CN115424615A - 智能设备语音控制方法、装置、设备及存储介质 - Google Patents
智能设备语音控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115424615A CN115424615A CN202211065488.7A CN202211065488A CN115424615A CN 115424615 A CN115424615 A CN 115424615A CN 202211065488 A CN202211065488 A CN 202211065488A CN 115424615 A CN115424615 A CN 115424615A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- semantic
- control
- adjusted
- 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 71
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000003542 behavioural effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000005406 washing Methods 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
-
- 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
- G10L2015/0638—Interactive procedures
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种智能设备语音控制方法、装置、设备及存储介质,该方法包括:接收并响应于用户的语音指令,获取用户的语义信息;将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的;基于目标控制信息,确定待调节家电设备以及与待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。该技术方案能够自动解析用户的语音指令,并基于用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,很大程度上提高了用户体验。
Description
技术领域
本发明一般涉及智能设备技术领域,具体涉及一种智能设备语音控制方法、装置、设备及存储介质。
背景技术
随着智能家居技术以及物联网技术的发展,用户以及生产厂商越来越注重家电设备的智能交互,出现了智能控制的家电设备,智能设备在正常使用时采用语音指令进行操纵也更加方便。为了提高语音控制的便捷性,如何通过语音控制智能设备显得尤为重要。
目前,相关技术中的智能设备通过感知模块接收信号并响应需求,实现智能化控制,然而,该方案需要通过面板、智能音箱等交互设备中的语音控制***根据用户的语音需求进行被动响应实现控制,无法理解用户语音背后的意图,使得智能设备语音控制灵活性较差,进而导致用户体验较差。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种智能设备语音控制方法、装置、设备及存储介质。
第一方面,本申请实施例提供了一种智能设备语音控制方法,该方法包括:
接收并响应于用户的语音指令,获取用户的语义信息;
将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,所述语义控制模型是基于所述用户的行为习惯语句样本和与所述行为习惯语句样本对应的样本控制信息进行训练的;
基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,以控制所述待调节家电设备根据所述调节参数信息进行调节。
在其中一个实施例中,将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,包括:
将所述用户的语义信息通过所述语义控制模型中的向量化处理模块进行向量化处理,得到特征向量;
将所述特征向量通过所述语义控制模型中的特征提取模块进行处理,得到语义特征;
将所述语义特征通过所述语义控制模型中的识别模块进行处理,得到目标控制信息。
在其中一个实施例中,基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,包括:
获取预设的家电设备信息库并从所述家电设备信息库中查找与所述目标控制信息对应的家电设备;
将与所述目标控制信息对应的家电设备作为待调节家电设备;
获取所述待调节家电设备的当前参数信息,基于所述当前参数信息和所述目标控制信息,确定所述待调节家电设备对应的调节参数信息。
在其中一个实施例中,从所述家电设备信息库中查找与所述目标控制信息对应的家电设备,包括:
获取与所述智能设备控制***连接的所有家电设备属性信息;
按照预设的比对规则对所述目标控制信息和所述家电设备属性信息进行比对处理;
将家电设备属性信息符合比对规则的家电设备作为与所述目标控制信息对应的家电设备。
在其中一个实施例中,在获取用户的语义信息之后,所述方法还包括:
获取所述用户的用户画像和行为习惯语句参数;
基于所述用户画像和所述行为习惯语句参数,确定目标控制信息。
在其中一个实施例中,所述语义控制模型的训练过程包括:
获取用户的行为习惯语句样本和与所述用户的行为习惯语句样本对应的样本控制信息;
将所述用户的行为习惯语句样本分为训练集和验证集;
利用所述训练集对待构建的语义控制模型进行训练,得到待验证的语义控制模型;
利用所述验证集中对所述待验证的语义控制模型,基于所述样本控制信息按照损失函数最小化对所述待验证的语义控制模型进行优化处理,得到语义控制模型。
在其中一个实施例中,所述方法还包括:
当控制所述待调节家电根据所述调节参数信息进行调节之后,接收并响应于用户的评价指令,获取用户的评价信息;
当所述用户的评价信息用于表征所述用户对调节后的模式满意时,智能控制结束。
第二方面,本申请提供了一种智能设备语音控制装置,该装置包括:
获取模块,用于接收并响应于用户的语音指令,获取用户的语义信息;
控制识别模块,用于将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,所述语义控制模型是基于所述用户的行为习惯语句样本和与所述行为习惯语句样本对应的样本控制信息进行训练的;
控制模块,用于基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,以控制所述待调节家电设备根据所述调节参数信息进行调节。
第三方面,本申请实施例提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述第一方面的智能设备语音控制方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序用于实现如上第一方面的智能设备语音控制方法。
本申请实施例中提供的智能设备语音控制方法、装置、设备及存储介质,通过接收并响应于用户的语音指令,获取用户的语音信息,并将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,该语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的,然后基于目标控制信息,确定待调节家电设备以及待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。与现有技术相比,该技术方案能够自动解析用户的语音指令,并主动了解用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,根据用户的语音指令实现自主控制阶段,为特定场景的特定用户提供定制化无感服务,很大程度上提高了用户体验。
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为本申请实施例提供的智能设备语音控制的应用***的***架构图;
图2为本申请实施例提供的智能设备语音控制方法的流程示意图;
图3为本申请实施例提供的确定待调节家电设备以及与对应的调节参数信息方法的流程示意图;
图4为本申请实施例提供的智能设备语音控制的结构示意图;
图5为本申请实施例提供的训练语义控制模型方法的流程示意图;
图6为本申请实施例提供的智能设备语音控制装置的结构示意图;
图7为本申请另一实施例提供的智能设备语音控制装置的结构示意图;
图8为本申请实施例示出的一种计算机设备的结构示意图。
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。为了便于理解,下面对本申请实施例涉及的一些技术术语进行解释:
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***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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。人工智能软件主要包括计算机视觉、语音处理技术、自然语言技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎么模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习使人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
可以理解的是,智能设备由于在正常使用时采用语音指令进行操纵更加方便,因而通过语音控制智能设备已经越来越多地应用在人们的日常生活中。目前,相关技术中的智能设备通过感知模块接收信号并响应需求,实现智能化控制,然而,该方案需要通过面板、智能音箱等交互设备中的语音控制***根据用户的语音需求进行被动响应实现控制,无法理解用户语音背后的意图,使得智能设备语音控制灵活性较差,进而导致用户体验较差。
基于上述缺陷,本申请实施例提供了一种智能设备语音控制方法、装置、设备及存储介质,与现有技术相比,该技术方案能够自动解析用户的语音指令,并主动了解用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,根据用户的语音指令实现自主控制阶段,为特定场景的特定用户提供定制化无感服务,很大程度上提高了用户体验。
本申请实施例提供的方案涉及人工智能的自然语言处理以及机器学习等技术,具体通过下述实施例进行说明。
图1是本申请实施例提供的一种智能设备语音控制方法的实施环境架构图。如图1所示,该实施环境架构包括:智能家电设备100和智能设备控制***200。该智能设备控制***200与智能家电设备100 相连接。
可选的,上述智能家电设备100的数量可以是多个。其中,智能家电设备100可以是空调、电视机、冰箱、洗衣机、温度传感器、电风扇、电影投影仪、智能窗帘控制设备、智能音箱、智能马桶、智能门锁等设备。
上述智能设备控制***200可以包括终端,也可以包括服务器,还可以包括麦克风***,该麦克风系列包括多个麦克风和麦克风控制中心,多个麦克风分布于智能设备控制***对应的家居空间的各个地方,并实时采集语音信息,麦克风控制中心用于对多个麦克风实时采集的语音信息进行识别。其中,该智能设备控制***200中可安装有基于自然语言处理的AI应用。比如,该AI应用可以是智能搜索、智能问答等应用。服务器可以是一台服务器,也可以是由若干台服务器构成的服务器集群,或者服务器200可以包含一个或多个虚拟化平台,或者服务器可以是一个云计算服务中心。
智能设备控制***200与智能家电设备100之间通过有线或无线网络建立通信连接。可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
上述智能设备控制***200用于采集用户的语音信息,并对其进行解析得到识别结果,然后根据识别结果生成控制指令,将该控制指令发送至对应的智能家电设备100。上述智能家电设备100用于响应于控制指令,执行对应的操作。
本申请实施例提供的语义识别方法可以应用于智能家居、车载***、实验室等不同领域场景。
为了便于理解和说明,下面通过图2至图8详细阐述本申请实施例提供的智能设备语音控制方法、装置、设备及存储介质。
图2所示为本申请实施例的智能设备语音控制方法的流程示意图,该方法可以由智能设备控制***执行。如图2所示,该方法包括:
S101、接收并响应于用户的语音指令,获取用户的语义信息。
具体地,该智能设备控制***包括多个麦克风系列,每个麦克风***用于采集用户的语音指令,当用户需要进行智能调节操作时,可以讲话生成语音指令,以使得智能设备控制***接收用户的语音指令,然后响应于用户的语音指令,解析用户的语音指令以获取用户的语义信息。其中,用户的语音指令可以包括多个字或者多个词,也可以是由一个或者多个词构成的句子、段落。
可选的,在解析用户的语音指令时,可以采用预设的语音识别算法,例如可以是先对语音指令进行预处理,首先对语音指令进行分词处理,然后去除重复冗余的信息、多余的符号或字符,从而得到预处理后的文本,然后对预处理后的文本进行特征提取,并基于特征提取得到的信息进行识别分析,得到用户的语义信息。
需要说明的是,上述语音识别算法例如可以是模型匹配法,包括矢量量化(VQ)、动态时间规整(DTW);还可以是概率统计方法,包括高斯混合模型(GMM)、隐马尔科夫模型(HMM);也可以是辨别器分类方法,如支持向量机(SVM)、人工神经网络(ANN)和深度神经网络(DNN)等以及多种组合算法。
示例性地,该用户的语音指令可以是“打开空调”、“想看个风景”、“房间有点冷”等。
可选的,在获取到用户的语义信息之后,还可以获取用户的用户画像和行为习惯语句参数,并基于用户画像和行为习惯语句参数,确定目标控制信息。
需要说明的是,上述用户画像是指根据用户人口学特征、行为操作数据、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型。主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘,给用户贴“标签”,而“标签”是能表示用户某一维度特征的标识。具体的标签形式可以参考某网站给其中一个用户打的标签。上述行为习惯语句参数可以包括用户的使行为使用习惯、例如空调的常用温度,以及最常用的灯、用户习惯关闭的灯、空气净化器等。
S102、将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的。
需要说明的是,上述语义控制模型是通过对用户的行为习惯语句样本进行训练,从而学习到具备语义识别和控制能力的网络结构模型。场景识别模型是输入为用户的语义信息,输出为用户的语义信息对应的目标控制信息,且具有对用户的语义信息进行语义识别和控制的能力,是能够预测语义的目标控制信息的神经网络模型。语义控制模型可以包括多层网络结构,不同层的网络结构对输入其的数据进行不同的处理,并将其输出结果传输至下一网络层,直至通过最后一个网络层进行处理,得到输出结果。
其中,上述语义控制模型可以包括:串联相接的输入层、融合层、字嵌入层、卷积层、全连接层、输出层等,每个层对应的功能不同。
可选的,在将用户的语义信息输入至训练好的语义控制模型之前,还可以对用户的语义信息进行预处理,例如进行分词处理,以确定命名基础。分词的作用是将一句话中的多个字有效的划分为一个或多个词,具体分词的方式较多,可以基于机械匹配法、特征词库法、约束矩阵法、语法分析法等以确定一个或多个词语。
在对用户的语义信息样本进行预处理,得到预处理后的结果后,然后将其输入训练好的语义控制模型中进行识别处理,具体地,可以将所述用户的语义信息通过语义控制模型中的向量化处理模块进行向量化处理,得到特征向量,然后将特征向量通过语义控制模型中的特征提取模块进行处理,得到语义特征,并将语义特征通过语义控制模型中的识别模块进行处理,得到目标控制信息。
本申请实施例中,上述向量化处理模块用于将不同的分词进行向量化处理,得到对应的特征向量,然后将特征向量通过特征提取模块进行特征提取,得到语义特征。上述特征提取模块可以把抽象存在的文字转换为数学公式操作的向量,充分描述字符级、词级、句子级甚至句间关系特征。上述识别模块可以包括全连接层和激活函数,能够对特征提取模块输出的语义特征进行分类,从而得到目标控制信息,该目标控制信息用于表征对智能家电设备进行控制所需的控制信息,可以包括待调节设备标识和调节参数信息。
其中,向量化处理模块为将语义空间关系转化为向量空间关系,即将语义文本转化为计算机设备能够进行处理的向量。
具体的,在获取到用户的语义信息并对其进行预处理得到用户的语义信息的字或词后,可以将该用户的语义信息的字或词输入到训练好的语义控制模型中,通过向量化处理模块得到用户的语义信息的特征向量,然后通过特征提取模块进行特征提取,得到语义特征,并将语义特征通过识别模块中的全连接层进行处理,得到全连接向量,采用激活函数对全连接向量进行处理,得到用户的语义信息对应的预测结果集合,预测结果集合包括多个智能设备标识和对应的调节参数信息标签种类,将多个预测结果集合中相同标签种类对应的概率值的最大值作为待调节设备标识和调节参数信息。可选的,可以将该预测结果集合中的标签种类对应的概率值进行从大到小排序,取其最大值为该用户的语义信息对应的待调节设备标识和调节参数信息。
具体的,该识别模块可以包括但不限于全连接层和激活函数。全连接层可以包括一层,或者也可以包括多层。全连接层主要是用于对用户的语义信息进行分类的作用。
其中,上述激活函数可以是softmax函数,激活函数的作用是用来加入非线性因素,因为线性模型的表达能力不够,能够把输入的连续实值变换为0和1之间的输出。
S103、基于目标控制信息,确定待调节家电设备以及与待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。
需要说明的是,智能设备控制***可以预先获取与其连接的所有家电设备的设备标识和功能参数,从而构建家电设备信息库。
在上述实施例的基础上,还提供了一种确定待调节家电设备以及与待调节家电设备对应的调节参数信息方法的流程示意图。请参见图 3,该方法包括:
S201、获取预设的家电设备信息库并从家电设备信息库中查找与目标控制信息对应的家电设备。
S202、将与目标控制信息对应的家电设备作为待调节家电设备。
具体的,在获取到目标控制信息后,可以获取与智能设备控制***连接的所有家电设备属性信息,然后按照预设的比对规则对目标控制信息和家电设备属性信息进行比对处理,将家电设备属性信息符合比对规则的家电设备作为与目标控制信息对应的家电设备。
需要说明的是,该家电设备属性信息可以包括家电设备标识、家电设备的功能参数、家电设备的使用方法、家电设备的安全说明和注意事项等。
上述比对规则可以是根据实际需求自定义设置的,例如可以获取目标控制信息中的功能参数,将目标控制信息中的功能参数与家电设备属性信息进行比对。
S203、获取待调节家电设备的当前参数信息,基于当前参数信息和目标控制信息,确定待调节家电设备对应的调节参数信息。
在将与所述目标控制信息对应的家电设备作为待调节家电设备之后,可以获取待调节节点设备的当前参数信息,该当前参数信息可以包括该待调节家电设备的功能参数,基于当前参数信息和目标控制信息,确定待调节家电设备对应的调节参数信息,例如可以是对当前参数信息进行增加或减小,还可以是更改模式、启动或停止设备等操作。
示例性地,当待调节家电设备为空调时,且获取到的目标控制信息为将温度调至26度,则可以获取到空调的当前参数信息是温度为 28度,则可以确定窗户待调节家电设备空调对应的调节参数信息为将温度调低2度。
进一步地,请参见图4所示,可以接收并响应于用户的语音指令 3-1,对用户的语音指令3-1进行解析,获取用户的语义信息3-2,将用户的语义信息3-2输入训练好的语义控制模型3-3,得到目标控制信息3-4;基于目标控制信息3-4确定待调节家电设备以及与待调节家电设备对应的调节参数信息3-5,以控制待调节家电设备根据调节参数信息进行调节。
示例性地,当用户需要进行控制时,可以进行说话“房间好冷啊”,然后智能设备控制***接收并响应于用户的语音指令,获取用户的语义信息“房间冷”,并将其输入至训练好的语义控制模型,得到目标控制信息,该目标控制信息例如可以是调节温度,然后基于目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,并控制待调节家电设备根据调节参数信息进行调节。例如获取到的待调节家电设备为空调,然后根据室温和房间设备状态,自动将房间的空调温度调高,或者是打开房间内的暖气。
又如,当用户的语音指令为“开灯”,用户虽然没有说开哪里的灯,开哪个灯,则可以通过上述方法根据用户以往的生活习惯,确定目标控制信息,并自动打卡当前房间用户最常用的灯;当用户的语音指令为“打开空调”时,当用户说开空调的时候,会确定目标控制信息,进而根据目标控制信息自动打开当前房间空调并调整到用户最喜欢的温度或模式;当用户说想看风景时,即用户的语音指令为“想看个风景”,会确定目标控制信息,自动打开当前房间的窗帘;当用户的语音指令为“再见”时,会确定目标控制信息,然后当用户离开家时,会自动关闭灯光、电视、空调等、启动摄像头,开启网关警戒模式,扫地机器人会启动工作,根据用户日常外出习惯做出响应;当用户的语音指令为“我回来啦”时,当用户回到家时,智能设备控制***会自动打开用户最常用的灯,开启空调,关闭摄像头;当用户的语音指令为“晚安”时,即当用户准备休息时,会根据用户习惯关闭灯光,关闭窗帘,把空调设置睡眠温度,空气净化器进入睡眠模式。
本实施例的智能设备控制***能够根据用户行为习惯进行个性化设置,主动了解用户的生活习惯,推荐相关的智能设备操作,推荐相关的场景,并且通过传感器的感知数据积累,通过深度学习训练处语义控制模型从而将多类型数据转换为有效信息,实现自主控制,为特定场景的特定用户提供定制化无感服务。
进一步地,该智能设备控制***还可以当控制待调节家电根据调节参数信息进行调节之后,接收并响应于用户的评价指令,获取用户的评价信息;当用户的评价信息用于表征用户对调节后的模式满意时,智能控制结束。当用户的评价信息用于表征用户对调节后的模式不满意时,则继续获取用户的语音指令,解析获取用户的语义信息,并通过训练好的语义控制模型,得到目标控制信息,然后按照目标控制信息,确定待调节家电设备以及与待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节,直到用户的评价内容为满意为止。
本申请实施例中提供的智能设备语音控制方法,通过接收并响应于用户的语音指令,获取用户的语音信息,并将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,该语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的,然后基于目标控制信息,确定待调节家电设备以及待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。与现有技术相比,该技术方案能够自动解析用户的语音指令,并主动了解用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,根据用户的语音指令实现自主控制阶段,为特定场景的特定用户提供定制化无感服务,很大程度上提高了用户体验。
在其中一个实施例中,上述实施例中确定目标控制信息时包括预先训练好的语义控制模型,以下为对语义控制模型的训练过程的训练过程的描述。请参考图5,该方法可以包括:
S301、获取用户的行为习惯语句样本和与用户的行为习惯语句样本对应的样本控制信息。
S302、将用户的行为习惯语句样本分为训练集和验证集。
需要说明的是,上述该用户的行为习惯语句样本可以是多个,也可以是一个,其中,每个行为习惯语句样本可以包括至少一个字或词,例如该行为习惯语句样本可以包括多个字或词,可以是某个场景中提取的一些常用表达标准句。
具体的,在获取到用户的行为习惯语句样本后,可以将用户的行为习惯语句样本按照一定比例随机分为训练集和验证集,其中,训练集用于对初始语义控制模型进行训练,以得到训练好的语义控制模型,验证集用于对训练好的语义控制模型进行验证,以验证语义控制模型性能的好坏。
S303、利用训练集对待构建的语义控制模型进行训练,得到待验证的语义控制模型。
S304、利用验证集中对待验证的语义控制模型,基于样本控制信息按照损失函数最小化对待验证的语义控制模型进行优化处理,得到语义控制模型。
在将用户的行为习惯语句样本分为训练集和验证集之后,将训练集输入待构建的语义控制模型中,该待构建的语义控制模型包括多个相连的向量化处理模块、特征提取模块和识别模块,可以先对训练集通过特征向量化处理模块进行处理得到初始词向量,并将初始词向量输入至待构建的语义控制模型中的特征提取模块中,得到对应的结果,并将该结果输入至识别模块中,从而得到用户的行为习惯语句样本的输出结果。利用训练集对待构建的向量化处理模块、特征提取模块和识别模块进行训练,得到待验证的向量化处理模块、特征提取模块和识别模块。
计算机设备在训练语义控制模型的过程中,利用验证集中对待验证的向量化处理模块、特征提取模块和识别模块,按照损失函数最小化对待验证的向量化处理模块、特征提取模块和识别模块进行优化处理,得到向量化处理模块、特征提取模块和识别模块,根据该验证集输入待验证的语义控制模型中得到的结果和用户的行为习惯语句样本对应的样本控制信息之间的差异,对待构建的语义控制模型中的参数进行更新,以实现对语义控制模型进行训练的目的,其中,上述用户的行为习惯语句样本对应的样本控制信息可以是人工对用户的行为习惯语句样本进行智能调节时得到的结果,可以包括用户的行为习惯语句样本对应的待调节设备和调节参数。
可选的,上述对待验证的语义控制模型中的参数进行更新,可以是对待构建的语义控制模型中的权重矩阵以及偏置矩阵等矩阵参数进行更新。其中,上述权重矩阵、偏置矩阵包括但不限于是待验证的语义控制模型中的自注意力层、前馈网络层、全连接层中的矩阵参数。
本申请实施例中,可以使用损失函数计算验证集输入待验证的语义控制模型中得到的结果和样本控制信息的损失值,从而对待验证的语义控制模型中的参数进行更新。可选的,损失函数可以使用交叉熵损失函数,归一化交叉熵损失函数,
其中,通过损失函数对待验证的语义控制模型中的参数进行更新时,可以是根据损失函数确定待验证的语义控制模型未收敛时,通过调整模型中的参数,以使得待验证的语义控制模型收敛,从而得到语义控制模型。待验证的语义控制收敛,可以是指待验证的语义控制模型对验证集的输出结果与用户的行为习惯语句样本对应的样本控制信息之间的差值小于预设阈值,或者,输出结果与训练数据的样本控制信息之间的差值的变化率趋近于某一个较低值。当计算的损失函数较小,或者,与上一轮迭代输出的损失函数之间的差值趋近于0,则认为待验证的语义控制模型收敛。
本实施例中通过训练语义控制模型,能够将用户的语义信息通过训练好的语义控制模型进行识别处理,从而能够精准地得到目标控制信息,从而提高了语义识别效率,同时也节省了开发成本。
另一方面,图6为本申请实施例提供的一种智能设备语音控制装置的结构示意图。该装置可以为终端或服务器内的装置,如图6所示,该装置700包括:
获取模块710,用于接收并响应于用户的语音指令,获取用户的语义信息;
控制识别模块720,用于将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的;
控制模块730,用于基于目标控制信息,确定待调节家电设备以及与待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。
可选的,请参见图7所示,上述控制识别模块720,包括:
向量化处理单元721,用于将用户的语义信息通过语义控制模型中的向量化处理模块进行向量化处理,得到特征向量;
特征提取单元722,用于将特征向量通过语义控制模型中的特征提取模块进行处理,得到语义特征;
识别单元723,用于将语义特征通过语义控制模型中的识别模块进行处理,得到目标控制信息。
可选的,上述控制模块730,具体用于:
获取预设的家电设备信息库并从家电设备信息库中查找与目标控制信息对应的家电设备;
将与目标控制信息对应的家电设备作为待调节家电设备;
获取待调节家电设备的当前参数信息,基于当前参数信息和目标控制信息,确定待调节家电设备对应的调节参数信息。
可选的,上述控制模块730,还用于:
获取与智能设备控制***连接的所有家电设备属性信息;
按照预设的比对规则对目标控制信息和家电设备属性信息进行比对处理;
将家电设备属性信息符合比对规则的家电设备作为与目标控制信息对应的家电设备。
可选的,上述装置,具体用于:
获取用户的用户画像和行为习惯语句参数;
基于用户画像和行为习惯语句参数,确定目标控制信息。
可选的,上述语义控制模型的训练过程包括:
获取用户的行为习惯语句样本和与用户的行为习惯语句样本对应的样本控制信息;
将用户的行为习惯语句样本分为训练集和验证集;
利用训练集对待构建的语义控制模型进行训练,得到待验证的语义控制模型;
利用验证集中对待验证的语义控制模型,基于样本控制信息按照损失函数最小化对待验证的语义控制模型进行优化处理,得到语义控制模型。
可选的,上述装置,还用于:
当控制待调节家电根据调节参数信息进行调节之后,接收并响应于用户的评价指令,获取用户的评价信息;
当用户的评价信息用于表征用户对调节后的模式满意时,智能控制结束。
可以理解的是,本实施例的智能设备语音控制装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,在此不再赘述。
综上所述,本申请实施例提供的智能设备语音控制装置,能够自动解析用户的语音指令,并主动了解用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,根据用户的语音指令实现自主控制阶段,为特定场景的特定用户提供定制化无感服务,很大程度上提高了用户体验。
另一方面,本申请实施例提供的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如上述的智能设备语音控制方法。
下面参考图8,图8为本申请实施例的终端设备的计算机***的结构示意图。
如图8所示,计算机***300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分303 加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有***300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入 /输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;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309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口 305。可拆卸介质311,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310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308。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,其包括承载在机器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303从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的***中限定的上述功能。
需要说明的是,本申请所示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,前述模块、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或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括:获取模块、控制识别模块和控制模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,获取模块还可以被描述为“用于接收并响应于用户的语音指令,获取用户的语义信息”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储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的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的智能设备语音控制方法:
接收并响应于用户的语音指令,获取用户的语义信息;
将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,所述语义控制模型是基于所述用户的行为习惯语句样本和与所述行为习惯语句样本对应的样本控制信息进行训练的;
基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,以控制所述待调节家电设备根据所述调节参数信息进行调节。
本申请实施例中提供的智能设备语音控制方法、装置、设备及存储介质,通过接收并响应于用户的语音指令,获取用户的语音信息,并将用户的语义信息输入训练好的语义控制模型,得到目标控制信息,该语义控制模型是基于用户的行为习惯语句样本和与行为习惯语句样本对应的样本控制信息进行训练的,然后基于目标控制信息,确定待调节家电设备以及待调节家电设备对应的调节参数信息,以控制待调节家电设备根据调节参数信息进行调节。与现有技术相比,该技术方案能够自动解析用户的语音指令,并主动了解用户的生活习惯训练得到语义控制模型,得到目标控制信息,从而智能化地对待调节家电设备进行控制调节以适应用户需求,根据用户的语音指令实现自主控制阶段,为特定场景的特定用户提供定制化无感服务,很大程度上提高了用户体验。
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所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 (10)
1.一种智能设备语音控制方法,其特征在于,应用于智能设备控制***,包括:
接收并响应于用户的语音指令,获取用户的语义信息;
将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,所述语义控制模型是基于所述用户的行为习惯语句样本和与所述行为习惯语句样本对应的样本控制信息进行训练的;
基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,以控制所述待调节家电设备根据所述调节参数信息进行调节。
2.根据权利要求1所述的方法,其特征在于,将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,包括:
将所述用户的语义信息通过所述语义控制模型中的向量化处理模块进行向量化处理,得到特征向量;
将所述特征向量通过所述语义控制模型中的特征提取模块进行处理,得到语义特征;
将所述语义特征通过所述语义控制模型中的识别模块进行处理,得到目标控制信息。
3.根据权利要求1所述的方法,其特征在于,基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,包括:
获取预设的家电设备信息库并从所述家电设备信息库中查找与所述目标控制信息对应的家电设备;
将与所述目标控制信息对应的家电设备作为待调节家电设备;
获取所述待调节家电设备的当前参数信息,基于所述当前参数信息和所述目标控制信息,确定所述待调节家电设备对应的调节参数信息。
4.根据权利要求3所述的方法,其特征在于,从所述家电设备信息库中查找与所述目标控制信息对应的家电设备,包括:
获取与所述智能设备控制***连接的所有家电设备属性信息;
按照预设的比对规则对所述目标控制信息和所述家电设备属性信息进行比对处理;
将家电设备属性信息符合比对规则的家电设备作为与所述目标控制信息对应的家电设备。
5.根据权利要求1所述的方法,其特征在于,在获取用户的语义信息之后,所述方法还包括:
获取所述用户的用户画像和行为习惯语句参数;
基于所述用户画像和所述行为习惯语句参数,确定目标控制信息。
6.根据权利要求1所述的方法,其特征在于,所述语义控制模型的训练过程包括:
获取用户的行为习惯语句样本和与所述用户的行为习惯语句样本对应的样本控制信息;
将所述用户的行为习惯语句样本分为训练集和验证集;
利用所述训练集对待构建的语义控制模型进行训练,得到待验证的语义控制模型;
利用所述验证集中对所述待验证的语义控制模型,基于所述样本控制信息按照损失函数最小化对所述待验证的语义控制模型进行优化处理,得到语义控制模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当控制所述待调节家电根据所述调节参数信息进行调节之后,接收并响应于用户的评价指令,获取用户的评价信息;
当所述用户的评价信息用于表征所述用户对调节后的模式满意时,智能控制结束。
8.一种智能设备语音控制装置,其特征在于,所述装置包括:
获取模块,用于接收并响应于用户的语音指令,获取用户的语义信息;
控制识别模块,用于将所述用户的语义信息输入训练好的语义控制模型,得到目标控制信息,所述语义控制模型是基于所述用户的行为习惯语句样本和与所述行为习惯语句样本对应的样本控制信息进行训练的;
控制模块,用于基于所述目标控制信息,确定待调节家电设备以及与所述待调节家电设备对应的调节参数信息,以控制所述待调节家电设备根据所述调节参数信息进行调节。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在存储器熵并可在处理器上运行的计算机程序,所述处理器用于执行所述程序时实现如权利要求1-7任一项所述的智能设备语音控制方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于实现如权利要求1-7任一项所述的智能设备语音控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065488.7A CN115424615A (zh) | 2022-09-01 | 2022-09-01 | 智能设备语音控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065488.7A CN115424615A (zh) | 2022-09-01 | 2022-09-01 | 智能设备语音控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115424615A true CN115424615A (zh) | 2022-12-02 |
Family
ID=84202986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211065488.7A Pending CN115424615A (zh) | 2022-09-01 | 2022-09-01 | 智能设备语音控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424615A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008494A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及*** |
CN117234341A (zh) * | 2023-11-15 | 2023-12-15 | 中影年年(北京)文化传媒有限公司 | 基于人工智能的虚拟现实人机交互方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170034A (zh) * | 2017-12-29 | 2018-06-15 | 上海器魂智能科技有限公司 | 智能设备控制方法、装置、计算机设备和储存介质 |
CN109920419A (zh) * | 2019-03-05 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 语音控制方法和装置、电子设备及计算机可读介质 |
CN110060677A (zh) * | 2019-04-04 | 2019-07-26 | 平安科技(深圳)有限公司 | 语音遥控器控制方法、装置及计算机可读存储介质 |
CN111105795A (zh) * | 2019-12-16 | 2020-05-05 | 青岛海信智慧家居***股份有限公司 | 一种智能家居训练离线语音固件的方法及装置 |
CN111128127A (zh) * | 2018-10-15 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种语音识别处理方法及装置 |
CN112164391A (zh) * | 2020-10-16 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 语句处理方法、装置、电子设备及存储介质 |
CN114639379A (zh) * | 2022-03-10 | 2022-06-17 | 平安普惠企业管理有限公司 | 智能电器的交互方法、装置、计算机设备及介质 |
-
2022
- 2022-09-01 CN CN202211065488.7A patent/CN115424615A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170034A (zh) * | 2017-12-29 | 2018-06-15 | 上海器魂智能科技有限公司 | 智能设备控制方法、装置、计算机设备和储存介质 |
CN111128127A (zh) * | 2018-10-15 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种语音识别处理方法及装置 |
CN109920419A (zh) * | 2019-03-05 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 语音控制方法和装置、电子设备及计算机可读介质 |
CN110060677A (zh) * | 2019-04-04 | 2019-07-26 | 平安科技(深圳)有限公司 | 语音遥控器控制方法、装置及计算机可读存储介质 |
CN111105795A (zh) * | 2019-12-16 | 2020-05-05 | 青岛海信智慧家居***股份有限公司 | 一种智能家居训练离线语音固件的方法及装置 |
CN112164391A (zh) * | 2020-10-16 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 语句处理方法、装置、电子设备及存储介质 |
CN114639379A (zh) * | 2022-03-10 | 2022-06-17 | 平安普惠企业管理有限公司 | 智能电器的交互方法、装置、计算机设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008494A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及*** |
CN117008494B (zh) * | 2023-10-07 | 2024-03-22 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及*** |
CN117234341A (zh) * | 2023-11-15 | 2023-12-15 | 中影年年(北京)文化传媒有限公司 | 基于人工智能的虚拟现实人机交互方法及*** |
CN117234341B (zh) * | 2023-11-15 | 2024-03-05 | 中影年年(北京)科技有限公司 | 基于人工智能的虚拟现实人机交互方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818839B (zh) | 应用于智能家居的个性化行为预测方法、装置和*** | |
US11408629B2 (en) | Artificial intelligence device | |
EP4012706A1 (en) | Training method and device for audio separation network, audio separation method and device, and medium | |
CN115424615A (zh) | 智能设备语音控制方法、装置、设备及存储介质 | |
CN113705299A (zh) | 一种视频识别的方法、装置及存储介质 | |
CN109684456B (zh) | 基于物联网能力知识图谱的场景能力智能问答*** | |
CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
CN115422944A (zh) | 语义识别方法、装置、设备及存储介质 | |
WO2023168838A1 (zh) | 语句文本的识别方法和装置、存储介质及电子装置 | |
CN109920410A (zh) | 用于基于车辆的环境确定推荐的可靠性的装置和方法 | |
KR20190094319A (ko) | 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법 | |
CN112230555A (zh) | 智能家居设备及其控制方法、装置和存储介质 | |
KR20210048382A (ko) | 음성 분석 방법 및 장치 | |
KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
KR102426492B1 (ko) | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 | |
KR20190119549A (ko) | 음성 기반의 액션 아이템 제안장치 및 제안방법 | |
CN114925158A (zh) | 语句文本的意图识别方法和装置、存储介质及电子装置 | |
CN114282549A (zh) | 信息间根因关系的识别方法、装置、电子设备及存储介质 | |
CN114970494A (zh) | 一种评论生成方法、装置、电子设备和存储介质 | |
CN115146645A (zh) | 一种语义解析方法以及相关设备 | |
CN117706954B (zh) | 一种用于场景生成的方法及装置、存储介质、电子装置 | |
CN118051828B (zh) | 模型训练方法、装置及存储介质 | |
CN117708680B (zh) | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 | |
CN117575894B (zh) | 图像生成方法、装置、电子设备和计算机可读存储介质 | |
CN118035465A (zh) | 一种用于构建轻量化模型的方法及装置、存储介质、电子装置 |
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 |