CN112633172A - 通讯优化方法、装置、设备及介质 - Google Patents

通讯优化方法、装置、设备及介质 Download PDF

Info

Publication number
CN112633172A
CN112633172A CN202011545611.6A CN202011545611A CN112633172A CN 112633172 A CN112633172 A CN 112633172A CN 202011545611 A CN202011545611 A CN 202011545611A CN 112633172 A CN112633172 A CN 112633172A
Authority
CN
China
Prior art keywords
target
emotion
voice
communication optimization
feature
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.)
Granted
Application number
CN202011545611.6A
Other languages
English (en)
Other versions
CN112633172B (zh
Inventor
彭钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011545611.6A priority Critical patent/CN112633172B/zh
Publication of CN112633172A publication Critical patent/CN112633172A/zh
Application granted granted Critical
Publication of CN112633172B publication Critical patent/CN112633172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Telephonic Communication Services (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，提供一种通讯优化方法、装置、设备及介质，能够综合针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率，并在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理，进而能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。此外，本发明还涉及区块链技术，情绪识别模型可存储于区块链节点中。

Description

通讯优化方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种通讯优化方法、装置、设备及介质。
背景技术
目前，很多领域都会涉及到客户与客服间频繁的音视频通讯，以便进行问题咨询或者业务办理。在此过程中，如果一方情绪不好，很可能导致通话过程不愉快，让客户对客服对应的企业留下不好的印象，也让客服受到相关的指责。
针对上述问题，常用的方法是针对客服制定相应的约束制度，使客服在面对带有不稳定情绪的客户时，基于职业素质和工作绩效的考量而保持冷静克制的态度，但仅仅靠客服主观上约束自己是有一定的风险的。
而对于采用智能识别的方式判断情绪，进而为客服提供客户情绪判断依据的方案，通常也只是根据当前截取的用户图片进行情绪的判断，判断结果不够准确，也就影响了后续客服的正确响应。
发明内容
鉴于以上内容，有必要提供一种通讯优化方法、装置、设备及介质，能够综合针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率，并在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理，进而能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
一种通讯优化方法，所述通讯优化方法包括：
响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频；
对所述目标视频进行特征截取，得到待检测图片；
将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到；
对所述目标语音进行情感识别，得到第二情绪类型；
当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音；
输出所述实时语音。
根据本发明优选实施例，所述根据所述通讯优化指令获取目标采集设备包括：
解析所述通讯优化指令的方法体，得到所述通讯优化指令所携带的信息；
获取与设备标识对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述通讯优化指令所携带的信息中进行遍历，并将遍历到的数据确定为目标设备标识；
根据所述目标设备标识确定用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
根据本发明优选实施例，所述对所述目标视频进行特征截取，得到待检测图片包括：
获取所述目标视频所包含的所有帧图片；
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的面部区域；
截取每张帧图片的面部区域，得到所述待检测图片。
根据本发明优选实施例，所述根据所述情绪识别模型的输出确定第一情绪类型包括：
从所述情绪识别模型的输出中获取每张待检测图片的预测情绪及对应的预测概率；
从所述预测概率中获取最大预测概率作为目标预测概率；
获取所述目标预测概率对应的预测情绪作为所述第一情绪类型。
根据本发明优选实施例，所述方法还包括：
获取样本视频，并以预设时长对所述样本视频进行拆分，得到至少一个子视频；
对所述至少一个子视频进行特征截取，得到训练样本；
以预设残差网络对所述训练样本进行特征提取，得到初始特征；
将所述初始特征输入至每个颜色通道对应的全连接层，输出特征向量；
以第一sigmoid函数处理所述特征向量，得到第一注意力权重；
基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征；
并接所述特征向量与所述初始全局边框特征，得到并接特征；
以第二sigmoid函数处理所述并接特征，得到第二注意力权重；
基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征；
以softmax函数处理所述目标全局边框特征，输出预测结果及损失值；
当检测到所述损失值收敛时，停止训练，得到所述情绪识别模型。
根据本发明优选实施例，采用下述公式基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征：
Figure BDA0002856118040000041
其中，f′v为所述初始全局边框特征，αi为所述第一注意力权重，fi为所述特征向量，i为所述特征向量所属的帧数，n为最大帧数；
采用下述公式基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征：
Figure BDA0002856118040000042
其中，fv为所述目标全局边框特征，βi为所述第二注意力权重，[fi:f′v]为所述并接特征。
根据本发明优选实施例，所述对所述输入语音进行优化处理，得到实时语音包括：
对所述输入语音进行降噪处理，得到第一语音；
识别所述第一语音中的目标声波，并从所述第一语音中删除所述目标声波，得到第二语音；
对所述第二语音进行淡入淡出处理，得到所述实时语音。
一种通讯优化装置，所述通讯优化装置包括：
采集单元，用于响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频；
截取单元，用于对所述目标视频进行特征截取，得到待检测图片；
识别单元，用于将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到；
所述识别单元，还用于对所述目标语音进行情感识别，得到第二情绪类型；
优化单元，用于当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音；
输出单元，用于输出所述实时语音。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述通讯优化方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述通讯优化方法。
由以上技术方案可以看出，本发明能够响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频，对所述目标视频进行特征截取，得到待检测图片，将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到，基于边框注意力机制整合时间相关的序列特征，以便针对视频段的特征进行有效的分类，以视频特征进行情绪的识别，能够更有优势地捕捉到有代表性的人脸情绪状态，对所述目标语音进行情感识别，得到第二情绪类型，当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音，并输出所述实时语音，综合了针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率，并在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理，进而能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
附图说明
图1是本发明通讯优化方法的较佳实施例的流程图。
图2是本发明通讯优化装置的较佳实施例的功能模块图。
图3是本发明实现通讯优化方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明通讯优化方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述通讯优化方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频。
在本发明的至少一个实施例中，所述通讯优化指令可以由当前进行通话的客服触发，也可以在检测到有音视频启动时自动触发，本发明不限制。
在本发明的至少一个实施例中，所述根据所述通讯优化指令获取目标采集设备包括：
解析所述通讯优化指令的方法体，得到所述通讯优化指令所携带的信息；
获取与设备标识对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述通讯优化指令所携带的信息中进行遍历，并将遍历到的数据确定为目标设备标识；
根据所述目标设备标识确定用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
例如：当银行客服与客户进行视频交互时，双方各持有一个终端设备进行会议，通过解析所述通讯优化指令，将所述客户的终端设备确定为所述用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
其中，所述通讯优化指令所携带的信息可以包括，但不限于：设备标识、触发所述通讯优化指令的用户名称等。
其中，所述通讯优化指令实质上是一条代码，在所述通讯优化指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置，所述预设标签与设备标识具有一一对应的关系，例如：所述预设标签可以是ZID，进一步以所述预设标签建立正则表达式ZID()，并以ZID()进行遍历。
通过上实施方式，能够基于正则表达式及预设标签快速确定设备标识，并进一步利用所述设备标识确定目标采集设备。
S11，对所述目标视频进行特征截取，得到待检测图片。
由于每个目标视频中可能包括其他非面部信息，这些非面部信息将对特征识别造成干扰，因此，首先要对视频进行特征截取。
具体地，所述对所述目标视频进行特征截取，得到待检测图片包括：
获取所述目标视频所包含的所有帧图片；
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的面部区域；
截取每张帧图片的面部区域，得到所述待检测图片。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行面部特征的截取，能够有效剔除视频中的冗余信息，以提高后续情绪识别的准确性及效率。
S12，将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到。
例如：所述情绪识别模型的输出可以为：愤怒，0.95。
在本实施例中，所述根据所述情绪识别模型的输出确定第一情绪类型包括：
从所述情绪识别模型的输出中获取每张待检测图片的预测情绪及对应的预测概率；
从所述预测概率中获取最大预测概率作为目标预测概率；
获取所述目标预测概率对应的预测情绪作为所述第一情绪类型。
通过上述实施方式，能够综合所有的识别结果进行最终情绪识别结果的确定，使识别的准确度更高。
在本发明的至少一个实施例中，所述方法还包括：
获取样本视频，并以预设时长对所述样本视频进行拆分，得到至少一个子视频；
对所述至少一个子视频进行特征截取，得到训练样本；
以预设残差网络对所述训练样本进行特征提取，得到初始特征；
将所述初始特征输入至每个颜色通道对应的全连接层，输出特征向量；
以第一sigmoid函数处理所述特征向量，得到第一注意力权重；
基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征；
并接所述特征向量与所述初始全局边框特征，得到并接特征；
以第二sigmoid函数处理所述并接特征，得到第二注意力权重；
基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征；
以softmax函数处理所述目标全局边框特征，输出预测结果及损失值；
当检测到所述损失值收敛时，停止训练，得到所述情绪识别模型。
其中，所述预设时长可以进行自定义配置，如10秒。
进一步地，可以采用YOLOv3网络对所述至少一个子视频进行特征截取。
更进一步地，所述预设残差网络可以是Resnet50网络，本发明不做限制。
本实施例中，在并接所述特征向量与所述初始全局边框特征时，可以采用横向并接的方式。
例如：两个1024*1的向量并接后可以得到一个2048*1的向量。
通过上述实施方式，能够基于边框注意力机制整合时间相关的序列特征，以便针对视频段的特征进行有效的分类，使训练得到的情绪识别模型具有更高的准确度。
具体地，采用下述公式基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征：
Figure BDA0002856118040000091
其中，f′v为所述初始全局边框特征，αi为所述第一注意力权重，fi为所述特征向量，i为所述特征向量所属的帧数，n为最大帧数；
采用下述公式基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征：
Figure BDA0002856118040000092
其中，fv为所述目标全局边框特征，βi为所述第二注意力权重，[fi:f′v]为所述并接特征。
通过上述实施方式，多次基于边框注意力机制进行特征的规范化处理，将图像特征转化为全局的视频特征，以视频特征进行情绪的识别，能够更有优势地捕捉到有代表性的人脸情绪状态。
S13，对所述目标语音进行情感识别，得到第二情绪类型。
在本发明的至少一个实施例中，可以采用GMM(Adaptive background mixturemodels for real-time tracking，高斯混合模型)、SVM(Support Vector Machine，支持向量机)、HMM(Hidden Markov Model，隐马尔科夫模型)、Multiple classifer system(多分类器***)等对所述目标语音进行情感识别，在此不赘述。
需要说明的是，所述第一情绪类型是指根据所述情绪识别模型识别到的情绪类型，所述第二情绪类型是指根据所述目标语音进行情感识别后识别到的情绪类型。所述第一情绪类型及所述第二情绪类型都可以包括愤怒、开心等情绪。
S14，当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音。
在本实施例中，当检测到所述第一情绪类型及/或所述第二情绪类型为愤怒、生气、激动等时，即可确定为异常。
上述实施方式综合了针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率。
在本发明的至少一个实施例中，所述对所述输入语音进行优化处理，得到实时语音包括：
对所述输入语音进行降噪处理，得到第一语音；
识别所述第一语音中的目标声波，并从所述第一语音中删除所述目标声波，得到第二语音；
对所述第二语音进行淡入淡出处理，得到所述实时语音。
其中，所述目标声波可以包括具有攻击性的声波等，本发明在此不限制。
通过上述实施方式，能够在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理。
S15，输出所述实时语音。
例如：在客服人员的终端设备上输出所述实时语音。
通过上述实施方式，能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
需要说明的是，为了进一步保证数据的安全性，可以将所述情绪识别模型部署于区块链，以避免数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频，对所述目标视频进行特征截取，得到待检测图片，将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到，基于边框注意力机制整合时间相关的序列特征，以便针对视频段的特征进行有效的分类，以视频特征进行情绪的识别，能够更有优势地捕捉到有代表性的人脸情绪状态，对所述目标语音进行情感识别，得到第二情绪类型，当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音，并输出所述实时语音，综合了针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率，并在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理，进而能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
如图2所示，是本发明通讯优化装置的较佳实施例的功能模块图。所述通讯优化装置11包括采集单元110、截取单元111、识别单元112、优化单元113、输出单元114。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于通讯优化指令，采集单元110根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频。
在本发明的至少一个实施例中，所述通讯优化指令可以由当前进行通话的客服触发，也可以在检测到有音视频启动时自动触发，本发明不限制。
在本发明的至少一个实施例中，所述采集单元110根据所述通讯优化指令获取目标采集设备包括：
解析所述通讯优化指令的方法体，得到所述通讯优化指令所携带的信息；
获取与设备标识对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述通讯优化指令所携带的信息中进行遍历，并将遍历到的数据确定为目标设备标识；
根据所述目标设备标识确定用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
例如：当银行客服与客户进行视频交互时，双方各持有一个终端设备进行会议，通过解析所述通讯优化指令，将所述客户的终端设备确定为所述用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
其中，所述通讯优化指令所携带的信息可以包括，但不限于：设备标识、触发所述通讯优化指令的用户名称等。
其中，所述通讯优化指令实质上是一条代码，在所述通讯优化指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置，所述预设标签与设备标识具有一一对应的关系，例如：所述预设标签可以是ZID，进一步以所述预设标签建立正则表达式ZID()，并以ZID()进行遍历。
通过上实施方式，能够基于正则表达式及预设标签快速确定设备标识，并进一步利用所述设备标识确定目标采集设备。
截取单元111对所述目标视频进行特征截取，得到待检测图片。
由于每个目标视频中可能包括其他非面部信息，这些非面部信息将对特征识别造成干扰，因此，首先要对视频进行特征截取。
具体地，所述截取单元111对所述目标视频进行特征截取，得到待检测图片包括：
获取所述目标视频所包含的所有帧图片；
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的面部区域；
截取每张帧图片的面部区域，得到所述待检测图片。
通过上述实施方式，由于YOLOv3网络本身具备较高的稳定精度，因此，以YOLOv3网络进行面部特征的截取，能够有效剔除视频中的冗余信息，以提高后续情绪识别的准确性及效率。
识别单元112将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到。
例如：所述情绪识别模型的输出可以为：愤怒，0.95。
在本实施例中，所述识别单元112根据所述情绪识别模型的输出确定第一情绪类型包括：
从所述情绪识别模型的输出中获取每张待检测图片的预测情绪及对应的预测概率；
从所述预测概率中获取最大预测概率作为目标预测概率；
获取所述目标预测概率对应的预测情绪作为所述第一情绪类型。
通过上述实施方式，能够综合所有的识别结果进行最终情绪识别结果的确定，使识别的准确度更高。
在本发明的至少一个实施例中，获取样本视频，并以预设时长对所述样本视频进行拆分，得到至少一个子视频；
对所述至少一个子视频进行特征截取，得到训练样本；
以预设残差网络对所述训练样本进行特征提取，得到初始特征；
将所述初始特征输入至每个颜色通道对应的全连接层，输出特征向量；
以第一sigmoid函数处理所述特征向量，得到第一注意力权重；
基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征；
并接所述特征向量与所述初始全局边框特征，得到并接特征；
以第二sigmoid函数处理所述并接特征，得到第二注意力权重；
基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征；
以softmax函数处理所述目标全局边框特征，输出预测结果及损失值；
当检测到所述损失值收敛时，停止训练，得到所述情绪识别模型。
其中，所述预设时长可以进行自定义配置，如10秒。
进一步地，可以采用YOLOv3网络对所述至少一个子视频进行特征截取。
更进一步地，所述预设残差网络可以是Resnet50网络，本发明不做限制。
本实施例中，在并接所述特征向量与所述初始全局边框特征时，可以采用横向并接的方式。
例如：两个1024*1的向量并接后可以得到一个2048*1的向量。
通过上述实施方式，能够基于边框注意力机制整合时间相关的序列特征，以便针对视频段的特征进行有效的分类，使训练得到的情绪识别模型具有更高的准确度。
具体地，采用下述公式基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征：
Figure BDA0002856118040000151
其中，f′v为所述初始全局边框特征，αi为所述第一注意力权重，fi为所述特征向量，i为所述特征向量所属的帧数，n为最大帧数；
采用下述公式基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征：
Figure BDA0002856118040000152
其中，fv为所述目标全局边框特征，βi为所述第二注意力权重，[fi:f′v]为所述并接特征。
通过上述实施方式，多次基于边框注意力机制进行特征的规范化处理，将图像特征转化为全局的视频特征，以视频特征进行情绪的识别，能够更有优势地捕捉到有代表性的人脸情绪状态。
所述识别单元112对所述目标语音进行情感识别，得到第二情绪类型。
在本发明的至少一个实施例中，可以采用GMM(Adaptive background mixturemodels for real-time tracking，高斯混合模型)、SVM(Support Vector Machine，支持向量机)、HMM(Hidden Markov Model，隐马尔科夫模型)、Multiple classifer system(多分类器***)等对所述目标语音进行情感识别，在此不赘述。
需要说明的是，所述第一情绪类型是指根据所述情绪识别模型识别到的情绪类型，所述第二情绪类型是指根据所述目标语音进行情感识别后识别到的情绪类型。所述第一情绪类型及所述第二情绪类型都可以包括愤怒、开心等情绪。
当所述第一情绪类型及/或所述第二情绪类型为异常时，优化单元113利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音。
在本实施例中，当检测到所述第一情绪类型及/或所述第二情绪类型为愤怒、生气、激动等时，即可确定为异常。
上述实施方式综合了针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率。
在本发明的至少一个实施例中，所述优化单元113对所述输入语音进行优化处理，得到实时语音包括：
对所述输入语音进行降噪处理，得到第一语音；
识别所述第一语音中的目标声波，并从所述第一语音中删除所述目标声波，得到第二语音；
对所述第二语音进行淡入淡出处理，得到所述实时语音。
其中，所述目标声波可以包括具有攻击性的声波等，本发明在此不限制。
通过上述实施方式，能够在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理。
输出单元114输出所述实时语音。
例如：在客服人员的终端设备上输出所述实时语音。
通过上述实施方式，能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
需要说明的是，为了进一步保证数据的安全性，可以将所述情绪识别模型部署于区块链，以避免数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频，对所述目标视频进行特征截取，得到待检测图片，将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到，基于边框注意力机制整合时间相关的序列特征，以便针对视频段的特征进行有效的分类，以视频特征进行情绪的识别，能够更有优势地捕捉到有代表性的人脸情绪状态，对所述目标语音进行情感识别，得到第二情绪类型，当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音，并输出所述实时语音，综合了针对视频的情绪识别结果及针对语音的情绪识别结果进行判断，有效提升了情绪判断的准确率，并在检测到客户的情绪异常时，对客户输入的实时语音进行柔和处理，进而能够避免客服人员受到客户情绪的影响，使双方的交流更加顺畅，并进一步降低了客诉率，给双方带来更好的交互体验。
如图3所示，是本发明实现通讯优化方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如通讯优化程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如通讯优化程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行通讯优化程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个通讯优化方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成采集单元110、截取单元111、识别单元112、优化单元113、输出单元114。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述通讯优化方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种通讯优化方法，所述处理器13可执行所述多个指令从而实现：
响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频；
对所述目标视频进行特征截取，得到待检测图片；
将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到；
对所述目标语音进行情感识别，得到第二情绪类型；
当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音；
输出所述实时语音。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种通讯优化方法，其特征在于，所述通讯优化方法包括：
响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频；
对所述目标视频进行特征截取，得到待检测图片；
将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到；
对所述目标语音进行情感识别，得到第二情绪类型；
当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音；
输出所述实时语音。
2.如权利要求1所述的通讯优化方法，其特征在于，所述根据所述通讯优化指令获取目标采集设备包括：
解析所述通讯优化指令的方法体，得到所述通讯优化指令所携带的信息；
获取与设备标识对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式在所述通讯优化指令所携带的信息中进行遍历，并将遍历到的数据确定为目标设备标识；
根据所述目标设备标识确定用户设备，并将所述用户设备的采集设备确定为所述目标采集设备。
3.如权利要求1所述的通讯优化方法，其特征在于，所述对所述目标视频进行特征截取，得到待检测图片包括：
获取所述目标视频所包含的所有帧图片；
将所述所有帧图片中的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的面部区域；
截取每张帧图片的面部区域，得到所述待检测图片。
4.如权利要求1所述的通讯优化方法，其特征在于，所述根据所述情绪识别模型的输出确定第一情绪类型包括：
从所述情绪识别模型的输出中获取每张待检测图片的预测情绪及对应的预测概率；
从所述预测概率中获取最大预测概率作为目标预测概率；
获取所述目标预测概率对应的预测情绪作为所述第一情绪类型。
5.如权利要求1所述的通讯优化方法，其特征在于，所述方法还包括：
获取样本视频，并以预设时长对所述样本视频进行拆分，得到至少一个子视频；
对所述至少一个子视频进行特征截取，得到训练样本；
以预设残差网络对所述训练样本进行特征提取，得到初始特征；
将所述初始特征输入至每个颜色通道对应的全连接层，输出特征向量；
以第一sigmoid函数处理所述特征向量，得到第一注意力权重；
基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征；
并接所述特征向量与所述初始全局边框特征，得到并接特征；
以第二sigmoid函数处理所述并接特征，得到第二注意力权重；
基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征；
以softmax函数处理所述目标全局边框特征，输出预测结果及损失值；
当检测到所述损失值收敛时，停止训练，得到所述情绪识别模型。
6.如权利要求5所述的通讯优化方法，其特征在于，采用下述公式基于所述第一注意力权重对所述特征向量进行转化，得到初始全局边框特征：
Figure FDA0002856118030000031
其中，f′v为所述初始全局边框特征，αi为所述第一注意力权重，fi为所述特征向量，i为所述特征向量所属的帧数，n为最大帧数；
采用下述公式基于所述第二注意力权重对所述并接特征进行转化，得到目标全局边框特征：
Figure FDA0002856118030000032
其中，fv为所述目标全局边框特征，βi为所述第二注意力权重，[fi:f′v]为所述并接特征。
7.如权利要求1所述的通讯优化方法，其特征在于，所述对所述输入语音进行优化处理，得到实时语音包括：
对所述输入语音进行降噪处理，得到第一语音；
识别所述第一语音中的目标声波，并从所述第一语音中删除所述目标声波，得到第二语音；
对所述第二语音进行淡入淡出处理，得到所述实时语音。
8.一种通讯优化装置，其特征在于，所述通讯优化装置包括：
采集单元，用于响应于通讯优化指令，根据所述通讯优化指令获取目标采集设备，并启动所述目标采集设备采集目标用户的目标语音及目标视频；
截取单元，用于对所述目标视频进行特征截取，得到待检测图片；
识别单元，用于将所述待检测图片输入至预先训练的情绪识别模型，并根据所述情绪识别模型的输出确定第一情绪类型，其中，所述情绪识别模型基于边框注意力机制及残差网络训练而得到；
所述识别单元，还用于对所述目标语音进行情感识别，得到第二情绪类型；
优化单元，用于当所述第一情绪类型及/或所述第二情绪类型为异常时，利用所述目标采集设备实时采集所述目标用户的输入语音，并对所述输入语音进行优化处理，得到实时语音；
输出单元，用于输出所述实时语音。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的通讯优化方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的通讯优化方法。
CN202011545611.6A 2020-12-23 2020-12-23 通讯优化方法、装置、设备及介质 Active CN112633172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545611.6A CN112633172B (zh) 2020-12-23 2020-12-23 通讯优化方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545611.6A CN112633172B (zh) 2020-12-23 2020-12-23 通讯优化方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112633172A true CN112633172A (zh) 2021-04-09
CN112633172B CN112633172B (zh) 2023-11-14

Family

ID=75324289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545611.6A Active CN112633172B (zh) 2020-12-23 2020-12-23 通讯优化方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112633172B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100036660A1 (en) * 2004-12-03 2010-02-11 Phoenix Solutions, Inc. Emotion Detection Device and Method for Use in Distributed Systems
US20170270922A1 (en) * 2015-11-18 2017-09-21 Shenzhen Skyworth-Rgb Electronic Co., Ltd. Smart home control method based on emotion recognition and the system thereof
CN108962255A (zh) * 2018-06-29 2018-12-07 北京百度网讯科技有限公司 语音会话的情绪识别方法、装置、服务器和存储介质
US20190012599A1 (en) * 2010-06-07 2019-01-10 Affectiva, Inc. Multimodal machine learning for emotion metrics
US20190295533A1 (en) * 2018-01-26 2019-09-26 Shanghai Xiaoi Robot Technology Co., Ltd. Intelligent interactive method and apparatus, computer device and computer readable storage medium
CN111276162A (zh) * 2020-01-14 2020-06-12 林泽珊 基于助听器的语音输出优化方法、服务器及存储介质
CN111368609A (zh) * 2018-12-26 2020-07-03 深圳Tcl新技术有限公司 基于情绪引擎技术的语音交互方法、智能终端及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100036660A1 (en) * 2004-12-03 2010-02-11 Phoenix Solutions, Inc. Emotion Detection Device and Method for Use in Distributed Systems
US20190012599A1 (en) * 2010-06-07 2019-01-10 Affectiva, Inc. Multimodal machine learning for emotion metrics
US20170270922A1 (en) * 2015-11-18 2017-09-21 Shenzhen Skyworth-Rgb Electronic Co., Ltd. Smart home control method based on emotion recognition and the system thereof
US20190295533A1 (en) * 2018-01-26 2019-09-26 Shanghai Xiaoi Robot Technology Co., Ltd. Intelligent interactive method and apparatus, computer device and computer readable storage medium
CN108962255A (zh) * 2018-06-29 2018-12-07 北京百度网讯科技有限公司 语音会话的情绪识别方法、装置、服务器和存储介质
CN111368609A (zh) * 2018-12-26 2020-07-03 深圳Tcl新技术有限公司 基于情绪引擎技术的语音交互方法、智能终端及存储介质
CN111276162A (zh) * 2020-01-14 2020-06-12 林泽珊 基于助听器的语音输出优化方法、服务器及存储介质

Also Published As

Publication number Publication date
CN112633172B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN111723727B (zh) 基于边缘计算的云监控方法、装置、电子设备及存储介质
CN111488433B (zh) 一种适用于银行的提升现场体验感的人工智能交互***
US11315366B2 (en) Conference recording method and data processing device employing the same
WO2020211388A1 (zh) 基于预测模型的行为预测方法、装置、设备及存储介质
CN111741356B (zh) 双录视频的质检方法、装置、设备及可读存储介质
WO2021232594A1 (zh) 语音情绪识别方法、装置、电子设备及存储介质
US10970334B2 (en) Navigating video scenes using cognitive insights
WO2022116420A1 (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
CN108920640B (zh) 基于语音交互的上下文获取方法及设备
CN110598008B (zh) 录制数据的数据质检方法及装置、存储介质
CN113343824A (zh) 双录质检方法、装置、设备及介质
CN114007131A (zh) 视频监控方法、装置及相关设备
CN113345431A (zh) 跨语言语音转换方法、装置、设备及介质
CN112686232B (zh) 基于微表情识别的教学评价方法、装置、电子设备及介质
CN112542172A (zh) 基于在线会议的沟通辅助方法、装置、设备及介质
CN112101191A (zh) 基于边框注意力网络的表情识别方法、装置、设备及介质
CN114022841A (zh) 人员监控识别方法、装置、电子设备及可读存储介质
CN112528265A (zh) 基于在线会议的身份识别方法、装置、设备及介质
CN116761013A (zh) 数字人脸形象更换方法、装置、设备及存储介质
CN112633172B (zh) 通讯优化方法、装置、设备及介质
CN114401346A (zh) 基于人工智能的应答方法、装置、设备及介质
CN112183347A (zh) 基于深度空间梯度的活体检测方法、装置、设备及介质
CN113408265A (zh) 基于人机交互的语义解析方法、装置、设备及存储介质
CN112633170B (zh) 通讯优化方法、装置、设备及介质
CN113792569A (zh) 对象识别方法、装置、电子设备及可读介质

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
GR01 Patent grant
GR01 Patent grant