CN115242927A - 客服对象分配方法、装置、计算机设备及存储介质 - Google Patents
客服对象分配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115242927A CN115242927A CN202210851359.4A CN202210851359A CN115242927A CN 115242927 A CN115242927 A CN 115242927A CN 202210851359 A CN202210851359 A CN 202210851359A CN 115242927 A CN115242927 A CN 115242927A
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- customer service
- service object
- data
- 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 51
- 238000009826 distribution Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- 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
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/04—Training, enrolment or model building
-
- 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
- G10L17/16—Hidden Markov models [HMM]
-
- 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
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种客服对象分配方法、装置、计算机设备及存储介质,方法包括:根据客户发起的咨询请求,获取第一对话数据;从第一对话数据中提取客户的声纹表征;将声纹表征输入客户识别模型,得到客户识别结果;当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据,以根据存档数据向客户分配客服对象;当根据客户识别结果确定客户为第二类型客户时,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配客服对象。此外,本申请还涉及区块链技术,声纹表征可存储于区块链中。本申请提高了客服对象分配的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种客服对象分配方法、装置、计算机设备及存储介质。
背景技术
随着社会的发展、客户对各平台服务重视程度的提升,各平台对客服的派工也变得越来越重视。派工是指客户发起人工咨询时,***按照一定的规则将客服对象分配给客服,从而由客服对象为客户提供咨询等服务。当前的客服对象分配技术,通常是由***随机地将客服对象分配给发起咨询的客户;或者,由客户根据提示,在几个预设的可选项中进行选择,并根据选择结果分配客服对象。然而,这些客服对象的分配都带有大量的随机性,无法有效针对客户进行客服对象的分配,使得客服对象分配的准确性较低。
发明内容
本申请实施例的目的在于提出一种客服对象分配方法、装置、计算机设备及存储介质,以解决客服对象分配准确性较低的问题。
为了解决上述技术问题,本申请实施例提供一种客服对象分配方法,采用了如下所述的技术方案:
根据客户发起的咨询请求,获取第一对话数据;
从所述第一对话数据中提取所述客户的声纹表征;
将所述声纹表征输入客户识别模型,得到客户识别结果;
当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
为了解决上述技术问题,本申请实施例还提供一种客服对象分配装置,采用了如下所述的技术方案:
数据获取模块,用于根据客户发起的咨询请求,获取第一对话数据;
表征提取模块,用于从所述第一对话数据中提取所述客户的声纹表征;
客户识别模块,用于将所述声纹表征输入客户识别模型,得到客户识别结果;
第一分配模块,用于当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
第二分配模块,用于当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
根据客户发起的咨询请求,获取第一对话数据;
从所述第一对话数据中提取所述客户的声纹表征;
将所述声纹表征输入客户识别模型,得到客户识别结果;
当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
根据客户发起的咨询请求,获取第一对话数据;
从所述第一对话数据中提取所述客户的声纹表征;
将所述声纹表征输入客户识别模型,得到客户识别结果;
当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
与现有技术相比,本申请实施例主要有以下有益效果:在接收到客户的咨询请求后,获取第一对话数据,并从中提取客户的声纹表征;将声纹表征输入客户识别模型得到客户识别结果;如果客户识别结果表明客户为第一类型客户,则获取客户的存档数据,根据存档数据向客户分配客服对象,其中,第一类型客户可以是已有客户;否则,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配相应的客服对象;本申请根据客户的声纹表征识别客户是否为已有客户,并根据识别结果获取客户相关的数据进行客服对象的针对性推荐,使得客服对象与客户具有较高的适配性,提高了客服对象推荐的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的客服对象分配方法的一个实施例的流程图;
图3是根据本申请的客服对象分配装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的客服对象分配方法一般由服务器执行,相应地,客服对象分配装置一般设置于服务器中。
应该理解,图1中的终端设备、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终端设备、网络和服务器。
继续参考图2,示出了根据本申请的客服对象分配方法的一个实施例的流程图。所述的客服对象分配方法,包括以下步骤:
步骤S201,根据客户发起的咨询请求,获取第一对话数据。
在本实施例中,客服对象分配方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地,客户可以通过终端发起咨询请求,以请求客服对象进行咨询。例如,客户通过拨打客服售后电话发起咨询请求,或者操作终端中的应用,通过互联网发起咨询请求。
服务器在接收到咨询请求后,可以与终端建立语音对话连接,并对语音对话进行录音得到第一对话数据;或者指示客户发送一段语音,例如验证语音或者答复语音,从而得到第一对话数据。
步骤S202,从第一对话数据中提取客户的声纹表征。
其中,声纹表征是从第一对话数据中提取到的特征数据,可以表征说话人的声纹特性,能够对不同的说话人进行区分。
具体地,在接收到第一对话数据后,从第一对话数据中分离客户的语音对话数据,然后对客户的语音对话数据进行降噪、增强等预处理,并从中提取客户的声纹表征。
需要强调的是,为进一步保证上述声纹表征的私密和安全性,上述声纹表征还可以存储于一区块链的节点中。
本申请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。
步骤S203,将声纹表征输入客户识别模型,得到客户识别结果。
其中,客户可以在多种情形下发起咨询请求,例如,客户通过任意终端发起咨询请求,或者操作未登录客户账号的APP发起咨询请求;因此,单纯依靠咨询请求可能无法识别客户是否为已有客户。
因此,提取可以作为说话人表征的声纹表征,将声纹表征输入客户识别模型,从而识别客户是否为已有客户。客户识别模型可以通过对已有客户的语音进行训练得到,将声纹表征输入客户识别模型,由客户识别模型识别声纹表征是否属于已有客户。在一个实施例中,客户识别模型可以是一个已有客户的语音库,预先收藏了已有客户的语音并计算出声纹表征。将第一对话数据中提取到的声纹表征输入客户识别模型,由客户识别模型计算提取到的声纹表征与预存的声纹表征的相似度,选取相似度最高且相似度大于预设的相似度阈值的预存声纹表征,将其对应的客户作为客户识别结果。
在一个实施例中,客户识别模型可以基于马尔可夫模型或者隐马尔科夫模型构建,并根据预先建立的已有客户的语音库进行训练。将提取到的声纹表征输入训练完毕的客户识别模型,当客户识别模型识别到客户属于已有客户时,生成表示客户为已有客户、且具体是哪位已有客户的客户识别结果;否则,生成表示客户不是已有客户的客户识别结果。
步骤S204,当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据,以根据存档数据向客户分配客服对象。
具体地,客户识别结果将客户划分为两类,分别为第一类型客户和第二类型客户,其中,如果客户为已有客户,即客户数据库记录了该客户的相关信息,则将其标记为第一类型客户,否则,将其标记为第二类型客户。
当客户为第一类型客户时,从客户数据库中获取该客户的存档数据,存档数据可以是预先存储在客户数据库中该客户的相关数据,包括客户画像。
对于第一类型客户,可以根据客户的存档数据进行客户分析,根据客户分析结果向客户分配客服对象。例如,将存档数据输入客户分析模型,得到客户分析结果,客户分析结果可以表明客户的偏好、习惯等标签,然后根据客户分析结果选取与客户匹配的客服对象。或者,将存档数据输入预先训练好的分类模型,以根据存档数据进行客户分类,得到客户分类结果,每种客户类别预先划分了对应的客服对象,然后在客户分类结果所对应的客服对象中,选取客服对象并分配给客户。
步骤S205,当根据客户识别结果确定客户为第二类型客户时,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配客服对象。
具体地,当识别到客户不属于已有客户时,生成表示客户为第二类型客户的客户识别结果。此时,可以对声纹表征进行客户分析,得到客户的生理特征,例如年龄等。客服对象可以根据客户的生理特征预先进行分类,例如,根据客户的年龄,每5年年龄变化设定一个层级,不同的层级有特定的客服对象;客服对象可以为人工客服,也可以为基于人工智能的虚拟客服,客服对象根据所属类别进行针对性的培训或者训练,具有更强的针对性。对于新客户,可以根据客户的生理特征向客户分配客服对象,提高客户与客服对象的适配性。
本实施例中,在接收到客户的咨询请求后,获取第一对话数据,并从中提取客户的声纹表征;将声纹表征输入客户识别模型得到客户识别结果;如果客户识别结果表明客户为第一类型客户,则获取客户的存档数据,根据存档数据向客户分配客服对象,其中,第一类型客户可以是已有客户;否则,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配相应的客服对象;本申请根据客户的声纹表征识别客户是否为已有客户,并根据识别结果获取客户相关的数据进行客服对象的针对性推荐,使得客服对象与客户具有较高的适配性,提高了客服对象推荐的准确性。
进一步的,上述步骤S202可以包括:对第一对话数据进行预处理;对预处理后的第一对话数据进行快速傅里叶变换,得到频域表示的第一对话数据;计算频域表示的第一对话数据的功率谱;将功率谱输入三角滤波器,并计算三角滤波器输出信号的对数能量;对对数能量进行离散余弦变换,得到客户的声纹表征。
具体地,可以将梅尔频率倒谱作为声纹表征。在音频处理领域中,梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCCs)就是组成梅尔频率倒谱的系数。梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的,它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉***。这样的非线性表示,可以使声音信号有更好的表示。
在提取声纹表征时,首先对第一对话数据进行预处理,包括预加重、分帧和加窗操作。其中,预加重是将第一对话数据通过一个高通滤波器,预加重的目的是提升高频部分,使第一对话数据的频谱变得平坦,保持在低频到高频的整个频带中,能用同样的信噪比求频谱。分帧是音频信号处理中的常见操作,在本申请中,每一帧音频信号都可以对应有梅尔频率倒谱系数。加窗操作可以将每一帧乘以汉明窗,以增加帧左端和右端的连续性。
由于音频信号在时域上的变换通常很难看出音频信号的特性,所以通常将它转换为频域上的能量分布来观察,不同的能量分布,就能代表不同音频的特性。所以在乘上汉明窗后,每帧还要经过快速傅里叶变换以得到在频谱上的能量分布。对预处理后的待处理音频进行快速傅里叶变换得到频域表示的待处理音频,并对频域表示的待处理音频的频谱取模平方得到功率谱。
将功率谱输入一组梅尔尺度的三角形滤波器组,然后计算每个滤波器组输出信号的对数能量。再将对数能量代入离散余弦变换,从而得到梅尔频率倒谱系数。
在一个实施例中,除了梅尔频率倒谱,还可以再将第一对话数据的基频、非周期型特征作为声纹表征。其中,说话人的语音可以由不同频率的音频信号构成,其中频率最低的正弦波信号即为基频(fundamental frequency);非周期性特征AP(aperiodicity)是指音频的非周期信号参数。
本实施例中,从第一对话数据中提取梅尔频率倒谱系数,从而得到了客户的声纹表征。
进一步的,上述客服对象分配方法还可以包括:从客户发起的咨询请求中提取客户标识;根据客户标识和预先建立的客户数据库对客户进行客户识别,得到客户识别结果。
具体地,客户发起的咨询请求中带有客户标识,客户标识可以是字符串,用于标识客户。客户标识可以是咨询请求中携带的电话号码,当客户通过电话发起咨询请求时,无论客户是否为已有客户,电话号码都会作为客户标识添加到咨询请求中;另外,当客户通过已经登录的APP发起咨询请求时,客户账号会作为客户标识添加到咨询请求中。
在接收到客户发起的咨询请求后,可以从咨询请求中提取客户标识。然后,在预先建立的客户数据库中查询客户标识,从而进行客户识别。客户数据库是预先建立的数据库,存储了全部已有客户的相关信息,包括所使用的电话号码、所使用的客户账号等。
如果可以查询到客户标识,则判定客户为已有客户,生成客户为第一类型客户的客户识别结果,否则,生成客户为第二类型客户的客户识别结果。
本实施例中,可以从咨询请求中提取客户标识,从而依据客户标识和客户数据库快速实现客户识别。
进一步的,上述步骤S204可以包括:当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据;从存档数据中提取客服存档数据;基于客服存档数据选取客服对象,并将选取到的客服对象分配给客户。
其中,客服存档数据可以是与客服相关的存档数据。
具体地,当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据,并从存档数据中提取客服存档数据。客服存档数据记录了该客户历史上发起咨询请求时所分配的客服对象以及相应的评分。可以根据评分高低对各客服对象进行降序排序,并在降序排序后的客服对象对列中,选取当前可以提供咨询服务的客服对象。
在一个实施例中,如果降序排序后的客服对象对列中的各客服对象当前均无法提供咨询服务,则获取评分最高的客服对象的客服画像,根据客服画像选取与之最为相似的客服对象,并将其分配给客户。
本实施例中,获取客服存档数据,客服存档数据记录了客户历史上对客服对象的评分,从而可以根据客服存档数据向客户推荐合适的客服对象。
进一步的,上述步骤S205可以包括:当根据客户识别结果确定客户为第二类型客户时,将声纹表征输入生理特征聚类模型,得到客户的生理特征;生理特征包括性别、年龄以及体重;基于生理特征选取客服对象,并将选取到的客服对象分配给客户。
具体地,当根据客户识别结果确定客户为第二类型客户时,将声纹表征输入生理特征聚类模型。客户具有多种生理特征,包括但不限于性别、年龄和体重,生理特征与声纹表征具有相关性,例如,成年男性的说话声音更为低沉。生理特征聚类模型预先经过训练,可以根据声纹表征对客户的生理特征进行判定,预测客户的性别、年龄、体重等信息。生理特征聚类模型可以包括多个子模型,每个子模型可以分别预测一种生理特征。
得到客户的生理特征后,可以选取相应的客服对象分配给客户。例如,根据客户“男性、30-35岁、肥胖”等生理特征,选取针对该类人群的客服对象推荐给用户。
本实施例中,通过生理特征聚类模型得到客户的性别、年龄、体重等生理特征,从而选取针对相应人群的客服对象,提高了客服对象推荐的针对性。
进一步的,上述步骤S205之后,还可以包括:获取客户的客户数据以及第二对话数据,客户数据包括生理特征;根据客户数据和第二对话数据,构建客户的客户画像;获取各客服对象的客服画像;计算客户画像与各客服画像的匹配值,以根据匹配值调整针对客户的客服对象。
具体地,对于第二类型客户,在根据生理特征分配客服对象后,客户与客服对象进行沟通得到第二对话数据,将第二对话数据转化为对话文本,对对话文本进行自然语言处理得到用户的相关信息。同时,还可以根据咨询请求搜集客户数据,例如,根据客户的来电地址或者网络地址定位客户所在的城市等信息。
基于客户数据和第二对话数据提取出客户的相关标签,从而构建出客户画像。然后获取预先建立的各客服对象的客服画像。将客户画像转化为客户画像向量,将客服画像转化为客服画像向量,通过向量计算客户画像与客服画像之间的匹配值。在一个实施例中,匹配值表示如下:
其中,p表示匹配值,α表示客户画像向量,β表示客服画像向量。
根据匹配值由大到小的顺序对各客服对象进行排序,并从排序后的客服对象序列中分别选取当前可以提供咨询服务的客服对象分配给客户,及时根据对话中产生的新需求调整面向客户的客服对象。
在一个实施例中,客户数据也可以是第一类型客户的存档数据,即,对于第一类型客户,在分配客服对象后,也可以实时根据对话内容调整客服对象。
本实施例中,基于客户数据和第二对话数据构建客户画像,根据客户画像与客服画像的匹配值及时调整面向用户的客服对象,从而满足客户在咨询中产生的新需求。
进一步的,上述客服对象分配方法还可以包括:获取客户的客户画像;将客户画像输入多标签分类模型,得到客户与各候选产品的适配评估值;根据得到的适配评估值在各候选产品中确定目标产品,并将目标产品的产品信息发送至客服对象。
具体地,在咨询中,可以实时获取客户的客户画像,该客户画像可以实时更新得到。将客户画像输入多标签分类模型,多标签分类模型是分类模型,多标签分类模型可以对被处理的对象进行分类,将被处理的对象划入多个类中,给被处理的对象添加多个类的标签。在本申请中,多标签分类模型可以计算客户画像与多个候选产品的适配评估值。适配评估值可以是数值,用于表征客户画像与候选产品的匹配或适合程度。
将客户画像输入训练完毕的多标签分类模型,多标签分类模型输出客户画像与各候选产品的适配评估值。适配评估值数值越大,表示候选产品越适合客户。根据适配评估值在各候选产品中选取目标产品,例如,将适配评估值排在前N位的候选产品作为目标产品,然后获取目标产品的产品信息,产品信息可以是产品的介绍信息。将目标产品的产品信息发送给客服对象,以便客服对象根据产品信息对客户进行产品推荐。
本实施例中,计算客户画像与各候选产品的适配评估值,根据适配评估值选取适合客户的候选产品并将其产品信息发送至客服对象,以便客服对象进行产品推荐,提高了产品推荐的准确性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种客服对象分配装置的一个实施例,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3所示,本实施例所述的客服对象分配装置300包括:数据获取模块301、表征提取模块302、客户识别模块303、第一分配模块304以及第二分配模块305,其中:
数据获取模块301,用于根据客户发起的咨询请求,获取第一对话数据。
表征提取模块302,用于从第一对话数据中提取客户的声纹表征。
客户识别模块303,用于将声纹表征输入客户识别模型,得到客户识别结果。
第一分配模块304,用于当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据,以根据存档数据向客户分配客服对象。
第二分配模块305,用于当根据客户识别结果确定客户为第二类型客户时,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配客服对象。
本实施例中,在接收到客户的咨询请求后,获取第一对话数据,并从中提取客户的声纹表征;将声纹表征输入客户识别模型得到客户识别结果;如果客户识别结果表明客户为第一类型客户,则获取客户的存档数据,根据存档数据向客户分配客服对象,其中,第一类型客户可以是已有客户;否则,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配相应的客服对象;本申请根据客户的声纹表征识别客户是否为已有客户,并根据识别结果获取客户相关的数据进行客服对象的针对性推荐,使得客服对象与客户具有较高的适配性,提高了客服对象推荐的准确性。
在本实施例的一些可选的实现方式中,表征提取模块302可以包括:预处理子模块、数据变换子模块、功率谱计算子模块、能量计算子模块以及能量变换子模块,其中:
预处理子模块,用于对第一对话数据进行预处理。
数据变换子模块,用于对预处理后的第一对话数据进行快速傅里叶变换,得到频域表示的第一对话数据。
功率谱计算子模块,用于计算频域表示的第一对话数据的功率谱。
能量计算子模块,用于将功率谱输入三角滤波器,并计算三角滤波器输出信号的对数能量。
能量变换子模块,用于对对数能量进行离散余弦变换,得到客户的声纹表征。
本实施例中,从第一对话数据中提取梅尔频率倒谱系数,从而得到了客户的声纹表征。
在本实施例的一些可选的实现方式中,客服对象分配装置300还可以包括:标识提取模块以及标识识别模块,其中:
标识提取模块,用于从客户发起的咨询请求中提取客户标识。
标识识别模块,用于根据客户标识和预先建立的客户数据库对客户进行客户识别,得到客户识别结果。
本实施例中,可以从咨询请求中提取客户标识,从而依据客户标识和客户数据库快速实现客户识别。
在本实施例的一些可选的实现方式中,客户识别模块303可以包括:存档获取子模块、客服提取子模块以及对象选取子模块,其中:
存档获取子模块,用于当根据客户识别结果确定客户为第一类型客户时,获取客户的存档数据。
客服提取子模块,用于从存档数据中提取客服存档数据。
对象选取子模块,用于基于客服存档数据选取客服对象,并将选取到的客服对象分配给客户。
本实施例中,获取客服存档数据,客服存档数据记录了客户历史上对客服对象的评分,从而可以根据客服存档数据向客户推荐合适的客服对象。
在本实施例的一些可选的实现方式中,第一分配模块304可以包括:特征获取子模块以及客服选取子模块,其中:
特征获取子模块,用于当根据客户识别结果确定客户为第二类型客户时,将声纹表征输入生理特征聚类模型,得到客户的生理特征;生理特征包括性别、年龄以及体重。
客服选取子模块,用于基于生理特征选取客服对象,并将选取到的客服对象分配给客户。
本实施例中,通过生理特征聚类模型得到客户的性别、年龄、体重等生理特征,从而选取针对相应人群的客服对象,提高了客服对象推荐的针对性。
在本实施例的一些可选的实现方式中,客服对象分配装置300还可以包括:获取模块、画像构建模块、画像获取模块以及对象调整模块,其中:
获取模块,用于获取客户的客户数据以及第二对话数据,客户数据包括生理特征。
画像构建模块,用于根据客户数据和第二对话数据,构建客户的客户画像。
画像获取模块,用于获取各客服对象的客服画像。
对象调整模块,用于计算客户画像与各客服画像的匹配值,以根据匹配值调整针对客户的客服对象。
本实施例中,基于客户数据和第二对话数据构建客户画像,根据客户画像与客服画像的匹配值及时调整面向用户的客服对象,从而满足客户在咨询中产生的新需求。
在本实施例的一些可选的实现方式中,客服对象分配装置300还可以包括:客户画像获取模块、画像输入模块以及产品确定模块,其中:
客户画像获取模块,用于获取客户的客户画像。
画像输入模块,用于将客户画像输入多标签分类模型,得到客户与各候选产品的适配评估值。
产品确定模块,用于根据得到的适配评估值在各候选产品中确定目标产品,并将目标产品的产品信息发送至客服对象。
本实施例中,计算客户画像与各候选产品的适配评估值,根据适配评估值选取适合客户的候选产品并将其产品信息发送至客服对象,以便客服对象进行产品推荐,提高了产品推荐的准确性。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如客服对象分配方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述客服对象分配方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述客服对象分配方法。此处客服对象分配方法可以是上述各个实施例的客服对象分配方法。
本实施例中,在接收到客户的咨询请求后,获取第一对话数据,并从中提取客户的声纹表征;将声纹表征输入客户识别模型得到客户识别结果;如果客户识别结果表明客户为第一类型客户,则获取客户的存档数据,根据存档数据向客户分配客服对象,其中,第一类型客户可以是已有客户;否则,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配相应的客服对象;本申请根据客户的声纹表征识别客户是否为已有客户,并根据识别结果获取客户相关的数据进行客服对象的针对性推荐,使得客服对象与客户具有较高的适配性,提高了客服对象推荐的准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的客服对象分配方法的步骤。
本实施例中,在接收到客户的咨询请求后,获取第一对话数据,并从中提取客户的声纹表征;将声纹表征输入客户识别模型得到客户识别结果;如果客户识别结果表明客户为第一类型客户,则获取客户的存档数据,根据存档数据向客户分配客服对象,其中,第一类型客户可以是已有客户;否则,根据声纹表征确定客户的生理特征,以根据生理特征向客户分配相应的客服对象;本申请根据客户的声纹表征识别客户是否为已有客户,并根据识别结果获取客户相关的数据进行客服对象的针对性推荐,使得客服对象与客户具有较高的适配性,提高了客服对象推荐的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种客服对象分配方法,其特征在于,包括下述步骤:
根据客户发起的咨询请求,获取第一对话数据;
从所述第一对话数据中提取所述客户的声纹表征;
将所述声纹表征输入客户识别模型,得到客户识别结果;
当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
2.根据权利要求1所述的客服对象分配方法,其特征在于,在所述从所述第一对话数据中提取所述客户的声纹表征的步骤包括:
对所述第一对话数据进行预处理;
对预处理后的第一对话数据进行快速傅里叶变换,得到频域表示的第一对话数据;
计算所述频域表示的第一对话数据的功率谱;
将所述功率谱输入三角滤波器,并计算所述三角滤波器输出信号的对数能量;
对所述对数能量进行离散余弦变换,得到所述客户的声纹表征。
3.根据权利要求1所述的客服对象分配方法,其特征在于,所述方法还包括:
从客户发起的咨询请求中提取客户标识;
根据所述客户标识和预先建立的客户数据库对所述客户进行客户识别,得到客户识别结果。
4.根据权利要求1所述的客服对象分配方法,其特征在于,所述当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象的步骤包括:
当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据;
从所述存档数据中提取客服存档数据;
基于所述客服存档数据选取客服对象,并将选取到的客服对象分配给所述客户。
5.根据权利要求1所述的客服对象分配方法,其特征在于,所述当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象的步骤包括:
当根据所述客户识别结果确定所述客户为第二类型客户时,将所述声纹表征输入生理特征聚类模型,得到所述客户的生理特征;所述生理特征包括性别、年龄以及体重;
基于所述生理特征选取客服对象,并将选取到的客服对象分配给所述客户。
6.根据权利要求1所述的客服对象分配方法,其特征在于,所述当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象的步骤之后,还包括:
获取所述客户的客户数据以及第二对话数据,所述客户数据包括所述生理特征;
根据所述客户数据和所述第二对话数据,构建所述客户的客户画像;
获取各客服对象的客服画像;
计算所述客户画像与各客服画像的匹配值,以根据所述匹配值调整针对所述客户的客服对象。
7.根据权利要求1所述的客服对象分配方法,其特征在于,所述方法还包括:
获取所述客户的客户画像;
将所述客户画像输入多标签分类模型,得到所述客户与各候选产品的适配评估值;
根据得到的适配评估值在所述各候选产品中确定目标产品,并将所述目标产品的产品信息发送至所述客服对象。
8.一种客服对象分配装置,其特征在于,包括:
数据获取模块,用于根据客户发起的咨询请求,获取第一对话数据;
表征提取模块,用于从所述第一对话数据中提取所述客户的声纹表征;
客户识别模块,用于将所述声纹表征输入客户识别模型,得到客户识别结果;
第一分配模块,用于当根据所述客户识别结果确定所述客户为第一类型客户时,获取所述客户的存档数据,以根据所述存档数据向所述客户分配客服对象;
第二分配模块,用于当根据所述客户识别结果确定所述客户为第二类型客户时,根据所述声纹表征确定所述客户的生理特征,以根据所述生理特征向所述客户分配客服对象。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的客服对象分配方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的客服对象分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851359.4A CN115242927A (zh) | 2022-07-19 | 2022-07-19 | 客服对象分配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210851359.4A CN115242927A (zh) | 2022-07-19 | 2022-07-19 | 客服对象分配方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115242927A true CN115242927A (zh) | 2022-10-25 |
Family
ID=83673214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210851359.4A Pending CN115242927A (zh) | 2022-07-19 | 2022-07-19 | 客服对象分配方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115242927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024099457A1 (zh) * | 2022-11-11 | 2024-05-16 | 蚂蚁财富(上海)金融信息服务有限公司 | 一种信息推荐方法、装置、存储介质及电子设备 |
-
2022
- 2022-07-19 CN CN202210851359.4A patent/CN115242927A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024099457A1 (zh) * | 2022-11-11 | 2024-05-16 | 蚂蚁财富(上海)金融信息服务有限公司 | 一种信息推荐方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610709B (zh) | 一种训练声纹识别模型的方法及*** | |
CN112562691B (zh) | 一种声纹识别的方法、装置、计算机设备及存储介质 | |
CN108428446A (zh) | 语音识别方法和装置 | |
WO2022178969A1 (zh) | 语音对话数据处理方法、装置、计算机设备及存储介质 | |
WO2021047319A1 (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
CN112466314A (zh) | 情感语音数据转换方法、装置、计算机设备及存储介质 | |
CN113436634B (zh) | 基于声纹识别的语音分类方法、装置及相关设备 | |
CN112669876B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN113807103B (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
CN111710337A (zh) | 语音数据的处理方法、装置、计算机可读介质及电子设备 | |
CN113314150A (zh) | 基于语音数据的情绪识别方法、装置及存储介质 | |
CN111462761A (zh) | 声纹数据生成方法、装置、计算机装置及存储介质 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN112699213A (zh) | 语音意图识别方法、装置、计算机设备及存储介质 | |
CN115242927A (zh) | 客服对象分配方法、装置、计算机设备及存储介质 | |
US10446138B2 (en) | System and method for assessing audio files for transcription services | |
WO2021128847A1 (zh) | 终端交互方法、装置、计算机设备及存储介质 | |
CN114913859B (zh) | 声纹识别方法、装置、电子设备和存储介质 | |
CN113113048B (zh) | 语音情绪识别方法、装置、计算机设备及介质 | |
CN113421554B (zh) | 语音关键词检测模型处理方法、装置及计算机设备 | |
CN113609833B (zh) | 文件的动态生成方法、装置、计算机设备及存储介质 | |
CN113035230B (zh) | 认证模型的训练方法、装置及电子设备 | |
CN114783423A (zh) | 基于语速调整的语音切分方法、装置、计算机设备及介质 | |
CN115206321A (zh) | 语音关键词的识别方法、装置和电子设备 | |
CN113936677A (zh) | 音色转换方法、装置、计算机设备及存储介质 |
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 |