音交互、语音处理方法、装置和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109346076A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885277A (zh) * | 2019-02-26 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 人机交互设备、方法、***和装置 |
| CN110046045A (zh) * | 2019-04-03 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 语音唤醒的数据包处理方法和装置 |
| CN110060678A (zh) * | 2019-04-16 | 2019-07-26 | 深圳欧博思智能科技有限公司 | 一种基于智能设备的虚拟角色控制方法及智能设备 |
| CN110148406A (zh) * | 2019-04-12 | 2019-08-20 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置、一种用于数据处理的装置 |
| CN110196900A (zh) * | 2019-06-13 | 2019-09-03 | 三星电子（中国）研发中心 | 用于终端的交互方法和装置 |
| CN110843790A (zh) * | 2019-11-21 | 2020-02-28 | 大众问问(北京)信息科技有限公司 | 一种车辆内的硬件协同控制方法、装置及设备 |
| CN110989900A (zh) * | 2019-11-28 | 2020-04-10 | 北京市商汤科技开发有限公司 | 交互对象的驱动方法、装置、设备以及存储介质 |
| CN111128147A (zh) * | 2019-11-18 | 2020-05-08 | 云知声智能科技股份有限公司 | 一种终端设备自动接入ai多轮对话能力的***及方法 |
| CN111273990A (zh) * | 2020-01-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 信息交互方法、装置、计算机设备和存储介质 |
| CN111625662A (zh) * | 2019-02-28 | 2020-09-04 | 上海擎感智能科技有限公司 | 开机迎宾语推送方法、服务器、***及计算机存储介质 |
| CN112256848A (zh) * | 2020-10-12 | 2021-01-22 | 北京海益同展信息科技有限公司 | 一种智能机器人及智能交互方法 |
| CN112395435A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种多媒体资源推荐方法、装置、设备及介质 |
| CN112735411A (zh) * | 2020-12-25 | 2021-04-30 | 广州橙行智动汽车科技有限公司 | 控制方法、客户端、车辆、语音***和存储介质 |
| CN112786048A (zh) * | 2021-03-05 | 2021-05-11 | 百度在线网络技术（北京）有限公司 | 一种语音交互方法、装置、电子设备和介质 |
| CN112829763A (zh) * | 2019-11-05 | 2021-05-25 | 北京新能源汽车股份有限公司 | 一种语音交互处理方法、***及汽车 |
| WO2021169170A1 (zh) * | 2020-02-28 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 基于大数据的语音生成方法、装置、设备及介质 |
| WO2022222841A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京沃东天骏信息技术有限公司 | 信息展示方法、装置、电子设备和计算机可读介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654950A (zh) * | 2016-01-28 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 自适应语音反馈方法和装置 |
| CN106598215A (zh) * | 2016-11-02 | 2017-04-26 | 惠州Tcl移动通信有限公司 | 虚拟现实***的实现方法及虚拟现实装置 |
| CN107329990A (zh) * | 2017-06-06 | 2017-11-07 | 北京光年无限科技有限公司 | 一种用于虚拟机器人的情绪输出方法以及对话交互*** |
| CN107657017A (zh) * | 2017-09-26 | 2018-02-02 | 百度在线网络技术（北京）有限公司 | 用于提供语音服务的方法和装置 |
| CN107894833A (zh) * | 2017-10-26 | 2018-04-10 | 北京光年无限科技有限公司 | 基于虚拟人的多模态交互处理方法及*** |
| CN107943896A (zh) * | 2017-11-16 | 2018-04-20 | 百度在线网络技术（北京）有限公司 | 信息处理方法和装置 |
| CN108335696A (zh) * | 2018-02-09 | 2018-07-27 | 百度在线网络技术（北京）有限公司 | 语音唤醒方法和装置 |
-
2018
- 2018-10-25 CN CN201811249437.3A patent/CN109346076A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654950A (zh) * | 2016-01-28 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 自适应语音反馈方法和装置 |
| CN106598215A (zh) * | 2016-11-02 | 2017-04-26 | 惠州Tcl移动通信有限公司 | 虚拟现实***的实现方法及虚拟现实装置 |
| CN107329990A (zh) * | 2017-06-06 | 2017-11-07 | 北京光年无限科技有限公司 | 一种用于虚拟机器人的情绪输出方法以及对话交互*** |
| CN107657017A (zh) * | 2017-09-26 | 2018-02-02 | 百度在线网络技术（北京）有限公司 | 用于提供语音服务的方法和装置 |
| CN107894833A (zh) * | 2017-10-26 | 2018-04-10 | 北京光年无限科技有限公司 | 基于虚拟人的多模态交互处理方法及*** |
| CN107943896A (zh) * | 2017-11-16 | 2018-04-20 | 百度在线网络技术（北京）有限公司 | 信息处理方法和装置 |
| CN108335696A (zh) * | 2018-02-09 | 2018-07-27 | 百度在线网络技术（北京）有限公司 | 语音唤醒方法和装置 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885277A (zh) * | 2019-02-26 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 人机交互设备、方法、***和装置 |
| CN111625662A (zh) * | 2019-02-28 | 2020-09-04 | 上海擎感智能科技有限公司 | 开机迎宾语推送方法、服务器、***及计算机存储介质 |
| CN110046045A (zh) * | 2019-04-03 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 语音唤醒的数据包处理方法和装置 |
| CN110148406A (zh) * | 2019-04-12 | 2019-08-20 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置、一种用于数据处理的装置 |
| CN110060678B (zh) * | 2019-04-16 | 2021-09-14 | 深圳欧博思智能科技有限公司 | 一种基于智能设备的虚拟角色控制方法及智能设备 |
| CN110060678A (zh) * | 2019-04-16 | 2019-07-26 | 深圳欧博思智能科技有限公司 | 一种基于智能设备的虚拟角色控制方法及智能设备 |
| CN110196900A (zh) * | 2019-06-13 | 2019-09-03 | 三星电子（中国）研发中心 | 用于终端的交互方法和装置 |
| CN112829763A (zh) * | 2019-11-05 | 2021-05-25 | 北京新能源汽车股份有限公司 | 一种语音交互处理方法、***及汽车 |
| CN111128147A (zh) * | 2019-11-18 | 2020-05-08 | 云知声智能科技股份有限公司 | 一种终端设备自动接入ai多轮对话能力的***及方法 |
| CN110843790A (zh) * | 2019-11-21 | 2020-02-28 | 大众问问(北京)信息科技有限公司 | 一种车辆内的硬件协同控制方法、装置及设备 |
| JP2022515307A (ja) * | 2019-11-28 | 2022-02-18 | 北京市商▲湯▼科技▲開▼▲發▼有限公司 | インタラクティブオブジェクト駆動方法、装置、電子デバイス及び記憶媒体 |
| JP7267411B2 (ja) | 2019-11-28 | 2023-05-01 | 北京市商▲湯▼科技▲開▼▲發▼有限公司 | インタラクティブオブジェクト駆動方法、装置、電子デバイス及び記憶媒体 |
| US11769499B2 (en) | 2019-11-28 | 2023-09-26 | Beijing Sensetime Technology Development Co., Ltd. | Driving interaction object |
| CN110989900B (zh) * | 2019-11-28 | 2021-11-05 | 北京市商汤科技开发有限公司 | 交互对象的驱动方法、装置、设备以及存储介质 |
| CN110989900A (zh) * | 2019-11-28 | 2020-04-10 | 北京市商汤科技开发有限公司 | 交互对象的驱动方法、装置、设备以及存储介质 |
| CN111273990A (zh) * | 2020-01-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 信息交互方法、装置、计算机设备和存储介质 |
| WO2021169170A1 (zh) * | 2020-02-28 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 基于大数据的语音生成方法、装置、设备及介质 |
| CN112256848A (zh) * | 2020-10-12 | 2021-01-22 | 北京海益同展信息科技有限公司 | 一种智能机器人及智能交互方法 |
| CN112395435A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种多媒体资源推荐方法、装置、设备及介质 |
| CN112735411A (zh) * | 2020-12-25 | 2021-04-30 | 广州橙行智动汽车科技有限公司 | 控制方法、客户端、车辆、语音***和存储介质 |
| WO2022135492A1 (zh) * | 2020-12-25 | 2022-06-30 | 广州橙行智动汽车科技有限公司 | 控制方法、客户端、车辆、语音***和存储介质 |
| CN112786048A (zh) * | 2021-03-05 | 2021-05-11 | 百度在线网络技术（北京）有限公司 | 一种语音交互方法、装置、电子设备和介质 |
| WO2022222841A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京沃东天骏信息技术有限公司 | 信息展示方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109346076A (zh) | 语音交互、语音处理方法、装置和*** | |
| CN107871500B (zh) | 一种播放多媒体的方法和装置 | |
| US11475897B2 (en) | Method and apparatus for response using voice matching user category | |
| CN113454708A (zh) | 语言学风格匹配代理 | |
| US20210225357A1 (en) | Intent recognition and emotional text-to-speech learning | |
| CN110460872B (zh) | 视频直播的信息显示方法、装置、设备和存储介质 | |
| CN109272984A (zh) | 用于语音交互的方法和装置 | |
| CN108962219A (zh) | 用于处理文本的方法和装置 | |
| CN109189980A (zh) | 与用户进行语音交互的方法和电子设备 | |
| US20150373455A1 (en) | Presenting and creating audiolinks | |
| CN112040263A (zh) | 视频处理方法、视频播放方法、装置、存储介质和设备 | |
| CN108922525B (zh) | 语音处理方法、装置、存储介质及电子设备 | |
| US11741941B2 (en) | Configurable neural speech synthesis | |
| KR20100129122A (ko) | 텍스트 기반 데이터를 애니메이션으로 재생하는 애니메이션 시스템 | |
| CN112309365A (zh) | 语音合成模型的训练方法、装置、存储介质以及电子设备 | |
| CN114121006A (zh) | 虚拟角色的形象输出方法、装置、设备以及存储介质 | |
| WO2022242706A1 (zh) | 基于多模态的反应式响应生成 | |
| CN109994106A (zh) | 一种语音处理方法及设备 | |
| CN112908292A (zh) | 文本的语音合成方法、装置、电子设备及存储介质 | |
| CN112652041A (zh) | 虚拟形象的生成方法、装置、存储介质及电子设备 | |
| CN113761268A (zh) | 音频节目内容的播放控制方法、装置、设备和存储介质 | |
| CN114999441A (zh) | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 | |
| CN113345407B (zh) | 一种风格语音合成方法、装置、电子设备及存储介质 | |
| CN112672207B (zh) | 音频数据处理方法、装置、计算机设备及存储介质 | |
| US20170221481A1 (en) | Data structure, interactive voice response device, and electronic device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
| RJ01 | Rejection of invention patent application after publication |