CN111951787A - 语音输出方法、装置、存储介质和电子设备 - Google Patents
语音输出方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111951787A CN111951787A CN202010761629.3A CN202010761629A CN111951787A CN 111951787 A CN111951787 A CN 111951787A CN 202010761629 A CN202010761629 A CN 202010761629A CN 111951787 A CN111951787 A CN 111951787A
- Authority
- CN
- China
- Prior art keywords
- target
- voice
- event
- scene
- image
- 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 47
- 230000009471 action Effects 0.000 claims abstract description 122
- 230000006399 behavior Effects 0.000 claims abstract description 120
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 32
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 230000006378 damage Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 239000008267 milk Substances 0.000 description 4
- 210000004080 milk Anatomy 0.000 description 4
- 235000013336 milk Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000238558 Eucarida Species 0.000 description 1
- 208000031361 Hiccup Diseases 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开是关于一种语音输出方法、装置、存储介质、电子设备,该方法包括:通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息;根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件;在确定该目标场景和该目标事件后,控制该语音助手***开启;根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音;输出该目标语音,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。能够响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
Description
技术领域
本公开涉及人工智能领域,尤其涉及一种语音输出方法、装置、存储介质、电子设备。
背景技术
在苹果公司的智能语音助手Siri开创智能语音助手的先河后,各个科技公司的语音助手***也如雨后春笋般蓬勃发展。移动终端或智能家电中的语音助手***能够接收用户的语音指令并根据***中预先设定的交互逻辑与用户进行语音交流或者辅助用户对移动终端或智能家电进行控制。相关技术中,用户通常需要说出厂商设定的固定的唤醒词开启语音助手***,并在语音助手***被唤醒后,输出语音与语音助手进行交互。
发明内容
为克服相关技术中存在的问题,本公开提供一种语音输出方法、装置、存储介质、电子设备。
根据本公开实施例的第一方面,提供一种语音输出方法,所述方法包括:应用于电子设备,所述电子设备中设置有语音助手***,所述方法包括:
通过图像采集单元监测目标对象的动作行为,以获取包含所述动作行为的影像信息;
根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件;
在确定所述目标场景和所述目标事件后,控制所述语音助手***开启;
根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音;
输出所述目标语音,所述目标语音对应的语音文本为针对所述动作行为的反馈内容文本。
可选的,所述影像信息包括预设时长的视频,所述多模态识别模型包括:场景识别模型和事件识别模型,所述根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件,包括:
从所述影像信息中获取第一图像和多个第二图像,所述第一图像为所述动作行为发生的背景图像,所述第二图像为用于表征所述动作行为的人像;
将所述第一图像作为所述场景识别模型的输入,以获取所述场景识别模型输出的用于表征所述目标场景的目标场景标签;
将所述多个第二图像作为所述事件识别模型的输入,以获取所述事件识别模型输出用于表征所述目标事件的目标事件标签。
可选的,所述从所述影像信息中获取第一图像和多个第二图像,包括:
获取所述影像信息中的每一帧的视频图像;
通过预设的图像识别算法将每个所述视频图像分割为非人像部分和人像部分;
通过预设的图像拼接算法对所述影像信息中的多个所述非人像部分进行拼接,以获取所述第一图像;
将所述影像信息中的多个所述人像部分作为所述多个第二图像。
可选的,在所述通过信息采集设备监测目标对象的动作行为,以获取包含所述动作行为的影像信息之前,所述方法还包括:
分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取所述多模态识别模型,所述第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,所述第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
可选的,所述语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表,所述根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音,包括:
在所述语音助手***开启后,根据所述目标场景标签和所述目标时间标签,从所述标签关联表中确定目标语音标签;
获取所述目标语音标签对应的语音作为所述目标语音。
根据本公开实施例的第二方面,提供一种语音输出装置,应用于电子设备,所述电子设备中设置有语音助手***,所述装置包括:
行为监测模块,被配置为通过图像采集单元监测目标对象的动作行为,以获取包含所述动作行为的影像信息;
行为识别模块,被配置为根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件;
***开启模块,被配置为在确定所述目标场景和所述目标事件后,控制所述语音助手***开启;
语音确定模块,被配置为根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音;
语音输出模块,被配置为输出所述目标语音,所述目标语音对应的语音文本为针对所述动作行为的反馈内容文本。
可选的,所述影像信息包括预设时长的视频,所述多模态识别模型包括:场景识别模型和事件识别模型,所述行为识别模块,被配置为:
从所述影像信息中获取第一图像和多个第二图像,所述第一图像为所述动作行为发生的背景图像,所述第二图像为用于表征所述动作行为的人像;
将所述第一图像作为所述场景识别模型的输入,以获取所述场景识别模型输出的用于表征所述目标场景的目标场景标签;
将所述多个第二图像作为所述事件识别模型的输入,以获取所述事件识别模型输出用于表征所述目标事件的目标事件标签。
可选的,所述行为识别模块,被配置为:
获取所述影像信息中的每一帧的视频图像;
通过预设的图像识别算法将每个所述视频图像分割为非人像部分和人像部分;
通过预设的图像拼接算法对所述影像信息中的多个所述非人像部分进行拼接,以获取所述第一图像;
将所述影像信息中的多个所述人像部分作为所述多个第二图像。
可选的,所述装置还包括:
模型训练模块,被配置为分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取所述多模态识别模型,所述第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,所述第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
可选的,所述语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表,所述语音确定模块,被配置为:
在确定所述目标场景和所述目标事件情况下,控制所述语音助手***开启;
在所述语音助手***开启后,根据所述目标场景标签和所述目标时间标签,从所述标签关联表中确定目标语音标签;
获取所述目标语音标签对应的语音作为所述目标语音。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的语音输出方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,所述电子设备中设置有语音助手***;所述电子设备,包括:本公开第二方面所提供的语音输出装置。
本公开的实施例所提供的技术方案,能够通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息;根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件;在确定该目标场景和该目标事件后,控制该语音助手***开启;根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音;输出该目标语音,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。能够响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种语音输出方法的流程图;
图2是根据图1示出的一种确定场景和事件的方法的流程图;
图3是根据图1示出的另一种语音输出方法的流程图;
图4是根据图1示出的一种确定交互语音的方法的流程图;
图5是根据一示例性实施例示出的一种语音输出装置的框图;
图6是根据图5示出的另一种语音输出装置的框图;
图7是根据一示例性实施例示出的一种用于语音输出的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的语音输出方法之前,首先对本公开中各个实施例所涉及的目标应用场景进行介绍,该目标应用场景包括一电子设备,该电子设备为设置有摄像头或者与摄像头连接的电子设备,该电子设备可以为,例如,个人电脑、笔记本电脑、智能手机、平板电脑、智能电视、智能手表、PDA(英文:Personal Digital Assistant,中文:个人数字助理)等电子设备。该电子设备内部设置有基于全知功能的语音助手***,该语音助手***包括多模态感知层和多模态认知层。
示例地,该多模态感知层为采集知识的模块,用于从用户画像、用户生活数据、客观事件和生活常识这四个维度进行知识的采集。用户相关的知识主要包括用户画像和用户生活数据(主观维度),其中,该用户画像包括:用户的身份信息和用户的兴趣标签等。用户生活数据是基于用户过往使用该电子设备的日志确定的,该用户生活数据可以包括:用户使用电子设备功能的历史,例如,闹钟设置、日历、快递查询、课程表和出行安排等。上述的客观事件和生活常识为客观维度,其中,客观事件可以包括:重大消息、天气预报、节假日等。生活常识可以包括:长假期前2个月通常会发生抢票、不同季节有不同的养生调离、节气的变化以及不同地理位置发生的大事件新闻等。该多模态认知层用于对上述的不同维度的知识进行分析,将上述知识转化为用户的潜在需求,进而转化为语音话题,并将这些语音话题会作为后续向用户输出的语音的候选。
图1是根据一示例性实施例示出的一种语音输出方法的流程图,如图1所示,应用于上述应用场景所述的电子设备,该方法包括以下步骤:
在步骤101中,通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息。
示例地,该图像采集单元可以认为是上述的多模态感知层中的设备,用于采集用户的影像信息作为全知功能对应的知识。该图像采集单元可以为,例如,用户客厅的智能电视上的摄像头。在得到用户允许的情况下,该摄像头可以长期处于开启的状态,对用户在智能电视前到的所有动作行为进行监视。当确定用户出现在该摄像头的摄像画面中时,开始进入获取该影像信息的步骤。上述的获取该影像信息的步骤可以包括:从用户进入该摄像画面中的时间点起,每个预设时长截取一段视频,保存为该影像信息,直至用户离开该摄像画面,该获取该影像信息的步骤停止。
示例地,该动作行为可以为用户走路跌倒、婴儿呛奶时监护人进行拍嗝或者司机驾驶过程中闭眼低头等用户无意识下做出的与电子设备的控制无关的非指令性动作。
在步骤102中,根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件。
示例地,该多模态识别模型为上述的多模态认知层的一部分,在上述的步骤101中,通过该多模态感知层获取了至少一段视频作为影像信息,而在步骤102中,需要对每个影像信息对应的场景(即该目标场景)和事件(即该目标事件)进行识别和分析。基于上述的动作行为,该动作行为的场景可以包括:家庭场景或驾驶场景等,该动作行为对应的事件可以包括:摔伤事件、婴儿呛奶事件和疲劳驾驶事件等。通过该多模态识别模型对该影像信息进行分类,就可以识别该动作行为对应的目标场景和目标事件。需要说明的是,上述的目标场景和目标事件为预先设置的多种特定场景和特定事件中的一种,并不是每一段影像信息都会存在对应的目标场景和目标事件,在步骤101采集到的多个影像信息中存在无法被该多模态识别模型,或者直接被该多模态识别模型识别为无效场景或无效事件的影像信息。例如,一段包含用户在客厅走过的影像信息,并未涉及预先设置的特定场景或特定事件。
在步骤103中,在确定该目标场景和该目标事件的情况下,控制该语音助手***开启。
在步骤104中,根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音。
示例地,需要说明的是,在本公开实施例中,将检测到该动作行为对应的目标场景和目标事件的发生作为唤醒语音助手***的条件。若在步骤102中未检测到涉及特定场景或特定事件的动作行为,则将这一段影像信息忽略;若在步骤102中检测到涉及特定场景或特定事件的动作行为,并且确定了该动作行为对应的目标场景和目标事件,则唤醒语音助手***,并根据该目标场景和该目标事件从语音助手***的语音库中确定适当的语音作为目标语音,并对目标语音进行播放。
具体地,以该电子设备为用户家中的智能电视为例,智能电视在早上10点监测到用户进行摄像头的拍摄画面,并生成10点到10点10分的影像信息A、10点10分到10点20分的影像信息B、10点20分到10点30分的影像信息C。其中,影像信息A和影像信息B仅包含用户坐在电视对面的沙发上的动作行为,影像信息C则包含用户在茶几旁边走动,并地上的杂物绊倒的动作行为。通过该多模态识别模型确定该影像信息A和该影像信息B涉及特定场景(即客厅),但并未涉及特定事件,而该影像信息C涉及特定场景—客厅场景,并且涉及特定事件—摔伤事件。因此,可以将影像信息A和影像信息B忽略,不唤醒该语音助手,而确定该影像信息C对应的目标场景为家庭场景、目标事件为摔伤事件,并在10点30分起唤醒该语音助手***。此时,将该家庭场景和该摔伤事件的信息发送至该语音助手***中的多模态认知层的全知模块,并从该全知模块包含的语音库中筛选出同时对应于该客厅场景和该摔伤事件的目标语音,并通过智能电视的扩音器,在用户未发出唤醒词和指令语音的情况下主动与用户进行语音交流。
在步骤105中,输出所述目标语音。
其中,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。
示例地,若该动作行为为人跌倒,该目标场景为家庭场景,该目标事件为摔伤事件,该目标语音对应的反馈内容文本可以为,例如,“是否拨打120”或者“是否拨打预存的家人电话”。若该动作行为为拍击婴儿后背,该目标场景为家庭场景,该目标事件为呛奶事件,该目标语音对应的反馈内容文本可以为,例如,“婴儿是否呛奶”或者“是否查询婴儿呛奶事件处理流程”。若该动作行为为频繁眨眼揉眼,该目标场景为驾驶场景,该目标事件为疲劳驾驶事件,该目标语音对应的反馈内容文本可以为,“您已处于疲劳驾驶状态”或者“是否查询最近的高速休息区”。
综上所述,本公开的实施例所提供的技术方案,能够通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息;根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件;在确定该目标场景和该目标事件后,控制该语音助手***开启;根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音;输出该目标语音,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。能够响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
图2是根据图1示出的一种确定场景和事件的方法的流程图,如图2所示,该步骤102可以包括:
在步骤1021中,从该影像信息中获取第一图像和多个第二图像。
其中,该第一图像为该动作行为发生的背景图像,该第二图像为用于表征该动作行为的人像。
示例地,动作行为对应的场景的判断依据为该影响信息中的背景图像,动作行为对应的事件的判断依据为人做出的动作本身,而人的动作是通过包含人像的图像来表现的。因此,在通过该多模态识别模型检测场景和时间之前,需要从影像信息中提取有人的(人像)和没有人的(非人像)两种图像。其中,可以通过一张非人像的背景图像反映摄像头前的空间的特点,进而确定该背景图像对应的场景。而针对于事件的判断,需要多张包含人像的图像才能反映动作行为发生的整个过程,因此,需要从该影像信息中获取一个第一图像和多个第二图像。具体地,该步骤1021可以包括:获取该影像信息中的每一帧的视频图像;通过预设的图像识别算法将每个该视频图像分割为非人像部分和人像部分;通过预设的图像拼接算法对该影像信息中的多个该非人像部分进行拼接,以获取该第一图像;将该影像信息中的多个该人像部分作为上述多个第二图像。此处需要说明的是,基于上述的影像信息的获取方式(用户进入拍摄画面在开始记录影像信息),该影像信息中的多个该人像部分实际上为该影像信息对应的视频中的每一帧图像,而在实际操作过程中,对于动作幅度比较大的动作行为,不需要精确到每一帧的图像就可以判断,因此,此处的多个第二图像可以为视频中的所有视频帧图像中的一部分。
在步骤1022中,将该第一图像作为该场景识别模型的输入,以获取该场景识别模型输出的用于表征该目标场景的目标场景标签。
在步骤1023中,将上述多个第二图像作为该事件识别模型的输入,以获取该事件识别模型输出用于表征该目标事件的目标事件标签。
图3是根据图1示出的另一种语音输出方法的流程图,如图3所示,在该步骤101之前,该方法还可以包括:
在步骤106中,分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取该多模态识别模型。
其中,该第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,该第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
示例地,可以通过不同的训练数据(该第一训练数据和该第二训练数据)对相同或不同的分类模型(预设分类模型,可以为,例如,决策树模型、支持向量机模型或神经网络模型)进行训练,以得到该场景识别模型和该事件识别模型。需要说明的是,该第一训练数据和该第二训练数据中的该场景标签或该时间标签可以为不具有特定含义也不可作为输出语音的判断依据的空标签。在上述的步骤1022和1023中,若该场景识别模型和该事件识别模型中的任意一者输出空标签,则不会触发对该语音助手***的唤醒。这就意味着该语音助手***针对于用户在某个场景下做出的动作不做语音回应。
图4是根据图1示出的一种确定交互语音的方法的流程图,如图3所示,该步骤104可以包括:
在步骤1041中,在该语音助手***开启后,根据该目标场景标签和该目标时间标签,从该标签关联表中确定目标语音标签。
示例地,该语音库中包含多个维度的话题,例如,物联网(Internet of Things,简称IoT)控制话题、知识相关话题、事件提醒话题、情感关怀话题和兴趣内容话题。本公开实施例中所用到的语音库包含于,例如,知识相关话题中,该语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表。通过上述的步骤1022和1023确定了该目标场景标签和该目标事件标签后,可以直接通过这两个标签对该标签关联表进行查询,以获取这两个标签对应的目标语音标签,并进而将附带该目标语音标签的语音作为该目标语音。
在步骤1042中,获取该目标语音标签对应的语音作为该目标语音。
综上所述,本公开的实施例所提供的技术方案,能够通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息;根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件;在确定该目标场景和该目标事件后,控制该语音助手***开启;根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音;输出该目标语音,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。能够响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
图5是根据一示例性实施例示出的一种语音输出装置的框图,如图5所示,应用于上述应用场景所述的电子设备,该装置500包括:
行为监测模块510,被配置为通过图像采集单元监测目标对象的动作行为,以获取包含所述动作行为的影像信息;
行为识别模块520,被配置为根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件;
***开启模块530,被配置为在确定所述目标场景和所述目标事件后,控制所述语音助手***开启;
语音确定模块540,被配置为根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音;
语音输出模块550,被配置为输出所述目标语音,所述目标语音对应的语音文本为针对所述动作行为的反馈内容文本。
可选的,所述影像信息包括预设时长的视频,所述多模态识别模型包括:场景识别模型和事件识别模型,所述行为识别模块520,被配置为:
从所述影像信息中获取第一图像和多个第二图像,所述第一图像为所述动作行为发生的背景图像,所述第二图像为用于表征所述动作行为的人像;
将所述第一图像作为所述场景识别模型的输入,以获取所述场景识别模型输出的用于表征所述目标场景的目标场景标签;
将所述多个第二图像作为所述事件识别模型的输入,以获取所述事件识别模型输出用于表征所述目标事件的目标事件标签。
可选的,所述行为识别模块520,被配置为:
获取所述影像信息中的每一帧的视频图像;
通过预设的图像识别算法将每个所述视频图像分割为非人像部分和人像部分;
通过预设的图像拼接算法对所述影像信息中的多个所述非人像部分进行拼接,以获取所述第一图像;
将所述影像信息中的多个所述人像部分作为所述多个第二图像。
图6是根据图5示出的另一种语音输出装置的框图,如图5所示,该装置500还可以包括:
模型训练模块560,被配置为分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取所述多模态识别模型,所述第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,所述第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
可选的,所述语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表,所述语音确定模块540,被配置为:
在确定所述目标场景和所述目标事件情况下,控制所述语音助手***开启;
在所述语音助手***开启后,根据所述目标场景标签和所述目标时间标签,从所述标签关联表中确定目标语音标签;
获取所述目标语音标签对应的语音作为所述目标语音。
综上所述,本公开的实施例所提供的技术方案,能够通过图像采集单元监测目标对象的动作行为,以获取包含该动作行为的影像信息;根据预先训练后的多模态识别模型和该影像信息确定该动作行为发生的目标场景和该动作行为对应的目标事件;在确定该目标场景和该目标事件后,控制该语音助手***开启;根据该目标场景和该目标事件从该语音助手***的语音库中确定目标语音;输出该目标语音,该目标语音对应的语音文本为针对该动作行为的反馈内容文本。响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
图7是根据一示例性实施例示出的一种用于语音输出的装置700的框图。例如,装置700可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图7,装置700可以包括以下一个或多个组件:处理组件702,存储器704,电力组件706,多媒体组件707,音频组件710,输入/输出(I/O)的接口712,传感器组件714,以及通信组件716。
处理组件702通常控制装置700的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令,以完成上述的语音输出方法的全部或部分步骤。此外,处理组件702可以包括一个或多个模块,便于处理组件702和其他组件之间的交互。例如,处理组件702可以包括多媒体模块,以方便多媒体组件707和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在装置700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件706为装置700的各种组件提供电力。电力组件706可以包括电源管理***,一个或多个电源,及其他与为装置700生成、管理和分配电力相关联的组件。
多媒体组件707包括在所述装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件707包括一个前置摄像头和/或后置摄像头。当装置700处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如,音频组件710包括一个麦克风(MIC),当装置700处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中,音频组件710还包括一个扬声器,用于输出音频信号。
I/O接口712为处理组件702和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器,用于为装置700提供各个方面的状态评估。例如,传感器组件714可以检测到装置700的打开/关闭状态,组件的相对定位,例如所述组件为装置700的显示器和小键盘,传感器组件714还可以检测装置700或装置700一个组件的位置改变,用户与装置700接触的存在或不存在,装置700方位或加速/减速和装置700的温度变化。传感器组件714可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件714还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件716经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件716还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的语音输出方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器704,上述指令可由装置700的处理器720执行以完成上述的语音输出方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的语音输出方法的代码部分。
本公开的实施例所提供的用于语音输出的装置,能够响应于目标对象的动作行为对语音助手进行唤醒,并对用户动作行为的识别,进而输出针对该动作行为的反馈语音主动与用户进行交互,提高智能语音助手的智能化程度。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种语音输出方法,其特征在于,应用于电子设备,所述电子设备中设置有语音助手***,所述方法包括:
通过图像采集单元监测目标对象的动作行为,以获取包含所述动作行为的影像信息;
根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件;
在确定所述目标场景和所述目标事件后,控制所述语音助手***开启;
根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音;
输出所述目标语音,所述目标语音对应的语音文本为针对所述动作行为的反馈内容文本。
2.根据权利要求1所述的方法,其特征在于,所述影像信息包括预设时长的视频,所述多模态识别模型包括:场景识别模型和事件识别模型,所述根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件,包括:
从所述影像信息中获取第一图像和多个第二图像,所述第一图像为所述动作行为发生的背景图像,所述第二图像为用于表征所述动作行为的人像;
将所述第一图像作为所述场景识别模型的输入,以获取所述场景识别模型输出的用于表征所述目标场景的目标场景标签;
将所述多个第二图像作为所述事件识别模型的输入,以获取所述事件识别模型输出用于表征所述目标事件的目标事件标签。
3.根据权利要求2所述的方法,其特征在于,所述从所述影像信息中获取第一图像和多个第二图像,包括:
获取所述影像信息中的每一帧的视频图像;
通过预设的图像识别算法将每个所述视频图像分割为非人像部分和人像部分;
通过预设的图像拼接算法对所述影像信息中的多个所述非人像部分进行拼接,以获取所述第一图像;
将所述影像信息中的多个所述人像部分作为所述多个第二图像。
4.根据权利要求2所述的方法,其特征在于,在所述通过信息采集设备监测目标对象的动作行为,以获取包含所述动作行为的影像信息之前,所述方法还包括:
分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取所述多模态识别模型,所述第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,所述第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
5.根据权利要求2所述的方法,其特征在于,所述语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表,所述根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音,包括:
在所述语音助手***开启后,根据所述目标场景标签和所述目标时间标签,从所述标签关联表中确定目标语音标签;
获取所述目标语音标签对应的语音作为所述目标语音。
6.一种语音输出装置,其特征在于,应用于电子设备,所述电子设备中设置有语音助手***,所述装置包括:
行为监测模块,被配置为通过图像采集单元监测目标对象的动作行为,以获取包含所述动作行为的影像信息;
行为识别模块,被配置为根据预先训练后的多模态识别模型和所述影像信息确定所述动作行为发生的目标场景和所述动作行为对应的目标事件;
***开启模块,被配置为在确定所述目标场景和所述目标事件后,控制所述语音助手***开启;
语音确定模块,被配置为根据所述目标场景和所述目标事件从所述语音助手***的语音库中确定目标语音;
语音输出模块,被配置为输出所述目标语音,所述目标语音对应的语音文本为针对所述动作行为的反馈内容文本。
7.根据权利要求6所述的装置,其特征在于,所述影像信息包括预设时长的视频,所述多模态识别模型包括:场景识别模型和事件识别模型,所述行为识别模块,被配置为:
从所述影像信息中获取第一图像和多个第二图像,所述第一图像为所述动作行为发生的背景图像,所述第二图像为用于表征所述动作行为的人像;
将所述第一图像作为所述场景识别模型的输入,以获取所述场景识别模型输出的用于表征所述目标场景的目标场景标签;
将所述多个第二图像作为所述事件识别模型的输入,以获取所述事件识别模型输出用于表征所述目标事件的目标事件标签。
8.根据权利要求6所述的装置,其特征在于,所述行为识别模块,被配置为:
获取所述影像信息中的每一帧的视频图像;
通过预设的图像识别算法将每个所述视频图像分割为非人像部分和人像部分;
通过预设的图像拼接算法对所述影像信息中的多个所述非人像部分进行拼接,以获取所述第一图像;
将所述影像信息中的多个所述人像部分作为所述多个第二图像。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,被配置为分别通过第一训练数据和第二训练数据对预设分类模型进行训练,以获取所述多模态识别模型,所述第一训练数据包括多个背景图像以及每个背景图像对应的场景标签,所述第二训练数据包括用于表征不同动作行为的多组人像以及每组人像图像对应的事件标签。
10.根据权利要求6所述的装置,其特征在于,所述语音库对应有用于表征场景标签、事件标签和语音标签三者之间的关联关系的标签关联表,所述语音确定模块,被配置为:
在确定所述目标场景和所述目标事件情况下,控制所述语音助手***开启;
在所述语音助手***开启后,根据所述目标场景标签和所述目标时间标签,从所述标签关联表中确定目标语音标签;
获取所述目标语音标签对应的语音作为所述目标语音。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
12.一种电子设备,其特征在于,所述电子设备中设置有语音助手***;
所述电子设备,包括:权利要求6-10中任一项所述的语音输出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761629.3A CN111951787A (zh) | 2020-07-31 | 2020-07-31 | 语音输出方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761629.3A CN111951787A (zh) | 2020-07-31 | 2020-07-31 | 语音输出方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951787A true CN111951787A (zh) | 2020-11-17 |
Family
ID=73339094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010761629.3A Pending CN111951787A (zh) | 2020-07-31 | 2020-07-31 | 语音输出方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951787A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882394A (zh) * | 2021-01-12 | 2021-06-01 | 北京小米松果电子有限公司 | 设备控制方法、控制装置及可读存储介质 |
CN113450795A (zh) * | 2021-06-28 | 2021-09-28 | 深圳七号家园信息技术有限公司 | 一种具有语音唤醒功能的图像识别方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799191A (zh) * | 2012-08-07 | 2012-11-28 | 北京国铁华晨通信信息技术有限公司 | 基于动作识别技术的云台控制方法及*** |
US20130282747A1 (en) * | 2012-04-23 | 2013-10-24 | Sri International | Classification, search, and retrieval of complex video events |
CN104463903A (zh) * | 2014-06-24 | 2015-03-25 | 中海网络科技股份有限公司 | 一种基于目标行为分析的行人图像实时检测方法 |
CN106060470A (zh) * | 2016-06-24 | 2016-10-26 | 邵文超 | 一种视频监控方法及其*** |
CN108133708A (zh) * | 2017-12-04 | 2018-06-08 | 维沃移动通信有限公司 | 一种语音助手的控制方法、装置及移动终端 |
CN108363706A (zh) * | 2017-01-25 | 2018-08-03 | 北京搜狗科技发展有限公司 | 人机对话交互的方法和装置、用于人机对话交互的装置 |
US20180232662A1 (en) * | 2017-02-14 | 2018-08-16 | Microsoft Technology Licensing, Llc | Parsers for deriving user intents |
CN108600511A (zh) * | 2018-03-22 | 2018-09-28 | 上海摩软通讯技术有限公司 | 智能语音助手设备的控制***及方法 |
CN109410936A (zh) * | 2018-11-14 | 2019-03-01 | 广东美的制冷设备有限公司 | 基于场景的空调设备语音控制方法和装置 |
CN109658928A (zh) * | 2018-12-06 | 2019-04-19 | 山东大学 | 一种家庭服务机器人云端多模态对话方法、装置及*** |
CN109683709A (zh) * | 2018-12-17 | 2019-04-26 | 苏州思必驰信息科技有限公司 | 基于情绪识别的人机交互方法及*** |
CN110197103A (zh) * | 2018-02-27 | 2019-09-03 | 中移(苏州)软件技术有限公司 | 一种人与动物交互的方法及装置 |
CN110415695A (zh) * | 2019-07-25 | 2019-11-05 | 华为技术有限公司 | 一种语音唤醒方法及电子设备 |
US20200094397A1 (en) * | 2018-09-20 | 2020-03-26 | Sony Corporation | Autonomous robot |
-
2020
- 2020-07-31 CN CN202010761629.3A patent/CN111951787A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282747A1 (en) * | 2012-04-23 | 2013-10-24 | Sri International | Classification, search, and retrieval of complex video events |
CN102799191A (zh) * | 2012-08-07 | 2012-11-28 | 北京国铁华晨通信信息技术有限公司 | 基于动作识别技术的云台控制方法及*** |
CN104463903A (zh) * | 2014-06-24 | 2015-03-25 | 中海网络科技股份有限公司 | 一种基于目标行为分析的行人图像实时检测方法 |
CN106060470A (zh) * | 2016-06-24 | 2016-10-26 | 邵文超 | 一种视频监控方法及其*** |
CN108363706A (zh) * | 2017-01-25 | 2018-08-03 | 北京搜狗科技发展有限公司 | 人机对话交互的方法和装置、用于人机对话交互的装置 |
US20180232662A1 (en) * | 2017-02-14 | 2018-08-16 | Microsoft Technology Licensing, Llc | Parsers for deriving user intents |
CN108133708A (zh) * | 2017-12-04 | 2018-06-08 | 维沃移动通信有限公司 | 一种语音助手的控制方法、装置及移动终端 |
CN110197103A (zh) * | 2018-02-27 | 2019-09-03 | 中移(苏州)软件技术有限公司 | 一种人与动物交互的方法及装置 |
CN108600511A (zh) * | 2018-03-22 | 2018-09-28 | 上海摩软通讯技术有限公司 | 智能语音助手设备的控制***及方法 |
US20200094397A1 (en) * | 2018-09-20 | 2020-03-26 | Sony Corporation | Autonomous robot |
CN109410936A (zh) * | 2018-11-14 | 2019-03-01 | 广东美的制冷设备有限公司 | 基于场景的空调设备语音控制方法和装置 |
CN109658928A (zh) * | 2018-12-06 | 2019-04-19 | 山东大学 | 一种家庭服务机器人云端多模态对话方法、装置及*** |
CN109683709A (zh) * | 2018-12-17 | 2019-04-26 | 苏州思必驰信息科技有限公司 | 基于情绪识别的人机交互方法及*** |
CN110415695A (zh) * | 2019-07-25 | 2019-11-05 | 华为技术有限公司 | 一种语音唤醒方法及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882394A (zh) * | 2021-01-12 | 2021-06-01 | 北京小米松果电子有限公司 | 设备控制方法、控制装置及可读存储介质 |
CN113450795A (zh) * | 2021-06-28 | 2021-09-28 | 深圳七号家园信息技术有限公司 | 一种具有语音唤醒功能的图像识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107919123B (zh) | 多语音助手控制方法、装置及计算机可读存储介质 | |
CN109920418B (zh) | 调整唤醒灵敏度的方法及装置 | |
CN105933539B (zh) | 音频播放的控制方法、装置及终端 | |
CN107666536B (zh) | 一种寻找终端的方法和装置、一种用于寻找终端的装置 | |
EP3933570A1 (en) | Method and apparatus for controlling a voice assistant, and computer-readable storage medium | |
CN106101629A (zh) | 输出图像的方法及装置 | |
CN105117699A (zh) | 用户行为监控方法及装置 | |
CN111063354B (zh) | 人机交互方法及装置 | |
CN107666540B (zh) | 终端控制方法、装置及存储介质 | |
CN112185389A (zh) | 语音生成方法、装置、存储介质和电子设备 | |
CN109766473B (zh) | 信息交互方法、装置、电子设备及存储介质 | |
CN106331328B (zh) | 信息提示的方法及装置 | |
CN107203306A (zh) | 头像处理方法及装置 | |
CN111951787A (zh) | 语音输出方法、装置、存储介质和电子设备 | |
US10810439B2 (en) | Video identification method and device | |
CN111080231A (zh) | 自动提醒方法、自动提醒装置及计算机可读存储介质 | |
CN107454359B (zh) | 播放视频的方法及装置 | |
CN115733918A (zh) | 飞行模式的切换方法、装置、电子设备及存储介质 | |
CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
CN110636377A (zh) | 视频处理方法、装置、存储介质、终端及服务器 | |
CN114189719A (zh) | 视频信息提取方法、装置、电子设备及存储介质 | |
CN113035189A (zh) | 一种文档演示的控制方法、装置和设备 | |
CN104793847B (zh) | 图片展示方法及装置 | |
CN107018236A (zh) | 终端设备的控制方法及装置 | |
CN107979695B (zh) | 网络消息接收方法及装置、存储介质 |
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 |